Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
Variáveis aleatórias contínuas Referências: Bussab e Morettin, Cap. 7. Webster, Cap.5 Variáveis aleatórias contínuas Já foi visto que uma variável aleatória contínua pode assumir infinitos valores dentro de um determinado intervalo, com probabilidade de assumir qualquer um dos valores igual a zero. Uma definição mais formal é: uma função X, definida sobre o espaço amostral Ω e assumindo valores num intervalo de números reais, é dita uma variável aleatória contínua. Contrariamente ao que ocorre no caso das variáveis aleatórias discretas, o cálculo das probabilidades que envolvem variáveis aleatórias contínuas não pode ser feito a partir do valor da função de probabilidade no ponto, isto é P(X=x). É preciso usar uma estratégia para a obtenção das probabilidades de interesse por meio de intervalos. Isto é, calcula-se P(a ≤ X ≤ b), sendo a < b, com o auxílio da função densidade de probabilidade. Vamos ver a definição da função densidade de probabilidade por meio de um exemplo. Variáveis aleatórias contínuas Exemplo: o ponteiro dos segundos de um relógio pode parar a qualquer instante, devido a defeito ou término de pilha. Seja X o ângulo que este ponteiro forma com o eixo imaginário que sai do centro e vai até o número 12. Se o relógio foi do tipo mecânico, o ponteiro dos segundos dá 60 “saltos” para completar uma volta, cada salto igual a 6 graus (a volta completa =360 graus). Se o ponteiro pode parar em qualquer ponto com a mesma probabilidade, então, neste caso, X é uma variável discreta com distribuição uniforme. Variáveis aleatórias contínuas Função densidade de probabilidade Por meio da divisão do intervalo [0º, 360º) em pequenos subintervalos, pode-se construir um histograma para as probabilidades da v.a. X. Fazendo com que esses intervalos tendam a zero, pode-se construir o “histograma alisado” da variável X, como na figura abaixo. Lembrando que a área total do histograma é igual à um. A área correspondente ao intervalo [a, b) deve indicar a probabilidade de X estar entre a e b. Função densidade de probabilidade Função densidade de probabilidade Valor médio de uma variável aleatória contínua Valor médio de uma variável aleatória contínua Valor médio e variância de uma variável aleatória contínua Valor médio e variância de uma variável aleatória contínua Valor médio e variância de uma variável aleatória contínua Calcule agora as variâncias para o exemplo 1 e 2! Função de Distribuição Acumulada Função de Distribuição Acumulada Modelos probabilísticos para variáveis aleatórias contínuas Modelos mais importantes: O modelo uniforme O modelo Normal O modelo Exponencial Aproximação Normal para a Binomial Outros modelos importantes: Gama Qui-quadrado t de Student F de Snedecor O Modelo Uniforme O Modelo Uniforme Gráfico da fdp: Gráfico da fda: Para quaisquer valores c e d, com c < d, tem-se: P(c < X <d) = F(d) - F(c) Usa-se a notação X~U(a,b) para indicar que a v.a. X tem distribuição uniforme no intervalo [a, b]. O Modelo Normal Modelo fundamental em probabilidade e estatística! O Modelo ou Distribuição Normal e suas derivadas são as distribuições mais utilizadas em estatística e econometria. A distribuição Normal: Simplifica os cálculos de probabilidade. É muito usada para conduzir inferência em estatística e econometria, mesmo quando a população básica não for necessariamente normal. Ela é chamada também de distribuição Gaussiana, em homenagem a C. F. Gauss, que por volta de 1810 identificou a distirbuição em seus trabalhos sobre erros de observações astronômicas. Muitas variáveis aleatórias parecem seguir uma distribuição Normal. Ex: altura e peso dos indivíduos de uma população; resultados de provas; índices de desemprego municipais etc. Esses são exemplos de variáveis que possuem uma fundação de distribuição de probabiliade aproximadamente Normal. A variável “renda”, porém, não é distribuída simetricamente em torno de algum valor, mas inclinada em direção à extremidade superior (exibe assimetria à direita). 18 18 O Modelo Normal 19 19 O Modelo Normal 20 20 O Modelo Normal 21 21 A distribuição Normal Padrão 22 22 A distribuição Normal Padrão 23 23 Propriedades da Normal 24 24 Função de distribuição cumulativa normal padrão 25 A função distribuição cumulativa da normal padrão é representada por F(z) e é obtida como a área sob f(z). À esquerda de z: F(z)=P(Z ≤ z). Como Z é contínua, F(z)=P(Z ≤ z) também é contínua. 25 A distribuição Normal Padrão 26 26 27 27 O cálculo de F(Z) 28 28 Exercícios Como exercício, e usando a Tabela III de Bussab e Morettin (2012), calcule as seguintes probabilidades: P(Z > 0,44) 2) P(Z < -0,92) 3) P(-1 < Z ≤ 0,5) 29 29 Respostas exercícios Respostas: P(Z > 0,44) = 0,33 2) P(Z < -0,92) = P(Z > 0,92) = = 0,179. 3) P(-1 < Z ≤ 0,5) = 0,533. 30 30 Propriedades da distribuição Normal 31 31 Exemplo 32 32 Exercícios: 33 33 Aproximação Normal para a Binomial 34 34 Aproximação Normal para a Binomial Qual curva Normal usar? Média da binomial em questão = np= 5 Variância = np(1-p)=2,5 Aproximar o cálculo por meio da curva normal N(5, 2,5) Chamando de X o valor da variável com distrbuição Normal: P(Y ≥ 7)=P(X ≥ 6,5)* * Quando se usa uma distirbuição contínua para estimar a probabilidade de uma v.a. discreta, é necessário um ajuste chamado de fator de correção de continuidade: como no caso contínuo não se calcula a probabilidade no ponto P(X=7), trabalha-se com um intervalo aproximado: P(Y=7)≈P(6,5≤ X ≤ 7,5) 35 35 Aproximação Normal para a Binomial 36 36 Exercícios 37 37
Compartilhar