Baixe o app para aproveitar ainda mais
Prévia do material em texto
Centro Federal de Educac¸a˜o Tecnolo´gica Celso Suckow da Fonseca – CEFET/RJ Disciplina: Estat´ıstica Prof. Anna Regina Corbo CAPI´TULO 4: Varia´veis Aleato´rias Cont´ınuas Uma varia´vel aleato´ria e´ cont´ınua se o conjunto de poss´ıveis valores da V.A. e´ um intervalo de nu´meros reais. Ex.: Temperatura, Peso, Voltagem. Definic¸a˜o 1: Para uma varia´vel aleato´ria cont´ınua X, uma func¸a˜o densidade de probabili- dade e´ uma func¸a˜o tal que: 1. f(x) > 0 para todo x. 2. ∫ ∞ −∞ f(x)dx = 1 3. P (a 6 X 6 b) = ∫ b a f(x)dx A func¸a˜o densidade de probabilidade f(x) e´ usada para calcular uma a´rea que representa a probabilidade de X assumir um valor em [a, b]. Mas qual e´ o valor de P (X = a), para um valor qualquer de a (probabilidade pontual)? Note que P (X = a) = P (a 6 X 6 a) = ∫ a a f(x)dx = 0. Deste modo, temos P (x1 6 X 6 x2) = P (x1 < X < x2) Exemplo 1 Seja f(x) = 1, 5x2 para −1 < x < 1, uma func¸a˜o densidade de probabilidade. Determine: a) P (X > 0) b) P (−0, 5 6 X 6 0, 5) c) P (X < −2) 1 1 Me´dia e Variaˆncia de uma VA cont´ınua Definidas de modo similar a`s VA discretas. No entanto, utilizamos a generalizac¸a˜o dos so- mato´rios: a integral. Suponha que X seja uma V.A. cont´ınua com func¸a˜o densidade de probabilidade f(x). A Me´dia ou Valor Esperado de X e´ dada por: µ = E[X] = ∫ ∞ −∞ xf(x)dx A Variaˆncia de X e´ dada por: σ2 = V [X] = ∫ ∞ −∞ (x− µ)2f(x)dx O Desvio-padra˜o de X e´ σ = √ V [X] Exemplo 2 O tamanho (em microˆmetros) de uma part´ıcula e´ modelada pela func¸a˜o densidade: f(x) = 2x−3, para x > 1. Determine a me´dia de X. 2 Func¸a˜o de Distribuic¸a˜o Cumulativa A func¸a˜o de distribuic¸a˜o de uma VA cont´ınua X e´ dada por: F (x) = P (X 6 x) = ∫ x −∞ f(t)dt , para −∞ < x <∞. De acordo com esta definic¸a˜o, podemos determinar a func¸a˜o densidade de uma VA cont´ınua a partir de uma diferenciac¸a˜o da func¸a˜o distribuic¸a˜o, ou seja, f(x) = d dx F (x) Exemplo 3 O tempo ate´ que uma reac¸a˜o qu´ımica esteja completa e´ aproximado pela func¸a˜o de distri- buic¸a˜o: F (x) = { 0, x < 0 1− e−0,01x, x > 0 a) Determine a func¸a˜o densidade de X. b) Que proporc¸a˜o de reac¸o˜es e´ completada em 200ms? 2 3 Principais distribuic¸o˜es de probabilidade cont´ınuas 3.1 Distribuic¸a˜o Uniforme Cont´ınua Uma varia´vel aleato´ria cont´ınua X definida em [a, b] tem distribuic¸a˜o uniforme se sua func¸a˜o densidade e´ do tipo: f(x) = 1 b− a, para a 6 x 6 b. Graficamente, temos: Neste caso, a func¸a˜o de distribuic¸a˜o da VA cont´ınua X e´ dada por: F (x) = ∫ x a 1 b− adx = x− a b− a Ou seja, F (x) = 0, se x < a x− a b− a , se a 6 x 6 b 1, se x > b Graficamente, Notac¸a˜o: X ∼ Unif [a, b]. Exemplo 4 X: corrente ele´trica em miliamperes (mA). X e´ VA cont´ınua definida em [0, 20mA] com distribuic¸a˜o uniforme. Qual a probabilidade da medida da corrente estar entre 5mA e 10mA? 3 3.2 Distribuic¸a˜o Exponencial Uma varia´vel aleato´ria tem uma distribuic¸a˜o exponencial com paraˆmetro λ > 0 se a func¸a˜o densidade de X e´: f(x) = λe−λx, para 0 6 x <∞ onde λ e´ a “contagem de Poisson” me´dia do modelo. Observac¸a˜o: Modelo utilizado quando a probabilidade de uma determinada VA e´ alta no in´ıcio mas decai exponencialmente no intervalo determinado. Notac¸a˜o: X ∼ Exp(λ) A func¸a˜o de distribuic¸a˜o e´ dada por: F (x) = P (X 6 x) = ∫ x −∞ f(t)dt = ∫ x 0 f(t)dt = ∫ x 0 λe−λtdt = −e−λx + e−λ·0 = 1− e−λx Ou seja: F (x) = 1− e−λx Se a varia´vel aleato´ria X for exponencialmente distribu´ıda, com paraˆmetro λ, enta˜o: E[X] = 1 λ e V [X] = 1 λ2 onde E[X] e´ a distaˆncia (ou tempo) ate´ a pro´xima resposta favora´vel. Exemplo 5 Numa rede de computadores, as conexo˜es sa˜o exponencialmente distribu´ıdas com me´dia de 25 conexo˜es por hora. Qual e´ a probabilidade de na˜o haver conexo˜es em um intervalo de 6 minutos, a partir do instante em que as conexo˜es sa˜o iniciadas? 4 3.3 Distribuic¸a˜o Normal (ou Distribuic¸a˜o Gaussiana) Uma varia´vel aleato´ria X, com func¸a˜o densidade de probabilidade: f(x) = 1√ 2piσ e−(x−µ) 2upslope2σ2 , para −∞ < x <∞ tem uma distribuic¸a˜o normal com paraˆmetros µ e σ2 onde E[X] = µ e V [X] = σ2. Notac¸a˜o: X ∼ N(µ, σ2). (a) Curva mais estreita: X ∼ N(µ, σ2 = 1) (b) Curva mais larga: X ∼ N(µ, σ2 = 4) O gra´fico da densidade normal e´ uma curva sime´trica centrada em µ e com largura pro- porcionalmente definida pelo valor de σ2. No entanto, a func¸a˜o densidade normal na˜o possui uma forma exata para a integral. Deste modo, na˜o e´ poss´ıvel determinar uma expressa˜o para a func¸a˜o distribuic¸a˜o F . Neste caso, na func¸a˜o distribuic¸a˜o do modelo normal a probabilidade acumulada e´ calculada numericamente ou atrave´s de tabelas. Definic¸a˜o 2: Uma varia´vel aleato´ria normal com µ = 0 e σ2 = 1 e´ dita uma varia´vel aleato´ria normal padra˜o e e´ denotada por Z. Seu ca´lculo e´ feito com o aux´ılio da “Tabela de Distibuic¸a˜o Normal Padra˜o”. Definic¸a˜o 3: A func¸a˜o distribuic¸a˜o cumulativa de uma varia´vel aleato´ria normal padra˜o e´ denotada por: F (z) = P (Z 6 z) 5 Exemplo 6 Calcular as probabilidades abaixo, com o aux´ılio da “Tabela de Distibuic¸a˜o Normal Padra˜o”: a) P (Z < 1, 26) b) P (Z < −1, 37) c) P (−1, 25 < Z < 0, 37) 3.3.1 Padronizac¸a˜o No entanto, na maioria das vezes em que a varia´vel aleato´ria X e´ normal, ela na˜o e´ padra˜o. Ou seja, X e´ normal com E[X] = µ e V [X] = σ2, para µ e σ quaisquer. Neste caso, a varia´vel aleato´ria: Z = X − µ σ sera´ uma VA normal com E[Z] = 0 e V [Z] = 1. Ou seja, Z e´ VA normal padra˜o e seu ca´lculo pode ser feito com o aux´ılio da tabela correspondente. Exemplo 7 Medida da corrente em um fio tem distribuic¸a˜o normal, com me´dia de 10mA e desvio-padra˜o de 2mA. a) Qual e´ a probabilidade da medida exceder 13mA? b) Qual e´ a probabilidade da medida da corrente estar entre 9 e 11mA? c) Determine o valor para o qual a probabilidade de uma medida da corrente estar abaixo deste valor seja 0, 98. 3.3.2 Gra´fico de Probabilidade Normal Como sabemos se uma distribuic¸a˜o normal e´ um modelo razoa´vel para os dados? O gra´fico de probabilidade e´ um me´todo para determinar se os dados da amostra obedecem a uma distribuic¸a˜o hipote´tica, baseada no exame visual subjetivo dos dados. Uma forma simples de realizar esta ana´lise e´ utilizando um histograma de frequeˆncias relativas, conforme vimos no Cap´ıtulo 1. Se a forma do histograma “parecer” a forma da curva de densidade normal, enta˜o aceitamos a normalidade dos dados. Exemplo 8 Amostra acerca do tempo de vida de baterias usadas em computadores, em minutos: 176, 191, 214, 220, 205, 192, 201, 190, 183 e 185. Podemos considerar esta amostra normalmente distribu´ıda? 6
Compartilhar