Baixe o app para aproveitar ainda mais
Prévia do material em texto
Principais Modelos ContPrincipais Modelos Contíínuosnuos Prof. Prof. VVííctorctor Hugo Hugo LachosLachos DDáávilavila AULA: 10AULA: 10--1616 2 Variável Aleatória Contínua: • Associamos probabilidades a intervalos de valores da variável. • Assume valores num intervalo de números reais. • Não é possível listar, individualmente, todos os possíveis valores de uma v.a. contínua. 1 2 3 4 5 6 x P(X=x) Variável aleatória discreta (f.p.) Infinitos valores de X Variável aleatória contínua (funcão densidade de probabilidade,f.d.p.) f(x) 3 (i) A área sob a curva de densidade é 1, isto é, (ii) f(x) ≥ 0, para todo x; (iii) P(a ≤ X ≤ b) = área sob a curva da densidade f(x) e acima do eixo x, entre os pontos a e b; (iv) P(X = x0) = 0, para x0 fixo. Propriedades dos Modelos Contínuos Assim, P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a ≤ X ≤ b)= dxxf b a ∫ )( 1)( =∫ dxxf R Uma v.a. X contínua é caracterizada por sua função densidade de probabilidade f(x) (f.d.p) com as propriedades: 4 MMÉÉDIA E VARIÂNCIA (v.a. continuas)DIA E VARIÂNCIA (v.a. continuas) Valor EsperadoValor Esperado (m(méédia):dia): Dada a v. a. X, o valorvalor esperadoesperado ou esperanesperançça matema matemááticatica de X é dada por E(X) μ =Notação: dxxxf∫ ℜ = )( E(X) VariânciaVariância: : É o valor esperado da v.a. (X o valor esperado da v.a. (X –– E(X))E(X))22, ou , ou seja,seja, 222 ))(()()() - (x Var(X) XEXEdxxf −== ∫ ℜ μ (X)V 2 ar=σNotação: 5 Exemplo 1Exemplo 1 A duraA duraçção, em anos, de uma lâmpada especial ão, em anos, de uma lâmpada especial éé uma variuma variáável vel aleataleatóória contria contíínua com funnua com funçção densidade dada por:ão densidade dada por: 1f(w)dw R =∫ )( ),0( 2 xIce x ∞ −=f(x) Notacão usual c.c , 0 0 x, 2 ≥= − xcef(x) 1.Encontre o valor da constante c:Das propiredades vistas temos que c>0 e 2=c1c0 2 0 0 - =+ − ∞ ∞ ∫∫ dwedw w 2.Encontre a função de distribuição(f.d.a): c: Da definição temos que ∫ ∞ =≤= x - f(w)dwx)P(XF(x) Claro que para x<0, F(x)=0, pois a função densidade é nula e para x≥0, temos 6 ContinuaContinuaçção exemplo 1ão exemplo 1 ∫ −− −== x xw edwe 0 22 .12 F(x) 3. Calcule a probabilidade da lampada durar até 2 anos: Calculamos 98,01 )2(2 =−= −eF(2) ou 0 x, 2-1 0x, 0 2 ≥ <= − xeF(x) 4. Calcule o valor esperado da duração em anos da lampada: ∫∫∫ ∞ − ∞− =+== 0 2 0 5.020)( dwwedwwdwwwf w R E(X) ∫∫ −= b a b a b a xfdxgxgxfxgdxf ))(()(|)()())(()( IMPORTANTE: Integral por partes e Teorema de L’hospital 7 1. Modelo Uniforme Uma variável aleatória contínua X tem distribuição uniforme com parâmetros α e β se sua função de densidade de probabilidade é dada por: ⎪⎩ ⎪⎨ ⎧ ≤≤−= cc xxf .,0 ,1)( βααβ ( ) 12 )(, 2 )( 2βαβα −=+= XVarXE ⎪⎪⎩ ⎪⎪⎨ ⎧ ≥ ≤≤− − < = β βααβ α x xx x xF 1 00 )( A função de distribuição acumulada é dado por: Notação: X~U(α , β)) 8 Exemplo: A dureza X de uma peça de aço pode ser pensada como sendo uma variável aleatória uniforme no intervalo (50,70) da escala Rockwel. Qual é a probabilidade de que uma peça tenha dureza entre 55 e 60? ⎪⎩ ⎪⎨ ⎧ ≤≤= cc xxf .,0 7050, 20 1 )( Solução: Seja X: dureza de uma peça de aço, X~U(50,70) 20 5 20 1)6055( 60 55 ==<< ∫ dxXP Portanto, 60 2 5070)( =+== μXE Também, 3,33 12 )5070( 22 =−=σ 9 Uma variável aleatória contínua X tem distribuição exponencial com parâmetro λ, se sua função de densidade é dado por 2. Modelo Exponencial ⎪⎩ ⎪⎨ ⎧ ≥= − cc xexf x .,0 0,1)( λ λ Notação: X~Ex(λ). A função de distribuição acumulada é dado por: ⎪⎩ ⎪⎨ ⎧ ≥−= − cc xexF x .0 0,1)( λ Pode-se mostrar: 2)(,)( λλ == XVarXE 10 Exemplo: Certo tipo de fusível tem duração de vida que segue uma distribuição exponencial com tempo médio de vida de 100 horas. Cada peça tem um custo de 10,0 unidades monetárias (u.m) e se durar menos de 20 horas, existe um custo adicional de 8.0 u.m. (a) Qual é a probabilidade de uma durar mais de 150 horas? (b) Determinar o custo esperado. Solução: Se X: tempo de duração de uma peça, do enunciado tem-se que: E(X)=100 horas e X~Ex(100). Ou seja, 223,0)1(1)150(1)150()( 5,1100 150 ==−−=≤−=> −− eeXPXPa ⎪⎩ ⎪⎨ ⎧ ≥−= − cc xexF x .0 0,1)( 100 11 (b) Seja C o custo total de uma peça. ⎩⎨ ⎧ <+ ≥= 200,810 200,10 xse xse C O custo total esperado é: E(C)=10P(C=10)+18P(C=18) 2)200(1)200(1)200()10( −=−=≤−=≥== eFXPXPCP 21)200()200()18( −−==≤== eFXPCP mueeCE .918,16)1(1810)( 22 =−×+×= −− 12 4. Modelo Normal Exemplo : Observamos o peso, em kg, de 1500 pessoas adultas selecionadas ao acaso em uma população. O histograma por densidade é o seguinte: 30 40 50 60 70 80 90 100 0.00 0.01 0.02 0.03 0.04 Peso D e n s i d a d e 13 - a distribuição dos valores é aproximadamente simétrica em torno de 70kg; A análise do histograma indica que: - a maioria dos valores (88%) encontra-se no intervalo (55;85); - existe uma pequena proporção de valores abaixo de 48kg (1,2%) e acima de 92kg (1%). 14 Vamos definir a variável aleatória A curva contínua da figura denomina-se curva Normal. Como se distribuem os valores da variável aleatória X, isto é, qual a distribuição de probabilidades de X ? X: peso, em kg, de uma pessoa adulta escolhida ao acaso da população. 30 40 50 60 70 80 90 100 0.000 0.015 0.030 Peso D e n s i d a d e 15 A distribuição Normal é uma das mais importantes distribuições contínuas de probabilidade pois: • Muitos fenômenos aleatórios comportam-se de forma próxima a essa distribuição. Exemplos: 1. altura 2. pressão sangüínea 3. etc. • Pode ser utilizada para calcular, de forma aproximada, probabilidades para outras distribuições, como por exemplo, para a distribuição Binomial. 16 O Modelo Normal Uma variável aleatória contínua X tem distribuição normal com média μ e variância , se sua função de densidade é dada por:2σ Rxexf x ∈= ⎟⎠ ⎞⎜⎝ ⎛ −− , 2 1)( 2 σ μ σπ ).,(~: 2σμNXNotação 17 Distribuições normais com médias diferentes e variâncias iguais. Distribuições normais com médias iguais e variâncias diferentes 18 Propriedades da distribuição normal 2)(,)()( σμ == XVarXEa (b) A distribuição é simétrica ao redor de sua média. (c) A área total sob curva é igual a um portanto, cada metade da curva tem 0,5 da área total. (d) 9973,0)33( 9546,0)22( 6896,0)( =+≤≤− =+≤≤− =+≤≤− σμσμ σμσμ σμσμ XP XP XP 19 dttxF x∫ ∞− ⎟ ⎟ ⎠ ⎞ ⎜⎜⎝ ⎛ ⎟⎠ ⎞⎜⎝ ⎛ −−= 2 2 1exp 2 1)( σ μ σπ A função de distribuição acumulada de uma v.a ).,(~ 2σμNX 20 Distribuição normal padrão ou reduzida Se Z é uma variável aleatória normal com média zero e variância um, então Z é chamado de uma v.a. normal padrão ou reduzida e sua f.d.p é dada por: Rzezf z ∈= − , 2 1)( 2 2 π A função de distribuição acumulada de uma v.a Z~N(0,1) d dttzZPz z )5,0exp( 2 1)()( 2−=≤=Φ ∫ ∞− π 21 Uso da Tabela Normal dttzZPz z )5,0exp( 2 1)()( 2−=≤=Φ ∫ ∞− π Observação: RbaabbZaPiii zzZPzZzPii zzzZPzzZPi ∈∀Φ−Φ=≤≤ −Φ=−≤=≤≤− >∀Φ−=≤−=−Φ=−≤ ,),()()()( 1)(21)(2)()( 0),(1)(1)()()( 22 z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,0 0,500000 0,503989 0,507978 0,511966 0,515953 0,519939 0,523922 0,527903 0,1 0,539828 0,543795 0,547758 0,551717 0,555670 0,5596180,563559 0,567495 0,2 0,579260 0,583166 0,587064 0,590954 0,594835 0,598706 0,602568 0,606420 0,3 0,617911 0,621719 0,625516 0,629300 0,633072 0,636831 0,640576 0,644309 0,4 0,655422 0,659097 0,662757 0,666402 0,670031 0,673645 0,677242 0,680822 0,5 0,691462 0,694974 0,698468 0,701944 0,705401 0,708840 0,712260 0,715661 0,6 0,725747 0,729069 0,732371 0,735653 0,738914 0,742154 0,745373 0,748571 0,7 0,758036 0,761148 0,764238 0,767305 0,770350 0,773373 0,776373 0,779350 0,8 0,788145 0,791030 0,793892 0,796731 0,799546 0,802337 0,805106 0,807850 0,9 0,815940 0,818589 0,821214 0,823814 0,826391 0,828944 0,831472 0,833977 1,0 0,841345 0,843752 0,846136 0,848495 0,850830 0,853141 0,855428 0,857690 1,1 0,864334 0,866500 0,868643 0,870762 0,872857 0,874928 0,876976 0,878999 1,2 0,884930 0,886860 0,888767 0,890651 0,892512 0,894350 0,896165 0,897958 1,3 0,903199 0,904902 0,906582 0,908241 0,909877 0,911492 0,913085 0,914656 1,4 0,919243 0,920730 0,922196 0,923641 0,925066 0,926471 0,927855 0,929219 1,5 0,933193 0,934478 0,935744 0,936992 0,938220 0,939429 0,940620 0,941792 1,6 0,945201 0,946301 0,947384 0,948449 0,949497 0,950529 0,951543 0,952540 1,7 0,955435 0,956367 0,957284 0,958185 0,959071 0,959941 0,960796 0,961636 1,8 0,964070 0,964852 0,965621 0,966375 0,967116 0,967843 0,968557 0,969258 1,9 0,971284 0,971933 0,972571 0,973197 0,973810 0,974412 0,975002 0,975581 2,0 0,977250 0,977784 0,978308 0,978822 0,979325 0,979818 0,980301 0,980774 2,1 0,982136 0,982571 0,982997 0,983414 0,983823 0,984222 0,984614 0,984997 2,2 0,986097 0,986447 0,986791 0,987126 0,987455 0,987776 0,988089 0,988396 2,3 0,989276 0,989556 0,989830 0,990097 0,990358 0,990613 0,990863 0,991106 2,4 0,991802 0,992024 0,992240 0,992451 0,992656 0,992857 0,993053 0,993244 2,5 0,993790 0,993963 0,994132 0,994297 0,994457 0,994614 0,994766 0,994915 2,6 0,995339 0,995473 0,995603 0,995731 0,995855 0,995975 0,996093 0,996207 2,7 0,996533 0,996636 0,996736 0,996833 0,996928 0,997020 0,997110 0,997197 2,8 0,997445 0,997523 0,997599 0,997673 0,997744 0,997814 0,997882 0,997948 2,9 0,998134 0,998193 0,998250 0,998305 0,998359 0,998411 0,998462 0,998511 3,0 0,998650 0,998694 0,998736 0,998777 0,998817 0,998856 0,998893 0,998930 3,1 0,999032 0,999064 0,999096 0,999126 0,999155 0,999184 0,999211 0,999238 3,2 0,999313 0,999336 0,999359 0,999381 0,999402 0,999423 0,999443 0,999462 3,3 0,999517 0,999533 0,999550 0,999566 0,999581 0,999596 0,999610 0,999624 3,4 0,999663 0,999675 0,999687 0,999698 0,999709 0,999720 0,999730 0,999740 3,5 0,999767 0,999776 0,999784 0,999792 0,999800 0,999807 0,999815 0,999821 3,6 0,999841 0,999847 0,999853 0,999858 0,999864 0,999869 0,999874 0,999879 3,7 0,999892 0,999896 0,999900 0,999904 0,999908 0,999912 0,999915 0,999918 3,8 0,999928 0,999930 0,999933 0,999936 0,999938 0,999941 0,999943 0,999946 3,9 0,999952 0,999954 0,999956 0,999958 0,999959 0,999961 0,999963 0,999964 Distribuição normal: valores de P(Z≤z)=Φ(z), z≥0 23 Exemplo: Seja Z~N(0,1), determinar: (a) P(Z<1,80) (b) P(0,80<Z<1.40) (c) P(Z<-0,57) (d) O valor de k tal que: P(Z<k)=0,05. Solução: da tabela normal padrão tem-se: 0,13110,78814-0,91924(0,80)-(1,40)1,40)ZP(0,80(b) 0,964070)80,1()80,1()( ==ΦΦ=<< =Φ=<ZPa 0,284339.715661,01)57,0(1)57,0()( =−=≤−=−< ZPZPc 64,105,0)()( −=⇒=< kkZPd 24 Teorema (Transformação linear de uma variável normal) Se X é uma v.a. normal com média μ e variância σ2, então a variável aleatória Y=a+bX tem distribuição normal com média μy =a+bμ e variância 222 σσ b Y = . Uma conseqüência do teorema anterior é a variável )1,0(~ NXZ ⎟⎠ ⎞⎜⎝ ⎛ −= σ μ Exemplo: Se X~N(90,100). Determinar: (a) P(70< X < 100) (b) P(|X-90|<30) (c) O valor de a tal que: P(90-2a <X< 90+2a)=0,99 25 718595,0)97725,01(0,841345 ))2(1()1()2()1( )12() 10 90100 10 9070()10070()( =−−= =≤−−≤=−≤−≤= =<<−=−<−<−=<< ZPZPZPZP ZPXPXPa σ μ 0,99731-0.99865021)3(2)33( ) 10 30 10 90 10 30()309030()30|90(|)( =×=−<=<<−= =<−<−=<−<−=<− ZPZP XPXPXPb 85,1257,2 5 995,0) 5 (99,01) 5 (2 10 2 10 90 10 2)2902()290290()( =⇒=⇒ =<⇒=−≤= ⎟⎠ ⎞⎜⎝ ⎛ <−<−=<−<−=+<<− aa aZPaZP aXaPaXaPaXaPc 26 Exemplo: O tempo gasto no exame vestibular de uma universidade tem distribuição normal com média 120 minutos e desvio padrão 15 minutos. (a) Sorteando-se um aluno ao acaso, qual é probabilidade dele terminar o exame antes de 100 minutos? X: tempo gasto no exame vestibular. 0,0917690,9082411)33,1(1 )33,1(1 )33,1( 15 120100)100( ).15,120(~ 2 =−=Φ−= <−= −≤=⎟⎠ ⎞⎜⎝ ⎛ −<=< ZP ZPZPXP NX 27 (b) Qual deve ser o tempo de prova de modo que permita o 95% dos vestibulandos terminem no prazo estipulado? 95,0 15 120)( 95,0)( =⎟⎠ ⎞⎜⎝ ⎛ −<=< =< xZPxXP xXP z=? , tal que Φ(z)=0,95 Da tabela z= 1,64 (c) Qual o intervalo central de tempo, tal que 80% dos estudantes gastam para completar o exame? 6,1521564,1120 =×+=x 28 80.0 15 120 15 12080,0)( 2121 =⎟⎠ ⎞⎜⎝ ⎛ −≤≤−⇒=≤≤ xZxPxXxP z=? , tal que Φ(z)=0,90 Da tabela z= 1,28 .min2,13928,11512028,1 15 120 .min8,10028,11512028,1 15 120 22 2 11 1 =∴×+=⇒=− =∴×−=⇒−=− xxx xxx 29 Teorema( Combinação Linear de variáveis aleatórias normais) Sejam nXX ,,1 K , n variáveis aleatórias independentes onde Xi ~N(μi, σi2), para i=1,...,n. Sejam naa ,,1 K constantes reais. Seja a variável aleatória Y uma combinação linear das variáveis aleatórias normais. Isto é nn XaXaY ++= L11 Então a variável aleatória Y tem distribuição normal com média i n i innY aaa μμμμ ∑ = =++= 1 11 L e variância 2 1 2222 1 2 1 2 i n i inn aaaY σσσσ ∑==++= L 30 Exemplo: Uma companhia embala em cada caixa 5 pires e 5 xícaras. Os pesos dos pires distribuem-se normalmente com média de 190 g e desvio padrão 100 g. Os pesos das xícaras também são normais com média 170 g e desvio padrão 12,25 g. O peso da embalagem é praticamente constante e igual a 100 g. (a) Qual é a probabilidade da caixa pesar menos de 2000 g? completa. caixa da peso :C embalagem; da peso:E xícara;ésima-i do peso :X pires; ésimo-i do peso: i iP Solução. Sejam, ∑∑ == ++=++++++++= 5 1 5 1 521521 i i i i xícarasdaspesopiresdospeso EXPEXXXPPPC 444 3444 21 L44 344 21 L 31 Tem-se interesse: P(C < 2000)=? Do problema temos: 5,,1)25,12,170(~),10,190(~ 22 L=iNXNP ii Do teorema anterior C distribui-se normalmente com média g EXEPE i i i iC 190010017051905 )()( 5 1 5 1 =+×+×= ++= ∑∑ == μ 222 5 1 5 1 2 1250025,125105 )()()( g EVarXVarPVar i i i iC =+×+×= =++= ∑∑ == σ e variância 0,997673)83,2( 1250 19002000)2000( =≤= =⎟⎠ ⎞⎜⎝ ⎛ −≤=< ZP ZPCP 32 (b) Qual é a probabilidade de uma xícara pesar mais que um pires numa escolha ao acaso? Seja X: peso de uma xícara; P: peso de um pires. P(X > P)=P(X – P >0)=? .25025,1210 ;20190170 );(~ 22222 2 =+=+= −=−=−= −= PXY PXY YY onde NPXYSeja σσσ μμμ σμ Logo, 0,103835. 0,8961651)26,1(1 250 )20(01 )0(1)0( = −=≤−= ⎟⎠ ⎞⎜⎝ ⎛ −−≤−= ≤−=> ZP ZP YPYP 33 Corolário (Propriedade reprodutiva da distribuição normal) Sejam nXX ,,1 K , n variáveis aleatórias independentes onde Xi ~N(μ, σ2), para i=1,...,n. Então a variável aleatória ∑ = =++= n i in XXXY 1 1 L tem distribuição normal com média nμ e variância ),(~ é, isto , 22 σμσ nnNYn ).1,0(~ / 1 N n X n nX Y n i i σ μ σ μ −= − = ∑ = Exemplo: o peso de uma caixa de peças é uma variável aleatória normal com média de 65 kg e desvio padrão de 4 kg. Um carregamento de 120 caixas de peças é feito.Qual é a probabilidade que a carga pesar entre 7.893 kg e 7.910 kg? 34 120,,1),16,65(~caixa ésima-i da peso : L=⇒ iNXX ii )1920,7800(~ )16120,65120(~carga da peso : 120 1 NY NXYY i i ××=⇒ ∑ = 010966,0482997,0493963,0 )12,2()51,2()51,212,2( 1920 78007910 1920 78007893)79107893( =−= Φ−Φ=≤≤= ⎟⎠ ⎞⎜⎝ ⎛ −≤≤−=≤≤ ZP ZPYP 35 Exemplo: Estudo do Sindicato de Bancários indica que cerca de 30% dos funcionários de banco têm problemas de estresse, provenientes das condições de trabalho. Numa amostra de 200 bancários, qual seria a probabilidade de pelo menos 50 com essa doença? )3,0 ,200(~problema o com bancários de N : o BXX ⇒ 948,0)7,0()3,0)( 200 ()50( 200 50 200 ==≥ ∑ = − k kk k XP Resultado muito trabalhos: 151 termos para somar A aproximação pela Normal é baseada no Teorema Limite Central. Em geral quanto mais simétrica for a f.p. da Binomial, melhor será a aproximacão. AproximaAproximaçção da Binomial pela Normalão da Binomial pela Normal 36 Distribuição Binomial n = 10 p = 0,2 37 Distribuição Binomial n = 20 p = 0,2 38 Distribuição Binomial n = 50 p = 0,2 Para p fixado, a medida que n cresce, os histogramas vão se tornando mais simétricos e com a forma da curva Normal. Tal aproximação será mais rápida para 5.0≈p 39 sendo Y ~ N(np ; np(1 – p) ). Aproximar a distribuição de probabilidades de X pela distribuição de probabilidades de uma variável aleatória Y tal que Portanto, • P( a ≤ X ≤ b) ≈ P(a ≤ Y ≤ b) • P( X ≥ a) ≈ P(Y ≥ a) • P( X ≤ b) ≈ P(Y ≤ b) X ~ b(n ; p) E(X) = npVar(X) = np(1 – p)⇒ Y ~ N( μy, σy2) com μy = n p e σy2 = n p (1 – p). IdIdééia Bia Báásicasica 40 Logo temos que , desta forma 938,0)54,1() 42 6050 42 60()50()50( =−≥=−≥−=≥≈≥ ZPYPYPXP )42,60(~ NY No Exemplo anterior temos que: 42)1()( e 60)( com ),3,0 ,200(~ =−=== pnpXVarnpXEBX Probabilidade exata = 0,948 (usando a distribuição binomial). Note que estamos aproximando uma distribuição discreta por uma contínua onde as probabilidades pontuais são zero, assim para melhorar tal aproximação alguns autores preferem usar a correção de continuidade 41 Correção de Continuidade Para melhorar a aproximação, usamos a correção por continuidade no cálculo com a Normal como segue: 9478,0)-1.62() 42 605,49 42 60()5,49()50( =≥=−≥−=≥≈≥ ZPYPYPXP 9292,0)46.1() 42 605,50 42 60()5,50()50( =−≥=−≥−=≥≈> ZPYPYPXP 0182,0) 42 605,50 42 60 42 605,49()5,505,49()50( =−≤−≤−=≤≤≈= YPYPXP Para probabilidade pontuais, criamos um intervalo artificial: Probabilidade exata = 00190 (usando a distribuição binomial). 42 Exemplo: Um sistema é formado por 100 componentes, cada um dos quais com confiabilidade (probabilidade de funcionar adequadamente num certo período) igual a 0,9. Se esses componentes funcionarem de forma independente um do outro e se o sistema funcionar adequadamente enquanto pelo menos 87 componentes estiverem funcionando, qual é a confiabilidade do sistema? X : número de componentes que funcionam adequadamente dos 100 X ~ b(100; 0,9) n = 100 p = 0,9 E(X) = np = 100×0,9 = 90 Var(X) = np(1 – p) = 100 × 0,9 × 0,1 = 9 ⇒ Confiabilidade do sistema: P(X ≥ 87)=?? P(X ≥ 87) ≈ P(Y ≥ 87) ≈ P(Y ≥ 86,5) Y ~ N(90 ; 9) 876976.0)16,1( )16.1() 3 905,86 9 90( =Φ=−≥=−≥−= ZPYP Probabilidade exata = 0.8761232 (usando a distribuição binomial).
Compartilhar