Baixe o app para aproveitar ainda mais
Prévia do material em texto
Variáveis Aleatórias Contínuas e Distribuições de Probabilidades v.as. contínuas: Se o seu conjunto de valores possíveis, consistir do intervalo completo de todos os valores, isto é, para cada A < B, qualquer valor x entre A e B for possível. Seja X uma v.a. contínua. A “função densidade de probabilidade” ou distribuição de probabilidade de X será uma função f(x) tal que, para quaisquer dois números a e b com a < b, onde: b a P(a X b) = f(x) dx≤ ≤ ∫ Isto é, a probabilidade de X ter um determinado valor no intervalo [a,b] é a ÁREA contida entre o intervalo e abaixo da curva da função de densidade (ilustrada no gráfico abaixo). O gráfico de f(x) normalmente é denominado “Curva de Densidade”. 1 Comentário Importante: O histograma é uma aproximação da função densidade de probabilidade. Por quê? Para cada intervalo do histograma, a área da barra (retângulo) é igual à freqüência relativa das medidas no intervalo. A freqüência relativa é uma estimativa da probabilidade da medida cair no intervalo. Similarmente, a área sob f(x) ao longo de qualquer intervalo é igual a probabilidade verdadeira da medida cair no intervalo. Para que f(x) seja uma legítima função densidade de probabilidade, deve satisfazer as duas condições a seguir: - f(x) 0 para todos os x f(x) dx =1 ∞ ∞ ≥ ∫ Nosso modelo para o cálculo de probabilidade de uma v.a. contínua implica, para qualquer x1 e x2, o seguinte: 1 2 1 2 1 2 1 2P(x X x ) = P(x < X x ) = P(x X < x ) = P(x < X < x )≤ ≤ ≤ ≤ 1P(X = x ) = 0 2 ⇒⇒⇒⇒ Função de Distribuição Acumulada (cumulativa) ∴∴∴∴ F(x) A F(x) de uma v.a. discreta X fornece, para qualquer número específico x, a probabilidade )xX(P ≤ . Ela é obtida somando-se a f(x) para todos os valores até x, onde: ix x F(x)=P(X x)= f(x) ≤ ≤ ∑ A F(x) de uma v.a. contínua fornece as mesmas probabilidades )xX(P ≤ e é obtida pela integração da função densidade de probabilidade f(x) entre os limites -∞∞∞∞ e x. Então temos: x - F(x)=P(X x)= f(y) dy ∞ ≤ ∫ Para cada x, F(x) é a área abaixo da curva de densidade à esquerda de x. Essa propriedade é ilustrada na figura abaixo, onde F(x) aumenta à medida que x aumenta. 3 ⇒⇒⇒⇒ Uso da F(x) para calcular as probabilidades A importância da função de distribuição acumulada é que as probabilidades dos diversos intervalos podem ser calculadas por uma fórmula ou lidas de uma tabela de F(x). Seja X uma v.a. contínua com f(x) e F(x). Então, para qualquer número a, temos: P(X > a) = 1 - F(a) e para quaisquer dois números a e b com a < b, temos : P(a X b) = F(b) - F(a)≤ ≤ onde a representação gráfica é: 4 ⇒⇒⇒⇒ Obtendo Função Densidade de Probabilidade f(x) a partir da Função de Distribuição Acumulada ∴∴∴∴ F(x) Para X discreta, a função de probabilidade f(x) é obtida pela F(x) calculando-se a diferença entre dois valores de F(x). A expressão contínua análoga de uma diferença é a derivada. O resultado a seguir é uma conseqüência do “Teorema Fundamental do Cálculo”. Se X for uma v.a. contínua com f(x) e F(x) então, para qualquer x em que a derivada 'F (x) existir, tem-se: dF(x) F'(x) = f(x) ou seja f(x) = dx Exemplo: O tempo (em milisegundos) até que uma reação química esteja completa é aproximado pela função de distribuição acumulada. ≥ < = 0x e-1 0x )x(F 0,01x- 0 Determine a função densidade de probabilidade de X. ≥ = 0x 0,01e )x(f 0,01x- 0 ⇒⇒⇒⇒ Média e Variância de uma v.a. contínua Definidas de modo similar a uma v.a. discreta. A integração substitui a soma nas definições. - µ=E(X)= x f(x) dx ∞ ∞ ∫ ( ) ( )2 22 - σ =V(X)= x-µ f(x) dx = E x-µ ∞ ∞ ∫ , que fornece uma medida da dispersão da distribuição ou da população dos valores de x. A forma mais fácil de calcular 2σ é usar novamente uma fórmula prática: [ ]22 2σ = V(X) = E(X )- E(X) 5 ⇒⇒⇒⇒ Distribuição Uniforme Contínua • É a distribuição contínua mais simples; • Uma v.a. contínua tem uma distribuição uniforme X~Unif(a,b) se seus valores se espalham uniformemente sobre a faixa de possibilidades (“range definido”); • Uma v.a. contínua X com distribuição uniforme apresenta a seguinte fdp: ( ) 1 f(x)= , a x b b - a ≤ ≤ O gráfico de uma distribuição uniforme resulta em uma forma retangular. A média e a variância de uma v.a. contínua uniforme X para a x b≤ ≤ são: ( ) ( )a + bµ = E X = 2 ( ) ( ) 2 2 b - a σ = V X = 12 Exemplo: Uma professora de estatística planeja as aulas tão cuidadosamente, que a duração de suas aulas é distribuída uniformemente entre 50 e 52 minutos. Isto é, qualquer tempo entre 50 e 52 minutos é possível, e todos esses valores possíveis são igualmente prováveis. Se selecionarmos aleatoriamente uma de suas aulas e designamos X a v.a. 6 representativa do tempo de aula, então X tem uma distribuição uniforme contínua. Para calcular f(x) faremos: (52-50) × f(x) =1 1 f(x)= 2 continuando o exemplo.... Um aluno marcou uma entrevista de emprego imediatamente após sua aula de estatística. Se a aula durar mais de 51,5 minutos, ele chegará atrasado para a entrevista. Dada a distribuição uniforme deste exercício, ache a probabilidade de uma aula, selecionada aleatoriamente, durar mais de 51,5 minutos. P(aula com mais de 51,5 minutos) = base × altura do retângulo = 0,25 7 ⇒⇒⇒⇒ Distribuição Normal Muitas populações numéricas possuem distribuições que podem ser ajustadas aproximadamente por uma curva normal apropriada. Por exemplo: características físicas (altura, peso); erros de medida em experimentos científicos; medidas de inteligência e aptidão; indicadores econômicos. Definição: um v.a. X com função densidade de probabilidade: ( )2 2 - x-µ 2σ1f(x)= e 2π σ para -∞ < x < ∞ tem distribuição normal,com parâmetros µµµµ e σσσσ, em que -∞<µ<∞ e σ>0, onde: ( )µ = E X e 2V(X) = σ e: base do sistema de logaritmos naturais (2,71828) π: constante matemática (pi) com valor aproximado (3,14159) Logo, podemos dizer que X~ N(µ,σ). A seguir temos gráficos de f(x;µ,σ) para alguns pares (µ,σ). Cada gráfico é simétrico em torno de µµµµ e tem forma de sino, de modo que o centro do sino (Ponto de Simetria) é tanto a média como a mediana e a moda 8 da distribuição. O valor de σσσσ é a distância de µµµµ até os pontos de inflexão da curva (os pontos em que a curva muda de direção). Obs: Valores grandes de σσσσ geram gráficos com grande dispersão em torno de µµµµ, enquanto valores pequenos de σσσσ fornecem gráficos com picos altos acima de µµµµ e a maior parte da área do gráfico é muito próxima de µµµµ. Exemplo: Suponha que as medidas da corrente elétrica em um pedaço de fio sigam a distribuição Normal com uma média de 10miliampéres e uma variância de 4(miliampéres)2. Qual a probabilidade da corrente elétrica exceder 13miliampéres? X= medida da corrente elétrica em miliampéres P(X>13) = é a área sombreada sob a função densidade de probabilidade normal. 9 Observação: Não há uma expressão exata para a integral de uma função densidade de probabilidade Normal, então as probabilidades baseadas na Distribuição Normal são encontradas a partir de tabela!!!!!!!!!!!!! ⇒⇒⇒⇒ Distribuição Normal Padrão Contextualizando.... Para calcular P(a X b)≤ ≤ quando X é uma v.a. normal com parâmetros µ e σ, devemos calcular: ( )2 2 - x-µb 2σ a 1 e dx 2π σ∫ No entanto, nenhuma das técnicas de integração-padrão pode ser usada para calcular a expressão acima... Em vez disso, quando µ = 0 e σ = 1 é chamada de v.a. normal padrão. Uma v.a. normal padrão é denotada por Z. A f.d.p. de Z é: ( ) 2-z 21f z,0,1 = e 2π ; -∞ < z < ∞ A função densidade acumulada (ou cumulativa) de Z é denotada por: ( ) ( )Φ z =P Z z≤ . A Tabela II apresenta a probabilidade acumulada para uma v.a.normal padrão ou seja, ( )Φ z para valores de Z. Essa tabela será usada para obter probabilidades para este tipo de v.a. Nota: As probabilidades que estão na forma ( )P Z z≤ são encontradas usando as regras básicas de probabilidade e a simetria da distribuição normal juntamente com a tabela a ser apresentada!!!!! 10 Exemplos: Empregue a Tabela II e calcule as seguintes probabilidades. (dado em sala de aula) ⇒⇒⇒⇒ Distribuição Normal Não-Padrão: aplicações da distribuição normal Quando X~N(µ,σ) as probabilidades que envolvem X são calculadas por “padronização”. Com isto, se X for uma v.a. normal com ( )µ=E X e 2V(X)=σ , então a v.a. X - µ Z = σ será uma v.a. normal, ( )E Z =0 e V(Z)=1, ou seja, Z é uma v.a. normal padrão. Graficamente temos: Assim: ( ) a - µ b - µ b - µ a - µP a X b = P Z = Φ - Φ σ σ σ σ ≤ ≤ ≤ ≤ ( ) a - µP X a = Φ σ ≤ ( ) b - µP X b = 1 - Φ σ ≥ 11 Conclusão: Pela padronização qualquer probabilidade que envolve X~N(µ,σ) é expressa como uma probabilidade que envolve uma v.a. normal padrão Z, de forma que a tabela de “Distribuição Normal Padrão Acumulada” pode ser usada! Exemplo: O tempo que um motorista leva para reagir às luzes de freio em um veículo em desaceleração é crucial para evitar colisões traseiras. Um determinado artigo científico sugere que o tempo de reação de uma resposta no trânsito a um sinal de freio com luzes convencionais pode ser modelado com uma distribuição normal de média 1,25 segundo e desvio padrão 0,46 segundo. Qual é a probabilidade de que o tempo de reação esteja entre 1,00 e 1,75 segundo? ( ) ( )1-1,25 1,75-1,25P 1 X 1,75 = P Z = P -0,54 Z 1,09 = 0,46 0,46 ≤ ≤ ≤ ≤ ≤ ≤ ( ) ( )=Φ 1,09 - Φ -0,54 = 0,8621 - 0,2946 = 0,5675 Observação: A padronização nada mais é que calcular uma distância em relação à média e então expressar essa distância, novamente, como certo número de desvio padrão. Exemplos: 1. Se µ = 100, σ = 15 e x = 130 ⇒ ( )130 - 100 z = = 2 15 , isto é, 130 encontra-se a 2 desvios-padrão acima (à direita) da média. 2. Se µ = 100, σ = 15 e x = 85 ⇒ ( )85 - 100 z = = -1 15 , isto é, 85 encontra-se a 1 desvio-padrão abaixo (à esquerda) da média. 12 Regra Empírica: Se a distribuição de uma variável for Normal, então temos: • Cerca de 68% dos valores estão a 1 desvio-padrão da média; • Cerca de 95% dos valores estão a 2 desvios-padrão da média; • Cerca de 99% dos valores estão a 3 desvios-padrão da média. 13
Compartilhar