Loading [MathJax]/jax/output/HTML-CSS/jax.js

Variáveis Aleatórias Contínuas:

Modelos para Variáveis Aleatórias Contínuas

Rosineide da Paz

Principais Modelos Contínuos

  • Um modelo probabilístico pode ser caracterizado pela sua distribuição, que pode ser definida pala sua f.d.p. ou pela sua FDA.

  • Aqui vamos apresentar dois dos principais modelos contínuos, juntamente com suas f.d.p. e FDA.

Modelo Exponencial

Distribuição Exponencial

Uma v.a. Y segue uma distribuição exponencial de parâmetro λ, com λ>0, se sua função densidade é dada por: f(y)={λeλy,  se  y00,  se   y<0. - Notação: YExp(λ).

  • Pode ser mostrado que se YExp(λ), então sua esperança e sua variância são dadas, respectivamente, por: E(Y)=1λ     e    Var(Y)=1λ2.

Exemplo 5

Se o tempo de vida Y, em anos, de um aparelho eletronico pode ser descrito pela f.d.p.

f(y)={2e2y se y(0,)0 se y(0,).

  • Tem-se λ=2

  • A esperança do tempo de vida do aparelho é E[Y]=0,5 anos, ou em média seis meses de funcionamento.

  • A probabilidade do aparelho durar de um a dois anos é dada por:

P(1<Y<2)=212e2y=e2×2(e2×1)=e4+e20,117.

Gráfico da função de densidade de probabilidade

  • Gráfico da densidade da exponencial considerando λ=2.

Função de Distribuição Acumuada (FDA)

  • A FDA pode ser obtida integrando a função de probabilidade até um valor x.

F(x)=P(X<x)=xλeλydy=00dy+x0λeλydy=x0λeλydy.

  • Fazendo u=λy e derivando ambos os lados da igualdade,

  • tem-se que du=λdy, isso implica dy=1λdu.

  • Substituindo y e dy na integral indefinida, integramos como segue.

λeλydy=λeu(1λ)du=eudu=eu=eλy.

  • Deste modo, obtém-se:

F(x)=P(X<x)=x0λeλydy=[eλy]x0=[eλx][e0]=1eλx.

Resumo do modelo

  • YExp(λ)

  • Função de densidade de probabilidade: f(y)={λeλy,  se  y00,  se   y<0.

  • Função de distribuição acumulada: F(y)=1eλy,yR.

  • Esperança e variância: E(Y)=1λ     e    Var(Y)=1λ2.

Exemplo 6

O tempo de vida de um tipo de fusível segue uma distribuição exponencial com vida média de 100 horas. Cada fusível tem um custo de R$10,00, mas se durar menos de 200 horas há um custo adicional de R$8,00, devido a garantia.

  1. Qual é o custo esperado?
  2. Qual é o desvio-padrão do custo?

Exemplo 6

O tempo de vida de um tipo de fusível segue uma distribuição exponencial com vida média de 100 horas. Cada fusível tem um custo de R$10,00, mas se durar menos de 200 horas há um custo adicional de R$8,00, devido a garantia.

  1. Qual é o custo esperado?
  2. Qual é o desvio-padrão do custo?
  • Resolução:

Incialmente obtemos a distribuição de probabilidade do custo.

  • Defina T: tempo de vida do fusível, com: TExp(λ=1/100).

P(C=18)=P(T<200)0,865

P(C=10)=P(T200)=1P(T<200)0,135

Distribuio de C.
Custo (C) 10 18
P(C=c) 0,135 0,865

O custo esperado é: E[C]=10(0,135)+18(0,865)=16,92 reais.

Para o cálculo do desvio-padrão, obtemos:

  • E[C2]=102(0,135)+182(0,865)=293,76

  • Var(C)=E[C2]E[C]2=7,47.

Assim, o desvio-padrão do custo é de

DP=7,47=2,73 reais.

Modelo Normal

Distribuição Normal

  • O modelo normal é um dos mais importantes modelos probabilísticos,

  • Aplicado em inúmeros fenômenos, naturais ou artificiais, e constantemente utilizado para desenvolvimento teórico da inferência estatística, este modelo é definido pela Distribuição Normal.

    Fenômeno natural

  • Seja o experimento, selecionar um recém-nascido ao acaso, em uma população, e observar o perímetro cefálico.

Fenômeno artificial

  • Considere o experimento que consite em comprar uma garrafa de água mineral e verificar seu volume, o qual deve ser de 300 ml.

Distribuição Normal

  • O modelo normal é um dos mais importantes modelos probabilísticos,

  • Aplicado em inúmeros fenômenos, naturais ou artificiais, e constantemente utilizado para desenvolvimento teórico da inferência estatística, este modelo é definido pela Distribuição Normal.

Fenômeno natural

  • Seja o experimento, selecionar um recém-nascido ao acaso, em uma população, e observar o perímetro cefálico.

Fenômeno artificial

  • Considere o experimento que consite em comprar uma garrafa de água mineral e verificar seu volume, o qual deve ser de 300 ml.

Uma variável aleatória X segue uma distribuição normal com parâmetros μ e σ2, se sua função densidade é dada por:

f(x)=12πσ2e12σ2(xμ)2, para todo xR,

em que <μ< e σ>0.

  • Notação: XN(μ,σ2).

Gráfico da distribuição normal

Curva da função f(x)=12πσ2e12σ2(xμ)2

a curva da densidade da distribuição normal, f(x), tem forma de sino, de modo que:

  1. f(x) atinge seu máximo em μ;
  2. a curva de f(x) é simétrica em relação a μ;
  3. assim, moda, mediana e média coincidem;
  4. μσ e μ+σ são pontos de inflexão de f(x);
  5. E(X)=μ;
  6. Var(X)=σ2 então DP=σ;
  7. O desvio-padrão σ e a média μ são diretamente parâmetros da distribuição.

Densidade da Normal

  • Variância fixa e várias médias.

Média fixa e várias variâncias.

Função de Distribuição Acumulada da Normal

  • Várias médias e várias variâncias.

Função de distribuição acumulada da variável YN(μ,σ2).

F(y)=y12πσ2e12σ2(xμ)2dx

  • A integral da curva da distribução normal é analiticamente integrável.

  • Além disso, devido as muitas propriedades boas da distribuição normal, faz sentido pensar em uma distribuição padrão.

  • Ou seja, uma distribuição que possa ser obtida a partir de qualquer distribuição normal.

Distribuição Normal Padrão

  • A distribuição normal padrão é aquela em que a média da distribuição é 0 e a variâmcia é 1.

  • Notação: YN(0,1).

  • Sua densidade é aquela apresentada anteriormente, fixando μ=0 e σ2=1.

  • Ou seja, f(y)=12πey22, para todo yR.

  • A FDA da distribuição normal padrão é normalmente denotada por Φ(x), sendo, então, dada por:

Φ(y)=P(Yy)=y12πex22dx, para todo yR.

  • O nome “Normal Padrão” é justificado pela obtenção da distribuição N(0,1) a partir da variável transformada:

Z=Yμσ,

em que YN(μ,σ2).

  • Como Z é uma transformação de uma variável normal, Z também tem distribuição normal, e sua média e variância são dadas por:

E[Z]=E[Yμσ]=E[Y]μσ=μμσ=0

Var[Z]=Var(Yμσ)=Var[Y]σ2=σ2σ=1.

  • Ou seja, E[Z]=0 e Var(Z)=1.

  • Deste modo, a variável padrozinada obdedece: ZN(0,1).

Probabilidades normais

  • Os principais valores de probabilidades da distribuição normal padrão podem ser encontrados em tabelas.

  • Usando essas tabelas, aplicativos ou softwares, podemos obter os valores de probabilidades para qualquer distribuição normal, como segue:

    Z=Yμσ    P(Ya)=P(Yμσaμσ)=P(Zaμσ), essa última igualdade pode ser resolvida por aproximação usando integração numérica por meio de softwares, aplicativos ou uma tabela de probabilidades normais.

Exemplo

Uma enchedora automática de garrafas de água está regulada para que o volume médio de líquido em cada garrafa seja de 1000 cm3 e desvio padrão de 10 cm3. Admita que o volume siga uma distribuição normal.

Observação: use calda a esquerda para distribuição normal padrão em: Probabilidades Normais

  1. Qual é a porcentagem de garrafas em que o volume de líquido é menor que 980 cm3?
  2. ## [1] 0.02275013
  3. Qual é a porcentagem de garrafas em que o volume de líquido não se desvia da média em mais do que dois desvios padrões?
  4. ## [1] 0.9544997
  5. Se 10 garrafas são selecionadas ao acaso, qual é a probabilidade de que, no máximo, 3 tenham volume de líquido inferior a 990 cm3?