Departamento de Estatstica - ICE / UFAM IEE001 - Probabilidade e Estatstica Parte 3: Variveis Aleatrias Contnuas

Jos Raimundo Gomes Pereira

josergpereira@gmail.com

14 de Janeiro de 2014

Referncias:
BUSSAB, W. O.; MORETTIN, P.A. Estatstica Bsica. 7a Edio. Saraiva, 2011. MAGALHES, M. N.; PEDROSO, A. C. L. Noes de Probabilidade e Estatstica. 6a Edio. Editora da USP, 2008.. MONTGOMERY, D. C. Estatstica Aplicada e Probabilidade para Engenheiros. 5a Edio. LTC, 2012. TRIVEDI, K. S. Probability and Statistics with Reliability, Queuing and Computer Science Applications. 2nd. Edition. Wiley - Interscience, 2001. TORGO, L. Introduo Programao em R. 2006. (http://www.r-project.org) JONES, O.; MAILLARDET, R.; ROBINSON, A. Introduction to Scientic Programming and Simulation Using R. CRC Press, 2009.

Variveis Aleatrias
Em problemas reais, empregamos modelos probabilsticos para descrever o comportamento das ocorrncias. As observaes so tratadas como resultantes de um experimento aleatrio e associamos nmeros reais a cada resultado do experimento. Denio: Uma varivel aleatria uma funo X () que associa um nmero real X (s ) a cada elemento s S . Em alguns casos os elementos s S so numricos, podemos ter X (s ) = s . O objetivo obter a probabilidades da ocorrncia de valores de interesse para a varivel aleatria.

Exemplo 3.1

1. Lanar trs vezes uma moeda e observar o nmero de caras obtido X : o nmero de caras 2. Contar o nmero de emails que chegam para serem retransmitidos em um perodo de 30 min. Y : o nmero de emails que chegam no intervalo 3. Realizar experimentos para medir o consumo de energia na execuo de um cdigo em um sistema embarcado T : o consumo de energia

Classicao de Variveis Aleatrias

DISCRETA se o conjunto dos seus valores nito ou innito enumervel. Exemplo: Contar o nmero de emails para serem retransmitidos em um perodo de 30 min. CONTNUA se assume valores em um intervalo, ou uma coleo de intervalos, de nmeros reais. Exemplo: Realizar experimentos para medir o consumo de energia na execuo de cdigos em sistemas embarcados

Variveis Aleatrias Contnuas

Em muitos experimentos aleatrios possvel, ou conveniente, associar seus resultados um conjunto no enumervel de valores. Nestes casos, as respostas so modeladas por uma v.a. que assumem qualquer valor em um adequado intervalo de nmeros reais. Exemplo: Realizar experimentos para medir o consumo de energia na execuo de cdigos em sistemas embarcados. Denio: Uma v.a. X dita contnua se assume valores em um intervalo ou uma coleo de intervalos de nmeros reais. Referncia: BUSSAB e MORETTIN (2011), Captulo 7

Variveis Aleatrias Contnuas

A cada v.a. contnua estar associada uma funo que descreve o seu comportamento probabilstico; denominada funo densidade de probabilidade. Denio: Para uma v.a. contnua X , a funo densidade de probabilidade (f.d.p.) uma funo f () que satisfaz a: (1) f (x ) 0 para todo x R (2)
f (x ) dx

=1
B

(3) Para B R, P (X B ) =

f (x ) dx

Variveis Aleatrias Contnuas

A funo densidade de probabilidade descreve a distribuio de probabilidade da v.a. contnua A probabilidade P (a X b ) equivale a rea sob a curva de f () entre a e b Pela denio, a R, Portanto, P (a X b ) = P (a X < b ) = P (a < X b ) = P (a < X < b ).
a

P (X = a) =
a

f (x ) dx = 0.

Exemplo 3.2

1. Seja X uma v.a. contnua com f.d.p. f (x ) = Determine: (a) P (0, 3 X 0, 5) (b) P (X > 0, 7) 3 x 2, 0, se 0 x 1 caso contrrio.

Valor Esperado de uma V. A. Contnua

Denio: a esperana (valor esperado, valor mdio) de uma v.a. contnua X , com f.d.p f (x ), denida por

E (X ) =

Tem interpretao anloga s da v.a. discretas, um valor numrico que visa caracterizar regio central da distribuio de probabilidade da v.a. Se a distribuio de probabilidade da v.a. apresentar um ponto de simetria, o valor esperado indicar este ponto.

x f (x ) dx ,

Valor Esperado de Funes de V. A. Contnuas

Sejam X uma v.a contnua, com f.d.p f (), e g () uma funo que gera uma v.a. Y = g (X ) tambm continua. Ento, temos que

E (Y ) = E (g (X )) =

Observao: possivel determinar a f.d.p de Y , fY (), e empreg-la para obter

g (x ) f (x ) dx .

E (Y ) =

y fY (y ) dy

Varincia de V. A. Contnuas
Denio: a varincia de uma v.a. X , com f.d.p f (x ), denida por Var (X ) = E {(X E (X ))2 }. Ento

Var (X ) =

(x E (X ))2 f (x ) dx .

Denio: O desvio padro da v.a. X denido por dp (X ) = + Var (X )

Interpretaes anlogas s das v.a. discretas, mensura a disperso (ou a variabilidade) da distribuio da v.a. com respeito a seu valor esperado.

Exemplo 3.3

1. Seja X uma v.a. contnua com f.d.p. f (x ) = Para a v.a. X determine:

(a) a esperana; (b) a varincia e o desvio padro.

3 x 2, 0,

se 0 x 1 caso contrrio.

2. Considere a v.a. Y = 3X 2 2, sendo X a v.a. denida no item anterior. Determine E (Y ).

Propriedades da Esperana e Varincia

Todas as propriedades da Esperana e Varincia apresentadas para as v.a. discretas so vlidas para as v.a. contnuas, 1. E [c ] = c 2. E [aX + b ] = aE [X ] + b 3. Var [X ] = E [X 2 ] (E [X ])2 4. Var [X ] 0 5. Var [c ] = 0

6. Var [cX ] = c 2 Var [X ] 7. Var [aX + b ] = a2 Var [X ] Exerccio: Demonstrar cada uma das propriedades acima sendo X uma v.a. contnua.

Funo de Distribuio - denio

A funo de distribuio (f.d.), ou funo de distribuio acumulada (f.d.a.), para uma v.a. X com f.d.p. f () denida por
x

F (x ) = P (X x ) =

f (y ) dy , x R.

(a) Para todo x para os quais F (x ) diferencivel F (x ) = (b) x R, 0 F (x ) 1 dF (x ) = f (x ) dx

(c) Descreve a distribuio de probabilidade sobre R, pode ser empregada para caracterizar completamente a distribuio de probabilidade da v.a.

Funo de Distribuio - propriedades

1. F (x ) no decrescente em x , isto , x1 < x2 3. limx F (x ) = F () = 1. 4. Para x1 < x2 . F (x1 ) F (x2 ).

2. limx F (x ) = F () = 0.

P (x1 < X x2 ) = F (x2 ) F (x1 ). Exerccio. Vericar as propriedades da funo de distribuio apresentadas. Exemplo 3.4 Determine a f.d. da v.a. X no exemplo anterior. 5. P (X > x ) = 1 F (x ).

Modelo Uniforme Contnuo

Uma v.a. contnua X tem distribuio uniforme em (a, b ) R se sua f.d.p. f (x ) =
1 b a ,

0,

se a < x < b caso contrrio

1. A funo f (x ) constante em (a, b ); 2. E (X ) = Exemplo 3.5

a +b 2

e Var (X ) =

(ba)2 12

3. Notao: X Uniforme (a, b ). 1. Obter a f.d. para X Uniforme (a, b ). 2. Seja X Uniforme (0, 10). Determine:
(a) P (X < 3) (b) P (X > 7) (c) P (1 < X < 6)

Modelo Exponencial
Uma v.a. contnua X com valores em [0, ) dita ter distribuio Exponencial de parmeto se sua f.d.p. f (x ) =
1

e x , se x 0, > 0 0, caso contrrio

1. empregado para modelar tempo de vida de componentes, durao de processos,... 2. A f.d. F (x ) = 1 e x , se x 0 0, caso contrrio
1

3. E (X ) = e Var (X ) = 2 4. Notao: X Exponencial ( ).

Exemplo 3.6

2. Mostre que para X Exponencial ( ) e 0 < a < b , P (a < X < b ) = e

1 a

1. Obter a f.d. para X Exponencial ( ).

1 b

3. Assuma que o tempo de durao de ligaes telefnicas (em min) em uma empresa que trabalha com vendas pode ser modelada por uma v.a X Exponencial ( = 10). Determine a probabilidade de:
(a) a ligao demorar menos de cinco minutos? (b) a ligao demorar de cinco a dez minutos?

Modelo Gama
Uma v.a. contnua X com valores em [0, ), de parmetos > 0 e > 0 e sua f.d.p. dada por f (x ) = onde ( ) =
0 1 1 ( )

x 1 e x , se x 0 0, caso contrrio

e s s 1 ds ,

denominada funo matemtica gama. Notao: X Gama ( , ).

Modelo Gama
1. A funo matemtica ( ) tem as propriedades:
1.1 (1/2) = 1.2 ( ) = ( 1)( 1) 1.3 Se = m for um inteiro, (m) = (m 1)!

2. Gama (1, ) Exponencial ( )

3. Se = m for um inteiro, tambm conhecida como distribuio de Erlang . f (x ) =

1 1 (m1)! m

x m1 e x , se x 0 0, caso contrrio

modela a soma dos tempos de vida de componentes que atuem independentemente em sistemas.

Exemplo 3.7
Considere no exemplo anterior o tempo de duas ligaes telefnicas consecutivas e admita que suas duraes so eventos independentes. Admita que os tempos de durao das ligaes telefnicas (min) podem ser modelados por v.a. Xi Exponencial ( = 10), i = 1, 2.

Seja T a v.a. que descreve o tempo de durao das duas ligaes, ento T = X1 + X2 . Neste caso, podemos modelar T Gama ( = 2, = 10).

Qual a probabilidade do tempo das duas ligaes ser menor que quinze minutos?

Modelo Normal (Gaussiano)

Uma v.a. contnua X tem distribuio normal com parmetros e 2 , se sua f.d.p. fX (x ) = 1 1 exp 2 2 x
2

, < x <

1. A distribuio simtrica em torno do valor de . 2. A extenso do grco da densidade dado pelo valor de . 3. considerada distribuio mais importante, descreve o comportamento de muitas caractersticas associadas a problemas reais. 4. E (X ) = e Var (X ) = 2 5. Notao: X N ( ; 2 )

Modelo Normal: Alguns Resultados

2. Sendo X N ( ; 2 ) e fazendo Z=

1. Sendo X N ( ; 2 ) e Y = a X + b , com a = 0 e b R, ento Y N (a + b ; a2 2 ) X ,

3. As probabilidade para a normal padronizada so tabeladas; o procedimento padronizar a varivel em questo e empregar as probabilidades tabeladas para N (0; 1).

ento Z N (0; 1), denominada normal padronizada.

Exemplo 3.8

1. Seja Z N (0; 1). Para esta varivel determine:

(a) P (Z < 1, 32) (b) P (Z < 1, 96) (c) Um valor z tal que P (z < Z < z ) = 0, 95

2. Os depsitos efetuados em uma agncia bancria durante um determinado ms so modelados por uma v.a. X N (10.000, (1.500)2 ). Encontrar a probabilidade de que o depsito seja:
(a) um valor entre R$ 12.0000,00 e R$ 15.0000,00? (b) maior que R$ 19.0000,00?

Exemplo 3.9

O tempo para a realizao de um teste de aptido aplicados a candidatos em um concurso modelado como uma v.a. com distribuio normal de mdia 90 minutos e desvio padro 20 minutos. Esse tempo utilizado como um critrio de seleo. (a) Para ser aprovado no teste, o candidato deve complet-lo em menos de 80 minutos. Se 65 candidatos zeram o teste, quantos so esperados passar? (b) Se os 5% melhores candidatos so alocados para os cargos com melhor remunerao, quo rpido deve ser o candidato para que obtenha esse cargo?

Funes de Distribuio no R

1. X Uniforme (a, b ) P (X x ) punif (x , a, b ) 2. X Exponencial ( ) P (X x ) pexp (x , ); 3. X Gama( , ) P (X x ) pgamma(x , , ); 4. X N ( ; 2 ) P (X x ) pnorm(x , , ); =

Aproximao Normal Binomial

Podemos aproximar a distribuio de X por uma N ( ; 2 ), com Se X Binomial (m; p ), ento E (X ) = mp e Var (X ) = m p (1 p ).

= mp
Fazemos ento

e 2 = m p (1 p )

P (X = x ) P (x 0, 5 < Y < x + 0.5) e P (a < X b ) P (a + 0, 5 < Y b + 0, 5)

com Y N (mp ; mp (1 p ))

1. O emprego de 0, 5 deve-se a o fato de aproximar uma v.a. discreta por uma contnua. 2. A justicativa formal dada pelo Teorema Central do Limite. 3. A aproximao adequada quando mp > 5 e mp (1 p ) > 5.

Exemplo 3.10

Seja X uma v.a com distribuio Binomial (30; 0, 5) (a) Obtenha a E (X ) e Var (X ) (b) Determine P (16 < X 24) (d) Determine P (X 20). (c) Empregue a aproximao Normal para a probabilidade solicitada no item (b) (e) Empregue a aproximao Normal para a probabilidade solicitada no item (d)

Funo de Distribuio Inversa

Denio: para uma v.a. X com f.d. F (), f.d. inversa denida por F 1 (p ) = min {x : F (x ) p }, p [0, 1].

Para p [0, 1], determina um valor x que estabelece a probabilidade p a sua esquerda na distribuio de X . Denio: a mediana da distribuio X denida por
1 (0, 5). med = FX

Se F estritamente crescente e contnua ento F 1 (p ) um nico nmero x tal que F (x ) = P (X x ) = p .

Funes de Distribuio Inversa no R

1. X Uniforme (a, b ) F 1 (p ) = x : x = qunif (p , a, b ) 2. X Exponencial ( ) F 1 (p ) = x : x = qexp (p , ); 3. X Gama( , ) F 1 (p ) = x : x = qgamma(p , , ); 4. X N ( ; 2 ) F 1 (p ) = x : x = qnorm(p , , ); =

Exemplo 3.11:

1. Para uma v.a. X determine um valor x quando:

(a) X Exponencial (0, 05) e P (X > x ) = 0, 01. (b) X Normal (0; 1) e P (x < X < x ) = 0, 95

2. Considere uma v.a. X Gama (2; 3). Obtenha a mediana desta distribuio. 3. Sendo X Normal ( ; 2 ), qual a mediana da sua distribuio?