Você está na página 1de 42

Variveis Aleatrias Contnuas e Distribuio

de Probabilidades - parte IV
Marcos Oliveira Prates

2012/02

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Distribuio Exponencial

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Vamos relembrar a definio de uma varivel com


Distribuio Poisson.
Nmero de falhas ao longo do comprimento de um fio de
cobre.
A distncia entre as falhas uma varivel de interesse.
Seja X o comprimento de um ponto inicial at a primeira
falha do fio.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

A distribuio de X pode ser obtida a partir da distribuio


das falhas.
Vejamos como estabelecer essa relao.
A distncia at a primeira falha exceder 3 milmetros
somente se:
no houver nenhuma falha at um comprimento de 3
milmetros.

Significa que at o comprimento de 3 milmetros nenhuma


falha ainda foi observada.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Se o nmero de falhas em um metro tem distribuio


Poisson().
Em 3 mm esperamos observar (0, 03).
A probabilidade requerida ser
P(X > 3) = P(zero falhas no intervalo de 0 a 3 mm)
=

e(0,03) ((0, 03))0


0!

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Vamos ver agora o caso geral.


Seja N o nmero de falhas em x milmetros.
O nmero mdio de falhas por metro .
N tem distribuio Poisson com mdia x.
Consideramos que o fio tem comprimento maior que x.
Temos que
P(X x) = P(N = 0) =

ex x 0
= ex .
0!

Logo
F (x) = P(X x) = 1 ex

Marcos Oliveira Prates

X 0.

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

A funo de distribuio cumulativa de X


F (x) = P(X x) = 1 ex .
Diferenciando F (X ) temos que
f (x) = ex

Marcos Oliveira Prates

x 0.

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

A distribuio de X est ligada ao Processo de Poisson.


Veremos que o ponto inicial para medir X no importa.
No processo de Poisson o nmero de falhas depende
apenas do comprimento do intervalo
e no da localizao do intervalo.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Distribuio Exponencial
Seja X a distncia entre contagens em um Processo de
Poisson.
Considere que a mdia desse processo > 0.
X ento uma varivel aleatria exponencial com
parmetro .
A funo densidade de probabilidade de X
f (x) = ex

Marcos Oliveira Prates

para 0 x < .

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

A distribuio Exponencial tem esse nome por causa da


funo exponencial que a aparece em sua densidade.
Veja abaixo grficos da distribuio exponencial para
alguns valores de .

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Vamos agora calcular mdia e varincia dessa varivel.


Relembre que
E (X ) =

xf (x)dx .

Usando a definio temos que


Z
1
xex dx = .
E (X ) =

0
(fazer no quadro)
Ento o tempo de espera at a falha :
inversamente proporcional taxa com que as falhas
ocorrem.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Para a varincia, usamos


Z
Z
V (X ) =
(x E (X ))2 f (x)dx =

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

Integrando por partes temos que


Z
2
x 2 f (x)dx = 2 .

0
Portanto
Var (X ) =

Marcos Oliveira Prates

2
1
1
2 = 2.
2

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Mdia e Varincia
Seja X uma varivel aleatria com distribuio
exponencial de parmetro .
Temos ento que
E (X ) =

Marcos Oliveira Prates

Var (X ) =

1
.
2

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Exemplo:
Considere uma rede de usurios de computadores.
As conexes dos usurios ao sistema podem ser
modeladas por um Processo de Poisson.
A mdia desse processo de 25 conexes por hora.
Qual a probabilidade de no haver conexes em um
intervalo de 6 minutos?

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Exemplo: (soluo)
Seja X o tempo em horas at a primeira conexo.
X tem distribuio exponencial com = 25 conexes por
hora.
Queremos saber a probabilidade de X exceder 6 minutos.
dado em conexes por hora.
Precisamos expressar as unidades de tempo em horas
6 minutos = 0,1 horas .
A probabilidade requerida
Z
25e25x = e25(0,1) = 0, 082 .
P(X > 0, 1) =
0,1

(Fazer no quadro)

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Exemplo:
Qual a probabilidade do tempo at a prxima conexo
estar entre 2 e 3 minutos?
Temos que
2 minutos = 0,033 horas

3 minutos = 0,05 horas .

A probabilidade requerida
P(0, 033 < X < 0, 05) =

0,05
0,033

0,05

25e25x dx = e25x

0,033

= 0, 152 .
(Fazer no quadro.)

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Exemplo:
Determine o intervalo tal que a probabilidade de nenhuma
conexo ocorrer nesse intervalo 0,9.
Queremos saber o comprimento de x tal que
P(X > x) = e25x = 0, 9
Tirando logartmo dos dois lados temos que
25x = ln(0, 9) x = 0, 00421 hora = 0, 25 minuto .
O tempo mdio at a prxima conexo
E (X ) = 1/ = 1/25 = 0, 04 hora = 2, 4 minutos .
A varincia
Var (X ) = 1/2 = 1/252 .
O desvio padro
p
Var (X ) = 1/ = 1/25 = 0, 04 hora = 2, 4 minutos .
Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Vimos no exemplo anterior que


a probabilidade de no haver conexes em um intervalo de
6 minutos 0,082 no depende do tempo inicial do
intervalo.

O processo de Poisson supe que os eventos ocorrem


uniformemente em um intervalo.
No h agrupamento de eventos.
A probabilidade de que a primeira conexo depois do
12:00 ocorra depois de 12:06 igual a :
probabilidade de que a primeira conexo depois das 15:00
ocorra aps 15:06.

Falta de memria da exponencial.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

O ponto inicial de observao no importa.


Se houver perodos com picos de conexo o modelo de
Poisson no um bom modelo.
Pode ser razovel modelar perodos do dia diferentes por
processos de Poisson com parmetros distintos.
Colocamos um valor de alto em alguns perodos e baixo
em outros.
A distribuio exponencial com o correspondente pode
ser usada para calcular probabilidades de conexo.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Exemplo:
Considere um contador que detecta partculas raras.
Seja X o tempo entre deteces de uma partcula.
X tem distribuio exponencial com
E (X ) = 1, 4 minuto .
A probabilidade de detectarmos uma partcula dentro de
30 segundos a partir do comeo da contagem
0,5

P(X < 0, 5 minuto ) = F (0, 5) = 1 e 1,4 = 0, 30 .

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Exemplo: (continuao)
Suponha que ligamos o contador e esperamos 3 minutos
sem detectar nenhuma partcula.
Qual a probabilidade de uma partcula ser detectada nos
prximos 30 segundos?
Como j esperamos 3 minutos sentimos que j tempo
suficiente.
A probabilidade de deteco nos prximos 30 segundos
deveria ser menor que 0,3.
Isso porm no verdade.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Exemplo: (soluo)
A probabilidade requerida
P(X < 3, 5|X > 3) =

P(X < 3, 5; X > 3)


P(3 < X < 3, 5)
=
.
P(X > 3)
P(X > 3)

Temos que
3,5

P(3 < X < 3, 5) = F (3, 5) F (3) = [1 e 1,4 ] [1 e 1,4 ]


= 0, 035
P(X > 3) = 1 F (3) = e
Assim
P(X < 3, 5|X > 3) =

Marcos Oliveira Prates

3
1,4

= 0, 117 .

0, 035
= 0, 3 .
0, 117

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Observaes:
Depois de esperar por 3 minutos
a probabilidade de deteco nos prximos 30 segundos
a mesma de deteco nos 30 segundos imediatamente
depois de comear a contagem.

O fato de que voc esperou 3 minutos sem deteco no


muda a probabilidade de deteco.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Propriedade de Falta de Memria


Para uma varivel aleatria exponencial X
P(X < t1 + t2 |X > t1 ) = P(X < t2 ) .

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Veja a figura abaixo.


A soma das reas um
A+B+C+D =1.
A rea A P(X < t2 ).
A rea C dividida por C + D
P(X < t1 + t2 |X > t1 ) .
A falta de memria implica que
a proporo em A igual a proporo de C em C + D.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

A distribuio exponencial muito usada para modelar


tempo de falha de um equipamento.
Exemplo: o tempo de vida de um chip.
A falta de memria significa que o equipamento no
desgasta.
Independente de quanto tempo o equipamento tenha
operado a probabilidade de falha no muda.
Quando o equipamento sofre desgaste esse no um
modelo bom.
Uma distribuio usada nesse caso a Weibull.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Distribuio Gama

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Algumas variveis aleatrias so sempre no negativas.


A Distribuio Gama generaliza a Distribuio
Exponencial.
A Distribuio Gama utilizada na modelagem de
problemas que a resposta estritamente positiva.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Antes de apresentar a funo de densidade de uma


varivel alaetria, X , que segue uma distribuio Gama.
Iremos intorudizir a funo Gama:
Z
x r 1 ex dx para todo r > 0.
(r ) =
0

A funo Gama a generalizao da funo fatorial.


Dessa forma temos:
se r inteiro: (r ) = (r 1)!
(r ) = (r 1)(r 1)
(1) = 1

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Uma varivel alaetria X , com funo de densidade


f (x) =

r x r 1 ex
, para x > 0
(r )

uma varivel alaetria Gama, com parmetros > 0 e


r > 0.
R
0 f (x) = 1 (fazer no quadro)

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Vamos agora calcular mdia e varincia dessa varivel.


Relembre que
E (X ) =

xf (x)dx .

Usando a definio temos que


Z r r x
x e
r
E (X ) =
dx =
(r
)

0
(fazer no quadro)

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Para a varincia, usamos


Z
Z
(x E (X ))2 f (x)dx =
V (X ) =

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

Logo temos que


Z

x 2 f (x)dx =
0

Portanto
Var (X ) =

r (r + 1)
.
2

r2
r
r (r + 1)

= 2.
2
2

(fazer no quadro)

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Mdia e Varincia
Seja X uma varivel aleatria com distribuio gama de
parmetros e r .
Temos ento que
E (X ) =

Marcos Oliveira Prates

Var (X ) =

r
.
2

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

A funo de distribuio acumulada de uma varivel gama


no possui forma fechada.
A distribuio exponencial um caso especial da
distribuio gama quando r = 1.
Outra distribuio conhecida que tambm um caso
especial da distribuio gama a distribuio
chi-quadrado (2 ).

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

A distribuio 2 obtida quando r = /2 e = 1/2.


O parmetro chamado de graus de liberdade.
A funo de densidade de uma varivel alaetria 2
f (x) =

x /21 ex/2
, para x > 0
2/2 (/2)

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Mdia e Varincia
Seja X uma varivel aleatria com distribuio 2 de
parmetro .
Temos ento que
E (X ) =

Marcos Oliveira Prates

Var (X ) = 2 .

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Distribuio Beta

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Uma distribuio que seja contnua, mas limitada a uma


faixa finita til para modelos de probabilidade.
Dados de propores so exemplos de variveis contnuas
ao longo do intervalo [0, 1].

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Uma varivel alaetria X , com funo de densidade


f (x) =

( + ) 1
x
(1 x)1 , para 0 x 1
()()

uma varivel alaetria beta, com parmetros > 0 e


> 0.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Mdia e Varincia
Seja X uma varivel aleatria com distribuio beta de
parmetros e .
Temos ento que
E (X ) =

Var (X ) =

Marcos Oliveira Prates

( +

)2 (

+ + 1)

Variveis Aleatrias Contnuas e Distribuio de Probabilidad