Escolar Documentos
Profissional Documentos
Cultura Documentos
(1)
plot(xi(:),Px(:));
axis([-3 3 0 1]);
grid on;
dx = xi(2) - xi(1);
px = px/(sum(px)*dx);
plot(xi(:),px(:));
hold on;
plot(xi,exp(-(xi.^2)/2)/sqrt(2*pi),'k:');
axis([-3 3 0 0.5]);
grid on;
hold off;
(2)
(3)
Com base nestas definies, a rigor a funo de densidade emprica deveria ser uma
soma de funes tipo delta de Dirac (impulsos unitrios nas coordenadas ):
(4)
mas d-se preferncia a uma apresentao mais suavizada, tal como a obtida do
histograma normalizado apresentado na fig. 2.
Cabe salientar que a transio de funes empricas (eqs. 1 e 4) para modelos tericos
representa um passo necessrio para que, a partir de uma informao limitada, se
possa levar a cabo um procedimento de anlise que requer o conhecimento da
propenso de ocorrncia de valores muito grandes ou muito pequenos da varivel
aleatria (que sequer foram observados). Em suma, o uso de funes tericas,
e , se d em decorrncia da necessidade de inter- e extrapolaes a partir de
dados disponveis, para determinao de probabilidades que no foram obtidas
experimentalmente.
(5)
Demonstra-se facilmente que o operador linear. Alm disso, o seu uso pode ser
aplicado tambm para quaisquer funes de variveis aleatrias, , sendo de
especial interesse a classe de funes , para a qual:
(6)
(7)
(8)
e logo:
Este mesmo resultado pode ser obtido a partir das eqs. 6 e 7, com .
de fundamental importncia no confundir os momentos de uma distribuio de
probabilidade (abordagem axiomtica da teoria de probabilidades) com os estimadores
de momentos de uma distribuio (abordagem frequentista). A definio de estimadores
no ser abordada aqui em maiores detalhes, visto que um vasto campo de estudos
por si s. Estimadores so a fronteira entre a teoria matemtica e o mundo real,
consequncia natural da inteno de se estabelecer uma analogia entre os dois
contextos. Contudo, no se pode prescindir de relacionar os dois principais
estimadores que sero aqui utilizados. Pode ser demonstrado que os seguintes
estimadores da mdia, , e do desvio padro, :
(9)
(10)
4. A distribuio uniforme
Se uma varivel aleatria, , uniformemente distribuda entre 0 e 1, ento a sua
funo de densidade de probabilidade e a sua funo de probabilidade acumulada
so, respectivamente:
(11)
>> u = rand(1,1000);
>> mean(u)
ans =
0.5127
>> std(u)
ans =
0.2893
5. A distribuio normal, ou Gaussiana
No Teorema do Limite Central deduzido que a soma de um grande nmero de
variveis aleatrias (por exemplo, erros acumulados) resulta ter uma funo de
distribuio de probabilidade que se denomina funo de distribuio normal ou
Gaussiana.
Curiosamente, a sua funo de probabilidade acumulada no pode ser conhecida em
uma forma analtica fechada, embora a respectiva funo de densidade seja:
(12)
(13)
(14)
x = mx + sx*randn(1,N);
nbin = round(1+3.3*log(N));
hist(x,nbin);
grid on;
Figura 3. Simulao de uma varivel gaussiana com mdia e desvio padro dados.
6. A distribuio determinstica
Caso o desvio padro na distribuio normal tenda a zero, a varivel aleatria passa a
ter seu nico valor possvel tendendo mdia. Neste limite a funo de densidade de
probabilidade tende a uma importante funo utilizada na fsica, chamada Delta de
Dirac ou funo impulso unitrio:
(14)
(15)
(16)