Escolar Documentos
Profissional Documentos
Cultura Documentos
Trab - Modelo de Variáveis Contínuas
Trab - Modelo de Variáveis Contínuas
ÍNDICE
1. Introdução .................................................................................................................................. 3
1. Introdução
As variáveis aleatórias que aparecem nas principais aplicações em física e engenharia, podem ser
modeladas por funções de probabilidade, no caso discreto, ou funções densidade, no caso
contínuo. Essas funções dependem de um ou mais parâmetros e se configuram como modelos
probabilísticos apropriados para um conjunto de experimentos aleatórios que apresentam
determinadas características comuns. As distribuições contínuas, como ocorrem com maior
frequência nas aplicações, receberão um maior destaque.
Definição: Uma variável aleatória (v.a.), 𝑿, é uma função que a cada resultado 𝜔 ∈ Ω associa
um valor numérico 𝑋(𝜔) ∈ ℝ.
Portanto, ao conhecer-se as probabilidades dos vários elementos 𝜔 de Ω podem-se definir as
probabilidades dos números reais 𝑥, ou seja, dos possíveis valores da variável aleatória 𝑋.
Definição: Uma v. a. (𝑿, 𝒀) bidimensional é uma função que a cada resultado 𝜔 ∈ Ω associa
um valor numérico 𝑋(𝜔) ∈ ℝ .
Uma v. a. 𝑋 diz-se contínua se o número de valores possíveis para essa variável não for
numerável.
com 𝑥 < 𝑥 .
6
3. Distribuição Uniforme
Uma variável aleatória X terá distribuição uniforme se a sua função densidade for dada por:
1
f X ( x) para a ≤ X ≤ b
(b a)
( ) e bt e at
𝐸[𝑋] = , 𝑉[𝑋] = m X (t )
(b a)t
4. Distribuição Gama
Uma variável aleatória X terá distribuição Gama se a sua função densidade for do tipo:
f X ( x) .(x) r 1 .e x para x ≥ 0
( r )
onde, r > 0 e λ > 0 são os parâmetros da distribuição e (x) é a conhecida função gama.
Observação:
(i) Um caso particular importante ocorre quando r = 1. Nesse caso f X ( x) .e x (já
que (1) 1 ). Essa é a função densidade da distribuição exponencial.
(ii) Quando a variável aleatória 𝑋(0, 𝑡) = {nº de ocorrências com parâmetro λ no
intervalo de tempo [0, 𝑡]} tem distribuição de Poisson, demonstra-se que o tempo
entre 2 ocorrências sucessivas têm distribuição exponencial e o tempo para r
ocorrências tem distribuição gama com parâmetro λ e r.
7
Gráfico 1: Função densidade de probabilidade da distribuição Gama (Fonte: Anabela Afonso - probabilidades e
estatística Aplicações e Soluções em SPSS).
5. Distribuição Exponencial
Propriedade (falta de memória): Se 𝑋 ~ 𝐸𝑥𝑝(𝜆) então 𝑃(𝑋 > 𝑥 + 𝑎|𝑋 > 𝑎) = 𝑃(𝑋 >
𝑥), 𝑥 > 0, 𝑎 > 0
Uma variável aleatória X, terá distribuição Normal se a sua função densidade for dada por:
1 2
/ 2 2
f X ( x) .e ( x ) para −∞ ≤ 𝑥 ≤ ∞
2 .
Observação:
(i) Para designar uma variável aleatória X com distribuição normal e parâmetros μ e σ é
útil a seguinte notação, X ~ N (μ,σ2).
(ii) No caso da distribuição normal, a função densidade e a função acumulada serão
representadas por (x) e (x) , ou seja,
x
1
( x) e ( x ) 2 / 2 2
e ( x) (u )du
2
E (X ) , V (X ) 2
2 2
e m X (t ) e t t /2
(v) Um caso importante ocorre quando X1, X2,, ..., Xn, são n variáveis normais
independentes, ou seja, Xi ~ N(μi,σi2). Nesse caso a variável Y = X1+ X2+ ... +Xn
também será normal com os seguintes parâmetros:
n
E (Y ) i
i 1
n
V (Y ) i
2
i 1
Z (Y n ) / n .
Então, a função densidade de Z, 𝑓(𝑧), converge para a função densidade de uma distribuição
N(0,1) quando n → ∞”.
7. Distribuição t de student
calculamos a estatística t .
𝑥−µ
𝑡=
𝑆
Se Z é uma variável aleatória com distribuição normal padrão independente de uma outra
variável aleatória U com distribuição qui quadrado com v graus de liberdade, então a quantidade
𝑧
𝑈
𝑣
Uma outra identidade interessante é a seguinte: seja Z uma variável aleatória normal padrão
expressa como
12
𝑥̅ − 𝜇
𝑍 = σ
√n
(𝑛 − 1)𝑆
𝑈 =
𝜎
então a variável T terá distribuição t de student com graus de liberdade e terá a seguinte forma
𝑥̅ − 𝜇
S
√n
Gráfico 5: Comparação da função densidade de probabilidade da distribuição t-Student. (Fonte: Anabela Afonso -
probabilidades e estatística Aplicações e Soluções em SPSS).
∑ (𝑋𝑖 − 𝜇)
𝜎
(𝑛 − 1)𝑆
𝜒 =
σ
Este resultado é muito importante na inferência estatística para cálculo de intervalos de confiança
e testes de hipóteses a cerca de variâncias populacionais
1
𝑓 (𝜒 ) = /
𝑒 (𝜒 )
2 𝛤(𝜙/2)
em que:
Gráfico 6: Função densidade de probabilidade distribuição Qui-Quadrado para diferentes graus de liberdade.
(Fonte: Anabela Afonso - probabilidades e estatística Aplicações e Soluções em SPSS).
9. Distribuição 𝑭 de Fisher-Snedecor
𝑚 + 𝑛
𝛤 𝑚 𝑥
𝑓(𝑥) = 2 ∙ , 𝑥 > 0, 𝑚 > 0, 𝑛 > 0. ,
𝑚 𝑛 𝑛
𝛤 𝛤 𝑚
2 2 1+ 𝑥
𝑛
Gráfico 7: Função densidade de probabilidade da distribuição 𝐹 para diferentes valores de 𝑚 e 𝑛. (Fonte: Anabela
Afonso - probabilidades e estatística Aplicações e Soluções em SPSS).
1
𝑓(𝑥) = 𝑥 , 0 < 𝑥 < 3; .
9
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑎𝑟𝑖𝑜
Resolução
a) Função de distribuição:
1 1 𝑢 1 𝑥 1
𝐹(𝑥) = 𝑓(𝑢)𝑑𝑢 = 𝑢 𝑑𝑢 = = −0 = 𝑥 .
∞ 9 9 3 9 3 27
Portanto,
0 𝑥≤0
1
𝑓(𝑥) = 𝑥 0<𝑥<3
27
1, 𝑥 ≥ 3
e)
17
11. Conclusão