Escolar Documentos
Profissional Documentos
Cultura Documentos
Vamos agora estudar algumas variáveis aleatórias contínuas A função de distribuição de X, FX ( x ) , é dada por:
e respectivas propriedades, nomeadamente:
$ 0 x<a
• uniforme x !
FX ( x ) = ( f u ( u ) du = # ( x & a ) / ( b & a ) a%x%b
• exponencial
&' ! 1 x>b
• normal "
• qui-quadrado
• t-student
• F Graficamente temos então que:
DISTRIBUIÇÃO UNIFORME
+' b 1 b3 & a 3
$ 1
! b&a a%x%b ( )
E X2 = ( x 2 ) f X ( x ) dx = ( x 2 )
b&a
dx = ... =
3)( b & a )
&' a
!
fX ( x ) = #
! 0 outros valores ( )
Var ( X ) = E X 2 & [ E ( X ) ] 2 =
( b & a )2
!
" 12
125 126
Relativamente à função geradora de momentos temos que: A função de distribuição de X, FX ( x ) , é dada por:
+' b
1 $ 1 & e & *) x
( )
G X ( t ) = E e t ) x = ( e t ) x f X ( x ) dx = ) ( e t ) x dx
(b & a ) a
x
FX ( x ) = ( f u ( u ) du = #
x+0
&' 0 " 0 x<0
e b) t & e a ) t
=
( b & a )) t O valor esperado e a variância para esta v.a. são facilmente
obtidos a partir da definição e são dados por:
+' +'
DISTRIBUIÇÃO EXPONENCIAL 1
E ( X ) = ( x ) f X ( x ) dx = ( x ) * ) e & * ) x dx = ... =
&' 0 *
A distribuição exponencial está intimamente relacionada com
a distribuição de Poisson. Efectivamente, admitindo que * é +' +'
2
o parâmetro da distribuição de Poisson que descreve o ( )
E X 2 = ( x 2 ) f X ( x ) dx = ( x 2 ) * ) e & * ) x dx = ... =
*2
número de ocorrências por unidade de tempo (ou de &' 0
distância), a variável tempo (ou distância) entre ocorrências
sucessivas segue uma distribuição exponencial com 1
parâmetro *.
( )
Var ( X ) = E X 2 & [ E ( X ) ] 2 =
*2
Diz-se que a v.a. contínua X tem distribuição exponencial e Relativamente à função geradora de momentos temos que:
escreve-se: X ~ E(*) se a sua função densidade de
probabilidade for dada por:
+' +'
( )
G X ( t ) = E e t ) x = ( e t ) x f X ( x ) dx = ( * ) e & x ) ( * & t ) dx
$ * ) e & * )x x+0 &' 0
!
fX ( x ) = # +'
1 * . *
!
" 0 x<0 = /& ) e & x )( * & t ) , = , t <*
0 *&t -0 *&t
2
1 8 x&µ
& )6
5
1 3
fX ( x ) = )e 2 7 2 4 , &' < x < +'
2 9 )2
Os parâmetros que caracterizam esta distribuição são µ e 22 e Neste caso temos distribuições normais com a mesma
satisfazem: & ' < x < + ' e 2 > 0. média µ e diferentes valores do desvio padrão
(21>22>23).
129 130
2
+' & )6 1 8 x&µ 5
1 3
E(X ) = 27 2 4
( x) e dx
29 )2 &'
Na figura acima temos distribuições normais com o fazendo z = (x - µ)/2 temos que dx = 2dz e substituindo
mesmo desvio padrão 2, mas com médias diferentes no integral anterior vem que:
(µ1>µ2>µ3).
1 +' & 1)z2
E(X ) = ( ( 2) z + µ ) )e 2 dz
29 &'
+' 1 2
& )z + ' & )z 1 2
1 1
= )2 ) ( z ) e 2 dz + µ ) ) ( e 2 dz
29 &' 29 &'
Neste último caso as distribuições têm diferentes 1 442443 1444 24443
=0 =1
valores para a média (µ 1>µ2>µ3) e para o desvio padrão
(21>22>23).
x O primeiro integral é nulo pois o integrando é uma função
• A função de distribuição FX ( x ) = ( f ( u ) du não é ímpar. O segundo integral assinalado é igual à unidade
&' porque representa a área total sob a fdp de uma v.a. normal
integrável analiticamente, só podendo ser calculada por com valor médio nulo e desvio padrão unitário.
processos numéricos. Então podemos concluir que:
E(X ) = µ
x &µ 2
+' & 1 ) 86 5
3
1
( )
E X2 = (
2 9 )2 & '
2
x )e 2 7 2 4 dx
131 132
1 2 1 2 2
2 1 + ' 2 & 2 )z 1 + ' & )z TEOREMA: Se X ~ N(µ, 2 ) e se Y = a ) X + b , então a v.a.
=2 ) ( z )e dz + µ2 ) ) ( e 2 dz +
2 9 &' 29 &' Y terá distribuição N(aµ + b, a 2 22 ).
14444244443 144424443
=1 =1
(demonstração:...)
1 +' & 1 )z 2
+ 2 ) µ ) 2) ( z) dz e 2
29 &' 2 X&µ
1444 424444
3 COROLÁRIO: Se X ~ N(µ, 2 ) e se Y = , então a v.a.
=0 2
Y terá distribuição N(0,1).
2 2
=2 +µ
2 1 2
+' 1 8 x&µ
& )6 5 1 b & 2) x
1 3 P( a % X % b ) = (e dx
GX ( t ) = E e ( )= t )x t )x
( e )e
2 9 )2 & '
2 7 2 4 dx 29 a
a &µ b&µ5
P ( a % X % b ) = P86 %Z% 3
7 2 2 4
n
T = = a i ) Xi
i =1
8 n n 5
T ~ N 66 = a i ) µi ; = a 2i ) 22i 33
7 i =1 i =1 4
binomial seria quase simétrica. Nestas condições será A distribuição normal poderá ser ainda utilizada para
também melhor a aproximação pela distribuição normal. aproximar as distribuições hipergeométrica e de Poisson
sempre que estas, por sua vez, sejam aproximáveis por
Na prática, quando n + 20 e n ) p > 7 , a distribuição normal distribuições binomiais (aproximadamente simétricas).
com parâmetros:
µ = n )p Concretamente no caso da distribuição de Poisson, recorre-se
à aproximação pela distribuição normal sempre que * > 20,
22 = n ) p ) ( 1 & p ) embora a aproximação seja tanto melhor quanto maior for *.
Em notação simbólica temos que:
constitui uma boa aproximação da distribuição binomial.
A justificação para a proximidade das duas distribuições é
uma consequência do teorema do limite central, como se verá X~p(* ) ?
{ (
X ~ N µ = * , 22 = * )
mais adiante. * > 20
( * @ ')
Em notação simbólica temos que:
Um aspecto importante a salientar é o seguinte: quando se
X ~ b ( n, p ) ?
{ (
X ~ N µ = n ) p , 22 = n ) p ) q ) utiliza a distribuição normal como aproximação a uma
n + 20
n)p > 7 variável aleatória discreta, como são os casos anteriores, é
necessário efectuar a “correcção de continuidade”.
Graficamente, podemos ver um exemplo que ilustra a A correcção de continuidade consiste em considerar, para o
proximidade entre as duas distribuições. cálculo duma probabilidade, uma pequena vizinhança à
esquerda do extremo inferior do intervalo e à direita do
extremo superior do intervalo, isto é:
+'
Seja um conjunto de v.a. Zi , i = 1,2,...,n , satisfazendo as
B ( u ) = ( x u & 1 ) e & x dx (para u > 0)
seguintes condições: 0
• Zi ~ N ( 0,1) , Ci
Habitualmente as distribuições F 2 estão tabeladas para TEOREMA: Sejam k v.a. independentes X1, X2, ..., Xk cada
valores de n entre 1 e 30. Para n > 30 , Fisher demonstrou uma delas com distribuição F 2 com ni graus de liberdade, então
que se: a v.a. Sk definida como:
DISTRIBUIÇÃO t de STUDENT
P ( X % t ) = P ( 2) X % 2) t )
Sejam Z e Y duas v.a. independentes, Z ~ N(0,1) e Y ~ F 2n , e
= P ( 2 )X & 2) n & 1 % 2) t & 2 )n & 1 ) defina-se uma nova v.a. X, como:
Z Z
A ; ( 2) t & 2) n & 1 ) X= = n)
Y/ n Y
144 145
A distribuição de X designa-se por distribuição t de Student Dada a importância desta distribuição ela está tabelada para
com n graus de liberdade ( n E D ) , X ~ t n , e é definida por: diversos valores do parâmetro n. Deste modo, podemos
encontrar nas tabelas o valor t n ( G ) que satisfaz a condição:
n + 15 n +1 P ( X + t n ( G )) = G
B 86 3 &
7 2 4 8 x 2 53 2
fX ( x ) = ) 66 1 + ,–'<x<+'
n ) 9 ) B 86 n 5 7 n 34 para diferentes valores de n e G . Graficamente, temos que:
3
72 4
verificando-se que:
+' & tn ( G )
G= ( f X ( x ) dx = ( f X ( x ) dx
tn ( G ) &'
Relativamente ao valor esperado e variância para a
distribuição t de Student pode demonstrar-se que: dada a simetria desta distribuição.
8 5 8 5
6 3 6 3
X a a
P( X % a ) = P6 % 3 A ;6 3
6 n n 3 6 n 3
6 3 6 3
7 n&2 n&2 4 7 n&2 4
DISTRIBUIÇÃO F
Relativamente ao valor esperado e variância para a
distribuição F , pode demonstrar-se que:
Sejam Y e V duas v.a. independentes tais que Y ~ F 2n1 e
n2
V ~ F 2n 2 e defina-se uma nova v.a. X como: E(X ) = , n2 > 2
n2 & 2
Y / n1 n 2 Y
X= = ) 2 ) n 22 ) ( n1 + n 2 & 2 )
V / n 2 n1 V Var ( X ) = , n2 > 4
n1 ) ( n 2 & 2 )2 ) ( n 2 & 4 )
A distribuição de X designa-se por distribuição F com n1 e
n 2 graus de liberdade, X ~ Fn1, n 2 , e é definida por: isto é, fora das condições indicadas, o valor esperado e a
variância não estão definidos. A distribuição F também não
tem função geradora de momentos.
n + n2 5
B 86 1
n1 n +n
3 8 n1 & 1 2 Esta distribuição também está tabelada para diversos valores
2 n1 5 2 &1 8 n ) x 5 2
fX ( x ) = 7 4 ) 66 33 ) x 2 ) 66 1 + 1 33 dos parâmetros n1 e n 2 . Deste modo, podemos encontrar nas
n n
B 86 1 53 ) B 86 2 53 7 n 2 4 7 n2 4 tabelas o valor Fn1, n 2 ( G ), que satisfaz a condição:
7 2 4 7 2 4
x>0
(
P X + Fn1, n 2 ( G ) = G)
com parâmetros n1 e n 2 .O aspecto gráfico da fdp depende
do valor dos parâmetros, mas a respectiva curva é assimétrica para diferentes valores de n1, n 2 e G . Habitualmente as
positiva e unimodal como se pode observar na figura tabelas estão construídas para valores de G = 0.01, 0.25, 0.05
seguinte: e 0.10 , isto é, valores de G na cauda direita da distribuição.
148
1
Fn1, n 2 ( 1 & G ) = (demontração:...)
Fn 2 , n1 ( G )
verificando-se que:
+' Fn , n ( 1 & G )
1 2
G= ( fX ( x ) dx = ( fX ( x ) dx
Fn , n ( G ) 0
1 2