4

Variáveis Aleatórias Contínuas

EMC 410112
Estatística para Experimentação
Prof. Armando Albertazzi G. Jr.
 Tópicos
 Variáveis aleatórias contínuas
 Densidade de probabilidade
 Função distribuição cumulativa
 Média e variância a partir da função densidade
de probabilidade
 Distribuição uniforme e triangular
 Distribuição normal
 Verificação de normalidade
 Covariância e correlação
 Outras distribuições
EMC 410112 Estatística para Experimentação
 Variáveis aleatórias
 A variável que associa um número ao resultado de um experimento
aleatório é uma variável aleatória.

 Exemplos:
□ soma de dois dados, cotação do dólar, precipitação diária de chuva em
uma cidade, limite de resistência de corpos de prova

 Podem ser
□ discretas (faixa de valores finita ou infinita contável)
□ contínuas (faixa de valores com um intervalo de números reais)

 Convenção:
□ variáveis aleatórias: X, Y, ... (letras maiúsculas)
□ valores possíveis das variáveis aleatórias: x, y, ... (minúsculas)

EMC 410112 Estatística para Experimentação

 Variáveis aleatórias contínuas
 Assumem valores reais f(x)

f(x) = função densidade

de probabilidade x

a b

P( X  x0 )  0
b
P(a  X  b)   f ( x) dx
a

EMC 410112 Estatística para Experimentação

 Variáveis aleatórias contínuas
 Propriedades: f(x)

f ( x)  0, x

 x

 f ( x)dx  1

a b

P(a  X  b)  P(a  X  b)  P(a  X  b)  P(a  X  b)

EMC 410112 Estatística para Experimentação

Função distribuição cumulativa
f(x)
1
ba
A=1
x

a b
F(x)
100%

F ( x)  P( X  x)
x

a b

EMC 410112 Estatística para Experimentação

 Função distribuição cumulativa
 A função distribuição cumulativa de uma variável aleatória X associa a
cada valor possível de X a probabilidade deste valor ser menor ou igual a
x. Denota-se F(x) f(x)
x
F ( x)  P( X  x)   f ( )d


d F ( x)
 f ( x) x
dx
b a b
P(a  X  b)   f ( x)dx  F(x)
a
1,00
b a
  f ( x)dx   f ( x)dx
 
F(b)

F(a) x
P(a ≤ X ≤ b) = F(b) - F(a) a b

EMC 410112 Estatística para Experimentação

Valor esperado e variância de uma VA
contínua a partir de f(x)
 Valor esperado (média da variável)

  E ( x)   x f ( x)dx


 Variância
 
 2  V ( x)   ( x   ) 2 f ( x) dx   x 2 f ( x) dx   2
 

EMC 410112 Estatística para Experimentação

 Distribuição uniforme contínua
f(x)
1  1
 ,  x ,
  f ( x)     
A=1

0 , caso contrário
x

 β

 
1  
     2
1
   x f ( x)dx   x dx  2

    2 12

 Exemplo: erro de arredondamento de um mostrador digital

EMC 410112 Estatística para Experimentação

Erro devido ao arredondamento de
mostrador digital

4,0 indicação (g)

3,0

2,0
0
3
2 g
1
4 incremento
digital
1,0
quantidade de pó (g)
0,0
0,0 1,0 2,0 3,0 4,0 5,0 6,0

EMC 410112 Estatística para Experimentação

 Erro devido ao arredondamento de
mostrador digital
f(x)
indicação

ID
ID
 0 
2 3 mensurando

erro
ID/2

f(x)

- ID/2

EMC 410112 Estatística para Experimentação

 Distribuição triangular

f(x)
2
 

A=1

  

 
     2
1
 2

2 24

EMC 410112 Estatística para Experimentação

 Distribuição (discreta) da média de
dois dados

36 possibilidades

6
5
4
3
2
1

1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0

EMC 410112 Estatística para Experimentação

Distribuições das médias de “n” dados
1 dado Média de 2 dados Média de 3 dados

Média de 4 dados Média de 5 dados Média de 6 dados

EMC 410112 Estatística para Experimentação

Distribuições das médias de “n” dados
Média de 8 dados Média de 10 dados Média de 15 dados

Média de 20 dados Média de 25 dados Média de 30 dados

EMC 410112 Estatística para Experimentação

Distribuição das médias de n dados

EMC 410112 Estatística para Experimentação

 Distribuição normal ou gaussiana

pontos de inflexão
  média
  desvio padrão

assíntota   assíntota


EMC 410112 Estatística para Experimentação

 Distribuição normal ou gaussiana
 Observada no século XVIII:
“curva normal de erros”
( x )2
1
f ( x)  e 2 2
   x  
2 
f(x)

Carl Friedrich Gauss (1777-1855)


EMC 410112 Estatística para Experimentação
 Distribuição normal ou gaussiana
 Função probabilidade acumulada:
x  (   ) 2
1
F ( x) 
2  e

2 2
d

□ Não pode ser integrada explicitamente

□ É calculada numericamente e tabelada
 Problema:
□ Para cada valor de μ e σ é necessária uma tabela
diferente
 Solução:
□ Distribuição normal padronizada
EMC 410112 Estatística para Experimentação
 Padronização
variável distribuição
f(x) μX = 3
σX = 2
X x

3
f(y) μY = 0
σY = 2
Y  X 3
y
0 3

f(z) μZ = 0
σZ = 1
X 3
Z
2 z
0 3
EMC 410112 Estatística para Experimentação
 Distribuição normal padronizada
 Mudança de variável para que μ = 0 e σ² = 1
X 
Z

 Distribuição normal padronizada:
 z2
1
f ( z)  e 2
   z  
2
 Função distribuição cumulativa é tabelada:
z
1
e
 2 / 2
F ( z)  d
2 

EMC 410112 Estatística para Experimentação

EMC 5223 – Estatística e Metrologia para Engenharia
 Exemplo 1
 O tempo de resposta de um indivíduo a um evento rápido
pode ser considerado uma VA normal, com média 180 ms e
desvio padrão 50 ms. Calcule a probabilidade dele reagir a
um evento rápido em menos de 100 ms.  = 180 ms

 = 50 ms
100  180
Z  1,60
50 X
100 180
P(X<100) = P(Z<-1,60) = F(-1,60)
P = F(-1,60) = 0,05480 = 5,48%
Z
No MS Excel®
= DIST.NORMP(-1,60) -1,60 0,00

EMC 410112 Estatística para Experimentação

 Exemplo 2
 Calcule a probabilidade de um VA com distribuição normal
com μ = 3 e σ = 2 apresentar valores entre 2 e 5
=3
P  F ( z5 )  F ( z2 ) =2
53
z5   1,00
2
0 2 3 5
23 =0
z2   0,50
2 =1

P = F(1,00) - F(-0,50) -0,5 1,0

= 0,8413 – 0,3085
= 53,28% No MS Excel®
= DIST.NORMP(1,00) - DIST.NORMP(-0,50)
EMC 410112 Estatística para Experimentação
 Exemplo 3
 Uma máquina de ensacar café deveria produzir
embalagens contendo idealmente 500 g de café. Em
função das imperfeições da máquina, as quantidades
produzidas variam aleatoriamente de embalagem para
embalagem segundo uma distribuição normal com
desvio padrão 12 g. A máquina pode ter o valor médio
produzido regulado para um valor “R” dentro da faixa
entre 450 e 550 g. Para que valor de “R” a máquina
deve ser regulada para garantir que 95% das
embalagens tenham pelo menos que 500 g?

EMC 410112 Estatística para Experimentação

 Exemplo 3 - Solução
=R
 = 12 g
A = 0,05
X
X  X 500  R
Z  500 g R
X 12

500  R
 1,645  A = 0,05
12 Z
-1,645 0,00
R  519,8g

EMC 410112 Estatística para Experimentação

 Verificação de normalidade
 Uma distribuição é
normal?
 Inspeção visual
subjetiva através
do histograma:
□ Parece uma
distribuição
normal?

EMC 410112 Estatística para Experimentação

 Verificação de normalidade
 Uma distribuição é
normal?
 Inspeção visual
subjetiva através
do:
□ Gráfico de
probabilidade
normal (papel
especial), ou
□ Teste dos escores
normais.

EMC 410112 Estatística para Experimentação

 Verificação de normalidade
 Escores normais
□ Conjunto ordenado de “n” valores de Z que dividem a
distribuição normal em “n+1”faixas com igual
probabilidade.
□ Exemplo: n = 4
• F(z1) = 0,20 z1 = -0,8416
• F(z2) = 0,40 z2 = -0,2534
• F(z3) = 0,60 z3 = 0,2534
• F(z4) = 0,80 z4 = 0,8416
Z
0,20 0,20 0,20 0,20 0,20

z1 z2 z3 z4

EMC 410112 Estatística para Experimentação

 Verificação de normalidade
 Teste dos escores normais:
□ Constrói-se um gráfico dos escores normais versus os
dados ordenados.
□ Se o gráfico resultante for próximo de uma reta, a
distribuição é próxima da normal.
Dados ordenados

Escores normais

EMC 410112 Estatística para Experimentação

 Roteiro do teste dos escores normais
1. Ordene os dados de forma crescente
2. Obtenha os “n” escores normais sendo “n” o
número de dados experimentais
3. Plote o i-ésimo valor experimental versus o i-ésimo
escore normal
4. Se o gráfico resultante se aproxima de uma reta
esse indica que a distribuição dos dados é próxima
da normal
Normalmente 15 ≤ n ≤ 20, embora seja comum
usar n > 20, mas não se recomenda n < 15

EMC 410112 Estatística para Experimentação

 Exemplo
 Verifique se os 19 números abaixo, colhidos de
um experimento aleatório, possuem
distribuição aproximadamente normal:
□ 16; -5; 4; 13; 3; -10; -7; 10; -4; -1; 0; -13; 2; 6; 19;
7; 11; -2; 8;

EMC 410112 Estatística para Experimentação

 Testes dos escores normais
F(x) Escores Pontos
normais

 Solução: 0,05
0,10
-1,645
-1,282
-13
-10
0,15 -1,036 -7
□ Ordenando 0,20 -0,842 -5
0,25 -0,674 -4
-13; -10; -7; -5; -4; -2; -1; 0,30 -0,524 -2
0,35 -0,385 -1
0; 2; 3; 4; 6; 7; 8; 10; 11; 0,40 -0,253 0
13; 16; 19 0,45
0,50
-0,126
0,000
2
3
□ Calculando os escores 0,55
0,60
0,126
0,253
4
6
normais: 0,65 0,385 7
0,70 0,524 8
MS Excel®: 0,75 0,674 10
0,80 0,842 11
=INV.NORMP(0,05) 0,85 1,036 13
0,90 1,282 16
0,95 1,645 19

EMC 410112 Estatística para Experimentação

 Testes dos escores normais
F(x) Escores Pontos
normais
25
0,05 -1,645 -13
0,10 -1,282 -10 20
0,15 -1,036 -7 15
0,20 -0,842 -5
10
0,25 -0,674 -4
0,30 -0,524 -2 5
0,35 -0,385 -1
0
0,40 -0,253 0
-2,000 -1,500 -1,000 -0,500 0,000 0,500 1,000 1,500 2,000
0,45 -0,126 2 -5
0,50 0,000 3 -10
0,55 0,126 4
0,60 0,253 6 -15

0,65 0,385 7
0,70 0,524 8
0,75 0,674 10
0,80 0,842 11
Conclusão:
0,85 1,036 13 A distribuição dos dados é próxima à
0,90 1,282 16
0,95 1,645 19
normal.
EMC 410112 Estatística para Experimentação
 Escores normais
50
40
30
20
10
Escores normais de dados
0 simulados com distribuição
-3,000 -2,000 -1,000 -100,000 1,000 2,000 3,000
perfeitamente uniforme
-20
60
-30
-40
40
-50

20

Escores normais de dados 0

simulados com distribuição -3,000 -2,000 -1,000 0,000 1,000 2,000 3,000

perfeitamente normal -20

-40

-60

EMC 410112 Estatística para Experimentação

Propriedade reprodutiva da distribuição normal
 Se X1, X2, ..., Xp forem variáveis aleatórias normais e
independentes com E(Xi) = μi e V(Xi) = σi² então:

Y = c1X1 + c2X2 + ... + cpXp

 Será uma variável aleatória normal com

E(Y) = c1μ1 + c2μ2 + ... + cpμp
e
V(Y) = c1²σ1² + c2²σ2² + ... + cp²σp²

EMC 410112 Estatística para Experimentação

 Exemplos
 Sejam as variáveis aleatórias com distribuição
normal:
□ X1 com µ1 = 12 e σ1 = 3 2 = 4 1 = 3

X
□ X2 com µ2 = 8 e σ2 = 4
8 12
 Seja Y = X1 + X2
 µY = 20 e σY = 5
W = 5 Y = 5
 Seja W = X1 – X2
 µW = 4 e σW = 5
8 20

EMC 410112 Estatística para Experimentação

Valor esperado de uma combinação linear de VA
(qualquer distribuição)
 Sejam X1, X2, ... , Xk VA com média μXi
E (a1 X 1  a2 X 2  ...  ak X k ) 
k
a1 E ( X 1 )  a2 E ( X 2 )  ...  ak E ( X k )   ai  X i
i 1

 Exemplo
2 X  X
1 2 3 X 3
 2 X1   X 2  3 X 3

EMC 410112 Estatística para Experimentação

Valor esperado e variância de aX + b
(qualquer distribuição)

E(aX  b)  a E( X )  b

aX b  a  X  b

Var (aX  b)  a 2 Var ( X )

 aX
2
b  a X
2 2

EMC 410112 Estatística para Experimentação

 Variância de uma combinação linear de VA
(qualquer distribuição)
 Sejam X1, X2, ... , Xk VA independentes e com variância σ²Xi

Var (a1 X 1  a2 X 2  ...  ak X k ) 

k
a12Var ( X 1 )  a22Var ( X 2 )  ...  ak2Var ( X k )   ai2 xi2
i 1

 Exemplos:
 22X  X
1 2 3 X 3
 4 X2 1   X2 2  9 X2 3

 X  X   X2   X2
1 2 1 2
 X  X   X2   X2
1 2 1 2

EMC 410112 Estatística para Experimentação

 Pergunta embaraçosa:
 Sejam X1 e X2 duas VA independentes com
mesma variância σ².
Var(X1 + X2) = Var(X1) + Var(X2) = σ² + σ² = 2 σ²

 Seja X3 uma VA também com variância σ²

Var(2X3) = 2² Var(X3) = 2² σ² = 4 σ²

 Por que os resultados são diferentes?

EMC 410112 Estatística para Experimentação

 Valor esperado e variância da média
 Sejam X1, X2, ... , Xn VA independentes, todas
com média μ e variância σ²
 A média é calculada por:
X 1  X 2  ...  X n 1
X  n X 1  1n X 2  ...  1n X n
n
 A média das médias é:
 X  E ( X )  1n E ( X 1 )  1n E ( X 2 )  ...  1n E ( X n ) 
 1n   1n   ...  1n   nn   

EMC 410112 Estatística para Experimentação

 Valor esperado e variância da média
 Calculando agora a variância da média
 X2  Var ( X )  n1 Var ( X1 )  n1 Var ( X 2 )  ...  n1 Var ( X n )
2 2 2

2
  Var ( X ) 
2
X
1
n2
    ...   
2 1
n2
2 1
n2
2 n
n2
  2

 Em síntese
1 2 X
X  X   X
2
X
X 
n n

EMC 410112 Estatística para Experimentação

 Covariância
 Avalia a existência de sincronismo entre duas VA
cov( X 1 , X 2 )   X1 X 2  E[( X 1   X1 )( X 2   X 2 )] 
 E ( X 1. X 2 )   X1 . X 2

X2 X2 X2

X1 X1 X1

 X X 0  X X 0
1 2
 X X 0
1 2
1 2

EMC 410112 Estatística para Experimentação

 Correlação
 Quando dividida pelos respectivos desvios-padrão, a
covariância é normalizada e recebe o nome de
“Coeficiente de correlação”, denotado por ρ
cov( X 1 , X 2 )  X1 X 2
X X  
1 2
Var ( X 1 ).Var ( X 2 )  X1 . X 2

 O valor ρ está sempre dentro do intervalo

 1   X1 X 2  1
 Usa-se também o coeficiente de variação:
R 2X1X 2  (  X1 X 2 ) 2

EMC 410112 Estatística para Experimentação

 Covariância e correlação
70

60

50

40
X1
30

20
X2
cov( X1 , X 2 )  115,98
10

0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70
 ( X1 , X 2 )  0,8994
-10

X1 x X2 R²( X1 , X 2 )  0,8088
30

25

20

15

10

-5 0 10 20 30 40 50 60 70

-10

EMC 410112 Estatística para Experimentação

 Covariância e correlação
80
70
60
50
40
X1
30
20
X3
cov( X1 , X 2 )  153,80
10

 ( X1 , X 2 )  0,9234
0
-10
-20

40
X1 x X3 R²( X1 , X 2 )  0,8526
35
30
25
20
15
10
5
0
-5 0 10 20 30 40 50 60 70 80
-10
-15

EMC 410112 Estatística para Experimentação

 Correlação
 Se X1 e X2 são VA independentes, então
σX1X2 = ρX1X2 = 0

 Se X1, X2, ... , Xk são VA dependentes, então:

Var (a1 X 1  a2 X 2  ...  ak X k ) 
k
a Var ( X 1 )  a Var ( X 2 )  ...  a Var ( X k )  2
2
1
2
2
2
k a a i j cov( X i , X j ) 
i j j 2
k
a Var ( X 1 )  a Var ( X 2 )  ...  a Var ( X k )  2
2
1
2
2
2
k a a  
i j i j (Xi , X j )
i j j 2

EMC 410112 Estatística para Experimentação

 Correlação
 Exemplo:
Var (2 X1 )  Var ( X1  X1 )

 Como trata-se da duplicação da mesma

instância da variável, ρ(X1, X1) = 1,00
Var ( X 1  X 1 ) 
 Var ( X 1 )  Var ( X 1 )  2   ( X 1 , X 1 )
  2   2  2 2 .1  4  2

EMC 410112 Estatística para Experimentação

 Distribuição Log-normal
 É a distribuição de probabilidade de uma variável
aleatória cujo logaritmo é normalmente distribuído
(ln( x )   ) 2
1 
f ( x)  e 2 2

x 2
f(x) F(x)

EMC 410112 Estatística para Experimentação

 Distribuição Log-normal
 Seu interesse prático surge quando a variável de
interesse é obtida a partir de um produto de um
grande número de variáveis independentes e com
distribuições parecidas.
 De fato:
X  X 1  X 2  ...  X k
log( X )  log( X 1 )  log( X 2 )  ...  log( X k )
 A soma de um grande número de variáveis aleatórias
independentes e com distribuições próximas resulta
em normal

EMC 410112 Estatística para Experimentação

 Outras distribuições
 Distribuição exponencial
 Distribuição de Weibull
 Distribuição Beta
 Distribuição de Poisson

EMC 410112 Estatística para Experimentação