Você está na página 1de 44

UNIVERSIDADE FEDERAL DO PAR

STITUTO DE CINCIAS SOCIAIS APLICADA


FACULDADE DE ECONOMIA

Estatstica II
Prof. Dr. Ricardo Bruno Nascimento dos Santos

VARIVEIS ALEATRIAS
CONTNUAS

I.2 VARIVEIS ALEATRIAS


CONTNUAS
I.2.1 - Introduo

Definio: Uma funo X definida pelo espao amostral e


assumindo valores num intervalo de nmeros reais, dita uma
varivel aleatria contnua.
A principal caracterstica de uma v.a. contnua que, sendo
resultado de uma mensurao, o seu valor pode ser pensado como
pertencendo a um intervalo ao redor do valor efetivamente
observado (sempre nosso valor efetivamente observado ser a
mdia).

I.2 VARIVEIS ALEATRIAS


CONTNUAS
I.2.1
Introduo
Podemos -ento
destacar as diferenas da v.a. discreta e contnua
como sendo:

I.2 VARIVEIS ALEATRIAS


CONTNUAS
I.2.1 - Introduo
-

Exemplos de v.a. contnuas:


Tempo de resposta de um sistema computacional
Tempo de vida de uma mquina
Resistncia de um material
Oscilao diria em um ndice na bolsa de valores

Alm destas podemos tambm destacar:

I.2 VARIVEIS ALEATRIAS


CONTNUAS
I.2.1
Introduo
De forma -semelhante
quela desenvolvida para variveis

discretas,
precisamos estabelecer para as contnuas a atribuio de probabilidades s
suas diversas realizaes que, neste caso, podem assumir um nmero infinito
de valores diferentes. Abordamos esta questo atravs do prximo exemplo.
Exemplo: Estudos anteriores revelam a existncia de um grande lenol de
gua no subsolo de uma grande regio. No entanto, sua profundidade ainda
no foi determinada, sabendo-se apenas que o lenol pode estar situado em
qualquer ponto, entre 20 e 100 metros.
Vamos supor que escolhemos, ao acaso, um ponto nessa regio e
dispomos de uma sonda que, ao fazer a perfurao, detecta com preciso
profundidade do reservatrio de gua. Denotamos por X a varivel aleatria
representando a profundidade.
Notemos que, apesar de X poder ser qualquer nmero entre 20 e 100
metros, o instrumento, com que trabalhamos, pode no ser to preciso como
gostaramos. Por exemplo, uma profundidade de 32,571 metros poderia ser
medida por 32,6 metros.

I.2 VARIVEIS ALEATRIAS


CONTNUAS
I.2.1 - Introduo

Vamos assumir que temos um instrumento ideal que no faz


aproximaes. Nessas condies, podemos supor a sonda acoplada a
um instrumento indicador da profundidade e um dispositivo que,
quando a sonda encontrar gua, provoque a imediata interrupo da
perfurao.
Uma vez no que temos informaes adicionais a respeito da
profundidade do lenol, razovel assumirmos que a sonda pode
parar em qualquer ponto entre 20 e 100 metros, sem que tenhamos
motivos para privilegiar essa ou aquela profundidade. Assim,
consideraremos todos os pontos como igualmente provveis. Se
utilizarmos a mesma idia de atribuir a cada possvel ponto uma
probabilidade, teremos uma dificuldade extra, pois eles pertencem a
um intervalo de [20; 100], em que existem infinitos nmeros reais.

I.2 VARIVEIS ALEATRIAS


CONTNUAS
I.2.1 - Introduo
Assim, se cada um deles tiver, individualmente, probabilidade
maior que 0, a soma das probabilidades ser igual a infinito e no 1,
como requer a definio da funo de probabilidades. Em geral, em
situaes como esta, no interessante considerar um nico valor
para a varivel aleatria, mas intervalos de valores na atribuio de
probabilidades. Neste caso, sabemos que o espao amostral
corresponde ao intervalo [20; 100] e as profundidades so
igualmente provveis.
Suponha por um momento, que dividimos o espao amostral em 8
intervalos de comprimento 10. Logo, razovel atribuir aos
intervalos a probabilidade 1/8, correspondendo relao entre o
comprimento de cada um deles e o comprimento do espao amostral.
Isto , 10 para 80 ou 1/8.

I.2 VARIVEIS ALEATRIAS


CONTNUAS
I.2.1
- Introduo
Assim, como
dividimos em 8 faixas de igual comprimento e sem
interseco entre elas, teremos os intervalos [20; 30), [30; 40), ...,
[90; 100] todos com a mesma probabilidade de 1/8, pois todos tem o
mesmo tamanho.
Para construirmos um histograma, podemos supor que 1/8 a
frequncia relativa da ocorrncia de cada um dos intervalos. As
ordenadas do grfico so as densidades, calculadas de modo que a
rea de cada retngulo seja a frequncia relativa (probabilidade) do
intervalo.

I.2 VARIVEIS ALEATRIAS


CONTNUAS
I.2.1 - Introduo

Note que, dada as caractersticas do problema, a diviso em 8 intervalos


produziu o mesmo valor de densidade de 1/80 pra todos eles. Se dividirmos o
intervalo [20; 100] em 16 faixas iguais, utilizando o mesmo argumento anterior,
temos que os intervalos [20; 25), [25; 30), ..., [95; 100] tero todos a mesma
probabilidade 1/16. O histograma correspondente ser:

I.2 VARIVEIS ALEATRIAS


CONTNUAS
I.2.1 - Introduo

O histograma mostra que apesar de termos diferentes intervalos, a densidade


permanece a mesma, igual a 1/80.
Podemos continuar esse procedimento aumentando cada vez mais a
quantidade de faixas, com a consequente diminuio de suas amplitudes de tal
forma que, em uma situao terica com infinitos intervalos, temos o seguinte
histograma:

I.2 VARIVEIS ALEATRIAS


CONTNUAS
I.2.1 - Introduo

I.2 VARIVEIS ALEATRIAS


CONTNUAS
I.2.1
Introduo
Estamos agora
em condies de caracterizar, completamente

a
atribuio de probabilidade para o caso contnuo. Ela ser definida
pela rea abaixo de uma funo positiva, denominada de funo de
densidade de probabilidade (fdp). Observe que a densidade em si
no uma probabilidade, mas uma funo matemtica que nos
auxilia na atribuio de probabilidades. Assim, para a varivel
aleatria contnua X representando a profundidade do lenol de
gua, a fdp f dada por:

1 / 80
f ( x)
0

para 20 x 100;
para
x 20
ou

x 100.

I.2 VARIVEIS ALEATRIAS


CONTNUAS
I.2.1
Introduo
Tendo em- vista
que, nesse exemplo a funo de densidade

bastante simples, a probabilidade de que a profundidade do lenol


esteja em um dado intervalo pode ser calculada com o uso de rea de
figuras planas. Assim, para obter a probabilidade de uma
profundidade entre 25 e 29, calculamos a rea do retngulo:

e, portanto, P(25 X < 29) = (29 25) 1 4 1 4


80
80 80

CONTNUAS
I.2.2 A funo de densidade
Dizemos que f(x) uma funo contnua de probabilidade ou
probabilidade
(fdp)
funo de densidade de probabilidade para uma varivel aleatria
contnua X, se satisfaz duas condies:
i) , para todo
ii) A rea definida por f(x) igual a 1.
Com auxlio do clculo diferencial e integral, podemos
caracterizar a condio ii) atravs de

f ( x)dx 1.

Da mesma forma, para calcular probabilidades, temos que para ,


b
indica a rea sob f(x) definida pelo
P (a X b) f, (ax)integral
dx;
a
intervalo [a; b].

CONTNUAS
I.2.2 A funo de densidade
Note que, pela forma como a atribumos as probabilidades no caso
probabilidade
(fdp)
contnuo, teremos rea zero sob
qualquer valor individual, isto , P(X =
k) = 0 para qualquer k. Portanto, em se tratando de variveis aleatrias
contnuas, a probabilidade de ocorrncia de um valor isolado sempre
zero e, consequentemente, as probabilidades calculadas sobre os
intervalos [a; b], [a; b), (a; b] e (a; b) so as mesmas, para qualquer
valor de a e b.
Exemplo: Num teste intelectual com alunos de um colgio Y, o
tempo para realizao de uma bateria de questes de raciocnio lgico
medido e anotado para ser comparado com um modelo terico. Este
teste utilizado para identificar o desenvolvimento da capacidade de
raciocnio lgico e auxiliar a aplicao de medidas corretivas. O modelo
terico considera T, tempo de teste em minutos, como uma varivel
aleatria contnua com funo de densidade de probabilidade dada por:

CONTNUAS
I.2.2 A funo de densidade
1
8
t 10;
probabilidade
(fdp)
40 (t 4) se

f (t )

3
20
0

se

10 t 15

caso

contrrio

O grfico da fdp apresentado a seguir (construiremos ele no


software R). Deve ser notado que, pela definio de f(x), ela se
anula para t < 8 ou t >15.
Vamos verificar agora se a funo f(t) satisfaz a definio de
densidade. Para calcular P(9 < T 12), vamos obter a rea sob f(t)
no intervalo (9; 12]:

CONTNUAS
I.2.2 A funo de densidade
Assim P(9< T 12) = 7/16 valor esse obtido pela soma do
probabilidade
(fdp)
trapzio definido no intervalo
(9, 10) com o retngulo determinado

0 .0 0

0 .0 5

f(t)

0 .1 0

0 .1 5

pelo intervalo [10,12] (veja a figura).

10

12
t

14

16

18

CONTNUAS
I.2.2 A funo de densidade
Atravs do uso de integral, essa mesma probabilidade seria
probabilidade
calculada da seguinte forma:(fdp)
12

10

12

10

P (9 T 12) f (t )dt f (t )dt f (t )dt


10

12

12 3

1
1 t
3
9 40 (t 4)dt 10 20 dt 40 2 4t 20 t 10
9
11 6
7

0, 4375
80 20 16
10

CONTNUAS
I.2.3 Valor Mdio de uma
Varivel
Aleatria
Contnua
O valor esperado
ou mdia da varivel
aleatria contnua X, com
fdp dada por , dada pela expresso:

E ( X ) xf ( x)dx.

J a sua varincia dada por:

( x ) 2 f ( x)dx.
2

Como no caso discreto, a varincia a medida de disperso mais


utilizada na prtica. Aqui podemos, tambm, utilizar a expresso
alternativa , com sendo calculada como:

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

CONTNUAS
I.2.3 Valor Mdio de uma
O desvio padro a raiz quadrada da varincia e, como j
Varivel
Aleatria
Contnua
mencionado anteriormente,
tem a mesma
unidade de medida da
varivel original, o que facilita a interpretao dos seus valores.
Vamos a um exemplo:
Investidores estudaram uma certa carteira de aes e
estabeleceram um modelo terico para a varivel R, rendimento das
aes (em mil R$). Suponha que R uma varivel aleatria contnua
com a seguinte funo de densidade:
1 r
1 , se 0 r 20

f (r ) 40 10

0,
caso contrrio

Vamos aplicar no Software R

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.3 Medidas de Posio para Variveis Aleatrias Contnuas

Vamos determinar a mdia e a varincia de R. Temos,

20

20

1 r
1 r
1 r
r
1 dr

40 10
400 3 0 40
2
3

20

20
35

5 R$ mil.
3
3

Para varincia, calculamos primeiro E(R2):


20

E(R2 ) r 2
0

20

1 r
1 r
1 r

1
dc

40 10
400 4 0 40
3
4

20

100
0

200
500
R$
mil.
3
3

Assim: 2 E ( R 2 ) 2 500 35 275 R$30,56 mil2


3 3
9
Portanto o desvio padro ser: 30,56 R$5,53 mil
R
Qual seria a probabilidade de conseguirem um rendimento entre 8
e 10 mil? Vamos fazer no R

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.4 O modelo de distribuio Normal

A distribuio normal uma das mais essenciais e importantes


distribuies da estatstica, conhecida tambm como Distribuio de Gauss
ou Gaussiana. Foi primeiramente introduzida pelo matemtico Abraham de
Moivre.
Alm de descrever uma srie de fenmenos fsicos e financeiros, possui
grande uso na estatstica inferencial. inteiramente descrita por seus
parmetros de mdia e desvio padro, ou seja, conhecendo-se estes conseguese determinar qualquer probabilidade em uma distribuio Normal.
Um interessante uso da Distribuio Normal que ela serve de
aproximao para o clculo de outras distribuies quando o nmero de
observaes fica grande. Essa importante propriedade provm do Teorema do
Limite Central que diz que "toda soma de variveis aleatrias independentes
de mdia finita e varincia limitada aproximadamente Normal, desde que o
nmero de termos da soma seja suficientemente grande" (Ou seja, que a
amostra seja maior que 30 observaes).

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.4 O modelo de distribuio Normal

Diz-se que X tem Distribuio Normal com mdia e varincia


2 se sua funo de densidade de probabilidade (fdp) :

f X ( xi )

( x )2
2 2

E(X) =
Var(X) = 2

Pode-se ainda verificar que os parmetros e 2 representam,


respectivamente, a mdia e a varincia da distribuio. A
demonstrao requer algumas manipulaes de integral. O que no
vai ser demonstrado aqui. Assim quando indicarmos que X ~ N (;
2), segue imediatamente que E(X) = e Var(X) = 2.

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.4 O modelo de distribuio Normal

Graficamente a curva normal comporta-se da seguinte maneira:

0e+00

1e-05

2e-05

f(x)

3e-05

4e-05

Distribuio Nomal(60.000,8.300)

30000

40000

50000

60000
x

70000

80000

90000

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.4 O modelo de distribuio Normal

Algumas propriedades da densidade da Normal podem ser,


facilmente, observadas de seu grfico:
fX(xi) simtrica em relao ;
fX(xi) 0 quando x ;
o valor mximo de fX(xi) se d para x = e so pontos de inflexo
de f(xi)
Quando temos e , temos uma distribuio padro ou reduzida, ou
brevemente N(0,1). Para essa a funo de densidade reduz-se a

f z ( zi ) ( z )

1
e
2

z2
2

L x

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.4 O modelo de distribuio Normal

Assim, o grfico da normal padro pode ser representado por:

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.4 O modelo de distribuio Normal

Vamos partir de um exemplo prtico:


Vamos trabalhar com uma srie dos fundos de investimentos da
Petrobrs gerenciado pelo Bando do Brasil. Observou-se que o
comportamento dos fundos entre 02/01/2012 a 13/03/2012 tiveram
um comportamento muito aproximado a uma curva normal como
pode ser observado no grfico abaixo:
A mdia ficou em torno de R$ 7,27
a cota do fundo e o desvio padro
foi de R$ 0,295.
Vamos construir a fdp desta
varivel aleatria no software R.
Os limites de intervalo sero R$ 6 e
R$ 8,25

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.4 O modelo de distribuio Normal

No clculo de probabilidades para variveis contnuas, devemos


resolver a integral da fdp no intervalo de interesse, isto ,
b

1
e
P(a X b) =
a 2

( x )2
2 2

Entretanto, a integral acima s pode ser resolvida de modo


aproximado e por mtodos numricos. Por essa razo, as
probabilidades para o modelo Normal so calculadas com auxlio de
software estatsticos ou por tabelas.
A partir do exemplo anterior, vamos visualizar algumas
possibilidades e informaes probabilsticas que podem ser tiradas a
partir da curva da normal criada para o fundo de aes da Petrobrs.

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.4 O modelo de distribuio Normal

Clculo da probabilidade de um modelo Normal usando o R


Levando em considerao as informaes do exemplo anterior,
pergunta-se:
a) Qual a probabilidade de obtermos lucro se na poca do resgaste o
valor da ao for de R$ 7,18.
Para realizar tal tarefa vamos usar o comando pnormal que faz o
clculo da probabilidade. Alm disso, vamos fazer tambm a
representao grfica na curva da normal.
b) Qual deveria ser o preo mximo (em R$) para que o investidor
tenha uma probabilidade de lucro pequena, de cerca de 10%?
Vamos verificar essa possibilidade com o auxlio do R.

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.4 O modelo de distribuio Normal

Aplicaes da v.a. reduzida.


A transformao da normal para a sua correspondente reduzida
z~N(0,1). Para determinar a probabilidade de X [a,b], procedemos
com o seguinte clculo:
P(a X b) = P(a - X - b - ) =
b
a X b
a
P

Z
P





e, portanto, quaisquer que sejam os valores de e , utilizamos a
Normal Padro para obter probabilidades com a distribuio Normal.

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.4 O modelo de distribuio Normal

Os valores para P(0 Z z), z>0 so apresentados na seguinte


tabela.
Com a simetria da densidade Normal podemos calcular valores de
probabilidades em outros intervalos. Note que a simetria tambm
implica que a probabilidade de estar acima (ou abaixo) de zero 0,5.
Como probabilidade sempre um nmero entre 0 e 1, a tabela
contm apenas a parte decimal.
Por exemplo, para X~N(2,9), teremos:
22

P (2 X 5) P

X 2
9

52
9

P (0 Z 1) 0,3413

Agora como foi localizado o valor 0,3413 na tabela normal?

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.4 O modelo de distribuio Normal

Para obter P(0 X 2), usamos a assimetria da Normal:


2 2
02
2
2
P (0 X 2) P
Z
P ( 3 Z 0) P (0 Z 3 )
9
9

P (0 Z 0, 6666) 0, 2486
Podemos ainda calcular as probabilidades de intervalos com
extremos negativos, utilizando os correspondentes intervalos na
parte positiva. Um outro recurso importante no uso da tabela a
utilizao do complementar. Por exemplo,

32

P ( X 3) P Z
P Z 13 0,5 P 0 Z 13 0,5 0,1293 0,3707
3

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.4 O modelo de distribuio Normal

A tabela tambm pode ser utilizada no sentido inverso, isto ,


dado uma certa probabilidade, desejamos obter o valor que a
originou. Por exemplo, quanto vale c tal que P(0 Z c) = 0,4?
Procurando no corpo da tabela, a probabilidade que mais se
aproxima de 0,4 0,3997; correspondendo a 1,28 que ser o valor de
c.
Suponha, agora, que queremos encontrar d tal que P(Z > d) = 0,8.
Observamos que d precisa ser negativo, pois a probabilidade
desejada maior que , que o valor de P(Z > 0). Assim, o
intervalo (0; d) precisa ter probabilidade 0,3. Pela simetria da
Normal, o intervalo (-d, 0) tambm tem probabilidade 0,3. Da tabela,
segue que d = 0,84 e portanto d = -0,84.

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.4 O modelo de distribuio Normal

Vamos finalizar essa seo utilizando o exemplo anterior para o


fundo de aes da Petrobrs/BB.
a) Qual a probabilidade de obtermos lucro se na poca do resgaste o
valor da ao for de R$ 7,18?
X 7, 27 7,18 7, 27

P ( Z 0,31) 0,5 0,1179 0,3821

0, 295
0, 295

P( X 7,18) P

b) Qual deveria ser o preo mximo (em R$) para que o investidor
tenha uma probabilidade de lucro pequena, de cerca de 10%?
Assim, precisamos obter um valor em R$ tal que: P(X < R$) = 0,1.
Ento,

R$ 7, 27
X 7, 27 R$ 7, 27
P

P(Z
) 0,1

0, 295
0, 295
0, 295

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.5 A distribuio t de student

A distribuio t de Student importante no que se refere a


inferncias sobre mdias populacionais.
Diz-se que uma varivel aleatria contnua T tem distribuio t de
Student se sua funo de densidade dada por:
Essa expresso, certamente, assustadora! Mas eis uma boa
notcia: no precisaremos dela para calcular probabilidades! No
entanto, interessante notar duas caractersticas bsicas dessa
expresso: o argumento t da funo aparece elevado ao quadrado e fT
depende apenas do nmero de graus de liberdade da qui-quadrado e,
portanto, o parmetro desta distribuio , tambm, o nmero de
graus de liberdade.

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.5 A distribuio t de student

Em termos de mdia e varincia a distribuio t de Student, (com


v graus de liberdade) que ser indicada por t(v), ser:
Quanto maior o valor de v mais t aproxima-se de uma normal
N~(0,1), isso pode ser verificado no grfico abaixo:

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.5 A distribuio t de student

Assim como no caso da normal, seria necessria uma tabela para


cada valor de v. Os programas computacionais de estatstica
calculam probabilidades associadas a qualquer distribuio t. Mas
nos livros didticos comum apresentar uma tabela da distribuio t
que envolve os valores crticos, ou seja, valores que deixam
determinada probabilidade acima deles. Mais precisamente, o valor
crtico da t(v) associado probabilidade o valor tv; tal que
Para encontrar o valor tabelado basta pegarmos o grau de
liberdade v e compararmos com a nossa probabilidade de cometer o
erro tipo I (isso ser visto mais adiante).
Suponha que tenhamos v=6 e queiramos um erro de 5% para uma
distribuio uni caudal, ento teramos:
Tabela Bicaudal

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.6 A distribuio Qui-Quadrado

A distribuio qui-quadrado um caso especfico da distribuio


Gama.
Como definio temos:
Uma varivel aleatria contnua Y tem distribuio qui-quadrado
com v graus de liberdade (denotada por ) se sua funo densidade
for dada por:

A mdia e varincia para a qui-quadrado so:


E(Y)=v
Var(Y)=2v

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.6 A distribuio Qui-Quadrado
Graficamente a distribuio qui-quadrado se comporta da
seguinte forma:

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.6 A distribuio Qui-Quadrado
Usando a tabela qui-quadrado para v=10, observe que
P(Y>2,558)=0,99; ao passo que P(Y>18,307)=0,05.

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.6 A distribuio F de Snedecor
Sejam U e V duas v.a. independentes, cada uma com distribuio
qui-quadrado, com v1 e v2 graus de liberdade, respectivamente.
Ento, a v.a.
W

U v1
V v2

Tem densidade dada por:


Diremos que W tem distribuio F de Snedecor, com e graus de
liberdade, e usaremos a notao W~F(, . Podemos mostrar que:

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.6 A distribuio F de Snedecor
O grfico tpico de uma distribuio F varia conforme seu grau de
liberdade como pode ser verificado abaixo:

I.2 VARIVEIS ALEATRIAS CONTNUAS


I.2.6 A distribuio F de Snedecor
Vamos considerar que nossa distribuio F tenha comportamento
de mdia e varincia com a seguinte caracterstica W~F(5,7).
Consultando a Tabela F teremos: P(F > 3,97) = 0,05, ou P (F 3,97)
= 0,95.
Agora se quisermos encontrar:
0,05 = P{F(5,7) < f0}=P{1/F(7,5) < f0}=P{F(7,5) > 1/ f0},
Procurando na Tabela F, para F(7,5), obtemos 1/ f0=4,88 e,
portanto, f0=0,205.

Você também pode gostar