Variaveis Aleatoria e Discretiva

Tipos de Variveis Aleatrias Varivel Aleatria Discreta Principais Distribuies Discretas Varivel Aleatria Contnua
Aula 2: Variveis Aleatrias Discretas e Contnuas e suas Principais Distribuies.

Prof. Leandro Chaves Rgo
Programa de Ps-Graduao em Engenharia de Produo - UFPE Recife, 14 de Maro de 2012
Tipos de Variveis Aleatrias

Na grande maioria dos problemas prticos, encontramos dois tipos de variveis aleatrias: as discretas e as contnuas. Denio 1.1 Uma varivel aleatria X discreta se assume um nmero enumervel de valores, ou seja, se existe um conjunto enumervel {x1 , x2 , . . .} I R tal que X (w ) {x1 , x2 , . . .}, w . A funo p (xi ) denida por p (xi ) = PX ({xi }), i = 1, 2, . . . e p (x ) = 0 para x / {x1 , x2 , . . .}, chamada de funo probabilidade de X .
Exemplos de Variveis Aleatrias Discretas so: nmero de bits transmitidos com erro em um canal de comunicao, nmero de lanamentos de uma moeda at a obteno da primeira cara, nmero de consumidores que chegam em uma determinada la.
Tipos de Variveis Aleatrias
Denio 1.2 Uma varivel aleatria X contnua se existe uma funo fX (x ) 0 tal que
x
FX (x ) =
fX (t )dt , x I R.
Neste caso, X assume pode assumir uma quantidade no-enumervel de valores e a funo fX chamada de funo densidade de probabilidade de X .
Exemplos de Variveis Aleatrias Contnuas so: peso, comprimento, voltagem, corrente, presso, temperatura, tempo.
Varivel Aleatria Discreta
Vimos que se X uma varivel discreta, ento assume um nmero enumervel de valores {x1 , x2 , . . .} e podemos descrever seu comportamento probabilstico determinando sua funo probabilidade p de massa que determina a probabilidade de cada um dos possveis valores que X pode assumir. Deste modo, temos que para qualquer evento de interesse A, podemos calcular P (X A) somando as probabilidades de todos os valores xi que esto em A, ou seja, P (X A) = i :xi A p (xi ). Em particular, temos que a funo de distribuio acumulada de uma varivel aleatria discreta X , FX (x ) = P (X x ) = i :xi x p (xi ), sempre uma funo degrau com saltos nos pontos de xi de altura p (xi ).
Exemplo
Exemplo 2.1 Assuma que X uma varivel aleatria discreta que assume os valores 2, 5, e 7 com probabilidades 1/2, 1/3, e 1/6, ento sua funo de distribuio acumulada : 0 se x < 2, 1/2 se 2 x < 5, FX (x ) = 5/6 se 5 x < 7, 1 se x 7.
Exemplo
Exemplo 2.2 A funo de distribuio acumulada de 0 1/4 3/8 F (x ) = 1/2 3/4 1 (b) Determine P (1 X < 6|X < 9). uma varivel aleatria X dada por se se se se se se x < 0, 0 x < 1, 1 x < 3, 3 x < 6, 6 x < 10, x 10,
(a) Determine a funo probabilidade de massa de X .
Esperana de uma Varivel Aleatria Discreta

Considere o clculo do resultado mdio de 1000 lanamentos de um dado. Uma maneira de calcular este resultado mdio seria somar todos os resultados e dividir por 1000. Uma maneira alternativa seria calcular a frao p (k ) de todos os lanamentos que tiveram resultado igual a k e calcular o resultado mdio atravs da soma ponderada: 1p (1) + 2p (2) + 3p (3) + 4p (4) + 5p (5) + 6p (6). Quando o nmero de lanamentos se torna grande as fraes de ocorrncia dos resultados tendem a probabilidade de cada resultado. Denio 2.3 Se X uma varivel aleatria discreta assumindo valores {x1 , x2 , x3 , . . .} com probabilidade {p1 , p2 , p3 , . . .}, respectivamente, ento sua esperana dada pela frmula EX = xi pi ,
i
desde que este somatrio esteja bem denido. Caso EX seja nita, diz-se que X integrvel.
Exemplos
Exemplo 2.4 Considere uma varivel aleatria X tal que: P (X = 1) = 0,25, P (X = 0) = 0,5 e P (X = 2) = 0,25. Ento, EX = 1(0,25) + 0(0,5) + 2(0,25) = 0,25. Observao 2.5 No confunda a esperana de uma varivel aleatria com o seu valor mais provvel. Neste exemplo, EX = 0,25, porm o valor mais provvel 0. O valor mais provvel de uma varivel aleatria conhecido como moda da varivel. A esperana (valor esperado ou mdia) de uma varivel aleatria X para ser interpretada como a mdia aritmtica do valor de X quando se repete os experimento vrias vezes e calcula-se o valor de X para cada uma das realizaes do experimento.
Varincia de uma Varivel Aleatria Discreta
Como vimos diferentes variveis aleatrias podem ter a mesma esperana. Por exemplo, considere uma varivel X que descreve o resultado de um dado honesto e uma varivel Y que igual a 3 se uma moeda honesta for jogada e cair cara e igual a 4 se a moeda cair coroa. Temos EX = (1 1 1 1 1 1 1 ) + (2 ) + (3 ) + (4 ) + (5 ) + (6 ) = 3,5, e 6 6 6 6 6 6 EY = (3
1 1 ) + (4 ) = 3,5. 2 2 Portanto, no se consegue distinguir entre as variveis X e Y do ponto de vista da esperana. Porm, a varivel aleatria Y mais concentrada ao redor da esperana. Portanto, uma maneira de distinguir entre essas variveis utilizar alguma medida de disperso ou variabilidade. Para isso dene-se a varincia de uma varivel aleatria.
Denio da Varincia de uma Varivel Aleatria Discreta
Denio 2.6 A varincia de uma varivel aleatria discreta X uma mdia ponderada das distncia entre os valores que X pode assumir e a esperana de X , onde os pesos so as probabilidades de cada um desses valores que X assume. Formalmente, se X assumir os valores {x1 , x2 , . . .} com probabilidade {p1 , p2 , . . .}, respectivamente, ento sua esperana dada pela frmula Var (X ) =
i
(xi EX )2 pi .
Desvio-Padro de uma Varivel Aleatria
Note que se X for medido em uma dada unidade de medida (por exemplo, m), ento a varincia de X ser medida em valores de quadrado desta unidade (m2 ). Por isto, s vezes comum se utilizar o desvio-padro de uma varivel aleatria como medida de sua variabilidade. O desvio-padro (X ) de X igual a Var (X ).
Exemplos
Exemplo 2.7 O nmero X de mensagens enviadas por hora, atravs de uma rede de computadores, tem a seguinte distribuio: X assume os valores {10, 12, 15, 20} com probabilidades {0,1; 0,3; 0,5; 0,1}, respectivamente. Determine o desvio-padro e a esperana de X .
Aleatria ou Uniforme Discreta

Denio 3.1 Dizemos que X tem uma distribuio uniforme discreta com parmetro n, 1 onde n um nmero inteiro positivo, se X (w ) {x1 , x2 , . . . , xn } e p (xi ) = n , para i {1, . . . , n}. A funo de probabilidade uniforme discreta pode ser utilizada sempre que os possveis valores da varivel aleatria forem equiprovveis, como o caso de modelar mecanismos de jogos (por exemplo, dados e moedas balanceados, cartas bem embaralhadas). Utilizando a propriedade de aditividade da probabilidade, fcil ver que para qualquer evento A {x1 , x2 , . . . , xn }, temos || que P (X A) = ||A . n fcil ver que se X tem uma distribuio uniforme discreta, ento: EX = 1 n
n
xi , e VarX =
i =1
1 n
i =1
(xi EX )2 .
Bernoulli
Denio 3.2 Dizemos que X tem uma distribuio Bernoulli com parmetro p , onde 0 p 1, se X (w ) {x0 , x1 } e p (x1 ) = p = 1 p (x0 ). A funo de probabilidade Bernoulli pode ser utilizada para modelar a probabilidade de sucesso em uma nica realizao de um experimento. Neste caso, tem-se x0 = 0 (fracasso) e x1 = 1 (sucesso) e p conhecida como probabilidade de sucesso do experimento. Em geral, qualquer varivel aleatria dicotmica, ou seja que assume somente dois valores, pode ser modelada por uma distribuio Bernoulli. Denomina-se de ensaio de Bernoulli, qualquer experimento que tem uma resposta dicotmica. Um exemplo clssico de um ensaio Bernoulli o lanamento de uma moeda no necessariamente balanceada. fcil ver que se X tem uma distribuio Bernoulli assumindo valores 0 e 1 com probabilidades 1 p e p , respectivamente, ento: EX = p , e VarX = p (1 p ).
Binomial
Denio 3.3 Dizemos que X tem uma distribuio Binomial com parmetros n e p , onde n um nmero inteiro e 0 p 1, se X (w ) {0, 1, . . . , n} e n p (k ) = k p k (1 p )nk , para k {0, 1, . . . , n}. Uma distribuio binomial pode ser obtida quando se considera n repeties independentes de ensaios Bernoulli, e estamos interessados no total de vezes que nesses ensaios obtivemos valor x1 para a varivel. A funo de probabilidade binomial pode ser utilizada para modelar a quantidade de erros em um texto de n smbolos quando os erros entre smbolos so assumidos independentes e a probabilidade de erro em um smbolo do texto igual a p . Tambm pode ser utilizada para modelar o nmero de caras em n lanamentos de uma moeda que possui probabilidade p de cair cara em cada lanamento. Se p = 1/2, temos um modelo para o nmero de caras em n lanamentos de uma moeda justa. A gura a seguir nos mostra a funo probabilidade de massa da Binomial(8; 0,2).
Binomial (cont.)
Binomial (cont.)
Se Y1 , Y2 , . . . , Yn so variveis aleatrias Bernoulli(p) independentes que assumem os valores 0 ou 1, ento X = Y1 + Y2 + . . . Yn tem uma distribuio Binomial(n, p ). Deste modo, fcil ver que: EX = np , e VarX = np (1 p ). Pode-se provar que o valor mais provvel de uma varivel aleatria binomial igual ao maior inteiro menor que (n + 1)p . No exemplo da gura anterior, observe que o valor mais provvel para k = 1, pois (n + 1)p = 1,8.
Exemplos
Exemplo 3.4 Uma moeda com probabilidade 0,4 de cair cara jogada 5 vezes, qual a probabilidade de se obter exatamente 2 coroas? Soluo: Seja X o nmero de caras obtidos. Como jogamos a moeda 5 vezes, o evento obter exatamente 2 coroas igual ao evento obter exatamente 3 caras. Portanto, P (X = 3) = 5 (0, 4)3 (0, 6)2 . 3 Exemplo 3.5 A taxa de sucesso de um bit em uma transmisso digital 90%. Se 20 bits forem transmitidos, qual a probabilidade de que exatamente 15 deles tenha sido transmitidos com sucesso? Qual a probabilidade de que no mximo 18 deles tenham sido transmitidos com sucesso?
Exemplos
Exemplo 3.6 Suponha que para uma dada moeda viciada a probabilidade de que ocorram 3 caras seja igual a probabilidade que ocorram 4 caras se esta moeda for jogada 8 vezes de forma independente. Determine a probabilidade de ocorrerem 3 caras em 8 lanamentos independentes desta moeda.
Geomtrica
Denio 3.7 Dizemos que X tem uma distribuio Geomtrica com parmetro , onde 0 < 1, se X (w ) {1, 2, 3, . . .} e p (k ) = (1 ) k 1 , para k {1, 2, 3, . . .}. A funo de probabilidade Geomtrica pode ser utilizada para modelar o nmero de repeties do lanamento de uma moeda at a primeira ocorrncia de cara, o instante de tempo, medido em unidades de tempo inteira, at a chegada do prximo consumidor em uma la, ou at a prxima falha em um equipamento. Se X for uma varivel aleatria com distribuio de probabilidade Geomtrica com parmetro , pode-se provar que: EX = VarX = 1 ,e 1 . (1 )2
Exemplo
Exemplo 3.8 Suponha que joga-se uma moeda com probabilidade de cara igual a 0 < p < 1 independentemente at que uma coroa ocorra. Seja X o nmero de repeties necessrias at que coroa aparea nesta sequncia, de modo que se o primeiro lanamento for coroa temos que X = 1. Qual a probabilidade do evento X = k para k {1, 2, 3, . . .}? Note que para que X = k necessrio que os primeiros k 1 lanamentos sejam caras e o k -simo lanamento seja coroa, logo pela independncia dos lanamentos, temos que P (X = k ) = p k 1 (1 p ). Ou seja X uma varivel geomtrica com parmetro p .
Propriedade
Observao 3.9 Pode se provar que se X tem uma distribuio geomtrica com parmetro , ento para quaisquer dois inteiros positivos s e t , P (X > s + t |X > s ) = P (X > t ), ou seja, se soubermos que X maior que s ento a probabilidade que X seja maior que s + t igual a probabilidade incondicional de X ser maior que t . Esta propriedade conhecida como falta de memria. Por isso, a distribuio geomtrica til para modelar tempos de vida til de equipamentos que no sofrem efeitos de envelhecimento ou degradao com o tempo.
Hipergeomtrica
A distribuio hipergeomtrica descreve o nmero de sucessos em uma sequncia de n amostras de uma populao nita sem reposio. Por exemplo, considere que tem-se uma carga com N objetos dos quais D tm defeito. A distribuio hipergeomtrica descreve a probabilidade de que em uma amostra de n objetos distintos escolhidos da carga aleatoriamente exatamente k objetos sejam defeituosos. Em geral, se uma varivel aleatria X segue uma distribuio hipergeomtrica com parmetros N , D , e n, ento a probabilidade de termos exatamente k sucessos dada por p (k ) =
D k N D n k N n
Esta frmula pode ser entendida assim: existem N possveis amostras sem n reposio. Existem D maneiras de escolher k objetos defeituosos e existem k N D maneiras de preencher o resto da amostra com objetos sem defeito. n k
Hipergeomtrica
Quando a populao grande quando comparada ao tamanho da amostra (ou seja, N for muito maior que n) a distribuio hipergeomtrica aproximada razoavelmente bem por uma distribuio binomial com parmetros n (tamanho da amostra) e p = D /N (probabilidade de sucesso em um nico ensaio). Se X for uma varivel aleatria com distribuio de probabilidade Hipergeomtrica com parmetro N , D , n, pode-se provar que:
1 2
EX =
nD . N nD (N D )(N n) . N N (N 1)
VarX =
Exemplo
Exemplo 3.10 Suponha que uma urna contm 20 bolas brancas e 10 bolas pretas. Se 4 bolas so retiradas da urna. Determine: (a) A probabilidade de pelo menos uma bola ser branca, se as bolas so retiradas com reposio. (b) A probabilidade de pelo menos uma bola ser branca, se as bolas so retiradas sem reposio.
Poisson
Denio 3.11 Dizemos que X tem uma distribuio Poisson com parmetro , onde 0, k se X (w ) {0, 1, . . .} e p (k ) = e , para k {0, 1, . . .}. k! A funo de probabilidade Poisson utilizada para modelar a contagem do nmero de ocorrncias de eventos aleatrios em um certo tempo T : nmero de ftons emitidos por uma fonte de luz de intensidade I ftons/seg em T segundos ( = IT ), nmero de clientes chegando em uma la no tempo T ( = CT ), nmero de ocorrncias de eventos raros no tempo T ( = CT ).
Poisson
A gura a seguir nos mostra a funo probabilidade de massa da Poisson para 3 valores de parmetros 1, 4, e 10.
Se X for uma varivel aleatria com distribuio de probabilidade Poisson com parmetros , pode-se provar que:
1
EX = VarX = e Moda(X ) o maior inteiro menor ou igual a .
Exemplo
Exemplo 3.12 Se a probabilidade de 0 ftons serem emitidos no tempo T igual a 0,1, ento qual a probabilidade de pelo menos 2 ftons serem emitidos no tempo T? Exemplo 3.13 Suponha que o nmero de clientes que chegam em um banco segue uma distribuio de Poisson. Se a probabilidade de chegarem 3 clientes for o triplo da de chegarem 4 clientes em um dado perodo de 10 minutos. Determine: (a) Qual o nmero esperado de clientes que chegam em um perodo de 1 hora neste banco? (b) Qual o nmero mais provvel de clientes que chegam em um perodo de 1 hora neste banco?
Varivel Aleatria Contnua

Em muitos fenmenos que analisamos na prtica, as variveis aleatrias envolvidas tm natureza contnua podendo assumir uma quantidade no enumervel de valores. Vimos na seo anterior que se uma varivel aleatria x contnua, ento existe uma funo fX (x ) 0 tal que FX (x ) = fX (t )dt . Uma funo f (x ) 0 densidade de alguma varivel aleatria se e somente se, f (x )dx = 1, j que neste caso pode-se provar que a funo F denida x por f (t )dt uma funo de distribuio acumulada. Logo, a distribuio de uma varivel aleatria contnua X pode ser determinada tanto pela funo de distribuio acumulada FX ou pela sua funo de densidade fX . Como vimos P (X = a) = FX (a) FX (a ). No caso, de uma varivel aleatria contnua, temos que
a a
FX (a) FX (a ) =
fX (t )dt
fX (t )dt = 0.
Portanto, para qualquer varivel contnua X , sua funo de distribuio acumulada contnua, o que implica que a probabilidade de ela assumir qualquer nmero real a igual a 0.
Varivel Aleatria Contnua

Para melhor compreender este tipo de varivel aleatria considere a probabilidade de escolher um nmero real entre 0 e 1 considerando que todos os valores tm a mesma chance de serem escolhidos. Como existem, uma quantidade innita no-enumervel de nmeros entre 0 e 1, a probabilidade de se escolher um nmero especco, por exemplo, 22 , igual a 0. Neste caso, s faz sentido falar na probabilidade do nmero escolhido estar em determinado subintervalo. Em geral, se a e b so nmeros reais tais que a < b , tem-se no caso de varivel aleatria contnua X que
b
P (a < X b ) = P (a X < b ) = P (a X b ) = P (a < X < b ) =
f (t )dt .
a
Analogia: A massa de qualquer ponto no espao igual a zero, pois um ponto admensional. Para descrevermos a distribuio de massa de um certo objeto dene-se sua densidade de massa. Para obtermos a massa de uma dada regio do objeto integra-se a densidade de massa na regio de interesse. A mesma idia se aplica a densidade de probabilidade: uma funo que ao integrarmos obtemos uma probabilidade de uma dada regio da reta real.
Observao
Note que como para calcular probabilidades, utilizando uma funo densidade de probabilidade f , estamos apenas interessados na integral de f , ou seja, na rea compreendida entre a funo f e o eixo dos x no plano cartesiano, se alterarmos a denio de uma densidade f em alguns pontos isolados, no estaremos alterando esta rea e portanto do ponto de vista do clculo de probabilidades, alterar a funo densidade de probabilidade em pontos isolados no inui em nada.
Exemplo
Exemplo 4.1 Suponha que um ponteiro de relgio se move de modo contnuo. Ao olharmos para o relgio em um instante aleatrio seja X o valor do ngulo em graus que o ponteiro forma com a reta que passa pelo pontos que indicam 3 e 9 horas. (a) Determine a funo densidade de probabilidade de X . (b) Determine P (90 < X < 180|X < 270).
Exemplo
Exemplo 4.2 A funo densidade de probabilidade de uma varivel aleatria X dada por f (x ) = 0 cx 4 se x < 0 e x 1, se 0 x < 1.
(a) Determine a constante c . (b) Determine P (1/2 < X < 2/3).
Esperana de uma Varivel Aleatria Contnua
Como vimos no caso discreto a Esperana de uma varivel aleatria anlogo ao centro de gravidade de uma certa distribuio de massa. Isto motiva a seguinte denio de esperana. Denio 4.3 Se X uma varivel aleatria contnua com funo densidade de probabilidade f , ento sua esperana dada pela frmula EX =

xf (x )dx ,
desde que a integral esteja bem denida. Caso EX seja nita, diz-se que X integrvel.
Exemplo
Exemplo 4.4 A funo densidade de probabilidade de uma varivel aleatria X dada por f (x ) = 0 5x 4 se x < 0 e x 1, se 0 x < 1.
(a) Determine EX . Observao 4.5 Este exemplo ilustra que a esperana de X no o valor que maximiza a funo densidade de probabilidade, este valor conhecido como moda da distribuio de X .
Varincia de uma Varivel Aleatria Contnua
Denio 4.6 A varincia de uma varivel aleatria contnua X com funo densidade de probabilidade f dada pela frmula Var (X ) =

(x EX )2 f (x )dx .
Exemplo
Exemplo 4.7 A funo densidade de probabilidade de uma varivel aleatria X dada por f (x ) = 0 5x 4 se x < 0 e x 1, se 0 x < 1.
(a) Determine VarX .
Uniforme
Denio 5.1 Dizemos que X tem uma distribuio uniforme com parmetros a e b , onde a e b so nmeros reais e a < b , se a funo densidade de X igual a fX (x ) = 0
1 b a
, se a x b , , caso contrrio.
Este modelo deve ser usado quando se acredita que a probabilidade de um subintervalo de [a, b ] proporcional ao seu comprimento. Esta distribuio tambm frequentemente utilizada para, modelar a fase de osciladores e fase de sinais recebidos em comunicaes incoerentes. Ela tambm serve para modelar a escolha de um nmero aleatrio entre a e b .
Uniforme (cont.)
Neste caso, a funo de distribuio acumulada 0 x 1 x a FX (x ) = dt = b a a ba 1
dada por: , se x < a, , se a x < b , , se x b .
fcil ver que se X tem uma distribuio uniforme no intervalo [a, b ], ento: EX = VarX = a+b ,e 2 (b a )2 . 12
Exemplo
Exemplo 5.2 Sabe-se que igualmente provvel que um dado cliente possa requisitar um servio no tempo disponvel de servio [t0 , t1 ]. Se o tempo necessrio para executar este servio igual a < t1 t0 , qual a probabilidade que o servio ser executado antes do trmino do intervalo de tempo disponvel de servio? Soluo: Para que o servio seja executado em tempo hbil, necessrio que o cliente o requisite antes do tempo t1 . Logo, t1 t0 1 P (X t1 ) = t1 dt = t1t . t0 t0 1 t0
Exponencial
Denio 5.3 Dizemos que X tem uma distribuio Exponencial com parmetro , onde > 0 um nmero real, se a funo densidade de X igual a fX (x ) = e x 0 , se x 0, , caso contrrio.
A densidade exponencial pode ser utilizada para modelar os seguintes fenmenos: tempo de vida de componentes que falham sem efeito de idade; tempo de espera entre sucessivas chegadas de ftons, emisses de eltrons de um ctodo, ou chegadas de consumidores; e durao de chamadas telefnicas.
Exponencial (cont.)
Exponencial (cont.)
Neste caso, a funo de distribuio acumulada dada por:

x
FX (x ) =
0
f (t )dt =
0 1 e x
, se x < 0, , se x 0.
Pode-se provar que
1 ,e 1 VarX = 2 . EX =
Propriedade
Observao 5.4 A distribuio exponencial tambm possui a propriedade de falta de memria, ou seja, para quaisquer s 0 e t 0, temos P (X > s + t |X > s ) = P (X > t ).
Exemplo
Exemplo 5.5 Observa-se que um tipo particular de chip igualmente provvel durar menos que 5.000 horas ou mais que 5.000 horas. Determine: (a) Determine o tempo de durao mdio de um chip deste tipo. (b) Qual a probabilidade que o chip durar menos de 1.000 horas ou mais de 10.000 horas? Soluo: Seja X o tempo de durao de um chip deste tipo. Tempos que X tem uma distribuio exponencial, devemos agora determinar seu parmetro. Sabe-se que P (X < 5000) = P (X > 5000), e como P (X < 5000) + P (X > 5000) = 1, temos que P (X < 5000) = 0,5. Portanto, log 2 1 e (5000) = 0,5, ou seja, = 5000 . Ento, o tempo de durao mdio 5000 deste tipo de chip log 2 horas. Para calcular a probabilidade desejada temos que P ([X < 1000] [X > 10000]) = P (X < 1000) + P (X > 10000) = 1 e
log 2 5
+ e 2 log 2 = 1 (2) 5 + (2)2 = 0,3794.
Normal ou Gaussiana
Denio 5.6 Dizemos que X tem uma distribuio Normal (ou Gaussiana) com parmetros e , onde e > 0 so nmeros reais, se a funo densidade de X igual a (x )2 1 fX (x ) = e 22 . 2
Historicamente, esta distribuio foi chamada de normal porque ela era amplamente aplicada em fenmenos biolgicos e sociais que era sempre tida como a distribuio antecipada ou normal. Aplicaes da distribuio normal incluem variabilidade em parmetros de componentes manufaturados e de organismos biolgicos (por exemplo, altura, peso, inteligncia). (Pode parecer estranho, modelar quantidades que s assumem valores positivos por uma distribuio normal onde valores negativos aparecem. Nestes casos o que ocorre que os parmetros e 2 devem ser escolhidos de modo que a probabilidade da varivel assumir um valor negativo seja aproximadamente nula de modo que a representao seja vlida.)
Normal (cont.)
Observe que a densidade simtrica em torno do parmetro , e quanto menor o parmetro mais concentrada a densidade em torno deste parmetro . Pode-se provar que os pontos e + so os pontos de inexo do grco de fX .
Normal (cont.)
Pode-se provar que e 2 so iguais a esperana e a varincia da distribuio normal, respectivamente. Se = 0 e 2 = 1 chamamos esta densidade de normal padro ou normal reduzida. Teorema 5.7 Se X N (, 2 ) e se Y = aX + b, onde a > 0 e b I R , ento Y ter distribuio N (a + b , a2 2 ). Prova: Note que FY (y ) = P (Y y ) = P (aX + b y ) = P (X Derivando a expresso acima em relao a y , temos fY (y ) =
( 1 y b 1 fX ( )= e a a 2 a y b )2 a 2 2
y b y b ) = FX ( ). a a
(y (b+a))2 1 e 2a 2 2 , 2 a
ou seja, Y N (a + b , a2 2 ).
Normal (cont.)
Corolrio 5.8 Se X N (, 2 ), ento Y =

X
tem distribuio normal padro.
Pode-se provar que se Xi N (i , i2 ) so independentes, e ai I R , para i = 1, 2, 3, . . ., ento Y = c + n a X tambm tem distribuio normal com i i i =1 n 2 mdia EY = c + n a e varincia VarY = ( a ) . i i i i i =1 i =1
Tabulao da Distribuio Normal

Se X N (0, 1), ento
b
P (a < X b ) =
x 2 1 e 2 dx . 2
Esta integral no pode ser resolvida analiticamente, contudo mtodos de integrao numrica podem ser empregados para calcular integrais da forma acima e de fato valores de P (X s ) existem em vrias tabelas. A funo de distribuio acumulada de uma normal padro usualmente denotada por . Portanto, temos que (s ) = 1 e 2 dx . Ento, consultando valores de 2 em uma tabela, podemos determinar que P (a < X b ) = (b ) (a). Utilizando o resultado do Corolrio 5.8 e valores de , podemos obter para qualquer X N (, 2 ), o valor de P (a < X b ): P (a < X b ) = P ( a X b < ) b a ( ) ( )
s
x 2
Observao
Observao 5.9 Da simetria em torno de zero da normal padro, temos que (s ) = P (X s ) = P (X s ) = 1 (s ) para qualquer valor de s . Esta relao pode ser til, pois frequentemente tabelas da distribuio normal s possuem os valores positivos de s .
Exemplo
Exemplo 5.10 Suponha que X tenha uma distribuio N (2; 0,16). Empregando a tbua de distribuio normal, calcule as seguintes probabilidades: (b) P (1,8 X 2,1). P (X 2,3) = 1 P ( 2,3) = 1 ( Parte (b), P (1,8 X 2,1) = ( 2,1 2 1,8 2 ) ( ) 0,4 0,4 = (0,25) (0,5) = 0,5987 0,3085 = 0,2902. 2,3 2 ) 0,4 = 1 (0,75) = 1 0,7734 = 0,2266. (a) P (X 2,3).
Soluo: Parte (a),
Exemplo
Exemplo 5.11 Uma clnica de emagrecimento recebe pacientes com peso seguindo uma distribuio normal com mdia 100Kg e desvio-padro 20Kg. Os 25% de pacientes com menor peso so classicados como magros enquanto os 25% de maior peso so classicados como obesos. Determine os valores que delimitam cada uma dessa classicaes.

Variaveis Aleatoria e Discretiva

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Variaveis Aleatoria e Discretiva

Uploaded by

Copyright:

Available Formats

Tipos de Variveis Aleatrias Varivel Aleatria Discreta Principais Distribuies Discretas Varivel Aleatria Contnua

Aula 2: Variveis Aleatrias Discretas e Contnuas e suas Principais Distribuies.

Tipos de Variveis Aleatrias

Tipos de Variveis Aleatrias

Varivel Aleatria Discreta

(a) Determine a funo probabilidade de massa de X .

Esperana de uma Varivel Aleatria Discreta

Varincia de uma Varivel Aleatria Discreta

Denio da Varincia de uma Varivel Aleatria Discreta

Desvio-Padro de uma Varivel Aleatria

Aleatria ou Uniforme Discreta

EX = VarX = e Moda(X ) o maior inteiro menor ou igual a .

Varivel Aleatria Contnua

Varivel Aleatria Contnua

P (a < X b ) = P (a X < b ) = P (a X b ) = P (a < X < b ) =

(a) Determine a constante c . (b) Determine P (1/2 < X < 2/3).

Esperana de uma Varivel Aleatria Contnua

Varincia de uma Varivel Aleatria Contnua

(a) Determine VarX .

Neste caso, a funo de distribuio acumulada 0 x 1 x a FX (x ) = dt = b a a ba 1

dada por: , se x < a, , se a x < b , , se x b .

Neste caso, a funo de distribuio acumulada dada por:

Pode-se provar que

+ e 2 log 2 = 1 (2) 5 + (2)2 = 0,3794.

Corolrio 5.8 Se X N (, 2 ), ento Y =

tem distribuio normal padro.

Tabulao da Distribuio Normal

Soluo: Parte (a),

You might also like