Distribuições de Probabilidade Contínuas 1/19

Transcrição

1 all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte do Espírito Santo DCEL Departamento de Computação e Eletrônica Distribuições de Probabilidade Contínuas 1/19

2 Distribuição Uniforme Uma VA X tem distribuição uniforme com parâmetros α e β (com β > α), se a sua função densidade de probabilidade é dada por: f (x) = { 1 β α, para x [α, β] 0, para x [α, β] Distribuições de Probabilidade Contínuas 2/19

3 Distribuição Uniforme Uma VA X tem distribuição uniforme com parâmetros α e β (com β > α), se a sua função densidade de probabilidade é dada por: f (x) = { 1 β α, para x [α, β] 0, para x [α, β] Distribuição acumulada: 0, para x < α x α F (x) = β α, para α x < β 1, para x β Distribuições de Probabilidade Contínuas 2/19

4 Distribuição Uniforme Uma VA X tem distribuição uniforme com parâmetros α e β (com β > α), se a sua função densidade de probabilidade é dada por: f (x) = { 1 β α, para x [α, β] 0, para x [α, β] Distribuição acumulada: 0, para x < α x α F (x) = β α, para α x < β 1, para x β Exemplo: aula anterior, ponteiro girando num círculo. X: ângulo formado com o eixo x. Distribuições de Probabilidade Contínuas 2/19

5 Distribuição Uniforme (cont.) Gráficos 1 β α f (x) 1 F (x) α β x α β x Distribuições de Probabilidade Contínuas 3/19

6 Distribuição Uniforme (cont.) Gráficos 1 β α f (x) 1 F (x) α β x α β x Métricas E[X] = α + β 2 V (X) = (β α)2 12 Distribuições de Probabilidade Contínuas 3/19

7 Distribuição Exponencial Forte relação com o modelo discreto de Poisson. Poisson: modela o número de ocorrências em um período contínuo. Exponencial: VA contínua representa o intervalo de tempo entre ocorrências. 0 }{{} t Número X de ocorrências do Poisson evento em [0, t) Tempo T até a ocorrência Exponencial do evento Distribuições de Probabilidade Contínuas 4/19

8 Distribuição Exponencial (cont.) Exemplos a b c Tempo em minutos até a próxima consulta a um BD. Tempo em segundos entre requisições a um servidor. Distância em metros entre defeitos de um cabo. Distribuições de Probabilidade Contínuas 5/19

9 Distribuição Exponencial (cont.) Exemplos a b c Tempo em minutos até a próxima consulta a um BD. Tempo em segundos entre requisições a um servidor. Distância em metros entre defeitos de um cabo. Suposições As mesmas da distribuição de Poisson: a b Independência entre ocorrências. Taxa média de ocorrência constante no intervalo considerado. Distribuições de Probabilidade Contínuas 5/19

10 Distribuição Exponencial Formulação Sejam os dois eventos equivalentes: A primeira ocorrência ser depois do tempo t. Nenhuma ocorrência em [0, t). Distribuições de Probabilidade Contínuas 6/19

11 Distribuição Exponencial Formulação Sejam os dois eventos equivalentes: A primeira ocorrência ser depois do tempo t. Nenhuma ocorrência em [0, t). Sejam as VAs: X: número de ocorrências no intervalo [0, t). T : intervalo de tempo entre as ocorrências. Distribuições de Probabilidade Contínuas 6/19

12 Distribuição Exponencial Formulação Sejam os dois eventos equivalentes: A primeira ocorrência ser depois do tempo t. Nenhuma ocorrência em [0, t). Sejam as VAs: X: número de ocorrências no intervalo [0, t). T : intervalo de tempo entre as ocorrências. λ: taxa média de ocorrência por unidade de tempo. X tem distribuição de Poisson com parâmetro λt. Distribuições de Probabilidade Contínuas 6/19

13 Distribuição Exponencial Formulação Sejam os dois eventos equivalentes: A primeira ocorrência ser depois do tempo t. Nenhuma ocorrência em [0, t). Sejam as VAs: X: número de ocorrências no intervalo [0, t). T : intervalo de tempo entre as ocorrências. λ: taxa média de ocorrência por unidade de tempo. X tem distribuição de Poisson com parâmetro λt. Logo T > t X = 0. Distribuições de Probabilidade Contínuas 6/19

14 Distribuição Exponencial Formulação (cont.) Usando a definição da função de probabilidade para a distribuição de Poisson, tem-se: P(T > t) = P(X = 0) = (λt)0 e λt 0! = e λt. Distribuições de Probabilidade Contínuas 7/19

15 Distribuição Exponencial Formulação (cont.) Usando a definição da função de probabilidade para a distribuição de Poisson, tem-se: P(T > t) = P(X = 0) = (λt)0 e λt 0! = e λt. Usando o evento complementar, define-se para todo t 0 a distribuição acumulada de uma VA T com distribuição exponencial: F (t) = P(T t) = 1 e λt. Distribuições de Probabilidade Contínuas 7/19

16 Distribuição Exponencial Formulação (cont.) Usando a definição da função de probabilidade para a distribuição de Poisson, tem-se: P(T > t) = P(X = 0) = (λt)0 e λt 0! = e λt. Usando o evento complementar, define-se para todo t 0 a distribuição acumulada de uma VA T com distribuição exponencial: F (t) = P(T t) = 1 e λt. Assim, a função densidade de probabilidade é dada por: f (t) = d dt F (t) = λe λt. Distribuições de Probabilidade Contínuas 7/19

17 Distribuição Exponencial Formulação (cont.) Usando a definição da função de probabilidade para a distribuição de Poisson, tem-se: P(T > t) = P(X = 0) = (λt)0 e λt 0! = e λt. Usando o evento complementar, define-se para todo t 0 a distribuição acumulada de uma VA T com distribuição exponencial: F (t) = P(T t) = 1 e λt. Assim, a função densidade de probabilidade é dada por: f (t) = d dt F (t) = λe λt. Para t < 0 define-se F (t) = f (t) = 0. Distribuições de Probabilidade Contínuas 7/19

18 Distribuição Exponencial (cont.) Gráfico f (t) = λe λt λ P(T > t) = e λt t t Distribuições de Probabilidade Contínuas 8/19

19 Distribuição Exponencial (cont.) Gráfico f (t) = λe λt λ P(T > t) = e λt t t Métricas E[T ] = 1 λ V (T ) = 1 λ 2 Distribuições de Probabilidade Contínuas 8/19

20 Distribuição Exponencial Exemplo T : VA indicando o tempo de resposta para uma consulta em um BD, em segundos. Função densidade de probabilidade: { 2e f (t) = 2t, para t 0 0, para t < 0 P(2 T 3) =? Distribuições de Probabilidade Contínuas 9/19

21 Distribuição Exponencial Exemplo T : VA indicando o tempo de resposta para uma consulta em um BD, em segundos. Função densidade de probabilidade: { 2e f (t) = 2t, para t 0 0, para t < 0 P(2 T 3) =? P(2 T 3) = 3 2 2e 2t dt Distribuições de Probabilidade Contínuas 9/19

22 Distribuição Exponencial Exemplo T : VA indicando o tempo de resposta para uma consulta em um BD, em segundos. Função densidade de probabilidade: { 2e f (t) = 2t, para t 0 0, para t < 0 P(2 T 3) =? ou P(2 T 3) = 3 2 2e 2t dt P(2 T 3) = P(T 2) P(T 3) = e 2(2) e 2(3) = e 4 e 6 = Distribuições de Probabilidade Contínuas 9/19

23 Distribuição Normal Importância Permite modelar variados fenômenos naturais. Pode ser usada para aproximar outras distribuições de probabilidade. Útil para inferência estatística. Distribuições de Probabilidade Contínuas 10/19

24 Distribuição Normal Importância Permite modelar variados fenômenos naturais. Pode ser usada para aproximar outras distribuições de probabilidade. Útil para inferência estatística. Características A função densidade de probabilidade f tem forma de sino. Evidência de que é mais provável que uma VA assuma valores próximos da média. Distribuições de Probabilidade Contínuas 10/19

25 Distribuição Normal (cont.) Função densidade de probabilidade f (x) = 1 σ 2π e 1 2 ( x µ ) 2 σ, < x < + onde µ R e σ > 0 são os parâmetros da distribuição. Distribuições de Probabilidade Contínuas 11/19

26 Distribuição Normal (cont.) Função densidade de probabilidade f (x) = 1 σ 2π e 1 2 ( x µ ) 2 σ, < x < + onde µ R e σ > 0 são os parâmetros da distribuição. Métricas E[X] = µ V (X) = σ 2 Distribuições de Probabilidade Contínuas 11/19

27 Distribuição Normal Gráficos f (x) µ µ σ µ + σ x Distribuições de Probabilidade Contínuas 12/19

28 Distribuição Normal Gráficos f (x) µ µ σ µ + σ x f (x) µ 1 µ 2 e σ 1 = σ 2 µ 1 = µ 2 e σ 1 σ 2 f (x) x x Distribuições de Probabilidade Contínuas 12/19

29 Distribuição Normal Observações X : N(µ, σ 2 ) X é uma VA com distribuição normal de média µ e variância σ 2. Distribuições de Probabilidade Contínuas 13/19

30 Distribuição Normal Observações X : N(µ, σ 2 ) X é uma VA com distribuição normal de média µ e variância σ 2. P(X < µ α) = P(X > µ + α), α R (curva simétrica). Distribuições de Probabilidade Contínuas 13/19

31 Distribuição Normal Observações X : N(µ, σ 2 ) X é uma VA com distribuição normal de média µ e variância σ 2. P(X < µ α) = P(X > µ + α), α R (curva simétrica). lim x ± f (x) = 0. Distribuições de Probabilidade Contínuas 13/19

32 Distribuição Normal Observações X : N(µ, σ 2 ) X é uma VA com distribuição normal de média µ e variância σ 2. P(X < µ α) = P(X > µ + α), α R (curva simétrica). lim x ± f (x) = 0. + f (x)dx = 1. Distribuições de Probabilidade Contínuas 13/19

33 Distribuição Normal Observações X : N(µ, σ 2 ) X é uma VA com distribuição normal de média µ e variância σ 2. P(X < µ α) = P(X > µ + α), α R (curva simétrica). lim x ± f (x) = 0. + f (x)dx = 1. Se X 1 : N(µ 1, σ1 2) e X 2 : N(µ 2, σ2 2 ) são VAs independentes, então a, b R, Y = ax 1 + bx 2 tem distribuição normal com E[Y ] = aµ 1 + bµ 2 V (Y ) = a 2 σ b 2 σ 2 2 Distribuições de Probabilidade Contínuas 13/19

34 Distribuição Normal Observações X : N(µ, σ 2 ) X é uma VA com distribuição normal de média µ e variância σ 2. P(X < µ α) = P(X > µ + α), α R (curva simétrica). lim x ± f (x) = 0. + f (x)dx = 1. Se X 1 : N(µ 1, σ1 2) e X 2 : N(µ 2, σ2 2 ) são VAs independentes, então a, b R, Y = ax 1 + bx 2 tem distribuição normal com E[Y ] = aµ 1 + bµ 2 V (Y ) = a 2 σ b 2 σ 2 2 Afastamentos da média, em unidades de desvio padrão, preservam a mesma área sob a curva, independente dos valores de µ e σ: 2σ = 0.683, 4σ = 0.955, 6σ = Distribuições de Probabilidade Contínuas 13/19

35 Distribuição Normal Padrão Seja X : N(µ, σ 2 ), então a VA Z = X µ σ tem distribuição normal com média zero e desvio padrão unitário. Z : N(0, 1) é dita distribuição normal padrão. Qualquer probabilidade de X pode ser calculada usando a função densidade de probabilidade de Z. Distribuições de Probabilidade Contínuas 14/19

36 Distribuição Normal Padrão Exemplo X: VA normal com µ = 170 e σ = 10. Z: VA com distribuição normal padrão. Transformação do evento X > 180 no evento Z > 1: Distribuições de Probabilidade Contínuas 15/19

37 Distribuição Normal Padrão Exemplo X: VA normal com µ = 170 e σ = 10. Z: VA com distribuição normal padrão. Transformação do evento X > 180 no evento Z > 1: f (x) f (z) P(X > 180) P(Z > 1) x z z = x µ σ = = 1 Distribuições de Probabilidade Contínuas 15/19

38 Distribuição Normal Padrão Tabela Tabela 3, pág. 377, Barbetta et al. (área na cauda superior) segundo decimal de z z P(Z > 0.21) P(Z > 0.21) = 1 Φ(0.21) onde Φ é a função de distribuição acumulada da normal padrão. Tabela 3 fornece os valores 1 Φ(z), para z = 0.01,..., Distribuições de Probabilidade Contínuas 16/19

39 Distribuição Normal Padrão Tabela (cont.) P( 0.42 < Z < 0.42) =? = P( 0.42 < Z < 0.42) = 1 2(0.3372) = Distribuições de Probabilidade Contínuas 17/19

40 Aproximando a Distribuição Binomial pela Normal Condições: n grande e ˆp não muito próximo de 0 ou 1. Parâmetros: µ = nˆp σ = nˆp(1 ˆp) Distribuições de Probabilidade Contínuas 18/19

41 Aproximando a Distribuição de Poisson pela Normal Condições: λ grande. Parâmetros: µ = λ σ = λ Distribuições de Probabilidade Contínuas 19/19