Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de Apoio à Pesquisa Científica e Tecnológica do Estado de Santa Catarina (FAPESC) Departamento de Informática e Estatística UFSC (INE/CTC/UFSC)
Variável aleatória discreta variável aleatória contínua os possíveis resultados estão contidos em um conjunto finito ou enumerável E. os possíveis resultados abrangem todo um intervalo de números reais E. 0 1 3 4... número de defeitos em... 0 tempo de resposta de...
Variáveis aleatórias contínuas tempo de resposta de um sistema computacional; rendimento de um processo químico; tempo de vida de um componente eletrônico; resistência de um material; etc. Variáveis aleatórias discretas com grande número de possíveis resultados (podem ser aproimadas para contínuas): número de transações por segundo de uma CPU; número de defeitos numa amostra de 5.000 itens; etc.
Variável aleatória: discreta contínua Discreta 1 ½ p() 1 ½ f() área total = 1 1 4 8 setores 3 1 f() 1 8 5 8 6 7 1 3 4 5 6 7 8
Variável aleatória: discreta contínua Contínua 90 0 180 0 II III 0 0 I III 0 0 1 360 f() área total = 1 70 0 0 360
Variável aleatória contínua 90 0 180 0 II 0 0 I 0 0 III III f() área = P( 0 X < 90) 70 0 f() área total = 1 1 360 1 360 0 90 360 0 360 evento {0 X < 90}
Variável aleatória contínua As probabilidades de eventos associados a uma variável aleatória contínua X podem ser calculadas através de uma função densidade de probabilidade f, que deve satisfazer: f ( ) 0, R e + f ( ) d( ) = 1 f() Se A = [a, b], então P ( A) f ( ) d( ) = b a a b
Eemplo 6.3 Variável aleatória contínua f ( t) e = 0, t, para para t 0 t < 0 f(t) 3 t P( T 3 + > 3) = f ( t) dt = 3 + e t dt = 1 e t + 3 = 0 + e (3) = e 6
Variável aleatória contínua Função de distribuição acumulada F( ) = P( X ) = f ( s) ds, R Eemplo 6.3 F( t) = 1 0, e t, para para t 0 t < 0 1 F(t) t
Variável aleatória contínua Valor esperado e variância + µ = E ( X ) = f ( ) d σ + = V ( X ) = ( µ ) f ( ) d ou ) V ( X ) = E( X µ onde: + E ( X ) = f ( ) d
Principais Modelos Contínuos Distribuição uniforme f ( ) = 1, β α 0, para para [ α, β ] [ α, β ] Eemplo: 90 0 180 0 II III 0 0 I III 0 0 1 360 f() área total = 1 70 0 0 360
Principais Modelos Contínuos Distribuição uniforme f ( ) = 1, β α 0, para para [ α, β ] [ α, β ] F( ) = 0, α, β α 1, para < α para α para β < β 1 β α f() F() 0 α β 0 α β α + β ( X ) = E ( β α ) V ( X ) = 1
Principais Modelos Contínuos Distribuição eponencial Eemplos: tempo (em minutos) até a próima consulta a uma base de dados; tempo (em segundos) entre pedidos a um servidor; distância (em m) entre defeitos de uma fita. 0 t Número X de ocorrências do evento em [0, t) Tempo T até a ocorrência do evento Poisson Eponencial
Principais Modelos Contínuos Distribuição eponencial λt f ( t) = λe, t > 0 F( t) = P( T t) = 1 e λt E( T) = V ( T ) = 1 λ 1 λ λ f ( t) = t λe λ P ( T > t 0 ) = e λt 0 t 0 t
Principais Modelos Contínuos Distribuição eponencial Eemplo 6.3 f ( t) e = 0, t, para para t 0 t < 0 f(t) P( T 3) =? Resp. 3 t P 3 t ( T 3) = e dt ou P( T 3) = P( T ) P( T > 3) = e () e (3) = e 4 e 6 = 0,0158
Principais Modelos Contínuos Distribuição normal f ( ) = 1 e σ π 1 µ σ, < < + E(X ) = µ f() V ( X ) = σ área total = 1 σ σ µ -σ µ + σ µ
Principais Modelos Contínuos Distribuição normal µ e σ 1 = σ 1 µ µ 3 = µ 4 e σ 3 < σ 4
Principais Modelos Contínuos Distribuição normal padrão Distribuição de X: normal com µ = 170 e σ = 10 Distribuição de Z: normal padrão P(X > 180) = P(Z > 1) z µ = = σ 180 170 10 = 1
Principais Modelos Contínuos Tabela da distribuição normal padrão segunda decimal de z z 0,00 0,01 0,0... 0,09 0,0 0,1 0,... 0,4168 (área na cauda superior ) (pela tabela)
Principais Modelos Contínuos Tabela da distribuição normal padrão P(-0,4 < Z < 0,4) =? = - Então, P(-0,4 < Z < 0,4) = 1 (0,337) = 0,356
A normal como limite de outras distribuições Aproimação normal à binomial Condição: n grande e p não muito próimo de 0 (zero) ou de 1 (um). Parâmetros: µ = np σ = np( 1 p)
Aproimação normal à binomial 0 1 3 4 5 6 7 8 9 10
Aproimação normal à binomial E. Qual é a probabilidade de mais de 6 caras em 10 lançamentos de uma moeda honesta? Pela binomial: 0,05 0,46 0,05 P(X > 6) = p(7) + p(8) + p(9) + p(10) = 0,17 0,117 0,117 p( ) 10 =. ( ) 10 0,5.( 0,5) 0,001 0,01 0,044 0,044 0,01 0,001 0 1 3 4 5 6 7 8 9 10
Aproimação normal à binomial E. Qual é a probabilidade de mais de 6 caras em 10 lançamentos de uma moeda honesta? Pela normal: P(X > 6,5) 0 1 3 4 5 6 7 8 9 10
Aproimação normal à binomial E. Qual é a probabilidade de mais de 6 caras em 10 lançamentos de uma moeda honesta? Pela normal: P(X > 6,5) 0,1711 5 6,5 0 0,95 z µ z = = σ 6,5 5,5 = 0,95
A normal como limite de outras distribuições Aproimação normal à Poisson Aproimação válida quando λ for grande λ =1 λ =5 λ =0 0,4 p() 0,3 0, 0,1 0,15 p() 0,10 0,05 0,08 p() 0,04 0,0 0 1 3 4 5 0,00 0 4 6 8 10 1 0,00 10 0 30 Parâmetros da normal: µ = λ σ = λ
Gráfico de probabilidade normal E. Dados:74,0; 74,4; 74,7; 74,8; 75,9 1,4 1,0 valor esperadopela normal 0,6 0, -0, -0,6-1,0-1,4 73,6 74,0 74,4 74,8 75, 75,6 76,0 valor observado
Gráfico de probabilidade normal Dados com distribuição normal,5 valores esperados pela normal 1,5 0,5-0,5-1,5 -,5 7,5 73,5 74,5 75,5 76,5 77,5 78,5 valores observados
Gráfico de probabilidade normal Dados com distribuição normal, mas com um ponto discrepante,5 valores esperados pela normal 1,5 0,5-0,5-1,5 valor discrepante -,5 7 74 76 78 80 8 84 valores observados
Gráfico de probabilidade normal Dados com distribuição assimétrica f() valores esperados pela normal valores observados