Este documento resume as principais características de variáveis aleatórias contínuas, incluindo: (1) definição de variável aleatória contínua e função densidade de probabilidade; (2) exemplos de distribuições como uniforme e exponencial; (3) cálculo de média, variância e outras medidas para variáveis contínuas.
1. Aula 8
Variável aleatória contínua
Profa. Dra. Juliana Garcia Cespedes
MAT013 Departamento de Matemática e
Computação UNIFEI
2. Variável aleatória
• Uma Variável aleatória é contínua se seu
conjunto de valores é qualquer intervalo dos
números reais, isto é, um conjunto não
enumerável.
Ex: Peso e altura dos filhos.
3. Função densidade de
probabilidade
• Dizemos que f(x) é uma função contínua de
probabilidade ou função densidade de probabilidade
para uma variável aleatória contínua X, se satisfaz
duas condições:
1. f(x)0, para todo x (-,);
2. A área definida por f(x) é igual a 1
f ( x)dx 1
4. Exemplo
• Arqueólogos estudaram uma certa região e
mediram o comprimento de fósseis encontrados
(em cm). Chamamos de C a v.a. contínua
comprimento de fósseis. Suponha que C possui
a função densidade de probabilidade:
1 c
1 se 0 c 20;
f (c) 40 10
0 caso contrário.
5. 1 3
20
(b B)h 40 40
Área sob f (c) 1
2 2
1 c
20
Área sob f (c) 1 1
0
40 10
Gráfico da função
densidade de
probabilidade
6. • Como f(c) é positiva e a área é igual 1, podemos concluir
que f(c) é efetivamente uma densidade.
• Qual a probabilidade de um fóssil, escolhido ao acaso
nessa região, apresentar comprimento inferior a 8 cm?
9
f (8)
200
1 9
8
9/200 P(C 8) 40 200 7
2 25
8
7
P(C 8) f (c)dc
0
25
7. Função de distribuição de
probabilidade
• Dada uma v.a. X com função densidade de
probabilidade f(x), podemos definir a sua
função de distribuição acumulada, F(x), do
mesmo modo como foi definida para v.a.
discreta:
x
F ( x) P( X x) f (t )dt
8. • Considere o exemplo anterior, cuja função densidade de
probabilidade é dada por:
1 c
1 se 0 c 20;
f (c) 40 10
0 caso contrário.
• A função de distribuição acumulada é dada por:
0, se c 0
c 1 c2
F (c) f (t )dt + c se 0 c 20
0 40 20
20 c
f (t )dt 0dt 1 se x 20
0 20
10. Valor esperado
• Dada a variável aleatória X contínua, com
função densidade dada por f(x), chamamos de
valor médio ou esperança matemática de X ao
valor:
E( X )
x f ( x)dx
11. Variância
• A variância da variável aleatória X
contínua, com f. densidade f(x), é definida
por:
( x ) f ( x)dx
2 2
E( X )
2 2 2
• O desvio padrão ( ) de X é definido como
a raiz quadrada da variância.
12. Mediana e Moda
• A mediana de uma v.a. X contínua, com f.
densidade f(x), é o valor que satisfaz às
seguintes condições:
1 1
P( X Md ) e P( X Md )
2 2
• A moda é valor da variável que tem maior
probabilidade de ocorrêcia
P( X Mo) max f ( x)
x
13. Conjunto de dados Variável aleatória Variável aleatória
discreta contínua
Valores
X x1 x2 ... xn X x1 x2 ... xn f (x)
freq. fr1 fr2 ... frn pi p1 p2 ... pn
Média n n
x xi fri E ( X ) xi pi x f ( x)dx
i 1 i 1
Mediana md = valor central 1 1
Md : P( X Md ) e P( X Md )
2 2
Moda mo= valor com Mo= valor com Mo = valor com
maior frequência maior probabilid. maior densidade
P( X Mo) max pi P( X Mo) max f ( x)
i x
Variância n
(x )
n
var( x) ( xi x) fri
2 2
2
i pi 2 ( x ) 2 f ( x)dx
i 1 i 1
Desvio dp( x) var( x)
padrão
2 2
14. Principais modelos contínuos
• Algumas variáveis aleatórias aparecem com frequência
em situações práticas. Em geral nesses casos, a
distribuição de probabilidade pode ser escrita de uma
maneira mais compacta, isto é, existe uma lei para
atribuir as probabilidades.
• Para caracterizar completamente uma variável aleatória
contínua, precisamos fornecer sua função densidade de
probabilidade, segundo sua definição, é uma função
positiva e com integral igual a 1.
15. Modelo uniforme contínuo
• Uma v.a. X tem distribuição Uniforme Contínua no
intervalo [a,b], a<b, se sua função densidade de
probabilidade é dada por:
1
a xb
f ( x) b a
0
caso contrário
ab (b a)
b 2
1
x dx ;
2
a
ba 2 12
17. Modelo Exponencial
• Utilizado para modelar variáveis como, vida útil de
equipamentos, tempos de falha e tempos de sobrevivência
de espécies.
• Uma v.a. contínua X, assumindo valores não
negativos, segue o modelo Exponencial com
parâmetro >0 se sua densidade é:
1
x
e x0
f ( x )
0
caso contrário
18. Distribuição Exponencial
Gráfico f. densidade Gráfico f. distribuição acumulada
E( X ) ; Var ( X ) 2
19. Distribuição Exponencial
•Para calcular probabilidades com a
Exponencial, precisamos resolver a integral,
pois não teremos as figuras geométricas
simples do exemplo anterior. Assim,
b x a b
1
P ( a X b) e dx e
e
a
20. Exemplo
• O tempo de vida (em horas) de um transistor pode ser
considerado uma v.a. com distribuição exponencial com
=500. Segue-se que a vida média do transistor é
E(T)=500 horas. Qual é a probabilidade de que ele dure
mais do que a média?
21. Exemplo
• O tempo de vida (em horas) de um transistor pode ser
considerado uma v.a. com distribuição exponencial com
=500. Segue-se que a vida média do transistor é
E(T)=500 horas. Qual é a probabilidade de que ele dure
mais do que a média?
t
1
P(T 500) f (t )dt e 500
dt
500
500 500
1
t
500e
500
e 1 0,3678
500
1/ 500
22. Modelo Normal
• Modelo fundamental em probabilidade e inferência
estatística. Representa grande parte das variáveis
aleatórias contínuas.
• Dizemos que a v.a. X tem distribuição Normal com
parâmetros e 2, se sua função densidade é
dada por:
( x )2
1
f ( x) e 2 2
, para x
2
23. Propriedades do modelo Normal
• Algumas propriedades da densidade da
Normal podem ser observadas no seu gráfico:
1. f(x) é simétrica em relação à ;
2. f(x)→0 quando x→;
3. O valor máximo de f(x) se dá qdo x= .
E( X )
Var ( X ) 2
24. Calcular probabilidades no modelo
Normal
• Para calcular probabilidades precisamos
resolver a integral:
b ( x )2
1
P ( a X b) e 2 2
dx
a 2
• Entretanto, a integral acima só pode ser
resolvida de modo aproximado.
• Então essas probabilidades podem ser
calculadas através do uso de tabelas.
25. • Para se utilizar apenas uma tabela, utiliza-se
uma transformação da variável X que conduz
sempre ao cálculo de probabilidades com uma
variável normal com parâmetros (0,1), isto é,
média igual a 0 e variância igual a 1.
X
Z
• Essa variável Z transformada terá distribuição
N(0,1) e será denominada Normal Padrão.
26. • Para determinar a probabilidade X[a.b],
procedemos da seguinte forma:
P ( a X b) P ( a X b )
a X b
P
a b
P Z
• E então olhamos na tabela e obtemos as
probabilidades da distribuição Normal
27. Tabela da Normal Padrão
• Como a distribuição Normal é simétrica,
apresenta-se na tabela apenas os valore de
P(0 Z z). A probabilidade de estar acima (ou
abaixo de zero) é 0,5.
28. Exemplo
• Seja X~N(2,9), a probabilidade P(2<X<5) é?
22 52
P(2 X 5) P Z P(0 Z 1)
9 9
0,3413
29.
30. Exemplo
• Para obter P(0X<2), usamos a simetria da Normal
02 22 2
P(0 X 2) P Z P Z 0
9 9 3
2
P 0 Z
3
0,2486
31.
32. • A tabela também pode ser usada no
sentido inverso, dado uma probabilidade,
desejamos obter o valor que a originou.
• Por exemplo, quanto vale c tal que
P(0<Z<c)=0,4?
• É só procurar no corpo da tabela onde está
o 0,4 (aprox. 0,3997), que corresponde a
1,28 que será o valor de c.
33.
34. • Suponha, agora, que queremos encontrar d, tal
que P(Z>d)=0,8.
• Como a probabilidade desejada é maior que ½,
então d é um número negativo. Então o
intervalo precisa ter probabilidade 0,3.
• Da tabela –d=0,84, ou seja, d=-0,84.
35.
36. Exercício 1
• Se X~N(100,100), calcule:
a) P(X<115)
b) P(X80)
c) O valor a, tal que P(100-aX 100+a)=0,95
37. 115 100
a) P( X 115) P Z P( Z 1,5)
100
80 100
b) P( X 80) P Z P( Z 2)
100
c) P(100 a X 100 a ) 0,95
(100 a) 100 (100 a) 100
P Z 0,95
100 100
a a
P Z 0,95
10 10
38. Exercício 2
• O peso bruto de latas de conserva é
uma v.a. normal, com média 1000g e
desvio padrão 20g.
a) Qual a probabilidade de uma lata pesar menos
de 980g?
b) Qual a probabilidade de uma lata pesar mais
de 1010g?
39. 980 1000
a) P( X 980) P Z P( Z 1)
20
1010 1000
b) P( X 1010) P Z P( Z 0,5)
20