O documento discute variáveis aleatórias contínuas, definindo-as como funções que assumem valores em um intervalo de números reais. Explica como atribuir probabilidades a variáveis contínuas usando funções de densidade de probabilidade, e como calcular medidas como média, variância e probabilidades para variáveis aleatórias contínuas usando integrais. Fornece exemplos ilustrativos sobre profundidade de lençol freático e tempo de teste.
1. Estatística II
UNIVERSIDADE FEDERAL DO PARÁ
INSTITUTO DE CIÊNCIAS SOCIAIS APLICADAS
FACULDADE DE ECONOMIA
Prof. Dr. Ricardo Bruno Nascimento dos Santos
3. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
Definição: Uma função X definida pelo espaço amostral e
assumindo valores num intervalo de ´números reais, é dita uma
variável aleatória contínua.
A principal característica de uma v.a. contínua é que, sendo
resultado de uma mensuração, o seu valor pode ser pensado como
pertencendo a um intervalo ao redor do valor efetivamente
observado (sempre nosso valor efetivamente observado será a
média).
4. Podemos então destacar as diferenças da v.a. discreta e contínua
como sendo:
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
5. Exemplos de v.a. contínuas:
- Tempo de resposta de um sistema computacional
- Tempo de vida de uma máquina
- Resistência de um material
- Oscilação diária em um índice na bolsa de valores
Além destas podemos também destacar:
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
6. De forma semelhante àquela desenvolvida para variáveis discretas,
precisamos estabelecer para as contínuas a atribuição de probabilidades às
suas diversas realizações que, neste caso, podem assumir um número
infinito de valores diferentes. Abordamos esta questão através do próximo
exemplo.
Exemplo: Estudos anteriores revelam a existência de um grande lençol
de água no subsolo de uma grande região. No entanto, sua profundidade
ainda não foi determinada, sabendo-se apenas que o lençol pode estar
situado em qualquer ponto, entre 20 e 100 metros.
Vamos supor que escolhemos, ao acaso, um ponto nessa região e
dispomos de uma sonda que, ao fazer a perfuração, detecta com precisão à
profundidade do reservatório de água. Denotamos por X a variável
aleatória representando a profundidade.
Notemos que, apesar de X poder ser qualquer número entre 20 e 100
metros, o instrumento, com que trabalhamos, pode não ser tão preciso
como gostaríamos. Por exemplo, uma profundidade de 32,571 metros
poderia ser medida por 32,6 metros.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
7. Vamos assumir que temos um instrumento ideal que não faz
aproximações. Nessas condições, podemos supor a sonda acoplada a
um instrumento indicador da profundidade e um dispositivo que,
quando a sonda encontrar água, provoque a imediata interrupção da
perfuração.
Uma vez não que temos informações adicionais a respeito da
profundidade do lençol, é razoável 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 prováveis. Se
utilizarmos a mesma idéia de atribuir a cada possível ponto uma
probabilidade, teremos uma dificuldade extra, pois eles pertencem a
um intervalo de [20; 100], em que existem infinitos números reais.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
8. Assim, se cada um deles tiver, individualmente, probabilidade
maior que 0, a soma das probabilidades será igual a infinito e não 1,
como requer a definição da função de probabilidades. Em geral, em
situações como esta, não é interessante considerar um único valor
para a variável aleatória, mas intervalos de valores na atribuição de
probabilidades. Neste caso, sabemos que o espaço amostral
corresponde ao intervalo [20; 100] e as profundidades são
igualmente prováveis.
Suponha por um momento, que dividimos o espaço amostral em 8
intervalos de comprimento 10. Logo, é razoável atribuir aos
intervalos a probabilidade 1/8, correspondendo à relação entre o
comprimento de cada um deles e o comprimento do espaço amostral.
Isto é, 10 para 80 ou 1/8.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
9. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
Assim, como dividimos em 8 faixas de igual comprimento e sem
intersecção 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 é a
frequência relativa da ocorrência de cada um dos intervalos. As
ordenadas do gráfico são as densidades, calculadas de modo que a
área de cada retângulo seja a frequência relativa (probabilidade) do
intervalo.
10. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
Note que, dada as características do problema, a divisão 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] terão todos
a mesma probabilidade 1/16. O histograma correspondente será:
11. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
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 diminuição de suas amplitudes de
tal forma que, em uma situação teórica com infinitos intervalos, temos o
seguinte histograma:
13. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
Estamos agora em condições de caracterizar, completamente a
atribuição de probabilidade para o caso contínuo. Ela será definida
pela área abaixo de uma função positiva, denominada de função de
densidade de probabilidade (fdp). Observe que a densidade em si não
é uma probabilidade, mas uma função matemática que nos auxilia na
atribuição de probabilidades. Assim, para a variável aleatória
contínua X representando a profundidade do lençol de água, a fdp f é
dada por:
.100200
;1002080/1
)(
xouxpara
xpara
xf
14. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
Tendo em vista que, nesse exemplo a função de densidade é
bastante simples, a probabilidade de que a profundidade do lençol
esteja em um dado intervalo pode ser calculada com o uso de área de
figuras planas. Assim, para obter a probabilidade de uma
profundidade entre 25 e 29, calculamos a área do retângulo:
e, portanto, P(25 ≤ X < 29) =
80
4
80
1
4
80
1
)2529(
15. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.2 – A função de densidade
probabilidade (fdp)Dizemos que f(x) é uma função contínua de probabilidade ou
função de densidade de probabilidade para uma variável aleatória
contínua X, se satisfaz duas condições:
i) 𝑓(𝑥) ≥ 0, para todo 𝑥 ∈ (−∞, +∞)
ii) A área definida por f(x) é igual a 1.
Com auxílio do cálculo diferencial e integral, podemos
caracterizar a condição ii) através de
Da mesma forma, para calcular probabilidades, temos que para
𝑎 ≤ 𝑏, , a integral indica a área sob f(x) definida
pelo intervalo [a; b].
.1)( dxxf
b
a
dxxfbXaP ;)()(
16. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.2 – A função de densidade
probabilidade (fdp)Note que, pela forma como a atribuímos as probabilidades no
caso contínuo, teremos área zero sob qualquer valor individual, isto
é, P(X = k) = 0 para qualquer k. Portanto, em se tratando de variáveis
aleatórias contínuas, a probabilidade de ocorrência de um valor
isolado é sempre zero e, consequentemente, as probabilidades
calculadas sobre os intervalos [a; b], [a; b), (a; b] e (a; b) são as
mesmas, para qualquer valor de a e b.
Exemplo: Num teste intelectual com alunos de um colégio Y, o
tempo para realização de uma bateria de questões de raciocínio
lógico é medido e anotado para ser comparado com um modelo
teórico. Este teste é utilizado para identificar o desenvolvimento da
capacidade de raciocínio lógico e auxiliar a aplicação de medidas
corretivas. O modelo teórico considera T, tempo de teste em minutos,
como uma variável aleatória contínua com função de densidade de
probabilidade dada por:
17. O gráfico da fdp é apresentado a seguir (construiremos ele no
software R). Deve ser notado que, pela definição de f(x), ela se
anula para t < 8 ou t >15.
Vamos verificar agora se a função f(t) satisfaz a definição de
densidade. Para calcular P(9 < T 12), vamos obter a área sob f(t)
no intervalo (9; 12]:
contráriocaso
tse
tset
tf
0
1510
20
3
;108)4(
40
1
)(
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.2 – A função de densidade
probabilidade (fdp)
18. Assim P(9< T 12) = 7/16 valor esse obtido pela soma do
trapézio definido no intervalo (9, 10) com o retângulo determinado
pelo intervalo [10,12] (veja a figura).
6 8 10 12 14 16 18
0.000.050.100.15
t
f(t)
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.2 – A função de densidade
probabilidade (fdp)
19. Através do uso de integral, essa mesma probabilidade seria
calculada da seguinte forma:
12 10 12
9 9 10
10 122
10 12
9 10
109
(9 12) ( ) ( ) ( )
1 3 1 3
( 4) 4
40 20 40 2 20
11 6 7
0,4375
80 20 16
P T f t dt f t dt f t dt
t
t dt dt t t
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.2 – A função de densidade
probabilidade (fdp)
20. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.3 – Valor Médio de uma Variável
Aleatória Contínua
O valor esperado ou média da variável aleatória contínua X, com
fdp dada por 𝑓(𝑥), é dada pela expressão:
Já a sua variância é dada por:
Como no caso discreto, a variância é a medida de dispersão mais
utilizada na prática. Aqui podemos, também, utilizar a expressão
alternativa 𝜎2 = 𝐸 𝑋2 − 𝜇2, com 𝐸 𝑋2 sendo calculada como:
.)()( dxxxfXE
.)()( 22
dxxfx
.)()( 22
dxxfxXE
21. O desvio padrão é a raiz quadrada da variância e, como já
mencionado anteriormente, tem a mesma unidade de medida da
variável original, o que facilita a interpretação dos seus valores.
Vamos a um exemplo:
Investidores estudaram uma certa carteira de ações e
estabeleceram um modelo teórico para a variável R, rendimento das
ações (em mil R$). Suponha que R é uma variável aleatória contínua
com a seguinte função de densidade:
Vamos aplicar no Software R
1
1 , 0 20
( ) 40 10
0,
r
se r
f r
caso contrário
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.3 – Valor Médio de uma Variável
Aleatória Contínua
22. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.3 – Medidas de Posição para Variáveis Aleatórias
Contínuas
Vamos determinar a média e a variância de R. Temos,
Para variância, calculamos primeiro E(R2):
Assim:
Portanto o desvio padrão será:
Qual seria a probabilidade de conseguirem um rendimento entre 8
e 10 mil? Vamos fazer no R
20 203 2
20
0
0 0
1 1 1 20 35
1 5 $ .
40 10 400 3 40 2 3 3
r r r
r dr R mil
20 204 3
20
2 2
0
0 0
1 1 1 200 500
( ) 1 100 $ .
40 10 400 4 40 3 3 3
r r r
E R r dc R mil
2
2 2 2 2500 35 275
( ) $30,56 mil
3 3 9
E R R
30,56 $5,53 milR R
23. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
A distribuição normal é uma das mais essenciais e importantes
distribuições da estatística, conhecida também como Distribuição de Gauss
ou Gaussiana. Foi primeiramente introduzida pelo matemático Abraham de
Moivre.
Além de descrever uma série de fenômenos físicos e financeiros,
possui grande uso na estatística inferencial. É inteiramente descrita por
seus parâmetros de média e desvio padrão, ou seja, conhecendo-se estes
consegue-se determinar qualquer probabilidade em uma distribuição
Normal.
Um interessante uso da Distribuição Normal é que ela serve de
aproximação para o cálculo de outras distribuições quando o número de
observações fica grande. Essa importante propriedade provém do Teorema
do Limite Central que diz que "toda soma de variáveis aleatórias
independentes de média finita e variância limitada é aproximadamente
Normal, desde que o número de termos da soma seja suficientemente
grande" (Ou seja, que a amostra seja maior que 30 observações).
24. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Diz-se que X tem Distribuição Normal com média e variância
2 se sua função de densidade de probabilidade (fdp) é:
E(X) =
Var(X) = 2
Pode-se ainda verificar que os parâmetros e 2 representam,
respectivamente, a média e a variância da distribuição. A
demonstração requer algumas manipulações de integral. O que não
vai ser demonstrado aqui. Assim quando indicarmos que X ~ N (;
2), segue imediatamente que E(X) = e Var(X) = 2.
xexf
x
iX
2
2
2
)(
2
1
)(
25. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Graficamente a curva normal comporta-se da seguinte maneira:
30000 40000 50000 60000 70000 80000 90000
0e+001e-052e-053e-054e-05
Distribuição Nomal(60.000,8.300)
x
f(x)
26. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Algumas propriedades da densidade da Normal podem ser,
facilmente, observadas de seu gráfico:
fX(xi) é simétrica em relação à ;
fX(xi) 0 quando x ;
o valor máximo de fX(xi) se dá para x = e 𝜇 − 𝜎 e 𝜇 + 𝜎 são
pontos de inflexão de f(xi)
Quando temos 𝜇 = 0 e 𝜎2 = 1, temos uma distribuição padrão
ou reduzida, ou brevemente N(0,1). Para essa a função de densidade
reduz-se a
2
2
1
( ) ( )
2
z
z if z z e x
27. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Assim, o gráfico da normal padrão pode ser representado por:
28. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Vamos partir de um exemplo prático:
Vamos trabalhar com uma série dos fundos de investimentos da
Petrobrás 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 gráfico abaixo:
A média ficou em torno de R$ 7,27
a cota do fundo e o desvio padrão
foi de R$ 0,295.
Vamos construir a fdp desta
variável aleatória no software R.
Os limites de intervalo serão R$ 6 e
R$ 8,25
29. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
No cálculo de probabilidades para variáveis contínuas, devemos
resolver a integral da fdp no intervalo de interesse, isto é,
P(a X b) =
Entretanto, a integral acima só pode ser resolvida de modo
aproximado e por métodos numéricos. Por essa razão, as
probabilidades para o modelo Normal são calculadas com auxílio de
software estatísticos ou por tabelas.
A partir do exemplo anterior, vamos visualizar algumas
possibilidades e informações probabilísticas que podem ser tiradas a
partir da curva da normal criada para o fundo de ações da Petrobrás.
2
2
( )
2
1
2
xb
a
e
30. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Cálculo da probabilidade de um modelo Normal usando o R
Levando em consideração as informações do exemplo anterior,
pergunta-se:
a) Qual a probabilidade de obtermos lucro se na época do resgaste o
valor da ação for de R$ 7,18.
Para realizar tal tarefa vamos usar o comando pnormal que faz o
cálculo da probabilidade. Além disso, vamos fazer também a
representação gráfica na curva da normal.
b) Qual deveria ser o preço máximo (em R$) para que o investidor
tenha uma probabilidade de lucro pequena, de cerca de 10%?
Vamos verificar essa possibilidade com o auxílio do R.
31. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Aplicações da v.a. reduzida.
A transformação da normal para a sua correspondente reduzida
z~N(0,1). Para determinar a probabilidade de X [a,b], procedemos
com o seguinte cálculo:
P(a X b) = P(a - X - b - ) =
e, portanto, quaisquer que sejam os valores de e , utilizamos a
Normal Padrão para obter probabilidades com a distribuição Normal.
b
Z
a
P
bXa
P
32. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Os valores para P(0 Z z), z>0 são apresentados na seguinte
tabela.
Com a simetria da densidade Normal podemos calcular valores de
probabilidades em outros intervalos. Note que a simetria também
implica que a probabilidade de estar acima (ou abaixo) de zero é 0,5.
Como probabilidade é sempre um número entre 0 e 1, a tabela
contém apenas a parte decimal.
Por exemplo, para X~N(2,9), teremos:
Agora como foi localizado o valor 0,3413 na tabela normal?
3413,0)10(
9
25
9
2
9
22
)52(
ZP
X
PXP
33. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Para obter P(0 X 2), usamos a assimetria da Normal:
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 é a utilização
do complementar. Por exemplo,
0 2 2 2 2 2(0 2) ( 0) (0 )
3 39 9
(0 0,6666) 0,2486
P X P Z P Z P Z
P Z
3707,01293,05,0
3
105,0
3
1
3
23
)3(
ZPZPZPXP
34. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
A tabela também pode ser utilizada no sentido inverso, isto é,
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 é 0,3997; correspondendo a 1,28 que será 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 é maior que ½, que é o valor de P(Z > 0). Assim, o
intervalo (0; d) precisa ter probabilidade 0,3. Pela simetria da
Normal, o intervalo (-d, 0) também tem probabilidade 0,3. Da tabela,
segue que –d = 0,84 e portanto d = -0,84.
35. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Vamos finalizar essa seção utilizando o exemplo anterior para o
fundo de ações da Petrobrás/BB.
a) Qual a probabilidade de obtermos lucro se na época do resgaste o
valor da ação for de R$ 7,18?
b) Qual deveria ser o preço máximo (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.
Então,
7,27 7,18 7,27
( 7,18) ( 0,31) 0,5 0,1179 0,3821
0,295 0,295
X
P X P P Z
7,27 $ 7,27 $ 7,27
( ) 0,1
0,295 0,295 0,295
X R R
P P Z
36. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.5 – A distribuição t de student
A distribuição t de Student é importante no que se refere a
inferências sobre médias populacionais.
Diz-se que uma variável aleatória contínua T tem distribuição t de
Student se sua função de densidade é dada por:
𝑓 𝑡; 𝑣 =
𝑣 + 1
2
𝑣
2
𝜋𝑣
1 +
𝑡2
𝑣
−
𝑣+1
2
, −∞ < 𝑡 < ∞
Essa expressão, certamente, é assustadora! Mas eis uma boa
notícia: não precisaremos dela para calcular probabilidades! No
entanto, é interessante notar duas características básicas dessa
expressão: o argumento t da função aparece elevado ao quadrado e fT
depende apenas do número de graus de liberdade da qui-quadrado e,
portanto, o parâmetro desta distribuição é, também, o número de
graus de liberdade.
37. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.5 – A distribuição t de student
Em termos de média e variância a distribuição t de Student, (com
v graus de liberdade) que será indicada por t(v), será:
𝐸 𝑡 = 0 𝑉𝑎𝑟 𝑡 =
𝑣
𝑣 − 2
Quanto maior o valor de v mais t aproxima-se de uma normal
N~(0,1), isso pode ser verificado no gráfico abaixo:
38. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.5 – A distribuição t de student
Assim como no caso da normal, seria necessária uma tabela para
cada valor de v. Os programas computacionais de estatística
calculam probabilidades associadas a qualquer distribuição t. Mas
nos livros didáticos é comum apresentar uma tabela da distribuição t
que envolve os valores críticos, ou seja, valores que deixam
determinada probabilidade acima deles. Mais precisamente, o valor
crítico da t(v) associado à probabilidade α é o valor tv;α tal que
𝑃 𝑡 𝑣 > 𝑡 𝑣;𝛼 = 𝛼
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 será visto mais adiante).
Suponha que tenhamos v=6 e queiramos um erro de 5% para uma
distribuição uni caudal, então teríamos:
Tabela Bicaudal
39. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.6 – A distribuição Qui-Quadrado
A distribuição qui-quadrado é um caso específico da distribuição
Gama.
Como definição temos:
Uma variável aleatória contínua Y tem distribuição qui-quadrado
com v graus de liberdade (denotada por 2(𝑣) ) se sua função
densidade for dada por:
1
𝑣
2
2
𝑣
2
𝑦
𝑣
2
−1
𝑒−
𝑦
2 , 𝑦 > 0
𝑓 𝑦; 𝑣 = 0, 𝑦 < 0
A média e variância para a qui-quadrado são:
E(Y)=v Var(Y)=2v
40. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.6 – A distribuição Qui-Quadrado
Graficamente a distribuição qui-quadrado se comporta da seguinte
forma:
41. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.6 – A distribuição 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.
42. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.6 – A distribuição F de Snedecor
Sejam U e V duas v.a. independentes, cada uma com distribuição
qui-quadrado, com v1 e v2 graus de liberdade, respectivamente.
Então, a v.a.
Tem densidade dada por:
𝑔 𝑤, 𝑣1, 𝑣2 =
(𝑣1+𝑣2) 2
(𝑣1/2)(𝑣2/2)
𝑣1
𝑣2
𝑣1
2 𝑤(𝑣1−2)/2
(1 + 𝑣1 𝑓/𝑣2)(𝑣1+𝑣2)/2
,
𝑤 > 0
Diremos que W tem distribuição F de Snedecor, com 𝑣1 e 𝑣2
graus de liberdade, e usaremos a notação W~F(𝑣1, 𝑣2). Podemos
mostrar que:
1
2
U v
W
V v
43. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.6 – A distribuição F de Snedecor
𝐸 𝑊 =
𝑣2
𝑣2−2
𝑉𝑎𝑟 𝑊 =
2𝑣2
2(𝑣1+𝑣2−2)
𝑣1(𝑣2−2)2(𝑣2−4)
O gráfico típico de uma distribuição F varia conforme seu grau de
liberdade como pode ser verificado abaixo:
44. I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.6 – A distribuição F de Snedecor
Vamos considerar que nossa distribuição F tenha comportamento
de média e variância com a seguinte característica 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.