UNIVERSIDADE FEDERAL FLUMINENSE
INSTITUTO DE MATEMÁTICA
DEPARTAMENTO DE ESTATÍSTICA
VARIÁVEIS ALEATÓRIAS CONTÍNUAS
Ana Mar...
Conteúdo
1 Variáveis Aleatórias Contínuas 3
1.1 Noções básicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ....
Capítulo 1
Variáveis Aleatórias Contínuas
1.1 Noções básicas
No estudo das distribuições de frequência para variáveis quan...
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 5
Figura 1.3: Diferença entre as áreas dos retângulos e a área sob o polígono d...
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 7
1.4 Função de distribuição acumulada
Da mesma forma que a função de distribui...
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 9
1.5.1 Esperança de funções de variáveis aleatórias contínuas
Se [ é uma variá...
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 11
Figura 1.7: Função de densidade de probabilidade para o Exemplo 1
6. Encontr...
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 13
Figura 1.10: Cálculo de I[ para o Exemplo 1
Figura 1.11: Função de distribui...
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 15
Figura 1.13: Cálculo de n para o Exemplo 2
Substituindo este valor na primei...
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 17
H([2
) =
Z 6
1
{2
(0 06 + 0 04{) g{ =
μ
0 06
{3
3
+ 0 04
{4
4
¶¯
¯
¯
¯
6
1
=...
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 19
Figura 1.17: Ilustração do cálculo de Pr(1  [  3)
4. Como a função é simétri...
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 21
A raiz que fornece resultado dentro do domínio de denição de [ é
n =
8
s
12 ...
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 23
Figura 1.21: Solução do Exercício 2 - Pr([  1 5)
(a) Qual é a probabilidade ...
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 25
1.12 Exercícios propostos
1. A função de densidade i de uma variável aleatór...
CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 27
2.1.1 Função de distribuição acumulada
Por denição, temos que
I ({) = Pr ([...
CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 29
(a) Qual é a probabilidade de que uma lata tenha conteúdo superior a 353 ml...
CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 31
Figura 2.6: Função de distribuição acumulada da densidade exponencial -  = ...
CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 33
2.2.6 Exercícios resolvidos
1. Seja [ uma variável aleatória exponencial co...
CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 35
2.3.2 A distribuição gama
Denição 2.2 Diz-se que uma variável aleatória tem...
CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 37
Se  A 1 o discriminante é sempre positivo, ou seja, temos duas raizes reais...
CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 39
0,0
0,1
0,2
0,3
0,4
0 2 4 6 8 10 12 14
2D
1E
2E
0,0
0,1
0,2
0,3
0 2 4 6 8 1...
CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 41
2.3.6 Função de distribuição acumulada
A função de distribuição da gama env...
CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 43
2.5 Distribuição de Pareto
2.5.1 Denição
Uma variável aleatória [ tem distr...
Capítulo 3
Funções de Variáveis Aleatórias
Contínuas
Dada uma variável aleatória contínua [ com função de densidade i[({) ...
CAPÍTULO 3. FUNÇÕES DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS 47
y
)(1
yg 
yXg d)(
)(1
ygX 
d
Figura 3.1: Função inversa de uma fu...
CAPÍTULO 3. FUNÇÕES DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS 49
-2
-1,5
-1
-0,5
0
0,5
1
1,5
2
2,5
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5...
Capítulo 4
A Distribuição Normal
4.1 Alguns resultados de Cálculo
Com o uso de coordenadas polares, pode-se mostrar que
Z ...
CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 53
4.2.4 Características da curva normal padrão
1. Simétrica em torno de 0; note que * (...
CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 55
ser simétrica para “economizar” no tamanho da tabela e apresenta-se, para cada } A
0 ...
CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 57
Essa probabilidade corresponde à área sombreada em cinza claro na Figura 4.5.
Por sim...
CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 59
4.3 Densidade Q(; 2
)
4.3.1 Denição
Seja ]  Q(0; 1) e vamos denir uma nova variável a...
CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 61
0,0
0,1
0,2
0,3
0,4
0,5
-5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10
N(3;1)
Figura 4.8: Dens...
CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 63
0,0
0,2
0,4
0,6
0,8
1,0
1,2
-6 -4 -2 0 2 4 6 8 10
N(0;1)
N(3;2)
N(3;1)
Figura 4.11: F...
CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 65
Temos que (veja Figura 4.13)
Pr ( 1  [  5) = Pr
μ
1 2
s
4

[ 2
s
4

5 2
s
4
¶
= Pr ( ...
CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 67
Figura 4.16: [  Q(; 2) : Pr( 2  [   + 2) = Pr( 2  ]  2)
Para resolver este problema, ...
CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 69
e, portanto, usando a regra da cadeia, resulta que
i (|) =
g
g|
[ (
s
|)]
g
g|
[ (
s
...
CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 71
Figura 4.20: Valor crítico da qui-quadrado
4.4.2 Exemplos
1. Na distribuição 2
15 enc...
CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 73
e, portanto
H( ) =
1
s
22
Z 
3
hw
exp

1
2
μ
w 

¶2
#
gw =
1
s
22
Z 
3
exp

1
2
μ
w 
...
CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 75
4.6 Exercícios propostos
1. Na distribuição normal [  Q( 2), encontre:
(a) Pr([   + 2...
3 vacont
3 vacont
Próximos SlideShares
Carregando em…5
×

3 vacont

85 visualizações

Publicada em

probabilidade

Publicada em: Educação
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
85
No SlideShare
0
A partir de incorporações
0
Número de incorporações
5
Ações
Compartilhamentos
0
Downloads
0
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

3 vacont

  1. 1. UNIVERSIDADE FEDERAL FLUMINENSE INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS CONTÍNUAS Ana Maria Lima de Farias Março 2009
  2. 2. Conteúdo 1 Variáveis Aleatórias Contínuas 3 1.1 Noções básicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Variável aleatória contínua . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3 Função de densidade de probabilidade . . . . . . . . . . . . . . . . . . . 5 1.4 Função de distribuição acumulada . . . . . . . . . . . . . . . . . . . . . 7 1.5 Esperança de variáveis aleatórias contínuas . . . . . . . . . . . . . . . . 8 1.5.1 Esperança de funções de variáveis aleatórias contínuas . . . . . . 9 1.6 Variância de variáveis aleatórias contínuas . . . . . . . . . . . . . . . . . 9 1.7 Propriedades da média e da variância de variáveis aleatórias contínuas . 10 1.8 Exemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.9 Exemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.10 Exemplo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.11 Exercícios resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 1.12 Exercícios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2 Algumas Distribuições Contínuas 26 2.1 Distribuição uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.1.1 Função de distribuição acumulada . . . . . . . . . . . . . . . . . 27 2.1.2 Esperança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.1.3 Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.1.4 Exercícios propostos . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.2 Distribuição exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.2.1 Função de distribuição acumulada . . . . . . . . . . . . . . . . . 30 2.2.2 Alguns resultados sobre a função exponencial . . . . . . . . . . . 30 2.2.3 Esperança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.2.4 Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.2.5 Parametrização alternativa . . . . . . . . . . . . . . . . . . . . . 32 2.2.6 Exercícios resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . 33 2.2.7 Exercícios propostos . . . . . . . . . . . . . . . . . . . . . . . . . 33 2.3 Distribuição gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.3.1 A função gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.3.2 A distribuição gama . . . . . . . . . . . . . . . . . . . . . . . . . 35 2.3.3 O gráco da distribuição gama . . . . . . . . . . . . . . . . . . . 35 2.3.4 Esperança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 2.3.5 Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.3.6 Função de distribuição acumulada . . . . . . . . . . . . . . . . . 41 2.3.7 A distribuição de Erlang . . . . . . . . . . . . . . . . . . . . . . . 41 1 CONTEÚDO 2 2.3.8 A distribuição qui-quadrado . . . . . . . . . . . . . . . . . . . . . 41 2.4 Distribuição de Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 2.4.1 Denição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 2.4.2 Esperança e variância . . . . . . . . . . . . . . . . . . . . . . . . 42 2.4.3 Função de distribuição acumulada . . . . . . . . . . . . . . . . . 42 2.5 Distribuição de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.5.1 Denição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.5.2 Esperança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.5.3 Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 2.5.4 Função de distribuição acumulada . . . . . . . . . . . . . . . . . 44 3 Funções de Variáveis Aleatórias Contínuas 45 3.1 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.2 Funções inversíveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.2.1 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.2.2 Transformação linear . . . . . . . . . . . . . . . . . . . . . . . . . 49 4 A Distribuição Normal 51 4.1 Alguns resultados de Cálculo . . . . . . . . . . . . . . . . . . . . . . . . 51 4.1.1 Exercício resolvido . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.2 Densidade normal padrão . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.2.1 Denição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.2.2 Esperança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.2.3 Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.2.4 Características da curva normal padrão . . . . . . . . . . . . . . 53 4.2.5 Função de distribuição acumulada . . . . . . . . . . . . . . . . . 54 4.2.6 Tabulação da distribuição normal padrão . . . . . . . . . . . . . 54 4.2.7 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 4.3 Densidade Q(; 2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 4.3.1 Denição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 4.3.2 Características da curva normal . . . . . . . . . . . . . . . . . . . 59 4.3.3 Parâmetros da Q ¡ ; 2 ¢ . . . . . . . . . . . . . . . . . . . . . . . 60 4.3.4 Função de dsitribuição acumulada . . . . . . . . . . . . . . . . . 61 4.3.5 Cálculo de probabilidades de uma variável normal . . . . . . . . 63 4.3.6 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 4.4 Exemplo: qui-quadrado e normal . . . . . . . . . . . . . . . . . . . . . . 68 4.4.1 Tabela da qui-quadrado . . . . . . . . . . . . . . . . . . . . . . . 69 4.4.2 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 4.5 A distribuição log-normal . . . . . . . . . . . . . . . . . . . . . . . . . . 71 4.5.1 Denição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 4.5.2 Esperança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 4.5.3 Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 4.6 Exercícios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
  3. 3. Capítulo 1 Variáveis Aleatórias Contínuas 1.1 Noções básicas No estudo das distribuições de frequência para variáveis quantitativas contínuas, vimos que, para resumir os dados, era necessário agrupar os valores em classes. O histograma e o polígono de frequências eram os grácos apropriados para representar tal distribuição. Para apresentar os conceitos básicos relativos às variáveis aleatórias contínuas, vamos considerar os histogramas e respectivos polígonos de frequência apresentados na Figura 1.1. Esses grácos representam as distribuições de frequências de um mesmo conjunto de dados, cada uma com um número de classes diferente no histograma superior, há menos classes do que no histograma inferior. Suponhamos, também que as áreas de cada retângulo sejam iguais às frequências relativas das respectivas classes (essa é a denição mais precisa de um histograma). Por resultados vistos anteriormente, sabemos que a soma das áreas dos retângulos é 1 (as frequências relativas devem somar 1 ou 100%) e que cada frequência relativa é uma aproximação para a probabilidade de um elemento pertencer à respectiva classe. Analisando atentamente os dois grácos, podemos ver o seguinte: à medida que aumentamos o número de classes, diminui a diferença entre a área total dos retângulos e a área abaixo do polígono de frequência. A divisão em classes se fez pelo simples motivo de que uma variável contínua pode assumir um número não-enumerável de valores. Faz sentido, então, pensarmos em re- duzir, cada vez mais, o comprimento de classe , até a situação limite em que $ 0= Nessa situação limite, o polígono de frequências se transforma em uma curva na parte positiva (ou não-negativa) do eixo vertical, tal que a área sob ela é igual a 1. Essa curva será chamada curva de densidade de probabilidade. Considere, agora, a Figura 1.2, onde ilustramos um fato visto anteriormente: para estimar a frequência de valores da distribuição entre os pontos d e e, podemos usar a área dos retângulos sombreados de cinza claro. Conforme ilustrado na Figura 1.3, a diferença entre essa área e a área sob o polí- gono de frequências tende a diminuir, à medida que aumenta-se o número de classes. Essa diferença é a parte sombreada de cinza mais escuro. Isso nos permite concluir, intuitivamente, o seguinte: no limite, quando $ 0 podemos estimar a probabilidade de a variável de interesse estar entre dois valores d e e pela área sob a curva de densidade de probabilidade, delimitada pelos pontos d e e. 3 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 4 Figura 1.1: Histogramas de uma variável contínua com diferentes números de classes Figura 1.2: Cálculo da freqüência entre dois pontos d e e
  4. 4. CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 5 Figura 1.3: Diferença entre as áreas dos retângulos e a área sob o polígono de freqüência 1.2 Variável aleatória contínua Apresentamos, mais uma vez, o conceito de variável aleatória, que já foi visto no es- tudo das variáveis discretas, por ser este um conceito muito importante. Relembramos também as denições de variáveis aleatórias discretas e contínuas. Denição 1.1 Uma variável aleatória é uma função real (isto é, que assume valores em R) denida no espaço amostral de um experimento aletaório. Dito de outra forma, uma variável aleatória é uma função que associa a cada evento de um número real. Denição 1.2 Uma variável aleatória é discreta se sua imagem (ou conjunto de val- ores que ela assume) for um conjunto nito ou enumerável. Se a imagem for um conjunto não enumerável, dizemos que a variável aleatória é contínua. 1.3 Função de densidade de probabilidade Os valores de uma variável aleatória contínua são denidos a partir do espaço amostral de um experimento aleatório. Sendo assim, é natural o interesse na probabilidade de obtenção de diferentes valores dessa variável. O comportamento probabilístico de uma variável aleatória contínua será descrito pela sua função de densidade de probabilidade. Inicialmente apresentamos a denição da função de densidade de probabilidade uti- lizando a noção de área, para seguir a apresentação inicial que considerou um histograma de uma variável contínua. Denição 1.3 Uma função de densidade de probabilidade é uma função i({) que satisfaz as seguintes propriedades: CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 6 • i({) 0 • A área total sob o gráco de i({) é igual a 1. • Dada uma função i({) satisfazendo as propriedades acima, então i({) representa alguma variável aleatória contínua [, de modo que S(d [ e) é a área sob a curva limitada pelos pontos d e e (veja a Figura 1.4). Figura 1.4: Probabilidade como área A denição acima usa argumentos geométricos; no entanto, uma denição mais pre- cisa envolve o conceito de integral de uma função de uma variável, que, como se sabe, representa a área sob o gráco da função. Denição 1.4 Uma função de densidade de probabilidade é uma função i({) que satisfaz as seguintes propriedades: • i({) 0 • R i({)g{ = 1 • Dada uma função i({) satisfazendo as propriedades acima, então i({) representa alguma variável aleatória contínua [, de modo que S(d [ e) = Z e d i({)g{ Para deixar clara a relação entre a função de densidade de probabilidade e a respec- tiva variável aleatória [, usaremos a notação i[({)= Uma primeira observação importante que resulta da interpretação geométrica de probabilidade como área sob a curva de densidade de probabilidade é a seguinte: se [ é uma variável aleatória contínua, então a probabilidade do evento [ = d é zero, ou seja, a probabilidade de [ ser exatamente igual a um valor especíco é nula. Isso pode ser visto na Figura 1.4: o evento {[ = d} corresponde a um segmento de reta e tal segmento tem área nula. Como consequência, temos as seguintes igualdades: Pr(d [ e) = Pr(d [ ? e) = Pr(d ? [ e) = Pr(d ? [ ? e)
  5. 5. CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 7 1.4 Função de distribuição acumulada Da mesma forma que a função de distribuição de probabilidade de uma variável aleatória discreta, a função de densidade de probabilidade nos dá toda a informação sobre a variável aleatória contínua [ ou seja, a partir da função de densidade de probabili- dade, podemos calcular qualquer probabilidade associada à variável aleatória [= Tam- bém como no caso discreto, podemos calcular probabilidades associadas a uma variável aleatória contínua [ a partir da função de distribuição acumulada (também denominada simplesmente função de distribuição). Denição 1.5 Dada uma variável aleatória [ a função de distribuição acumu- lada de [ é denida por I[({) = Pr ([ {) ;{ 5 R (1.1) A denição é a mesma vista para o caso discreto; a diferença é que, para variáveis contínuas, a função de distribuição acumulada é uma função contínua, sem saltos. Veja a Figura ?? para um exemplo. Figura 1.5: Exemplo de função de distribuição acumulada de uma variável aleatória contínua Como no caso discreto, valem as seguintes propriedades para a função de distribuição acumulada de uma variável aleatória contínua: 0 I[ ({) 1 (1.2) lim { I[ ({) = 1 (1.3) lim {3 I[ ({) = 0 (1.4) d ? e , I[ (d) I[ (e) (1.5) CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 8 Figura 1.6: Função de distribuição acumulada - cálculo a partir da área sob a curva de densidade Da interpretação de probabilidade como área, resulta que I[({) é a área à esquerda de { sob a curva de densidade i[= Veja a Figura 1.6. Existe uma relação entre a função de densidade de probabilidade e a função de distribuição acumulada, que é resultante do Teorema Fundamental do Cálculo. Por denição, temos o seguinte resultado: I[({) = Pr([ {) = R { 3 i[(x)gx (1.6) e do Teorema Fundamental do Cálculo resulta que i[({) = g g{ I[({) (1.7) isto é, a função de densidade de probabilidade é a derivada da função de distribuição acumulada. 1.5 Esperança de variáveis aleatórias contínuas Nas distribuições de frequências agrupadas em classes de variáveis quantitativas con- tínuas, vimos que a média podia ser calculada como { = P il{l onde il era a frequência relativa da classe l e {l era o ponto médio da classe l= Con- tinuando com a idéia inicial de tomar classes de comprimento cada vez menor, isto é, fazendo $ 0 chegamos à seguinte denição de esperança ou média de uma variável aleatória contínua. Denição 1.6 Seja [ uma variável aleatória contínua com função de densidade de probabilidade i[= A esperança (ou média ou valor esperado) de [ é denida como H([) = Z + 3 {i[({)g{ (1.8)
  6. 6. CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 9 1.5.1 Esperança de funções de variáveis aleatórias contínuas Se [ é uma variável aleatória contínua e k : R $ R é uma função qualquer, então = k([) é uma variável aleatória e sua esperança é dada por H(k([)) = Z + 3 k({)i[({)g{ (1.9) 1.6 Variância de variáveis aleatórias contínuas Vimos também que a variância, uma medida de dispersão, era calculada como a média dos desvios quadráticos em torno da média, ou seja 2 = P il({l {)2 No caso de uma variável aleatória contínua, fazendo k({) = [{ H([)]2 resulta nova- mente a denição de variância como média dos desvios quadráticos: Denição 1.7 Seja [ uma variável aleatória contínua com função de densidade de probabilidade i[= A variância de [ é denida como Y du([) = Z + 3 [{ H([)]2 i[({)g{ (1.10) O desvio padrão é denido como GS([) = p Y du([) (1.11) Usando as propriedades do cálculo integral e representando por a esperança de [ (note que é uma constante, um número real), temos que: Y du([) = R + 3 [{ ]2 i[({)g{ = R + 3 ¡ {2 2{ + 2 ¢ i[({)g{ = R + 3 {2 i[({)g{ 2 R + 3 {i[({)g{ + 2 R + 3 i[({)g{ Se denimos k({) = {2 a primeira integral nada mais é que H([2) pelo resultado (1.9). A segunda integral é H([) = e a terceira integral é igual a 1, pela denição de função de densidade. Logo, Y du([) = H([2 ) 22 + 2 = H([2 ) 2 o que nos leva ao resultado já visto para variáveis discretas: Y du([) = H([2 ) [H([)]2 (1.12) De forma resumida: a variância é a esperança do quadrado de [ menos o quadrado da esperança de [. CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 10 1.7 Propriedades da média e da variância de variáveis aleatórias contínuas As mesmas propriedades vistas para variáveis aleatórias discretas continuam valendo no caso contínuo: Esperança Variância Desvio Padrão H(d) = d Y du (d) = 0 GS(d) = 0 H([ + d) = H([) + d Y du ([ + d) = Y du ([) GS ([ + d) = GS ([) H(e[) = eH([) Y du (e[) = e2Y du ([) GS (e[) = |e| GS ([) {min H([) {max Y du([) 0 GS([) 0 Esses resultados podem ser facilmente demonstrados a partir das propriedades da integral denida e das denições vistas. Por exemplo, vamos demonstrar que H(e[) = eH([) e Var (e[) = e2 Var ([) = Por denição, temos que H(e[) = Z e{i[({)g{ = e Z {i[({)g{ = eH([) Usando este resultado e a denição de variância, temos que Var (e[) = H £ (e[)2 ¤ [H(e[)]2 = H(e2 [2 ) [eH([)]2 = e2 H([2 ) e2 [H([)]2 = e2 n H([2 ) [H([)]2 o = e2 Y du([) Se interpretamos a função de densidade de probabilidade de [ como uma distribuição de massa na reta real, então H([) é o centro de massa desta distribuição. Essa inter- pretação nos permite concluir, por exemplo, que se i[ é simétrica, então H([) é o valor central, que dene o eixo de simetria. 1.8 Exemplo 1 Considere a função i[ apresentada na Figura 1.7. 1. Encontre o valor de n para que i[ seja uma função de densidade de probabilidade de uma variável aleatória [ . 2. Determine a equação que dene i[= 3. Calcule Pr(2 [ 3)= 4. Calcule a esperança e a variância de [= 5. Determine o valor de n tal que Pr([ n) = 0 6=
  7. 7. CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 11 Figura 1.7: Função de densidade de probabilidade para o Exemplo 1 6. Encontre a função de distribuição acumulada de [. Solução 1. A função dada corresponde a uma função constante, i[({) = n= Como a área sob a reta tem que ser 1, temos que ter 1 = (5 1) × n , n = 1 4 ou Z 5 1 ng{ = 1 =, n {|5 1 = 1 =, n(5 1) = 1 , n = 1 4 2. Temos que i[({) = ; ? = 1 4 se 1 { 5 0 caso contrário 3. A probabilidade pedida é a área sombreada na Figura 1.8. Logo, Pr(2 [ 3) = (3 2) × 1 4 = 1 4 ou Pr(2 [ 3) = Z 3 2 1 4 g{ = 1 4 4. Por argumentos de simetria, a esperança é o ponto médio, ou seja, H([) = 3= Usando a denição, temos: H([) = Z 5 1 1 4 {g{ = 1 4 Ã {2 2 ¯ ¯ ¯ ¯ 5 1 ! = 1 8 (25 1) = 3 Para o cálculo da variância, temos que calcular H([2) : H([2 ) = Z 5 1 1 4 {2 g{ = 1 4 {3 3 ¯ ¯ ¯ ¯ 5 1 = 1 12 (125 1) = 124 12 = 31 3 e Y du([) = 31 3 32 = 31 27 3 = 4 3 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 12 Figura 1.8: Cálculo de Pr(2 [ 3) para o Exemplo 1 5. Como a densidade é simétrica, a média e a mediana coincidem, ou seja, o ponto { = 3 divide a área ao meio. Como temos que Pr([ n) = 0 6 resulta que n tem que ser maior que 3, uma vez que abaixo de 3 temos área igual a 0,5. Veja a Figura 1.9. Figura 1.9: Cálculo de n tal que Pr([ n) = 0 6 para o Exemplo 1 Temos que ter 0 6 = (n 1) × 1 4 , n = 3 4 Usando integral, temos ter Z n 1 1 4 g{ = 0 6 =, 1 4 (n 1) = 0 6 , n = 3 4 6. Para { ? 1 temos que I[({) = 0 e para { A 5 temos que I[({) = 1= Para 1 { 5 I[({) é a área de um retângulo de base ({ 1) e altura 1@4 (veja a Figura 1.10). Logo, I[({) = { 1 4 e a expressão completa de I[ é I[({) = ; ? = 0 se { ? 1 {31 4 se 1 { 5 1 se { A 5 cujo gráco está ilustrado na Figura 1.11.
  8. 8. CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 13 Figura 1.10: Cálculo de I[ para o Exemplo 1 Figura 1.11: Função de distribuição acumulada para o Exemplo 1 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 14 1.9 Exemplo 2 Considere a função i[ apresentada na Figura 1.12. Figura 1.12: Função de densidade de probabilidade para o Exemplo 2 1. Encontre o valor de n para que i[ seja uma função de densidade de probabilidade de uma variável aleatória contínua [ . 2. Determine a equação que dene i[= 3. Calcule Pr(2 [ 3)= 4. Encontre a função de distribuição acumulada de [= 5. Determine o valor de n tal que Pr([ n) = 0 6= 6. Calcule a esperança e a variância de [= Solução 1. Podemos decompor a área sob a reta como a área de um triângulo e a área de um retângulo (na verdade, o resultado é a área de um trapézio - veja a Figura 1.13). Então, temos que ter 1 = (6 1) × 0 1 + 1 2 (6 1) × (n 0 1) , 0 5 = 5 2 (n 0 1) , n = 0 3 2. i[ é uma função linear i[({) = d + e{ que passa pelos pontos (1; 0 1) e (6; 0 3) resultando, portanto, o seguinte sistema de equações: ½ 0 1 = d + e 0 3 = d + 6e Subtraindo a primeira equação da segunda, obtemos 0 3 0 1 = 5e , e = 0 04
  9. 9. CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 15 Figura 1.13: Cálculo de n para o Exemplo 2 Substituindo este valor na primeira equação, obtemos que d = 0 1 0 04 = 0 06= Logo, i[({) = ½ 0 06 + 0 04{ se 1 { 6 0 caso contrário 3. Veja a Figura 1.14, em que a área sobreada corresponde à probabilidade pedida. Vemos que essa área é a área de um trapézio de altura 3 2 = 1 base maior igual a i[(3) = 0 06+0 04×3 = 0 18 e base menor igual a i(2) = 0 06+0 04×2 = 0 14= Logo, Pr(2 [ 3) = 0 18 + 0 14 2 × 1 = 0 16 Figura 1.14: Cálculo de Pr(2 [ 3) para o Exemplo 2 Usando integral, temos: Pr(2 [ 3) = Z 3 2 (0 06 + 0 04{)g{ = μ 0 06{ + 0 04{2 2 ¶¯ ¯ ¯ ¯ 3 2 = = 0 06 × (3 2) + 0 02 × (9 4) = 0 06 + 0 1 = 0 16 4. Veja a Figura 1.15; aí podemos ver que, para { 5 [1 6] I[({) é a área de um trapézio de altura { 1; base maior igual a i[({) e base menor igual a i[(1) = 0 1= CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 16 Logo, I[({) = (0 06 + 0 04{) + 0 1 2 × ({ 1) = (0 08 + 0 02{)({ 1) ou seja, I[({) = ; ? = 0 se { ? 1 0 02{2 + 0 06{ 0 08 se 1 { 6 1 se { A 6 Figura 1.15: Cálculo da função de distribuição acumulada para o Exemplo 2 Usando integral, temos que I({) = Z { 1 (0 06 + 0 04w)gw = μ 0 06w + 0 04w2 2 ¶¯ ¯ ¯ ¯ { 1 = ¡ 0 06{ + 0 02{2 ¢ (0 06 + 0 02) = 0 02{2 + 0 06{ 0 08 1 { 6 5. Queremos determinar n tal que I[(n) = 0 6= Logo, 0 6 = 0 02n2 + 0 06n 0 08 , 0 02n2 + 0 06n 0 68 = 0 , n2 + 3n 34 = 0 , n = 3 ± s 9 + 4 × 34 2 A raiz que fornece resultado dentro do domínio de variação de [ é n = 3 + s 9 + 4 × 34 2 4 5208 6. Temos que H([) = Z 6 1 { (0 06 + 0 04{) g{ = μ 0 06 {2 2 + 0 04 {3 3 ¶¯ ¯ ¯ ¯ 6 1 = μ 0 03 · 36 + 0 04 · 63 3 ¶ μ 0 03 · 1 + 0 04 3 ¶ = 1 08 + 2 88 0 03 0 04 3 = 11 75 3
  10. 10. CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 17 H([2 ) = Z 6 1 {2 (0 06 + 0 04{) g{ = μ 0 06 {3 3 + 0 04 {4 4 ¶¯ ¯ ¯ ¯ 6 1 = (0 02 · 216 + 0 01 · 1296) (0 02 + 0 01) = 4 32 + 12 96 0 03 = 17 25 Y du([) = 17 25 μ 11 75 3 ¶2 = 155 25 138 0625 9 = 17 1875 9 1.10 Exemplo 3 Considere a função i[ apresentada na Figura 1.16. Figura 1.16: Função de densidade de probabilidade para o Exemplo 3 1. Encontre o valor de k para que i[ seja uma função de densidade de probabilidade de uma variável aleatória [ (note que o triângulo é isósceles!). 2. Determine a equação que dene i[= 3. Calcule Pr(1 [ 3)= 4. Calcule H([) e Y du([)= 5. Encontre a função de distribuição acumulada de [ 6. Determine o valor de n tal que Pr([ n) = 0 6= Solução 1. Como a área tem que ser 1, temos que ter 1 = 1 2 × (4 0) × k , k = 1 2 2. A função i[ é dada por 2 equações de reta. A primeira é uma reta de inclinação positiva que passa pelos pontos (0 0) e ¡ 2 1 2 ¢ = A segunda é uma reta de inclinação negativa, que passa pelos pontos ¡ 2 1 2 ¢ e (4 0)= Para achar a equação de cada uma CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 18 das retas, basta substituir as coordenadas dos dois pontos e resolver o sistema. Para a primeira reta temos o seguinte sistema: 0 = d + e × 0 1 2 = d + e × 2 Da primeira equação resulta que d = 0 (é o ponto onde a reta cruza o eixo |) e substituindo esse valor de d na segunda equação, resulta que e = 1 4= Para a segunda reta, temos o seguinte sistema: 0 = d + e × 4 1 2 = d + e × 2 Subtraindo a segunda equação da primeira, resulta 0 1 2 = (d d) + (4e 2e) , e = 1 4 Substituindo na primeira equação, encontramos que d = 1= Combinando essas duas equações, obtemos a seguinte expressão para i[ : i[({) = ; AAAA? AAAA= { 4 se 0 { ? 2 1 { 4 se 2 { 4 0 se { ? 0 ou { A 4 3. A probabilidade pedida é a área sombreada em cinza claro na Figura 1.17. Os dois triângulos sombreados de cinza escuro têm a mesma área, por causa da simetria. Assim, podemos calcular a probabilidade usando a regra do complementar, uma vez que a área total é 1. A altura dos dois triângulos é 1 4; basta substituir o valor de { = 1 na primeira equação e o valor de { = 3 na segunda equação. Logo, a área de cada um dos triângulos é 1 2 × 1 × 1 4 = 1 8 e, portanto, Pr(1 [ 3) = 1 2 × 1 8 = 6 8 = 3 4 Usando integral, temos Pr(1 [ 3) = Z 2 1 { 4 g{ + Z 3 2 ³ 1 { 4 ´ g{ = 1 4 μ {2 2 ¶¯ ¯ ¯ ¯ 2 1 + μ { {2 8 ¶¯ ¯ ¯ ¯ 3 2 = 1 8 (4 1) + μ 3 9 8 ¶ μ 2 4 8 ¶¸ = 3 8 + 15 8 12 8 = 6 8 = 3 4
  11. 11. CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 19 Figura 1.17: Ilustração do cálculo de Pr(1 [ 3) 4. Como a função é simétrica, resulta que H([) = 2= H([2 ) = Z 2 0 {3 4 g{ + Z 4 2 {2 ³ 1 { 4 ´ g{ = μ {4 16 ¶¯ ¯ ¯ ¯ 2 0 + μ {3 3 {4 16 ¶¯ ¯ ¯ ¯ 4 2 = μ 16 16 0 ¶ + μ 64 3 256 16 ¶ μ 8 3 16 16 ¶¸ = 1 + 64 3 16 8 3 + 1 = 56 3 14 = 14 3 Y du([) = 14 3 4 = 2 3 5. Assim como a função de densidade de probabilidade, a função de distribuição acumulada será denida por 2 equações: uma para os valores de { no intervalo [0 2) e outra para valores de { no intervalo [2 4]= Para { 5 [0 2) temos que I[({) é a área do triângulo sombreado na Figura 1.18(a) e para { 5 [2 4] é a área sombreada na parte (b). e essa área pode ser calculada pela lei do complementar. Logo, I[({) = 1 2 ({ 0) × { 4 { 5 [0 2) Para { 5 [2 4] temos que I[({) = 1 1 2 (4 {) ³ 1 { 4 ´ Combinando os resultados obtidos, resulta a seguinte expressão para I[ : I[({) = ; AA? AA= 0 se { ? 0 1 8{2 se 0 { ? 2 1 1 8 (4 {)2 se 2 { 4 1 se { A 4 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 20 Figura 1.18: Cálculo da função de distribuição acumulada do Exemplo 3 Veja a Figura 1.19; para 0 { ? 2 o gráco de I[ é uma parábola côncava para cima; para 2 { 4 o gráco de I[ é uma parábola côncava para baixo. 0,0 0,2 0,4 0,6 0,8 1,0 1,2 -1 0 1 2 3 4 5 Figura 1.19: Função de distribuição acumulada do Exemplo 3 6. Queremos determinar n tal que I(n) = 0 6= Como I(2) = 0 5 resulta que n A 2= Substituindo na expressão de I({) temos que ter 1 1 8 (4 n)2 = 0 6 =, 1 1 8 ¡ 16 8n + n2 ¢ = 0 6 =, 1 2 + n n2 8 = 0 6 =, n2 8 n + 1 6 = 0 =, n2 8n + 12 8 = 0 =, n = 8 ± s 64 4 × 12 8 2 = 8 ± s 12 8 2
  12. 12. CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 21 A raiz que fornece resultado dentro do domínio de denição de [ é n = 8 s 12 8 2 2 21 1.11 Exercícios resolvidos 1. Considere a seguinte função: j({) = ½ N(2 {) se 0 { 1 0 se { ? 0 ou { A 1 (a) Esboce o gráco de j({)= Solução Veja a Figura 1.20. Note que j(0) = 2N e j(1) = N= Figura 1.20: Solução do Exercício 1 (b) Encontre o valor de N para que j({) seja uma função de densidade de prob- abilidade. Solução Temos que ter N A 0 para garantir a condição j({) 0= E também 1Z 0 N(2 {)g{ = 1 =, μ 2N{ N {2 2 ¶¯ ¯ ¯ ¯ 1 0 = 1 =, 2N N 2 = 1 =, 3N 2 = 1 =, N = 2 3 (c) Encontre a função de distribuição acumulada. Solução Por denição, I({) = Pr([ {)= Portanto, para 0 { 1 temos que I({) = Z { 0 2 3 (2 w)gw = 2 3 μ 2w w2 2 ¶¯ ¯ ¯ ¯ { 0 = 4{ 3 {2 3 e a expressão completa de I({) é I[({) = ; ? = 0 se { ? 0 4 3{ 1 3{2 se 0 { 1 1 se { A 1 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 22 (d) Calcule os quartis da distribuição. Solução Se T1 T2 e T3 são os três quartis, então I(T1) = 0 25; I(T2) = 0 5; I(T3) = 0 75= I[(T1) = 0 25 , 4 3 T1 1 3 T2 1 = 1 4 , 16T1 4T2 1 = 3 , 4T2 1 16T1 + 3 = 0 , T2 1 4T1 + 0 75 = 0 , T1 = 4 ± s 16 4 × 0 75 2 = 4 ± s 13 2 A raiz que fornece solução no intervalo (0 1) que é odomínio de [ é T1 = 4 s 13 2 0 19722 I[(T2) = 0 5 , 4 3 T2 1 3 T2 2 = 1 2 , 8T2 2T2 2 = 3 , 2T2 2 8T2 + 3 = 0 , T2 2 4T2 + 1 5 = 0 , T2 = 4 ± s 16 4 × 1 5 2 = 4 ± s 10 2 A raiz que fornece solução no domínio de [ é T2 = 4 s 10 2 0 41886 I[(T3) = 0 75 , 4 3 T3 1 3 T2 3 = 3 4 , 16T3 4T2 3 = 9 , 4T2 3 16T3 + 9 = 0 , T2 3 4T3 + 9 4 = 0 , T3 = 4 ± s 16 4 × 2=25 2 = 4 ± s 7 2 A raiz que fornece solução no domínio de [ é T3 = 4 s 7 2 0 67712 2. (BussabMorettin) A demanda diária de arroz num supermercado, em centenas de quilos, é uma variável aleatória com função de densidade de probabilidade i({) = ; ? = 2 3{ se 0 { ? 1 { 3 + 1 se 1 { ? 3 0 se { ? 0 ou { A 3
  13. 13. CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 23 Figura 1.21: Solução do Exercício 2 - Pr([ 1 5) (a) Qual é a probabilidade de se vender mais de 150 kg num dia escolhido ao acaso? Solução Seja [ a variável aleatória que representa a demanda diária de arroz, em centenas de quilos. Veja a Figura 1.21, onde a área sombreada corresponde à probabilidade pedida. Nesse triângulo, a base é 3 1 5 = 1 5 e a altura é i(1 5) = 315 3 + 1= Logo, Pr([ 1 5) = 1 2 × 1 5 × 0 5 = 1 2 × 3 2 × 1 2 = 3 8 = 0 375 ou Pr([ 1 5) = Z 3 15 ³ { 3 + 1 ´ g{ = μ {2 6 + { ¶¯ ¯ ¯ ¯ 3 15 = μ 32 6 + 3 ¶ μ 1 52 6 + 1 5 ¶ = 9 6 6 75 6 = 2 25 6 = 0 375 (b) Qual a quantidade de arroz que deve ser deixada à disposição dos clientes diariamente para que não falte arroz em 95% dos dias? Solução Seja n o valor a estocar. Para que a demanda seja atendida, é necessário que a quantidade demandada seja menor que a quantidade em estoque. Logo, queremos encontrar o valor de n tal que Pr([ n) = 0 95= Como Pr([ 1) = 1 3 n tem que ser maior que 1, ou seja, n está no triângulo superior (veja a Figura 1.22). Mas Pr([ n) = 0 95 é equivalente a Pr([ A n) = 0 05= Logo, 0 05 = 1 2 (3 n) μ n 3 + 1 ¶ , 0 1 = (3 n) μ n + 3 3 ¶ , 0 3 = 9 6n + n2 , n2 6n + 8 7 = 0 , n = 6 ± s 36 4 × 8=7 2 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 24 Figura 1.22: Solução do Exercício 2-b A raiz que dá a solução dentro do domínio de [ é n = 6 s 36 4 × 8=7 2 = 2 45 centenas de quilos Usando integração: Pr([ A n) = 0 05 =, Z 3 n ³ { 3 + 1 ´ g{ = 0 05 =, μ {2 6 + { ¶¯ ¯ ¯ ¯ 3 n = 0 05 = μ 32 6 + 3 ¶ μ n2 6 + n ¶ = 0 05 =, n2 6 n + 9 6 0 05 = 0 =, n2 6n + 8 7 = 0 mesma equação obtida anteriormente. 3. Seja [ uma variável aleatória com função de densidade de probabilidade dada por i[({) = ½ 2{ se 0 { 1 0 caso contrário Calcule Pr ¡ [ 1 2 ¯ ¯ 1 3 [ 2 3 ¢ Solução Sabemos que Pr(D|E) = Pr(D _ E) Pr(E) = Assim, Pr μ [ 1 2 ¯ ¯ ¯ ¯ 1 3 [ 2 3 ¶ = Pr £¡ [ 1 2 ¢ _ ¡1 3 [ 2 3 ¢¤ Pr ¡1 3 [ 2 3 ¢ = Pr ¡1 3 [ 1 2 ¢ Pr ¡1 3 [ 2 3 ¢ = Z 1@2 1@3 2{g{ Z 2@3 1@3 2{g{ = {2 ¯ ¯1@2 1@3 {2| 2@3 1@3 = 1 4 1 9 4 9 1 9 = 5 36 3 9 = 5 12
  14. 14. CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS 25 1.12 Exercícios propostos 1. A função de densidade i de uma variável aleatória [ é dada pela função cujo gráco se encontra na Figura 1.23. Figura 1.23: Função de densidade para o Exercício Proposto 1 (a) Encontre a expressão de i= (b) Calcule Pr([ A 2)= (Resp: 1@4) (c) Determine p tal que Pr([ A p) = 1@8= (Resp.: p = 4 s 2) (d) Calcule a esperança e a variância de [= (Resp.: H([) = 4@3; H([2) = 8@3) (e) Calcule a função de distribuição acumulada e esboce seu gráco. 2. O diâmetro de um cabo elétrico é uma variável aleatória contínua com função de densidade dada por i({) = ½ n(2{ {2) se 0 { 1 0 caso contrário (a) Determine o valor de n=(Resp.: n = 3@2) (b) Calcule H([) e Var({)= (Resp.: 5@8; 19@320) (c) Calcule Pr(0 [ 1@2)= (Resp.: 5@16) 3. Uma variável aleatória [ tem função de densidade dada por i({) = ½ 6{(1 {) se 0 { 1 0 caso contrário Se = H([) e 2 = Y du([) calcule Pr( 2 ? [ ? + 2)=(Resp.: 0 9793) 4. Uma variável aleatória [ tem função de distribuição acumulada I dada por I({) = ; ? = 0 se { 0 {5 se 0 ? { ? 1 1 se { 1 Calcule H([) e Y du({)= (Resp.: 5@6; 5@252) Capítulo 2 Algumas Distribuições Contínuas 2.1 Distribuição uniforme Uma variável aleatória contínua [ tem distribuição uniforme no intervalo [d e] (nito) se sua função de densidade é constante nesse intervalo, ou seja, temos que ter i({) = n ;{ 5 [d e] Então, o gráco da função de densidade de probabilidade de [ é como o ilustrado na Figura 2.1: Figura 2.1: Densidade uniforme no intervalo [d e] Para que tal função seja uma função de densidade de probabilidade, temos que ter n A 0 e a área do retângulo tem que ser 1, ou seja, (e d) × n = 1 , n = 1 e d Logo, a função de densidade de uma variável aleatória uniforme no intervalo [d e] é dada por i({) = 1 e d se { 5 [d e] (2.1) Os valores d e e são chamados parâmetros da distribuição uniforme; note que ambos têm que ser nitos para que a integral seja igual a 1. Quando d = 0 e e = 1 temos a uniforme padrão, denotada por U(0 1)= 26
  15. 15. CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 27 2.1.1 Função de distribuição acumulada Por denição, temos que I ({) = Pr ([ {) e essa probabilidade é dada pela área sob a curva de densidade à esquerda de { conforme ilustrado na Figura 2.2. Figura 2.2: Função de distribuição acumulada da densidade Xqli[d e] Essa é a área de um retângulo com base ({ d) e altura 1 e d = Logo, I ({) = ; A? A= 0 se { ? d { d e d se a { e 1 se { A e (2.2) O gráco dessa função de distribuição acumulada é dado na Figura 2.3. Figura 2.3: Função de distribuição acumulada da Xqli[d e] No caso da U [0 1] temos que I({) = ; ? = 0 se { ? 0 { se 0 { ? 1 1 se { 1 CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 28 2.1.2 Esperança Das propriedades da esperança e das características da densidade uniforme, sabemos que H([) é o ponto médio do intervalo [d e], ou seja, H([) = d + e d 2 = d + e 2 Usando a integral: H ([) = Z e d { 1 e d g{ = 1 e d {2 2 ¯ ¯ ¯ ¯ e d = e2 d2 2 (e d) = (e d) (d + e) 2 (e d) ou seja, H ([) = d + e 2 (2.3) 2.1.3 Variância Por denição, Y du ([) = H ¡ [2 ¢ [H ([)]2 ;vamos, então, calcular H ¡ [2 ¢ : H ¡ [2 ¢ = Z e d {2 1 e d g{ = 1 e d μ {3 3 ¶¯ ¯ ¯ ¯ e d = e3 d3 3 (e d) = (e d) ¡ e2 + de + d2 ¢ 3 (e d) (2.4) Logo, Y du ([) = ¡ e2 + de + d2 ¢ 3 μ d + e 2 ¶2 = ¡ e2 + de + d2 ¢ 3 d2 + 2de + e2 4 = = 4e2 + 4de + 4d2 3d2 6de 3e2 12 = d2 2de + e2 12 ou Y du ([) = (e d)2 12 (2.5) 2.1.4 Exercícios propostos 1. Você está interessado em dar um lance em um leilão de um lote de terra. Você sabe que existe um outro licitante. Pelas regras estabelecidas para este leilão, o lance mais alto acima de R$ 100.000,00 será aceito. Suponha que o lance do seu competidor seja uma variável aleatória uniformemente distribuída entre R$ 100.000,00 e R$ 150.000,00. (a) Se você der um lance de R$120.000,00, qual é a probabilidade de você car com o lote? (Resp.: 0 4) (b) Se você der um lance de R$140.000,00, qual é a probabilidade de você car com o lote? (Resp.: 0 8) (c) Que quantia você deve dar como lance para maximizar a probabilidade de você ganhar o leilão? 2. O rótulo de uma lata de coca-cola indica que o conteúdo é de 350 ml. Suponha que a linha de produção encha as latas de forma que o conteúdo seja uniformemente distribuído no intervalo [345 355]=
  16. 16. CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 29 (a) Qual é a probabilidade de que uma lata tenha conteúdo superior a 353 ml? (Resp.: 0,2) (b) Qual é a probabilidade de que uma lata tenha conteúdo inferior a 346 ml? (Resp.: 0,1) (c) O controle de qualidade aceita uma lata com conteúdo dentro de 4 ml do conteúdo exibido na lata. Qual é a proporção de latas rejeitadas nessa linha de produção? (Resp.: 0,2) 3. Uma distribuição uniforme no intervalo [d e] tem média 7,5 e variância 6,75. De- termine os valores de d e e, sabendo que e A d A 0= (Resp.: d = 3 e e = 12) 2.2 Distribuição exponencial Consideremos o gráco da função exponencial i({) = h{ dado na Figura 2.4. Podemos ver aí que, se { ? 0 então a área sob a curva é limitada, o mesmo valendo para uma função mais geral i({) = h{= Então, é possível denir uma função de densidade a partir da função exponencial h{, desde que nos limitemos ao domínio dos números reais negativos. Mas isso é equivalente a trabalhar com a função h3{ para { positivo. 1 Figura 2.4: Gráco da função exponencial natural i({) = exp { Mas Z 0 h3{ g{ = μ 1 h3{ ¶ 0 = 1 Logo R 0 h3{ g{ = 1 e, portanto, i({) = h3{ dene uma função de densidade de probabilidade para { A 0= Denição 2.1 Diz-se que uma variável aleatória contínua [ tem distribuição exponen- cial com parâmetro se sua função de densidade de probabilidade é dada por i({) = ½ h3{ { A 0 0 { 0 CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 30 Como a f.d.p. exponencial depende apenas do valor de , esse é o parâmetro da densidade exponencial. Usaremos a seguinte notação para indicar que uma variável aleatória tem distribuição exponencial com parâmetro : [ exp()= Na Figura 2.5 temos o gráco de uma densidade exponencial. para = 2= Figura 2.5: Densidade exponencial - = 2 2.2.1 Função de distribuição acumulada Por denição, temos que I ({) = Pr ([ {) = Z { 0 i (w) gw = Z { 0 h3w gw = h3w ¯ ¯ ¯ { 0 = ³ h3{ 1 ´ ou seja I ({) = ½ 1 h3{ se { A 0 0 se { 0 (2.6) 2.2.2 Alguns resultados sobre a função exponencial No cálculo dos momentos da densidade exponencial serão necessários alguns resutlados sobre a função exponencial que apresentaremos a seguir. O resultado crucial é lim { {n h3{ = 0 (2.7) Vamos mostrar esse resultado usando a regra de L´Hôpital e demonstração por indução. Consideremos o caso em que n = 1= Então lim { {h3{ = lim { { h{
  17. 17. CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 31 Figura 2.6: Função de distribuição acumulada da densidade exponencial - = 2 que tem a forma e, portanto, podemos aplicar L´Hôpital, que diz que lim { {h3{ = lim { { h{ = lim { {0 (h{)0 = lim { 1 h{ = 0 Logo, o resultado vale para n = 1= Suponhamos verdadeiro para qualquer n; vamos mostrar que vale para n + 1= De fato: lim { {n+1 h3{ = lim { {n+1 h{ = lim { ¡ {n+1 ¢0 (h{)0 = lim { (n + 1) {n h{ = (n + 1) lim { {n h{ = (n + 1)×0 = 0 pela hipótese de indução. De maneira análoga, prova-se um resultado mais geral dado por: lim { {n h3{ = 0 ;n A 0 e A 0 (2.8) 2.2.3 Esperança O cálculo dos momentos da distribuição exponencial se faz com auxílio de integração por partes. A esperança é: H([) = Z 0 {h3{ g{ Denindo • x = { , gx = g{; • gy = h3{g{ , y = h3{ O método de integração por partes nos dá que: {h3{ ¯ ¯ ¯ 0 = Z 0 {h3{ g{ + Z 0 ³ h3{ ´ g{ Pelo resultado (2.7), o lado esquerdo desta última igualdade é zero. Logo, 0 = H([) + 1 h3{ ¯ ¯ ¯ ¯ 0 , 0 = H([) + μ 0 1 ¶ CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 32 ou seja, H ([) = 1 (2.9) Desse resultado segue que Z 0 {h3{ g{ = 1 , Z 0 {h3{ g{ = 1 2 (2.10) 2.2.4 Variância Vamos calcular o segundo momento de uma variável aleatória exponencial. H([2 ) = Z 0 {2 h3{ g{ Seguindo raciocínio análogo ao empregado no cálculo da esperança, vamos denir: • x = {2 , gx = 2{g{; • gy = h3{g{ , y = h3{ Logo, {2 h3{ ¯ ¯ ¯ 0 = Z 0 {2 h3{ g{ + Z 0 ³ 2{h3{ ´ g{ , 0 = H ¡ [2 ¢ 2 Z 0 {h3{ g{ Usando o resultado (2.10), resulta que H ¡ [2 ¢ = 2 2 (2.11) e, portanto: Var([) = H([2 ) [H([)]2 = 2 2 1 2 , Var ([) = 1 2 (2.12) Resumindo: [ exp() =, ½ H([) = 1 Y du([) = 1 2 (2.13) 2.2.5 Parametrização alternativa É possível parametrizar a densidade exponencial em termos de um parâmetro = 1 = Neste caso, i({) = 1 h3{@ { A 0; A 0 H([) = H([2 ) = 22 Y du([) = 2 Essa parametrização alternativa é mais interessante, uma vez que o valor médio é igual ao parâmetro, e será utilizada deste ponto em diante.
  18. 18. CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 33 2.2.6 Exercícios resolvidos 1. Seja [ uma variável aleatória exponencial com média 4. Calcule (a) Pr([ A 1) Solução A função de densidade é i({) = 1 4h3{@4 e a função de distribuição é I({) = 1 h3{@4 Pr([ A 1) = 1 Pr([ 1) = 1 I(1) = 1 [1 h31@4 ] = h30=25 = 0 7788 (b) Pr(1 [ 2) Solução Pr(1 [ 2) = Pr([ 2) Pr([ ? 1) = Pr([ 2) Pr([ 1) = I(2) I(1) = [1 h32@4 ] [1 h31@4] = h30=25 h30=5 = 0 17227 2. Seja [ exp()= Calcule Pr([ A H([))= Solução Pr([ A H([)) = 1 Pr([ H([)) = 1 I(H([)) = 1 h 1 h3@ i = h31 Note que essa é a probabilidade de uma variável aleatória exponencial ser maior que o seu valor médio; o que mostramos é que essa probabilidade é constante, qualquer que seja o parâmetro= 2.2.7 Exercícios propostos 1. Seja [ uma variável aleatória com distribuição exponencial de média 8. Calcule as seguintes probabilidades: (a) Pr([ A 10) (Resp.: 0 286505) (b) Pr([ A 8) (Resp.: 0=36788) (c) Pr(5 ? [ ? 11) (resp.: 0 28242) 2. O tempo entre chegadas de automóveis num lava-jato é distribuído exponencial- mente, com uma média de 12 minutos. (a) Qual é a probabilidade de que o tempo entre chegadas de veículos neste lava- jato seja maior que 10 minutos? (Resp.: 0 434 60) (b) Qual é a probabilidade de que o tempo entre chegadas de veículos neste lava- jato seja menor que 8 minutos? (Resp.: 0 486 58) CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 34 2.3 Distribuição gama A distribuição gama é uma generalização da distribuição exponencial, que utiliza a função gama, cuja denição apresentamos a seguir. 2.3.1 A função gama A função gama é denida pela seguinte integral: () = Z 0 h3{ {31 g{ 1 Note que o argumento da função é que aparece no expoente da variável de integração {= A função gama tem a seguinte propriedade recursiva: ( + 1) = ()= Para demonstrar esse resultado, iremos usar integração por partes. ( + 1) = Z 0 h3{ { g{ Fazendo • x = { , gx = {31 • gy = h3{g{ , y = h3{ Logo, ( + 1) = { h3{ ¯ ¯ 0 Z 0 h3{ {31 g{ =, ( + 1) = 0 + Z 0 h3{ {31 g{ =, ( + 1) = () (2.14) Aqui usamos o resultado dado em (2.7). Vamos trabalhar, agora, com = q inteiro. (1) = Z 0 h3{ {131 g{ = Z 0 h3{ g{ = 1 (2) = 1 × (1) = 1 = 1! (3) = 2 × (2) = 2 × 1 = 2! (4) = 3 × (3) = 3 × 2 × 1 = 3! (5) = 4 × (4) = 4 × 3 × 2 × 1 = 4! Em geral, se q é inteiro, (q) = (q 1)! (2.15)
  19. 19. CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 35 2.3.2 A distribuição gama Denição 2.2 Diz-se que uma variável aleatória tem distribuição gama com parâmetros e se sua função de densidade de probabilidade é dada por i({) = ; AA? AA= 1 () {31h3{@ se { A 0 0 se { 0 (2.16) Note que, quando = 1 resulta a densidade exponencial com parâmetro ou seja, a distribuição exponencial é um caso particular da densidade gama. Note que estamos usando a parametrização alternativa da densidade exponencial. Para vericar que a função dada em (2.16) realmente dene uma função de densidade, notamos inicialmente que i({) 0= Além disso, Z 0 i({)g{ = Z 0 1 () {31 h3{@ = 1 () Z 0 {31 h3{@ g{ Fazendo a mudança de variável { = w resulta { = w g{ = gw { = 0 , w = 0 { = 4 , w = 4 e, portanto, Z 0 i({)g{ = 1 () Z 0 {31 h3{@ g{ = = 1 () Z 0 (w)31 h3w gw = 1 () Z 0 w31 h3w gw = 1 () () = 1 Logo, as duas condições para uma função de densidade são satisfeitas. Usaremos a notação [ jdpd(; ) para indicar que a variável aleatória [ tem distribuição gama com parâmetros = 2.3.3 O gráco da distribuição gama Para a construção do gráco da densidade gama, devemos observar inicialmente que lim { i({) = 0 e lim {0 i({) = 0 Vamos, agora, calcular as derivadas primeira e segunda de i({)= i0 ({) = 1 () ( 1){32 h3{@ 1 {31 h3{@ ¸ (2.17) = 1 () ³ {32 h3{@ ´ μ 1 1 { ¶¸ (2.18) CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 36 Derivando i0({) dada em (2.17), temos que i00 ({) = 1 () ( 2)( 1){33h3{@ 1 ( 1){32h3{@ 1 ( 1){32h3{@ + 1 2 {31h3{@ # = 1 () ( 2)( 1){33 h3{@ 2 ( 1){32 h3{@ + 1 2 {31 h3{@ ¸ = 1 () ½³ {33 h3{@ ´ ( 2)( 1) 2 ( 1){ + 1 2 {2 ¸¾ = 1 () (¡ {33h3{@ ¢ 2 £ 2 ( 2)( 1) 2( 1){ + {2 ¤ ) (2.19) Analisando as expressões (2.18) e (2.19), vemos que o sinal da derivada primeira depende do sinal de 1 1 { e o sinal da derivada segunda depende do sinal da expressão entre colchetes, que é uma função do segundo grau. Vamos denotar essa expressão por k({) de modo que k({) = {2 2( 1){ + 2 ( 2)( 1) Vamos analisar a derivada primeira. A primeira observação é que, se 1 i0({) ? 0 ou seja, se 1 a densidade gama é uma função estritamente decrescente. No caso em que A 1, temos que i0 ({) = 0 / { = ( 1) i0 ({) ? 0 / { A ( 1) i0 ({) A 0 / { ? ( 1) Logo, { = ( 1) é um ponto de máximo Resumindo a dependência em : 1 =, função de densidade gama é estritamente decrescente A 1 =, função de densidade gama tem um máximo em { = ( 1) Vamos, agora, estudar a concavidade da função de densidade gama, analisando o sinal da derivada segunda, que será o mesmo sinal de k({) = {2 2( 1){ + 2 ( 2)( 1) que é uma função do segundo grau. Se 1 podemos ver que k({) 0 já que { A 0 e A 0= Logo, se 1 a função de densidade gama é côncava para cima e, como visto, estritamente decrescente. Vamos considerar, agora, o caso em que A 1= Para estudar o sinal de k({) temos que estudar o discriminante da equação de segundo grau denida por k({)= = [2( 1)]2 42 ( 2)( 1) = 42 ( 1)2 42 ( 1)( 2) = 42 ( 1) [( 1) ( 2)] = 42 ( 1)
  20. 20. CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 37 Se A 1 o discriminante é sempre positivo, ou seja, temos duas raizes reais distintas, calculadas da seguinte forma: ( 2)( 1) 2 ( 1){ + 1 2 {2 = 0 +, 2 ( 2)( 1) 2( 1){ + {2 = 0 +, { = 2( 1) ± q 42 ( 1)2 42 ( 2)( 1) 2 +, { = 2( 1) ± 2 p ( 1)( 1 + 2) 2 +, { = ( 1) ± s 1 +, { = s 1 ¡s 1 ± 1 ¢ A raiz u2 = s 1 ¡s 1 + 1 ¢ é sempre positiva para A 1. Já a raiz u1 = s 1 ¡s 1 1 ¢ só será positiva se s 1 1 A 0 ou seja, se A 2= Considerando a função de segundo grau k({) que dene o sinal da derivada segunda, vemos que o coeciente do termo quadrático é 1; assim, a função é negativa (sinal oposto ao de d) para valores de { entre as raízes, e positiva (mesmo sinal de d) fora das raízes. Veja a Figura 2.7; aí podemos ver que, se A 2 a derivada segunda muda de sinal em dois pontos dentro do domínio de denição da densidade gama. Isso não ocorre se ? 2 (ou = 2) uma vez que, neste caso a menor raíz é negativa (nula). + + r 1 r 2 + - + r 1 r 2 + + r 2r 1 = 0 - 0 0 - - 2!D 2D 2D Figura 2.7: Ilustração do sinal da derivada segunda da função de densidade gama Mais precisamente, se A 2 temos a seguinte situação: i00 ({) ? 0 se s 1 ¡s 1 1 ¢ ? { ? s 1 ¡s 1 + 1 ¢ i00 ({) A 0 se { A s 1 ¡s 1 + 1 ¢ ou { ? s 1 ¡s 1 1 ¢ CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 38 ou seja, a função de densidade é côncava para cima se se { A s 1 ¡s 1 + 1 ¢ ou { ? s 1 ¡s 1 1 ¢ e é côncava para baixo se s 1 ¡s 1 1 ¢ ? { ? s 1 ¡s 1 + 1 ¢ o que indica a ocorrência de dois pontos de in exão. Quando 2 i00 ({) ? 0 se 0 ? { ? ( 1) + s 1 i00 ({) A 0 se { A ( 1) + s 1 ou seja, a função de densidade gama é côncava para cima se { A ( 1) + s 1 e é côncava para baixo se 0 ? { ? ( 1) + s 1 o que indica a ocorrência de apenas um ponto de in exão. Na Figura 2.8 ilustra-se o efeito do parâmetro sobre a densidade gama. Aí o parâmetro está xo ( = 2) e temos o gráco para diferentes valores de . Note que, para = 1 o gráco é o da distribuição exponencial com parâmetro = 2 e para qualquer valor de ? 1 o gráco terá essa forma= Note que para = 2 só há um ponto de in exão; essa situação se repetirá para valores de no intervalo (1 2]. Para valores de maiores que 2, há dois pontos de in exão. Na Figura ?? ilustra-se o efeito do parâmetro sobre a densidade gama. Aí o parâmetro está xo ( = 2 ou = 3) e temos o gráco para diferentes valores de . Analisando essas duas guras, vemos que o parâmetro tem grande in uência sobre a forma da distribuição, enquanto o parâmetro tem grande in uência sobre a escala (ou dispersão) da distribuição. Dessa forma, o parâmetro é chamado parâmetro de forma, enquanto o parâmetro é chamada parâmetro de escala. 0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0 5 10 15 20 25 30 2E 2D 4D 5D 1D Figura 2.8: Efeito do parâmetro de forma sobre a densidade gama A seguir apresentamos um resumo dos resultados sobre a forma da densidade gama: 1. 1 (a) estritamente decrescente (b) côncava para cima
  21. 21. CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 39 0,0 0,1 0,2 0,3 0,4 0 2 4 6 8 10 12 14 2D 1E 2E 0,0 0,1 0,2 0,3 0 2 4 6 8 10 12 14 5,1E 3D 1E 5,1E 2E Figura 2.9: Efeito do parâmetro de escala sobre a densidade gama 2. A 1 (a) crescente se { ? ( 1) (b) decrescente se { A ( 1) (c) máximo em { = ( 1) (d) 2 i. côncava para baixo se { ? s 1( s 1 + 1) ii. côncava para cima se { A s 1( s 1 + 1) iii. único ponto de in exão em { = s 1( s 1 + 1) (e) A 2 i. côncava para cima se { ? s 1( s 1 1) ii. côncava para baixo se s 1( s 1 1) ? { ? s 1( s 1+1) iii. côncava para cima se { A s 1( s 1 + 1) iv. dois pontos de in exão: { = s 1( s 1 1) e { = s 1( s 1+ 1) 2.3.4 Esperança Se [ jdpd(; ) , então H([) = Z 0 {i({)g{ = 1 () Z 0 {{31 h3{@ g{ = 1 () Z 0 { h3{@ g{ CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 40 Fazendo a mesma mudança de variável já usada anteriormente { = w temos que H([) = 1 () Z 0 (w) h3w gw = 1 () +1 Z 0 w h3w gw = () Z 0 w h3w gw = () ( + 1) = () () ou seja, [ jdpd( ) , H([) = 2.3.5 Variância De modo análogo, vamos calcular o segundo momento da densidade gama. H([2 ) = Z 0 {2 i({)g{ = 1 () Z 0 {2 {31 h3{@ g{ = 1 () Z 0 {+1 h3{@ g{ Fazendo a mesma mudança de variável usada anteriormente { = w temos que H([2 ) = 1 () Z 0 (w)+1 h3w gw = 1 () +2 Z 0 w+1 h3w gw = 2 () Z 0 w+1 h3w gw = 2 () ( + 2) = 2 () ( + 1) ( + 1) = 2 () ( + 1) () = 2 ( + 1) Logo, Y du([) = 2 ( + 1) ()2 = 2 2 + 2 2 2 = 2 Resumindo: [ jdpd( ) =, ; ? = H([) = Y du([) = 2 (2.20)
  22. 22. CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 41 2.3.6 Função de distribuição acumulada A função de distribuição da gama envolve a função gama incompleta e não será objeto de estudo neste curso. 2.3.7 A distribuição de Erlang Quando o parâmetro de forma é um inteiro positivo, a distribuição gama é conhecida como distribuição de Erlang. 2.3.8 A distribuição qui-quadrado Quando o parâmetro de forma é igual a q 2 com q inteiro positivo, e o parâmetro de escala é = 2 resulta a distribuição qui-quadrado com q graus de liberdade, cuja densidade é i({) = 1 ¡q 2 ¢ 2q@2 {q@231 h3{@2 se { A 0 (2.21) Usaremos a seguinte notação para indicar que [ tem distribuição qui-quadrado com q graus de liberdade: [ 2 q= Usando os resultados dados em (2.20), temos [ 2 q =, ; ? = H([) = q 2 · 2 = q Y du([) = q 2 · 22 = 2q 2.4 Distribuição de Weibull 2.4.1 Denição Uma variável aleatória [ tem distribuição de Weibull com parâmetros A 0 e A 0 se sua função de densidade de probabilidade é dada por i({) = {31 h 3 { { A 0 (2.22) Note que podemos reescrever essa expressão como i({) = μ { ¶31 h 3 { { A 0 (2.23) e alguns autores (ver Rohatgi, por exemplo) usam um novo parâmetro em vez de = Para mostrar que i dene uma densidade, vamos mostrar que a integral é 1. Para tal, vamos fazer a seguinte mudança de variável: x = μ { ¶ =, gx = μ { ¶31 { = 0 =, x = 0; { = 4 =, x = 4 Dessa forma, Z 0 μ { ¶31 h 3 { g{ = Z 0 h3x gx = 1 CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 42 2.4.2 Esperança e variância Vamos calcular o momento de ordem u : H([u ) = Z 0 μ { ¶31 h 3 { {u g{ Fazendo x = { resulta que { = x e g{ = gx; logo H([u ) = Z 0 μ { ¶31 h 3 { {u g{ = Z 0 x31 h3x u xu gx = Z 0 x31 h3x u xu gx Fazendo x = w resulta que x = w1@ e x31gx = gw; logo, H([u ) = Z 0 h3w u ³ w1@ ´u gw = u Z 0 wu@ h3w gw = u Z 0 wu@+131 h3w gw = u Z 0 w u+ 31 h3w gw = u μ u + ¶ Fazendo u = 1 obtemos que H([) = μ + 1 ¶ Fazendo u = 2 obtemos que H([2 ) = 2 μ + 2 ¶ e, portanto, Y du([) = 2 ( μ + 2 ¶ μ + 1 ¶¸2 ) 2.4.3 Função de distribuição acumulada Por denição, I({) = Z { 0 μ w ¶31 h 3 w gw Fazendo a mudança de variável x = μ w ¶ =, gx = μ w ¶31 w = 0 =, x = 0; w = { =, x = μ { ¶ resulta I({) = Z { 0 μ w ¶31 h 3 w gw = Z { 0 h3x gx = h3x ¯ ¯ { 0 = 1 exp μ { ¶¸
  23. 23. CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 43 2.5 Distribuição de Pareto 2.5.1 Denição Uma variável aleatória [ tem distribuição de Pareto com parâmetros A 0 e e A 0 se sua função de densidade de probabilidade é dada por i({) = ; ? = e μ e { ¶+1 se { e 0 se { ? e Para mostrar que i({) realmente dene uma função de densidade de probabilidade resta provar que a integral é 1, uma vez que i({) 0= Z e e μ e { ¶+1 g{ = e Z e {331 g{ = e {3 ¯ ¯ ¯ ¯ e Essa integral converge apenas se ? 0 ou equivalentemente, A 0 pois nesse caso lim{ {3 = lim{ 1 { = 0= Satisfeita esta condição, temos que e {3 ¯ ¯ ¯ ¯ e = 0 e e3 = 1 Na Figura 2.10 ilustra-se a distribuição dePareto para d = 3 e e = 2= Figura 2.10: Distribuição de Pareto - d = 3 e = 2 2.5.2 Esperança Se [ Sduhwr( e) então H([) = Z e { e μ e { ¶+1 g{ = e Z e {3 g{ = e {3+1 + 1 ¯ ¯ ¯ ¯ e Para que essa integral convirja, temos que ter + 1 ? 0 ou A 1= Satisfeita esta condição, H([) = e μ 0 e3+1 + 1 ¶ = e3+1 1 = e 1 CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES CONTÍNUAS 44 2.5.3 Variância Se [ Sduhwr( e) então H([2 ) = Z e {2 e μ e { ¶+1 g{ = e Z e {3+1 g{ = e {3+2 + 2 ¯ ¯ ¯ ¯ e Para que essa integral convirja, temos que ter + 2 ? 0 ou A 2= Satisfeita esta condição, H([) = e μ 0 e3+2 + 2 ¶ = e3+2 2 = e2 2 Logo, Y du([) = e2 2 μ e 1 ¶2 = e2 ( 1)2 2e2 ( 2) ( 1)2 ( 2) = e2 £ 2 2 + 1 ( 2) ¤ ( 1)2 ( 2) = e2 £ 2 2 + 1 2 + 2 ¤ ( 1)2 ( 2) = e2 ( 1)2 ( 2) Resumindo: [ Sduhwr( e) =, ; AA? AA= H([) = e 1 se A 1 Y du([) = e2 ( 1)2 ( 2) se A 2 (2.24) 2.5.4 Função de distribuição acumulada Por denição, I({) = Pr([ {) = 0 se { ? e= Para { e I({) = Pr([ {) = Z { e e μ e w ¶+1 gw = e Z { e w331 g{ = e w3 ¯ ¯ ¯ ¯ { e = e ¡ {3 e3 ¢ = 1 μ e { ¶
  24. 24. Capítulo 3 Funções de Variáveis Aleatórias Contínuas Dada uma variável aleatória contínua [ com função de densidade i[({) muitas vezes estamos interessados em conhecer a densidade de uma outra variável aleatória = j({) denida como uma função de [= 3.1 Exemplo Se [ Xqli( 1 1) calcule a densidade de = j([) = [2 e de Z = k([) = |[| . Solução: Temos que i[({) = ½ 1 2 1 ? { ? 1 0 { 1 ou { 1 1 ? { ? 1 , ½ 0 j({) ? 1 0 k({) ? 1 Para calcular a função de densidade de probabilidade de = j([) = [2 devemos notar que I (|) = Pr( |) = Pr([2 |) = Pr ( s | [ s |) = Pr([ s |) Pr([ ? s |) = Pr([[ s |) Pr([ s |) = I[ ( s |) I[ ( s |) e, portanto i (|) = g g| [I (|)] = g g| [I[ ( s |)] g g| [I[ ( s |)] = I0 [ ( s |) 1 2 s | I0 [ ( s |) μ 1 2 s | ¶ = i[ ( s |) 1 2 s | + i[ ( s |) 1 2 s | 45 CAPÍTULO 3. FUNÇÕES DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS 46 Como 0 s | ? 1 e 1 ? s | 0 resulta que i[ ¡s | ¢ = i[ ¡ s | ¢ = 1 2= Logo i (|) = ( 1 2 I | se 0 | ? 1 0 caso contrário De modo análogo, para 0 z ? 1 IZ (z) = Pr(Z z) = Pr(|[| z) = Pr( z [ z) = = I[(z) I[( z) e, portanto iZ (z) = I0 Z (z) = I0 [(z) I0 [( z)( 1) = = i[(z) + i[( z) Como 0 z ? 1 e 1 ? z 0 resulta que i[ (z) = i[ ( z) = 1 2= Logo iZ (z) = ½ 1 se 0 | ? 1 0 caso contrário que é a densidade uniforme padrão. 3.2 Funções inversíveis Quando a função j é inversível, é possível obter uma expressão para a função de densi- dade de . Teorema 3.1 Seja X uma variável aleatória contínua com função de densidade i[({) e seja = j({) uma outra variável aleatória . Se a função j({) é inversível e diferenciável, então a função de densidade de é dada por: i (|) = i[ £ j31 (|) ¤ ¯ ¯ ¯ ¯ gj31(|) g| ¯ ¯ ¯ ¯ (3.1) Demonstração: Esse resultado segue diretamente da relação entre as funções de densidade e de distribuição acumulada dada na equação (3.2): i[({) = I 0 [({) (3.2) Suponhamos inicialmente que j({) seja crescente; nesse caso, j0({) A 0 e {1 ? {2 , j ({1) ? j ({2) = Então, a função de distribuição acumulada de é: I (|) = Pr ( |) = Pr (j([) |) Mas, conforme ilustrado na Figura 3.1, j([) | / [ j31(|)= Logo, I (|) = Pr (j([) |) = Pr ¡ [ j31 (|) ¢ = I[ £ j31 (|) ¤
  25. 25. CAPÍTULO 3. FUNÇÕES DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS 47 y )(1 yg yXg d)( )(1 ygX d Figura 3.1: Função inversa de uma função crescente Da relação entre a função de densidade de probabilidade e a função de distribuição e da regra da cadeia, segue que: i (|) = I 0 (|) = I 0 [ £ j31 (|) ¤ gj31(|) g| = i[ £ j31 (|) ¤ gj31(|) g| (3.3) Como a inversa de uma função crescente também é crescente, resulta que gj31(|) g| A 0 e, portanto, (3.3) pode ser reescrita como i (|) = I 0 (|) = i[ £ j31 (|) ¤ ¯ ¯ ¯ ¯ gj31(|) g| ¯ ¯ ¯ ¯ (3.4) Quando j({) é decrescente, vale notar que que j0({) ? 0 e, conforme ilustrado na Figura 3.2, j([) | / [ j31(|)= Dessa forma, I (|) = Pr ( |) = Pr (j([) |) = Pr ¡ [ j31 (|) ¢ = 1 Pr £ [ ? j31 (|) ¤ = 1 Pr £ [ j31 (|) ¤ = 1 I[ £ j31 (|) ¤ e, portanto i (|) = I 0 (|) = I 0 [ £ j31 (|) ¤ gj31(|) g| = i[ £ j31 (|) ¤ gj31(|) g| (3.5) Como gj31(|) g| ? 0 (lembre que estamos considerando j decrescente agora, o que implica que a inversa também é decrescente), resulta gj31(|) g| = ¯ ¯ ¯ ¯ gj31(|) g| ¯ ¯ ¯ ¯ CAPÍTULO 3. FUNÇÕES DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS 48 yXg d)( )(1 yg y )(1 ygX t Figura 3.2: Função inversa de uma função decrescente e (3.5) pode ser reescrita como i (|) = I 0 (|) = i[ £ j31 (|) ¤ ¯ ¯ ¯ ¯ gj31(|) g| ¯ ¯ ¯ ¯ (3.6) Os resultados (3.4) e (3.6), para funções crescentes e decrescentes, podem ser reunidos para completar a prova do teorema. Quando a função não é monotóna, não podemos aplicar o teorema acima e nem sempre conseguiremos obter uma expressão usando os recursos vistos neste curso. 3.2.1 Exemplo Seja [ Xqli(0 1) isto é: i[({) = ½ 1 se 0 ? { ? 1 0 se { 0 ou { 1 Dena = ln [= Vamos calcular a função de densidade de probabilidade de = A função j({) = ln { é estritamente decrescente e podemos aplicar o Teorema 3.1. Então, como 0 ? { ? 1 segue que 0 ? | = ln { ? 4 (ver Figura 3.3). Por outro lado, a inversa de | = j({) = ln { é j31(|) = h3| e, portanto, gj31(|) g| = h3| Como 0 ? | ? 4, então 0 ? h3| ? 1 e a função de densidade de probabilidade de é i (|) = i[ £ h3| ¤ × ¯ ¯ h3| ¯ ¯ = 1 × h3| , i (|) = h3| uma vez que i[({) = 1 no intervalo (0 1)= Note que essa é a densidade exponencial com parâmetro igual a 1.
  26. 26. CAPÍTULO 3. FUNÇÕES DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS 49 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 Figura 3.3: Gráco da função = j([) = ln [ 3.2.2 Transformação linear Consideremos a tranformação = d[ + e que dene uma reta. Se [ é uma variável aleatória contínua com densidade i[({) então podemos aplicar o Teorema 3.1 para calcular a densidade de = Se = j([) = d[ + e então a função inversa é [ = j31 ( ) = e d cuja derivada é gj31(|) g| = 1 d Logo, a densidade de é i (|) = i[ μ | e d ¶ ¯ ¯ ¯ ¯ 1 d ¯ ¯ ¯ ¯ (3.7) Exemplo Se a função de densidade da variável aleatória [ é dada por i({) = ½ 3{2 se 1 { 0 0 se { ? 1 ou { A 0 calcule a função de densidade de = 2[ 3 5 bem como sua esperança e sua variância. Solução: Temos que d = 2 e e = 0 6= Como 1 { 0 resulta que 2 6 | 0 6= Logo, i (|) = i[ μ | + 0 6 2 ¶ × 1 2 se 2 6 | 0 6 ou seja i (|) = 3 μ | + 0 6 2 ¶2 × 1 2 = 3 8 (| + 0 6)2 se 2 6 | 0 6 CAPÍTULO 3. FUNÇÕES DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS 50 Pelas propriedades da esperança e da variância, se = 2[ 3 5 então H( ) = 2H([) 3 5 Y du( ) = 4Y du([) H([) = Z 0 31 {3{2 g{ = μ 3 {4 4 ¶¯ ¯ ¯ ¯ 0 31 = 3 4 =, H( ) = 6 4 3 5 = 30 12 20 = 2 1 H([2 ) = Z 0 31 {2 3{2 g{ = μ 3 {5 5 ¶¯ ¯ ¯ ¯ 0 31 = 3 5 =, Y du([) = 3 5 μ 3 4 ¶2 = 48 45 80 = 3 80 =, Y du( ) = 4 × 3 80 = 3 20
  27. 27. Capítulo 4 A Distribuição Normal 4.1 Alguns resultados de Cálculo Com o uso de coordenadas polares, pode-se mostrar que Z 0 exp μ w2 2 ¶ gw = r 2 (4.1) Como o integrando é uma função par, temos também que Z 3 exp μ w2 2 ¶ gw = 2 × Z 0 exp μ w2 2 ¶ gw = 2 × r 2 = s 2 ou ainda 1 s 2 Z 3 exp μ w2 2 ¶ gw = 1 (4.2) 4.1.1 Exercício resolvido Calcule (1@2) = Por denição, (1@2) = Z 0 h3{ {1@231 g{ = Z 0 h3{ s { g{ Vamos usar a seguinte transformação de variável: { = w2 2 Então, g{ = wgw { = 0 , w = 0 { $ 4 , w $ 4 Logo, (1@2) = Z 0 3 Ch3w2@2 q w2 2 4 D wgw = s 2 Z 0 h3w2@2 gw = s 2 × r 2 ou seja: (1@2) = s 51 CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 52 4.2 Densidade normal padrão 4.2.1 Denição Analisando a equação (4.2), vemos que a função 1 s 2 exp μ w2 2 ¶ satisfaz as condições para ser uma função de densidade. Essa é, por denição, a densidade normal padrão *({) (note que *({) A 0) denida por: *({) = 1 s 2 exp μ {2 2 ¶ 4 ? { ? 4 (4.3) Vamos denotar por Q(0; 1) a densidade normal padrão e, se uma variável aleatória ] é distribuída segundo uma normal padrão, representaremos esse fato como ] Q(0; 1)= 4.2.2 Esperança Seja ] Q(0 1)= Por denição, a esperança de ] é: H(]) = Z 3 {*({)g{ = 1 s 2 Z 3 { exp μ {2 2 ¶ g{ Como *({) é simétrica em torno do ponto { = 0 sabemos que H(]) = 0= 4.2.3 Variância Como H(]) = 0 se ] Q(0; 1) então Y du(]) = H(]2 ) = Z + 3 {2 1 s 2 exp μ {2 2 ¶ g{ = 2 s 2 Z + 0 {2 exp μ {2 2 ¶ g{ uma vez que o integrando é par (note os limites de integração). Esta integral é calculada usando-se o método de integração por partes. Fazendo: • { exp μ {2 2 ¶ g{ = gy , y = exp μ {2 2 ¶ • { = x , g{ = gx resulta que: { exp μ {2 2 ¶¯ ¯ ¯ ¯ 0 = Z 0 exp μ {2 2 ¶¸ g{ + Z 0 {2 exp μ {2 2 ¶ g{ (4.4) Pelos resultados (2.7) e (4.1)resulta 0 = r 2 + Z 0 {2 exp μ {2 2 ¶ g{ =, Z 0 {2 exp μ {2 2 ¶ g{ = r 2 Logo, Var(]) = 2 s 2 × r 2 , Var(]) = 1 (4.5)
  28. 28. CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 53 4.2.4 Características da curva normal padrão 1. Simétrica em torno de 0; note que * ( {) = * ({) = 2. Assíntotas: lim {3 *({) = lim { *({) = 0; esse resultado segue diretamente do fato de que lim{ h3{ = 0 3. Ponto de máximo Para calcular a primeira e segunda derivadas de *({) devemos lembrar que (h{)0 = h{ e, pela regra da cadeia, (hj({))0 = hj({)j0({)= Aplicando esses resultados à den- sidade normal padrão, obtemos que: *0 ({) = 1 s 2 exp {2 2 ¸ 1 2 2{ ¸ = *({){ (4.6) Derivando novamente, obtemos: *00 ({) = *0 ({){ *({) = [ *({){] { *({) = *({){2 *({) = *({)({2 1) (4.7) Analisando a equação (4.6) e lembrando que *({) A 0, pode-se ver que: *0 ({) = 0 / { = 0 e assim, { = 0 é um ponto crítico. Como *0({) A 0 para { ? 0 e *0({) ? 0 para { A 0 então * é crescente à esquerda de 0 e decrescente à direita de 0= Segue, então, que { = é um ponto de máximo e nesse ponto *(0) = 1 s 2 (4.8) 4. Pontos de in exão Analisando a segunda derivada dada por (4.7), tem-se que: *00 ({) = 0 / {2 1 = 0 / { = ±1 (4.9) Além disso, *00 ({) A 0 / {2 1 A 0 / {2 A 1 / { A 1 ou { ? 1 e *00 ({) ? 0 / {2 1 ? 0 / {2 ? 1 / 1 ? { ? 1 Logo, *({) é côncava para cima se { A 1 ou { ? 1 e é côncava para baixo quando 1 ? { ? +1= Na Figura 4.1 temos o gráco da densidade normal padrão; aí as linhs pontilhadas indicam a ocorrência dos pontos de in exão CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 54 0 0,1 0,2 0,3 0,4 0,5 -5 -4 -3 -2 -1 0 1 2 3 4 5 Figura 4.1: Densidade normal padrão 4.2.5 Função de distribuição acumulada A função de distribuição acumulada de qualquer variável aleatória [ é denida por I[([) = Pr ([ {) = No caso da densidade normal padrão, essa função é dada pela integral ({) = Z { 3 1 s 2 exp μ 1 2 w2 ¶ gw (4.10) para a qual não existe uma antiderivada em forma de função elementar. Assim, a função de distribuição acumulada da normal padrão é calculada por integração numérica. Todos os pacotes estatísticos possuem rotinas especiais para esse cálculo. No EXCEL, a função DIST.NORMP calcula Pr (] {) para qualquer { onde ] Q(0; 1)= 4.2.6 Tabulação da distribuição normal padrão Para completar o estudo da distribuição normal padrão, é necessário calcular proba- bilidades de quaisquer eventos, tais como Pr (d ] e) = Por denição da função de densidade, essa probabilidade, no caso da normal padrão, é dada por: Pr(d ] e) = Z e d 1 s 2 exp μ 1 2 {2 ¶ g{ Como já dito, tal integral, que dá a área sob a curva compreendida entre os pontos d e e não pode ser calculada pelos procedimentos usuais; a diculdade está no fato de que aqui não podemos aplicar o Teorema Fundamental do Cálculo, já que não existe uma função elementar cuja derivada seja exp μ {2 2 ¶ = Assim, para calcular probabilidades do tipo acima, é necessária a aplicação de métodos numéricos e esses métodos permitem tabular Pr(] }) para qualquer valor de }= Ao nal deste capítulo, são dadas 2 versões da tabela da normal padrão. Na Tabela 1 é dada a distribuição acumulada para cada valor de } A 0 ou seja é dado o valor de (}) = Pr(] })= Na Tabela 2, usa-se novamente o fato de a distribuição normal
  29. 29. CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 55 ser simétrica para “economizar” no tamanho da tabela e apresenta-se, para cada } A 0 wde(}) = Pr(0 ] }). A partir de qualquer uma delas é possível calcular a probabilidade de qualquer evento associado à distribuição normal padrão. Em ambas, a abscissa } é apresentada com 2 casas decimais, sendo que a casa inteira e a primeira casa decimal estão nas linhas da coluna à esquerda e a segunda casa decimal está na linha superior da tabela. 4.2.7 Exemplos Seja ] Q(0 1)= Calcule: 1. Pr (0 ] 1) Solução Essa probabilidade corresponde à área sombreada na Figura 4.2. Pela Tabela 1, temos: Pr (0 ] 1) = Pr(] 1) Pr(] ? 0) = Pr(] 1) Pr(] 0) = (1) (0) = 0 84134 0 5 = 0 34134 Pela Tabela 2, temos que Pr (0 ] 1) = wde(1) = 0 34134 onde wde(}) representa o valor dado na Tabela 2 correspondente à abscissa }= Figura 4.2: Pr(0 ? ] ? 1) 2. Pr (1 ] ? 2 5) Solução Essa probabilidade corresponde à área sombreada na Figura 4.3. Pela Tabela 1, temos: Pr (1 ] ? 2 5) = Pr(] ? 2 5) Pr(] ? 1) = Pr(] 2 5) Pr(] 1) = (2 5) (1) = 0 99379 0 84134 = 0 15245 Pela Tabela 2, temos que Pr (1 ] 2 5) = wde(2 5) wde(1) = 0 49379 0 34134 = 0 15245 CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 56 Figura 4.3: Pr(1 ] ? 2 5) 3. Pr( 1 ] 0) Solução Essa probabilidade corresponde à área sombreada na Figura 4.4. Por simetria e pela continuidade dadensidade, temos que Pr ( 1 ? ] ? 0) = Pr(0 ? ] ? 1) = Pr(0 ? ] 1) Da Tabela 1 resulta Pr ( 1 ? ] ? 0) = Pr(0 ? ] ? 1) = Pr(0 ? ] 1) = Pr(] 1) Pr(] 0) = (1) (0) = 0 84134 0 5 = 0 34134 Pela Tabela 2, temos que (note a simetria das áreas!) Pr ( 1 ? ] ? 0) = Pr(0 ] 1) = wde(1) = 0 34134 Figura 4.4: Pr( 1 ? ] ? 0) 4. Pr (] ? 1 0) Solução
  30. 30. CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 57 Essa probabilidade corresponde à área sombreada em cinza claro na Figura 4.5. Por simetria, essa área (probabilidade) é igual à área sombreada em cinza escuro, que corresponde a Pr(] A 1)= Então, pela Tabela 1, temos: Pr (] ? 1 0) = Pr(] A 1 0) = 1 Pr(] 1) = 1 (1 0) = 1 0=84134 = 0 15866 Pela Tabela 2, temos que Pr (] ? 1 0) = Pr(] A 1 0) = 0 5 Pr (0 ] 1) = 0 5 wde(1 0) = 0 5 0 34134 = 0 15866 Figura 4.5: Pr(] ? 1) 5. Pr ( 1 ? ] ? 2) Solução Essa probabilidade corresponde à área sombreada na Figura 4.6. Pela Tabela 1, temos: Pr ( 1 ? ] ? 2) = Pr( 1 ? ] 2) = Pr(] 2) Pr(] 1) = Pr(] 2) Pr(] 1) = (2 0) [1 Pr(] ? 1)] = (2 0) 1 + (1 0) = 0 97725 1 + 0 84134 = Pela Tabela 2, temos que Pr ( 1 ? ] ? 2) = Pr ( 1 ] 2) = Pr ( 1 ] 0) + Pr (0 ] 2) = = Pr (0 ] 1) + Pr (0 ] 2) = = wde(1 0) + wde(2 0) = 0 34134 + 0 47725 = 0 81859 6. Pr (] A 1 5) Solução Essa probabilidade corresponde à área sombreada na Figura 4.7. Pela Tabela 1, temos: Pr (] A 1 5) = 1 Pr(] 1 5) = 1 (1 5) = 1 0=93319 = 0 06681 Pela Tabela 2, temos que Pr (] A 1 5) = 0 5 Pr (0 ] 1 5) = 0 5 wde(1 5) = 0=5 0=43319 = 0 06681 CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 58 Figura 4.6: Pr( 1 ? ] ? 2) Figura 4.7: S(] A 1 5)
  31. 31. CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 59 4.3 Densidade Q(; 2 ) 4.3.1 Denição Seja ] Q(0; 1) e vamos denir uma nova variável aleatória [ = j(]) = + ] em que A 0= Usando o resultado (3.7), temos que: i[({) = i] μ { ¶ × 1 = 1 s 2 exp 1 2 μ { ¶2 # × 1 ou ainda: i[({) = 1 s 22 exp 1 2 μ { ¶2 # e essa é a densidade da normal Q(; 2) Denição 4.1 Uma variável aleatória contínua [ denida para todos os valores da reta real, tem densidade normal com parâmetros e 2 onde 4 ? ? 4 e 0 ? 2 ? 4 se sua função de densidade de probabilidade é dada por i({) = 1 s 22 exp ({ )2 22 ¸ 4 ? { ? 4 = (4.11) Usaremos a seguinte notação para indicar que uma variável aleatória [ tem distribuição normal com parâmetros e 2 : [ Q(; 2)= 4.3.2 Características da curva normal 1. Simétrica em torno de ; note que i ( {) = i ( + {) = 2. Assíntotas: lim {3 i({) = lim { i({) = 0; esse resultado segue diretamente do fato de que lim{ h3{ = 0 3. Ponto de máximo Para calcular a primeira e segunda derivadas de i({) devemos lembrar que (h{)0 = h{ e, pela regra da cadeia, (hj({))0 = hj({)j0({)= Aplicando esses resultados à den- sidade normal, obtemos que: i0 ({) = 1 s 22 exp ({ )2 22 ¸ 1 22 2({ ) ¸ = i({) μ { 2 ¶ (4.12) Derivando novamente, obtemos: i 00 ({) = i0 ({) μ { 2 ¶ i({) 1 2 = i({) μ { 2 ¶¸ { 2 ¸ i({) 1 2 = = i({) ({ )2 4 ¸ i({) 1 2 = i({) ({ )2 2 4 ¸ (4.13) Analisando a equação (4.12) e lembrando que i({) A 0, pode-se ver que: i0 ({) = 0 / { = CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 60 e assim, { = é um ponto crítico. Como i0({) A 0 para { ? e i0({) ? 0 para { A então i é crescente à esquerda de e decrescente à direita de = Segue, então, que { = é um ponto de máximo e nesse ponto i() = 1 s 22 (4.14) 4. Pontos de in exão Analisando a segunda derivada dada por (4.13), tem-se que: i 00 ({) = 0 / ({ )2 = 2 / |{ | = / ½ { = + { = (4.15) Além disso, i 00 ({) A 0 / ({ )2 A 2 / |{ | A / / { A ou { A (4.16) / { A + ou { ? e i 00 ({) ? 0 / ({ )2 ? 2 / |{ | ? / / ½ { ? { ? / ? { ? + (4.17) Logo, i({) é côncava para cima se { A + ou { ? e é côncava para baixo quando ? { ? + = Na Figura 4.8 é apresentado o gráco da densidade normal no caso em que = 3 e 2 = 1= Aí a linha pontilhada central representa o eixo de simetria e as linhas pontilhadas laterais passam pelos pontos de in exão 3 ± 1= 4.3.3 Parâmetros da Q (; 2 ) Se [ Q ¡ ; 2 ¢ então [ = + ], em que ] Q(0; 1)= Das propriedades de média e variância, sabemos que, se [ é uma variável aleatória e n1 6= 0 e n2 são constantes quaisquer, então H(n1[ + n2) = n1H([) + n2 (4.18) Var(n1[ + n2) = n2 1 Var ([) Resulta, então, que se [ Q ¡ ; 2 ¢ então H([) = + H(]) = + 0 , H ([) = (4.19) e Var ([) = 2 Var (]) = 2 × 1 , Var ([) = 2 (4.20)
  32. 32. CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 61 0,0 0,1 0,2 0,3 0,4 0,5 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 N(3;1) Figura 4.8: Densidade normal com média = 3 e variância 2 = 1 Resumindo: [ Q ¡ ; 2 ¢ =, ½ H([) = Y du([) = 2 (4.21) Os parâmetros da densidade normal são, então, a média e a variância, que são medidas de posição e dispersão, respectivamente. Valores diferentes de deslocam o eixo de simetria da curva e valores diferentes de 2 mudam a dispersão da curva. Quanto maior 2 mais “espalhada” é a curva; mas o ponto de máximo, dado pela equação (4.14), é inversamente proporcional a 2= Logo, quanto maior 2 mais “espalhada” e mais “achatada” é a curva. A questão é que a forma é sempre a de um “sino”. Na Figura 4.9 temos exemplos de densidades normais com a mesma variância, mas com médias diferentes. O efeito é o “delocamento” da densidade. Já na Figura 4.10, temos duas densidades com a mesma média, mas variâncias diferentes. O efeito é que a densidade com maior variância é mais dispersa e achatada. 4.3.4 Função de dsitribuição acumulada Como no caso da normal padrão, a função de distribuição acumulada não pode ser calculada diretmanete, sendo necessários programas computacionais.Com o auxílio da função DISTR.NORM do Excel foi obtida a Figura 4.11. onde temos os grácos da função de distribuição acumulada para as densidades Q(0 1) Q(3 1) e Q(3 2). Note que, pela simetria da densidade em torno da média sempre teremos () = 0 5= CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 62 0,0 0,1 0,2 0,3 0,4 0,5 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 N(0;1) N(3;1) Figura 4.9: Exemplos de densidades normais com mesma variância e médias diferentes 0,0 0,1 0,2 0,3 0,4 0,5 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 N(3;1) N(3;4) Figura 4.10: Exemplos de densidades normais com mesma média e variâncias diferentes
  33. 33. CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 63 0,0 0,2 0,4 0,6 0,8 1,0 1,2 -6 -4 -2 0 2 4 6 8 10 N(0;1) N(3;2) N(3;1) Figura 4.11: Função de distribuição acumulada de várias densidades normais 4.3.5 Cálculo de probabilidades de uma variável normal O resultado a seguir garante que probabilidades de qualquer variável normal podem ser calculadas a partir das probabilidades da normal padrão. De fato, já foi visto que se [ Q ¡ 2 ¢ então [ = + ] onde ] Q(0 1)= Vamos ver como utilizar esse resultado para calcular probabilidades da normal. Temos que Pr ([ {) = Pr μ [ { ¶ = Pr μ ] { ¶ = μ { ¶ (4.22) Na Figura 4.12 ilustra-se esse fato com as densidades ] Q(0; 1) e [ Q(3; 4)= No gráco inferior a área sombreada representa Pr([ 5) e, no gráco superior, a área sombreada representa a probabilidade equivalente: Pr([ 5) = Pr μ [ 3 2 5 3 2 ¶ = Pr(] 1) O que o resultado diz é que essas áreas (probabilidades) são iguais. Esse resultado mostra que probabilidades de qualquer variável normal podem ser obtidas a partir de probabilidades da normal padrão e, assim, só é necessário tabular a distribuição normal padrão. 4.3.6 Exemplos 1. Se [ Q (2 4) calcule Pr ( 1 [ 5) = Solução CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 64 Figura 4.12: Ilustração da propriedade (4.22)
  34. 34. CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 65 Temos que (veja Figura 4.13) Pr ( 1 [ 5) = Pr μ 1 2 s 4 [ 2 s 4 5 2 s 4 ¶ = Pr ( 1 5 ] 1 5) = = 2 Pr (0 ] 1 5) = 2 × wde(1 5) = 2 × 0 43319 = 2[(1 5) 0 5] = 2 × [0 93319 0 5] = 0 86638 Figura 4.13: [ Q(2 4) : Pr( 1 [ 5) = Pr( 1 5 ] 1 5) 2. Se [ Q ( 1 9) calcule Pr ( 1 [ 5) = Solução Temos que (veja Figura 4.14) Pr ( 1 [ 9) = Pr μ 1 ( 1) s 9 [ ( 1) s 9 5 ( 1) s 9 ¶ = Pr (0 ] 2) = = wde(2 0) = (2 0) 0 5 = 0 47725 Figura 4.14: [ Q( 1 9) : Pr( 1 [ 9) = Pr(0 ] 2) CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 66 3. Se [ Q (3 4) calcule Pr ( 7 [ 5) = Solução Temos que (veja Figura 4.15) Pr ( 7 [ 5) = Pr μ 7 3 s 4 [ 3 s 4 5 3 s 4 ¶ = Pr ( 5 ] 1) = = Pr ( 5 ] 0) + Pr (0 ] 1) = = Pr (0 ] 5) + wde(1 0) = 0 5 + 0 34134 = 0 84134 = (1 0) ( 5 0) = (1 0) [1 (5 0)] Figura 4.15: [ Q(3; 4) : Pr( 7 [ 5) = Pr( 5 ] 1) 4. Se [ Q ¡ 2 ¢ calcule Pr ( 2 [ + 2) = Solução Temos que (veja Figura 4.16): Pr ( 2 [ + 2) = Pr μ 2 ] + 2 ¶ = = Pr ( 2 ] 2) = 2 × Pr (0 ] 2) = = 2 × wde(2 0) = 2 × 0 47725 = 0 9545 ' 95% Note que essa probabilidade não depende dos parâmetros e = Isso signica que a probabilidade de uma variável aleatória normal estar compreendida entre dois desvios padrões em torno da média é sempre 95%! 5. Se [ Q(2; 9) encontre o valor de n tal que Pr([ ? n) = 0 95= Solução Aqui, estamos analisando um problema inverso: dada a probabilidade de um evento, queremos encontrar a abscissa correspondente. Nesse exemplo, podemos observar que a abscissa n tem que estar do lado direito da curva, ou seja, acima da média, uma vez que a probabilidade abaixo dela tem que ser maior do que 0,5.
  35. 35. CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 67 Figura 4.16: [ Q(; 2) : Pr( 2 [ + 2) = Pr( 2 ] 2) Para resolver este problema, devemos, como antes, obter a probabilidade equiva- lente em termos da normal padrão (veja a Figura 4.17): Pr([ ? n) = 0 95 +, Pr μ [ 2 3 ? n 2 3 ¶ = 0 95 +, Pr μ ] ? n 2 3 ¶ = 0 95 +, Pr(] ? 0) + Pr μ 0 ] ? n 2 3 ¶ = 0 95 +, 0 5 + wde μ n 2 3 ¶ = 0 95 +, wde μ n 2 3 ¶ = 0 45 Então, na Tabela 2, temos que procurar, no corpo da tabela, a abscissa que corre- sponde à área de 0,45. É fácil ver que essa abscissa é 1,64, ou seja: n 2 3 = 1 64 =, n = 2 + 3 × 1=64 = 6 92 Figura 4.17: [ Q(2; 9) : Pr([ ? n) = 0 95 +, ¡n32 3 ¢ = 0 95 6. Se [ Q(2; 9) encontre o valor de n tal que Pr([ ? n) = 0 10= Solução CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 68 Como no exemplo anterior, dada a probabilidade de um evento, queremos encon- trar a abscissa correspondente. Nesse exemplo, podemos observar que a abscissa n tem que estar do lado esquerdo da curva, ou seja, abaixo da média, uma vez que a probabilidade abaixo dela tem que ser menor do que 0,5. Em termos da probabilidade equivalente da normal padrão : Pr([ ? n) = 0 10 +, Pr μ [ 2 3 ? n 2 3 ¶ = 0 10 +, Pr μ ] ? n 2 3 ¶ = 0 10 Veja a Figura 4.18. Se abaixo da abscissa n32 3 temos área de 0,10, pela simetria da curva, temso que ter área 0,10 acima da abscissa simétrica. Ou seja, acima de n32 3 temos área 0,10 e, portanto, a área entre 0 e n32 3 tem que ser 0,40. Pr μ ] ? n 2 3 ¶ = 0 10 +, Pr μ ] A n 2 3 ¶ = 0 10 +, Pr μ 0 ] n 2 3 ¶ = 0 40 +, wde μ n 2 3 ¶ = 0 40 +, n 2 3 = 1 28 +, n + 2 = 3 84 +, n = 1 84 Figura 4.18: [ Q(2; 9) : Pr([ ? n) = 0 10 +, ¡n32 3 ¢ = 0 10 +, ¡ n32 3 ¢ = 0 90 4.4 Exemplo: qui-quadrado e normal Seja ] Q(0; 1) e considere = ]2= Para | A 0 temos I (|) = Pr( |) = Pr(]2 |) = Pr ( s | ] s |) = I] ( s |) I] ( s |) = ( s |) ( s |)
  36. 36. CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 69 e, portanto, usando a regra da cadeia, resulta que i (|) = g g| [ ( s |)] g g| [ ( s |)] = 0 ( s |) 1 2 s | 0 ( s |) μ 1 2 s | ¶ = * ( s |) 1 2 s | + * ( s |) 1 2 s | = 1 s 2 exp à ¡s | ¢2 2 ! 1 2 s | + 1 s 2 exp à ¡ s | ¢2 2 ! 1 2 s | = 2 × 1 s 2 exp ³ | 2 ´ 1 2 s | ¸ = 1 s s 2 exp ³ | 2 ´ |31@2 = 1 ¡1 2 ¢ 21@2 |1@231 h3|@2 Comparando com a densidade qui-quadrado dada em (2.21) i({) = 1 (q 2 )2q@2 {q@231 h3{@2 se { A 0 vemos que i (|) é uma qui-quadrado com 1 grau de liberdade, ou seja, se ] Q(0; 1) então ]2 2 1. Este resultado se generaliza da seguinte forma: se ]1 ]2 = = = ]q são variáveis aleatórias independentes, todas com distribuição normal padrão, então = ]2 1 + ]2 2 + = = = + ]2 q tem distribuição qui-quadrado com q graus de liberdade. Dessa denição ca mais claro o conceito de graus de liberdade: é o número de parcelas independentes em uma soma de variáveis aleatórias. Já foi visto que, se [ 2 q então H([) = q e Y du([) = 2q= Na Figura 4.19 são apresentados os grácos para q = 1 2 6= Para q A 2 o gráco tem sempre forma semelhante ao último gráco desta gura. 4.4.1 Tabela da qui-quadrado Ao contrário da distribuição normal, não existe relação entre as diferentes distribuições qui-quadrado. Assim, para o cálculo de probabilidades desta distribuição seria necessária uma tabela para cada valor de q ou o uso de programas computacionais. Nos livros didáticos é comum apresentar uma tabela da distribuição qui-quadrado que envolve os valores críticos, ou seja, valores que deixam determinada probabilidade acima deles. Mais precisamente, o valor crítico da 2 q associado à probabilidade é o valor 2 q; tal que Pr(2 q A 2 q;) = Veja a Figura 4.20. Ao nal desta apostila apresentamos a Tabela 3, que fornece os valores críticos da distribuição qui-quadrado. Nas linhas da tabela temos os graus de liberdade e nas colunas, a área na cauda superior. O corpo da tabela fornece o vcalor crítico 2 q;= CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 70 n = 1 n = 2 n = 6 0 1 2 3 4 5 0 1 2 3 4 5 6 0 0,1 0,2 0,3 0,4 0,5 0,6 0 2 4 6 8 10 12 0,00 0,05 0,10 0,15 0 5 10 15 20 25 30 Figura 4.19: Distribuição qui-quadrado
  37. 37. CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 71 Figura 4.20: Valor crítico da qui-quadrado 4.4.2 Exemplos 1. Na distribuição 2 15 encontre a abscissa n tal que Pr(2 15 A n) = 0 05= Solução Temos que considerar a linha correspondente a 15 graus de liberdade e a coluna correspondente a = 0 05 o que nos dá n = 24 996 2. Na distribuição 2 23 encontre a abscissa n tal que Pr(2 23 ? n) = 0 10= Solução 1. O problema dá a cauda inferior. Temos que Pr(2 (23) ? n) = 0 10 +, Pr(2 (23) n) = 0 90 Temos que considerar a linha correspondente a 23 graus de liberdade e a coluna correspondente a = 0 90 o que nos dá n = 14 848= 4.5 A distribuição log-normal 4.5.1 Denição Seja [ Q( 2)= Se denimos uma nova variável aleatória = h[ então diz-se que tem distribuição log-normal com parâmetros e 2= Reciprocamente, se tem distribuição log-normal, então [ = ln tem distribuição Q( 2)= Vamos calcular a função de densidade de probabilidade de uma variável aleatória log- normal a partir de sua função de distribuição acumulada. Note que só pode assumir valores positivos. Temos que: I (|) = Pr ( |) = Pr ¡ h[ | ¢ = Pr ([ ln |) = = Pr μ [ ln | ¶ = Pr μ ] ln | ¶ = μ ln | ¶ | A 0 CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 72 Sabemos que i (|) = I0(|) e, também, no caso da normal padrão, 0(}) = *(})= Logo, pela regra da cadeia, i (|) = 0 μ ln | ¶ × 1 | = * μ ln | ¶ × 1 | = = 1 s 2 exp 1 2 μ ln | ¶2 # × 1 | ou ainda: i (|) = 1 | s 22 exp 1 2 μ ln | ¶2 # | A 0 4.5.2 Esperança A esperança de é: H( ) = Z 0 | 1 | s 22 exp 1 2 μ ln | ¶2 # g| Fazendo a mudança de variável • w = ln | temos que • | = 0 , w = 4 • | = 4 , w = 4 • gw = 1 | g| • | = hw
  38. 38. CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 73 e, portanto H( ) = 1 s 22 Z 3 hw exp 1 2 μ w ¶2 # gw = 1 s 22 Z 3 exp 1 2 μ w ¶2 + w # gw = 1 s 22 Z 3 exp w2 2w + 2 22w 22 ¸ gw = = 1 s 22 Z 3 exp w2 2w ¡ + 2 ¢ + 2 22 # gw = 1 s 22 Z 3 exp w2 2w ¡ + 2 ¢ 22 # exp μ 2 22 ¶ gw = = exp μ 2 22 ¶ 1 s 22 Z 3 exp w2 2w ¡ + 2 ¢ + ¡ + 2 ¢2 ¡ + 2 ¢2 22 # gw = exp μ 2 22 ¶ 1 s 22 Z 3 exp ( £ w ¡ + 2 ¢¤2 22 ) exp á + 2 ¢2 22 ! gw = exp à 2 22 + ¡ + 2 ¢2 22 ! 5 7 1 s 22 Z 3 exp ( £ w ¡ + 2 ¢¤2 22 ) gw 6 8 Mas o termo entre os colchetes externos é a integral de uma densidade normal com média = ¡ + 2 ¢ e variância 2; logo, essa integral é 1 e, portanto: H( ) = exp à 2 22 + ¡ + 2 ¢2 22 ! = exp μ 2 + 2 + 22 + 4 22 ¶ , H( ) = exp μ + 2 2 ¶ (4.23) CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 74 4.5.3 Variância Vamos calcular de modo análogo H( 2) usando a mesma transformação: H( 2 ) = Z 0 |2 1 | s 22 exp 1 2 μ ln | ¶2 # g| = 1 s 22 Z 3 h2w exp 1 2 μ w ¶2 # gw = 1 s 22 Z 3 exp 1 2 μ w ¶2 + 2w # gw = 1 s 22 Z 3 exp w2 2w + 2 42w 22 ¸ gw = = 1 s 22 Z 3 exp w2 2w ¡ + 22 ¢ + 2 22 # gw = 1 s 22 Z 3 exp w2 2w ¡ + 22 ¢ 22 # exp μ 2 22 ¶ gw = = exp μ 2 22 ¶ 1 s 22 Z 3 exp w2 2w ¡ + 22 ¢ + ¡ + 22 ¢2 ¡ + 22 ¢2 22 # gw = exp μ 2 22 ¶ 1 s 22 Z 3 exp ( £ w ¡ + 22 ¢¤2 22 ) exp á + 22 ¢2 22 ! gw = exp à 2 22 + ¡ + 22 ¢2 22 ! 5 7 1 s 22 Z 3 exp ( £ w ¡ + 22 ¢¤2 22 ) gw 6 8 Como antes, o termo entre os colchetes externos é 1 porque é a integral de uma densidade normal com média + 22 e variância 2= Logo, H( 2 ) = exp à 2 22 + ¡ + 22 ¢2 22 ! = exp μ 2 + 2 + 42 + 44 22 ¶ , H( 2 ) = exp ¡ 2 + 22 ¢ e Var( ) = exp ¡ 2 + 22 ¢ exp μ + 2 2 ¶¸2 = = exp ¡ 2 + 22 ¢ exp 2 μ + 2 2 ¶¸ = = exp ¡ 2 + 22 ¢ exp ¡ 2 + 2 ¢ = exp ¡ 2 + 2 ¢ exp ¡ 2 + 22 ¢ exp (2 + 2) 1 # = = exp ¡ 2 + 2 ¢ £ exp ¡ 2 + 22 2 2 ¢ 1 ¤ = = exp ¡ 2 + 2 ¢ £ exp 2 1 ¤ Denindo p = H([) = exp 10) ³ + 2 2 ´ temos que p2 = exp ¡ 2 + 2 ¢ = Logo, Var( ) = p2 h h2 i 1 (4.24)
  39. 39. CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 75 4.6 Exercícios propostos 1. Na distribuição normal [ Q( 2), encontre: (a) Pr([ + 2) (Resp.: 0 97725) (b) Pr(|[ | ) (Resp.:0 68268) (c) Pr(|[ | 1 96) (Resp.: 0 95) (d) o número n tal que Pr( n [ + n) = 0 99 (Resp.: 2 58 ) (e) o número n tal que Pr([ A n) = 0 90= (Resp.: 1 28) 2. Suponha que os tempos de vida de 2 marcas de aparelhos elétricos sejam variáveis aleatórias G1 e G2, onde G1 Q(42 36) e G2 Q(45 9). Se o aparelho deve ser usado por um período de 45 horas, qual marca deve ser preferida? E se for por um período de 49 horas? (Resp.: 2;1) 3. Numa distribuição normal, 31% dos elementos são menores que 45 e 8% são maiores que 64. Calcular os parâmetros que denem a distribuição. (Resp.: = 50; ) 4. As vendas de um determinado produto têm distribuição aproximadamente normal com média de 500 unidades e desvio padrão de 50 unidades. Se a empresa decide fabricar 600 unidades no mês em estudo, qual a probabilidade de que não possa atender a todos os pedidos desse mês, por estar com a produção esgotada? (Resp.: 0 0228) 5. Um produto alimentício é ensacado automaticamente, sendo o peso médio de 50 kg por saco, com desvio padrão de 1,6 kg. Os clientes exigem que, para cada saco fornecido com menos de 48 kg, o fornecedor pague uma indenização de 5 u.m.. (a) Para 200 sacos fornecidos, qual o custo médio com indenização? (Resp.: 105 6 u.m) (b) Para que o custo calculado no item anterior caia para 50 u.m., qual deveria ser a nova regulagem média da máquina? (Resp.: 50 624) (c) Como o fornecedor acha que, no custo global, é desvantajoso aumentar a regulagem da máquina, ele quer comprar uma nova máquina. Qual deveria ser o desvio padrão dessa máquina para que, trabalhando com peso médio de 50 kg, em apenas 3% dos sacos se pague indenização? (Resp.: 1 064) 6. Um teste de aptidão para o exercício de uma certa prossão exige uma sequência de operações a serem executadas rapidamente uma após a outra. Para passar no teste, o candidato deve completá-lo em, no máximo, 80 minutos. Admita que o tempo, em minutos, para completar a prova seja uma variável aleatória normal com média 90 minutos e desvio padrão 20 minutos. (a) Que porcentagem dos candidatos tem chance de ser aprovada? (Resp.: 30 85) (b) Os 5% melhores receberão um certicado especial. Qual o tempo máximo para fazer jus a tal certicado? (Resp.: 57 2 min) CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL 76 7. O diâmetro [ de rolamentos de esfera fabricados por certa fábrica tem distribuição normal com média 0,6140 e desvio padrão 0,0025. O lucro W de cada esfera depende do seu diâmetro e • W = 0 10 se a esfera é boa, isto é, 0 6100 ? [ ? 0 6180 • W = 0 05 se a esfera é recuperável, isto é, 0 6080 ? [ ? 0 6100 ou 0 6180 ? [ ? 0 6200 • W = 0 10 se a esfera é defeituosa, isto é, [ ? 0 6080 ou [ A 0 6200 Calcule as probabilidades de as esferas serem boas, recuperáveis e defeituosas e o lucro médio. (Resp.: 0 8904; 0 0932; 0 0164; 0 09206) 8. Uma empresa produz televisores e garante a restituição da quantia paga se qual- quer televisor apresentar algum defeito grave no prazo de 6 meses. Ela produz televisores do tipo A comum e do tipo B de luxo, com um lucro respectivo de 1000 u.m. e 2000 u.m. caso não haja restituição, e com prejuízo de 3000 u.m. e 8000 u.m., se houver restituição. Suponha que o tempo para ocorrência de algum defeito grave seja, em ambos os casos, uma variável aleatória com distribuição normal com médias 9 meses e 12 meses e desvios padrões 2 meses e 3 meses. Se tivesse que planejar uma estratégia de marketing para a empresa, você incentivaria as vendas dos aparelhos tipo A ou tipo B? (Resp.: H(OD) = 732 8; H(OE) = 1772) 9. A distribuição dos pesos de coelhos criados em uma granja pode ser representada por uma distribuição normal com média de 5 kg e desvio padrão de 0,8 kg. Um abatedouro comprará 5000 coelhos e pretende classicá-los de acordo com o peso da seguinte forma: 20% dos leves como pequenos, os 55% seguintes como médios, os 15% seguintes como grandes e os 10% mais pesados como extras. Quais os limites de peso para cada classicação? (Resp.: 4 328; 5 536; 6 024) 10. Considere uma variável aleatória [ Q(3 25) : (a) Calcule Pr ( 3 [ 3) (Resp.: 0 38493) (b) Calcule Pr ( 2 [ 8) (Resp.: 0 68268) (c) Encontre o valor de n tal que Pr([ A n) = 0 05= (Resp.: n = 11 2) (d) Encontre o valor de n tal que Pr([ A n) = 0 80= (Resp.: n = 1 2) 11. Seja [ Q ¡ 2 ¢ = Encontre a mediana e o intervalo interquartil de [= (Resp.: T2 = ; LT = 1 34) 12. O 90o percentil de uma variável aleatória Q ¡ 2 ¢ é 50, enquanto o 15o percentil é 25. Encontre os valores dos parâmetros da distribuição. (Resp.: = 36 35; = 10 92) 13. Uma enchedora automática enche garrafas de acordo com uma distribuição normal de média 1000 ml. Deseja-se que no máximo 1 garrafa em 100 saia com menos de 990ml. Qual deve ser o maior desvio padrão tolerável? (Resp.: 4 2918)

×