Variáveis Aleatórias Discretas e Contínuas e suas Distribuições

Transcrição

Variáveis aleatórias e suas distribuições
Métodos Numéricos e Estatı́sticos
Parte II-Métodos Estatı́sticos
Luı́sa Morgado
Lic. Eng. Biomédica e Bioengenharia-2009/2010
Luı́sa Morgado
Variável aleatória
É uma função, com propriedades especiais, que transforma eventos
em números, ou mais genericamente, em vectores:
A função X : Ω → RX ⊂ Rn diz-se uma variável aleatória (v.a.)
se verifica a condição de mensurabilidade
∀x ∈ R,
X −1 ((−∞, x]) ∈ A,
onde X −1 ((−∞, x]) = {ω ∈ Ω : X (ω) ≤ x}, e o espaço de
resultados Ω está associado à σ-álgebra A.
A v.a. diz-se
unidimensional se n = 1;
bidimensional se n = 2;
multidimensional se n > 2.
ou ainda
discreta, caso tome valores em RX em número finito ou numerável;
contı́nua, quando o seu conjunto de valores é infinito não numerável.
Luı́sa Morgado
Função de probabilidade
Seja X uma v.a. discreta (RX = {x1 , x2 , . . .} é um conjunto finito
ou numerável). A função de probabilidade de X (f.p.) é dada por
P(X = xi ), x = xi ∈ RX
P(X = x) = P ({ω ∈ Ω : X (ω) = x}) =
0, c.c.
e satisfaz
P(X = x) > 0, ∀x ∈ RX ;
P
P
P
x∈R P(X = x) =
x∈RX P(X = x) =
i P(X = xi ) = 1.
Luı́sa Morgado
Exemplo
Considere-se um teste americano com 3 questões, cujas respostas são dadas de forma
independente. A resposta a cada questão pode estar correcta (C ), com probabilidade
P(C ) = 0.5, ou incorrecta (C ), com probabilidade P(C ) = 0.5. A classificação das 3
questões é então uma e.a. cujo espaço de resultados é formado por 8 eventos
elementares:
Ω = {CCC , C C C , C CC , C CC , C C C , C C C , C C C , C C C }.
Considerando a v.a. X = no de respostas correctas no teste, verificamos que o seu
contradomı́nio é {0, 1, 2, 3} e portanto X é uma v.a. discreta.
A sua f.p. é dada por
P(X = 0)
=
P(C C C ) = P(C1 C2 C3 ) = P(C1 )P(C2 )P(C3 ) = 0.53
P(X = 1)
=
P(C C C ) + P(C C C ) + P(C C C ) = 3 × 0.53
P(X = 2)
=
P(CC C ) + P(C C ) + P(C CC ) = 3 × 0.53
P(X = 3)
=
P(CCC ) = 0.53
ou resumidamente P(X = x) =



1
,
8
3
,
8
0,
x = 0, 3
x = 1, 2
outros valores de
Luı́sa Morgado
x
Função de distribuição
A função de distribuição (f.d.) de uma v.a. X (independentemente
de esta ser discreta ou contı́nua) é dada por
FX (x) = P(X ≤ x),
x ∈ R.
Nota: A f.d. tem como domı́nio R e toma valores no intervalo
[0, 1] uma vez que se trata de uma probabilidade, i.e.
FX (x) : R → [0, 1] quer X seja uma v.a. discreta ou contı́nua.
Função de distribuição de uma v.a. discreta
A f.d. de uma v.a. discreta (com contradomı́nio RX =
{x1 , x2 , . . .}) pode escrever-se à custa da f.p de X:
X
FX (x) = P(X ≤ x) =
P(X = xi ), x ∈ R.
xi ≤x
Luı́sa Morgado
Exemplo
No exemplo anterior, em que X =no de respostas correctas no
teste americano, temos

0, x < 0



1

, 0≤x <1


 81 3
1≤x <2
8 + 8,
FX (x) =
3
3
1
+
+
, 2≤x <3


 8 8 8



 1 3 3 1
x ≥3
8 + 8 + 8 + 8,
Luı́sa Morgado
Uma v.a. pode ser caracterizada, embora parcialmente, por
parâmetros que se podem dividir em três grupos:
1 Parâmetros de localização central
valor esperado
moda
mediana
2
Parâmetros de localização não central
3
Parâmetros de dispersão
quantil de probabilidade (ou quantil de ordem) p
variância
desvio padrão
coeficiente de variação
Luı́sa Morgado
Valor esperado de uma v.a. discreta
O valor esperado de uma v.a. discreta (com contradomı́nio
RX = {x1 , x2 , . . .}) é dado por:
X
E (X ) =
xP(X = x).
x
Luı́sa Morgado
O valor esperado de uma v.a. X satisfaz as propriedades
∀b ∈ R;
1
E (b) = b,
2
E (aX + b) = aE (X ) + b∀a, b ∈ R;
3
Sendo Y = ψ(X ) uma v.a. função
P mensurável da v.a.
discreta X , E (Y ) = E [ψ(X )] = x ψ(x)P(X = x);
4
Geralmente, tem-se E [ψ(X )] 6= ψ[E (X )];
5
Se X é uma v.a. inteira não negativa, i.e.,
RX = {0, 1, 2, 3, . . .}, então
E (X ) =
+∞
X
+∞
X
P(X > x) =
[1 − FX (x)].
x=0
x=0
Luı́sa Morgado
Recordemos o exemplo anterior, em que
X = no de respostas correctas no teste americano
e
 1
 8 , x = 0, 3
3
P(X = x) =
, x = 1, 2
 8
0, outros valores de x
Assim
E (X ) =
3
X
xP(X = x) = 0 ×
x=0
1
3
3
1
+ 1 × + 2 × + 3 × = 1.5
8
8
8
8
Nota: Note que o valor esperado não pertence ao conjunto de
valores possı́veis da v.a. X .
Luı́sa Morgado
Moda de uma v.a. discreta
A moda de uma v.a. discreta X , mo = mo(X ), é o valor da
v.a. que ocorre com mais frequência e como tal, corresponde
ao ponto de máximo da f.p. de X , i.e.
mo(X ) : P(X = mo) = maxx P(X = x).
Exemplo
No exemplo que temos vindo a considerar, mo = mo(X ) = 1 e 2.
Tal como este exemplo ilustra, nem sempre a moda é única.
Diz-se, neste caso, que X é bimodal (tem duas modas).
Luı́sa Morgado
Mediana de uma v.a. discreta
A mediana de uma v.a. discreta, me = me(X ) = FX−1
tem a particularidade de verificar
P(X ≤ me) ≥ 12
P(X ≥ me) ≥ 12
1
2
,
o que é equivalente a
me :
1
1
≤ FX (me) ≤ + P(X = me).
2
2
Nota: A mediana de uma v.a. discreta pode não ser única,
passando, neste caso, a falar-se de classe mediana.
Exemplo
No exemplo que temos vindo a apresentar, a mediana não é única.
Esta pode ser dada por qualquer valor no intervalo [1, 2]. Diz-se,
neste caso, que o intervalo [1, 2] é a classe mediana.
Luı́sa Morgado
Quantil de probabilidade p de uma v.a. discreta
O quantil de probabilidade p de uma v.a. discreta, χp =
χp (X ) = FX−1 (p), tem a particularidade de verificar
P(X ≤ χp ) ≥ p
P(X ≥ χp ) ≥ 1 − p
A mediana da v.a. discreta X , corresponde a χ 1 . Outros quantis frequentemente
2
usados:
FX−1
1
χ 3 = FX−1
3
χ1 =
4
4
χ
χ
χ
1
100
= FX−1
n
100
= FX−1
1
10
= FX−1
4
1o quantil
3o quantil
o
1
1 percentil
100
n
n−ésimo percentil, n = 1, 2, 3, . . . , 99
100
o
1
1 decil
10
4
Luı́sa Morgado
Variância
A variância de uma v.a. X discreta ou contı́nua é dada por:
V (X ) = E (X 2 ) − E 2 (X ).
A variância de uma v.a. X satisfaz as propriedades
∀b ∈ R;
1
V (b) = 0,
2
V (X ) ≥ 0, qualquer que seja a v.a. X ;
3
V (aX + b) = a2 V (X )∀a, b ∈ R.
A variância não é expressa nas mesmas unidades que a v.a., pelo
que é costume recorrer-se a outra medida de dispersão absoluta: o
desvio padrão.
Luı́sa Morgado
Desvio padrão
É a raı́z quadrada positiva da variância de uma v.a. X discreta
ou contı́nua:
p
DP(X ) = V (X ).
Finalizamos, apresentando uma medida de dispersão relativa:
Coeficiente de variação
O coeficiente de variação de uma v.a. X discreta ou contı́nua,
é dado por:
DP(X )
CV (X ) =
.
|E (X )|
Luı́sa Morgado
Distribuição uniforme discreta
Esta distribuição é razoável quando a v.a. discreta toma n valores
distintos x1 < x2 < . . . < xn , todos com igual probabilidade.
Distribuição uniforme discreta
A v.a. X diz-se ter distribuição uniforme discreta no
conjunto {x1 , x2 , . . . , xn }, e escreve-se X ∼ uniforme
discreta({x1 , x2 , . . . , xn }), caso a sua f.p. seja igual a
1
n , x = x1 , x2 , . . . , xn
P(X = x) =
0, c.c.
P
Valor esperado: E (X ) = n1 ni=1 xi
2
P
P
Variância: V (X ) = n1 ni=1 xi2 − n1 ni=1 xi
Luı́sa Morgado
Exemplo
Um conjunto de n amostras de solo, das quais só uma está contaminada com uma
perigosa substância quı́mica, chega a um laboratório. Suponhamos que a amostra de
solo contaminado não foi devidamente etiquetada e consideremos a v.a. X que
representa o no total de amostras inspeccionadas, obviamente sem reposição, até ser
identificada a amostra contaminada.. Determinemos a f.p. de X . Ora:
P(X = 1)
=
P(X = 2)
=
P(X = 3)
=
1
n
1
n−1 1
=
n n−1
n
n−1n−2 1
1
=
n n−1n−2
n
..
.
P(X = x)
=
1
, x = 1, 2, . . . , n
n
0, c.c.
donde se conclui que X ∼ uniforme discreta({1, 2, . . . , n}).
Luı́sa Morgado
A f.d de X é:

0, x < 1



1

,1 ≤ x < 2


n

2

 n,2 ≤ x < 3
FX (x) = P(X ≤ x) =
..


.


 n−1

,n − 1 ≤ x < n


 n
1, x ≥ n
P
e atendendo a que nx=1 x =
o valor esperado de X é
E (X ) =
n
X
n(n+1)
2
xP(X = x) =
x=1
e
Pn
x=1
x2 =
n(n+1)(2n+1)
,
6
n
n
X
1
1X
1 n(n + 1)
n+1
=
x =
x=
n
n
n
2
2
x=1
x=1
e a variância de X é
V (X ) = E (X 2 )−E 2 (X ) =
n
n+1 2
1X 2
n+1 2
n2 − 1
x −
x 2 P(X = x)−
=
=
2
n x=1
2
12
x=1
n
X
Luı́sa Morgado
Distribuição de Bernoulli
Uma e.a. diz-se uma prova de Bernoulli se tiver apenas dois
resultados possı́veis:
um sucesso, que ocorre com probabilidade p, 0 ≤ p ≤ 1;
um insucesso, que ocorre com probabilidade 1 − p
Distribuição de Bernoulli
A v.a. X =no de sucessos numa prova de Berrnoulli, tem
distribuição de Bernoulli, com parâmetro p, e escreve-se
X ∼Bernoulli(p), e a sua f.p. é dada por
x
p (1 − p)1−x , x = 0, 1
P(X = x) =
0, c.c.
Valor esperado: E (X ) = p
Variância: V (X ) = p(1 − p)
Luı́sa Morgado
Distribuição binomial
Esta distribuição é particularmente útil na caracterização
probabilı́stica do no de sucessos em n provas de Bernoulli,
realizadas de forma independente e com probabilidade de sucesso
comum p.
Distribuição binomial
A v.a. X =no de sucessos num conjunto de n provas de
Bernoulli independentes com probabilidade de sucesso comum
p, tem distribuição binomial, de parâmetros (n, p), e escreve-se
X ∼binomial(n, p), e a sua f.p. é dada por
 n

p x (1 − p)n−x , x = 0, 1, 2, . . . , n
x
P(X = x) =

0, c.c.
n
n!
= x!(n−x)!
. Valor esperado: E (X ) = np
x
Variância: V (X ) = np(1 − p)
onde
Luı́sa Morgado
A f.d. da v.a. X ∼binomial (n, p) é dada por

0, x < 0


 P n
[x]
p i (1 − p)n−i , 0 ≤ x < n
FX (x) = P(X ≤ x) =
i=0
i



1, x ≥ n
onde [x] representa a parte inteira do real x, i.e., corresponde ao
maior inteiro menor ou igual a x. Assim, note que [1.7] = 1 e
[−1.7] = −2, por exemplo.
Esta função encontra-se tabelada para alguns valores de n e p.
Consultando as tabelas, podemos escrever, por exemplo
v.a.
X ∼ binomial(9, 0.1)
X ∼ binomial(10, 0.4)
Luı́sa Morgado
x
4
8
FX (x)
0.9991
0.9983
No scilab, sendo X ∼ binomial(n, p), o comando
pr=binomial(p,n)
devolve um vector pr cujas entradas são os valores de P(X = x),
x = 0, 1, 2, . . . , n. Assim sendo, pr(k+1) representa P(X = k),
k = 0, 1, 2, . . . , n.
O comando cdfbin(”PQ”,x,n,p,1-p) representa FX (x).
Para obter os valores da tabela, terı́amos que executar os comandos
cdfbin(”PQ”,4,9,0.1,0.9)
cdfbin(”PQ”,8,10,0.4,0.6).
Luı́sa Morgado
Exemplo
A probabilidade de as leis de Kirchhoff virem a ser violadas,
durante um teste laboratorial a que se submete certo tipo e
indutor, é igual a 0.1.
Determinemos a probabilidade desta lei vir a ser violada mais de 4
vezes em 9 destes testes laboratoriais.
Sendo X = no de violações das leis de Kirchhoff em 9 testes
laboratoriais, tem-se
X ' binomial(9, 0.1)
A probabilidade pedida é dada por
P(X > 4) = 1 − P(x ≤ 4) = 1 − 0.9991 = 0.0009.
Luı́sa Morgado
Distribuição geométrica
Esta distribuição é útil quando pretendemos contabilizar o no total
de provas de Bernoulli realizadas até o registo do 1o sucesso.
Distribuição geométrica
A v.a. X =no de provas de Bernoulli independentes com probabilidade de sucesso comum p, realizadas até à ocorrência do 1o
sucesso, tem distribuição geométrica, de parâmetro p, e escreve-se
X ∼geométrica(p), e a sua f.p. é dada por
P(X = x) =
Valor esperado: E (X ) =
Variância: V (X ) =
(1 − p)x−1 p, x = 0, 1, 2, . . .
0, c.c.
1
p
1−p
p2
Luı́sa Morgado
A f.d. da v.a. X ∼ geométrica(p) não está tabelada por se obter
facilmente, uma vez que estamos a lidar com uma série
geométrica. Com efeito:
(
0, x < 1
P[x]
FX (x) = P(X ≤ x) =
[x]
i=1 (1 − p)i − 1p = 1 − (1 − p) , x ≥ 1
onde [x] representa a parte inteira de x.
Luı́sa Morgado
Exemplo
Estudos efectuados indicaram que a probabilidade de ser detectada
a presnça de alto teor de metais pesados numa amostra de solo
proveniente de um certo local é de 0.01.
determinemos o valor esperado do no total de amostras
selecionadas ao acaso até que seja detectada a primeira com alto
teor de metais pesados.
Ora, sendo X = no total de amostras seleccionadas até que seja
detectada a primeira com alto teor de metais pesados, tem-se
X ∼ geométrica(0.01).
O valor pedido é então dado por
E (X ) =
1
= 100 amostras.
0.01
Luı́sa Morgado
Distribuição hipergeométrica
Distribuição hipergeométrica
Considere-se que
N =no total de elementos de uma população (dimensão da população);
M =no de elementos dessa população que possuem uma determinada
caracterı́stica (sucesso);
N =no de extracções sem reposição.
A v.a. X =no elementos com certa caracterı́stica (sucesso), em n extraı́dos ao acaso,
sem reposição, da população de dimensão N, tem distribuição hipergeométrica, de
parâmetros (N, M, n), e escreve-se X ∼hipergeométrica(N, M, n), e a sua f.p. é dada
por
P(X = x) =











M
x
0,
!
N −M
n−x
!
N
n
!
, x = max{0, n − (N − M)}, . . . , min{n, M}
c.c.
Valor esperado: E (X ) = n M
N
Variância: V (X ) = n M
1−
N
M
N
N−n
N−1
Luı́sa Morgado
Exemplo
Na fase de concepção de um processo de controlo de qualidade do fabrico, foram
escolhidos 100 cabos dos quais apenas 2 apresentavam desvios superiores a 9.8
microns. Se desses 100 cabos forem seleccionados 10 ao acaso e sem reposição, qual a
probabilidade de mais do que um ter um desvio superior a 9.8 microns?
Ora, sendo N = 100, M = 2 e n = 10, a v.a.
X =no de cabos com um desvio superior a 9.8 microns, em 10 cabos seleccionados ao
acaso e sem reposição de um lote de 100, dos quais apenas 2 apresentam desvios
superiores a 9.8 microns
tem-se
X ∼hipergeométrica(100, 2, 10).
A probabilidade pedida é então dada por
P(X > 1) = P(X = 2) =
Luı́sa Morgado
2
2
100 − 2
10 − 2
100
10
=
1
.
110
Distribuição de Poisson
É frequentemente utilizada na contagem de ocorrências de certo
tipo de eventos, em perı́odos fixos de tempo. Exemplos do tipo de
eventos são chegadas, partidas, acidentes, falhas de equipamento,
no de excedências de nı́veis de pluviosidade, ondas, marés, etc.
Distribuição de Poisson
A v.a. X que tem distribuição de Poisson, de parâmetro λ, e escrevese X ∼Poisson(λ), tem a particularidade de possuir valor esperado
e variância iguais ao parâmetro que define a sua distribuição. A sua
f.p. é dada por
P(X = x) =
x
e −λ λx! , x = 0, 1, 2, . . .
0, c.c.
Valor esperado: E (X ) = λ
Variância: V (X ) = λ
Luı́sa Morgado
A f.d. da v.a. X ∼Poisson(λ), dada por
(
0, x < 0
P[x] −λ λi
FX (x) = P(X ≤ x) =
i=0 e
i!
encontra-se tabelada. Podemos também recorrer ao scilab.
X ∼Poisson(λ)
λ = 0.05
λ=3
λ = 12
λ = 20
x
0
1
1
14
FX (x) (tabelas)
FX (0) = 0.9512
FX (1) = 0.1991
FX (1) = 0.0001
FX (14) = 0.1049
Luı́sa Morgado
FX (x) ←cdfpoi(”PQ”, x, λ) (scilab)
cdfpoi(”PQ”, 0, 0.05) = 0.9512294
cdfpoi(”PQ”, 1, 3) = 0.1991483
cdfpoi(”PQ”, 1, 12) = 0.0000799
cdfpoi(”PQ”, 14, 20) = 0.1048643
Exemplo
A procura de uma luxuosa marca de automóvel segue uma lei de
Poisson. Sabe-se ainda que a probabilidade de numa semana não
existir procura é igual a e −3 . Pretende-se saber qual a
probabilidade de a procura semanal exceder pelo menos 2
automóveis.
x
Sabemos então que P(X = x) = e −λ λx! , x = 0, 1, 2, . . . e que
P(X = 0) = e −3 . Daqui resulta que
P(X = 0) = e −3 ⇔ e −λ
λ0
= e −3 ⇔ λ = 3.
0!
A probabilidade pedida é então dada por
P(X ≥ 2) = 1 − P(X < 2) = 1 − P(X ≤ 1) = 1 − FPoisson(3) (1)
= 1 − 0.1991 = 0.8009
Luı́sa Morgado
Variável aleatória contı́nua
A v.a X diz-se contı́nua ,caso
possua f.d. FX (x) = P(X ≤ x) contı́nua em R
e exista uma função real de variável real fX (x), que verifique
fX (x) ≥ 0, ∀x ∈ R
FX (x) = P(X ≤ x) =
Rx
−∞ fX (t)dt
A função fX (x) é denominada de função densidade de
probabilidade (f.d.p).
Luı́sa Morgado
Propriedades da f.d.p
R +∞
−∞ fX (x)dx
Rb
a
= 1;
fX (x)dx = P(a < x ≤ b), ∀a < b.
Note ainda que sendo X uma v.a. contı́nua:
1
P(X = x) = 0, ∀x ∈ R
2
P(a < x ≤ b) = FX (b) − FX (a), ∀a < b.
Luı́sa Morgado
Exemplo
O tempo (em anos) entre duas colisões consecutivas de detritos
espaciais com diâmetro maior que 1mm num satélite em MEO
(Medium Earth Orbit) é uma v.a. contı́nua com f.d.p. dada por
0, x < 0
fX (x) =
0.4e −0.4x , x ≥ 0
Determinemos a probabilidade do tempo entre duas colisões
consecutivas exceder um ano e três meses:
Z 1.25
P(X > 1.25) = 1 − P(X ≤ 1.25) = 1 −
fX (x)dx
−∞
Z
+∞
=
fX (x)dx = e −0.5 .
1.25
Luı́sa Morgado
Tal como no caso das v.a. discretas é importante sabermos
determinar medidas de
localização central
localização não central
dispersão.
O processo é análogo ao caso discreto, tendo em conta que onde
tı́nhamos
P
v.a. discreta:
x∈R ou P(X = x)
passamos a ter
v.a. contı́nua:
R +∞
−∞
ou fX (x)
Luı́sa Morgado
Distribuição uniforme contı́nua
Distribuição uniforme contı́nua
A v.a. X diz-se ter distribuição uniforme contı́nua no intervalo
[a, b], e escreve-se X ∼ uniforme (a, b), caso a sua f.d.p. seja
dada por
1
b−a , a ≤ x ≤ b
fX (x) =
0, c.c.
Variância: V (X ) =
a+b
2
(b−a)2
12
Luı́sa Morgado
A f.d. da v.a. X ∼ uniforme (a, b) é igual a

 0, x < a
x−a
,a ≤ x ≤ b
FX (x) = P(X ≤ x) =
 b−a
1, x > b
Dada a sua simplicidade, não se encontra tabelada.
Luı́sa Morgado
Distribuição normal
Esta distribuição surge associada à modelação de observações
relativas a diversas medições.
Distribuição normal
A v.a. X diz-se ter distribuição normal de parâmetros µ e σ 2 ,
e escreve-se X ∼ normal (µ, σ 2 ), se a sua f.d.p. é
fX (x) = √
(x−µ)2
1
e − 2σ2
2πσ
Valor esperado: E (X ) = µ
Variância: V (X ) = σ 2
A sua f.d. é
Z
x
√
FX (x) =
−∞
1
2πσ
e
−
(t−µ)2
2σ 2
dt
que apenas pode ser obtida numericamente.
Luı́sa Morgado
Se X ∼ normal(µ, σ 2 ), então a v.a. Z = X σ−µ ∼ normal(0, 1).
Rz
t2
1
Z possui f.d. dada por FZ (z) = −∞ √2πσ
e − 2 dt = Φ(z).
A função Φ encontra-se tabelada. Podemos também recorrer ao
scilab.
z
0
1.07
4.04
Φ(z)(tabelas)
0.5
0.8577
0.99997
Φ(z) ← cdfnor(”PQ”, z, µ, σ) (scilab)
cdfnor(”PQ”, 0, 0, 1)=0.5
cdfnor(”PQ”, 1.07, 0, 1)=0.8576903
cdfnor(”PQ”, 4.04, 0, 1)=0.9999733
Para o cálculo de Φ em valores negativos, recorrendo às tabelas, temos que atender
em primeiro lugar à simetria da f.d.p. da normal padrão para concluir que dado z ∈ R,
Φ(−z) = 1 − Φ(z)
Exemplo
Φ(−2.53) = 1 − Φ(2.53) = 0.0057
No scilab faz-se cdfnor(”PQ”, −2.53, 0, 1).
Luı́sa Morgado
Existem também tabelas de quantis da distribuição normal padrão.
Os quantis de probabilidade p, 0.5 ≤ p ≤ 1, (FZ−1 (p), são obtidos
sem dificuldade, como p.e.,
FZ−1 (0.975) = Φ−1 (0.975) = 1.9600.
Mas note-se que os quantis de probabilidade p < 0.5 são negativos
e p.e.:
Φ−1 (0.023) = −Φ−1 (1 − 0.023) = −1.9954.
No scilab para determinar o quantil de probabilidade p,
(independentemente deste ser superior ou inferior a 0.5) de uma
v.a. com distribuição normal, basta executar o comando
cdfnor(”X ”, µ, σ, p, 1 − p).
Luı́sa Morgado
Exemplo
As especificações sobre o diâmetro de em certo tipo de cabo admitem um desvio
máximo, face ao valor de referência de ±10 mı́crons. Contudo, no seu fabrico apenas
se consegue garantir que esse desvio tem distribuição normal de valor esperado igual a
0 mı́crons.
que valor deve ter a variância para se poder garantir que em 95% dos cabos
produzidos os desvios estão entre ±9.8 mı́crons?
Recorrendo às tabelas: Considerando a v.a. X = desvio do diâmetro dos cabos
face ao valor de referência, temos que X ∼normal(0, σ 2 ).
−0
Ao considerar-se a v.a. Z = X σ
= Xσ , temos Z ∼normal(0, 1).
2
Pretendemos assim o valor de σ tal que:
Z
z }| {
−9.8 − 0
X −0
9.8 − 0
P(−9.8 ≤ X ≤ 9.8) = 0.95 ⇔ P(
≤
≤
) = 0.95
σ
σ
σ
9.8
9.8
9.8
⇔Φ
−Φ −
= 0.95 ⇔ 2Φ
− 1 = 0.95
σ
σ
σ
9.8
9.8
⇔
= Φ−1 (0.975) ⇔ σ =
⇒ σ 2 = 25
σ
1.96
Luı́sa Morgado
Ou
Recorrendo ao scilab:
P(−9.8 ≤ X ≤ 9.8) = 0.95 ⇔ FX (9.8) − FX (−9.8) = 0.95
2FX (9.8) − 1 = 0.95 ⇔ FX (9.8) = 0.975
O comando
cdfnor(”Std”, p, 1 − p, x, µ)
devolve o valor de σ tal que FX (x) = p, supondo
X ∼normal(µ, σ 2 ).
Neste caso terı́amos que fazer
cdfnor(”Std”, 0.975, 1 − 0.975, 9.8, 0).
Supondo X ∼normal(µ, σ ), explore no scilab os comandos
2
cdfnor(”Mean”, σ, p, 1 − p, x) e cdfnor(”X ”, µ, σ, p, 1 − p)
Luı́sa Morgado
Distribuição exponencial
Trata-se da distribuição mais utilizada na caracterização da
duração de equipamento. Surge também na modelação dos
tempos entre ocorrências de eventos do mesmo tipo, como p.e.,
chegadas de clientes, falhas mecânicas, colisões, etc.
Distribuição exponencial
A v.a. X diz-se ter distribuição exponencial de parâmetro λ,
e escreve-se X ∼ exponencial(λ), caso a sua f.d.p. seja dada
por
λe −λx , x ≥ 0
fX (x) =
0, c.c.
Variância: V (X ) = λ12
1
λ
Luı́sa Morgado
A sua f.d. é
FX (x) =
1 − e −λx , x ≥ 0
0, c.c.
que não se encontra tabelada dada a sua simplicidade.
Luı́sa Morgado

Variáveis Aleatórias Discretas e Contínuas e suas Distribuições

Transcrição

Documentos relacionados

A distribuiç ˜ao Weibull inversa generalizada na modelagem de

Curso de F´ısica Estat´ıstica

142968

Curso de F´ısica Estat´ıstica

A distribuiç ˜ao Weibull inversa generalizada na

Probabilidade para Finanças

Baixar este arquivo PDF - CEAD

27 de agosto, aniversário de Nascimento de Madre Teresa de

Tópicos de matrizes e Distribuiç˜ao Normal Multivariada

- OctaPlus Financial Analytics