Apostila Variável Aleatória Contínua

UniversidadeFederalFluminense
DEPARTAMENTO DE ESTATSTICA
InstitutodeMatemticaeEstatstica
VARIVEIS ALEATRIAS CONTNUAS
Ana Maria Lima de Farias Luiz da Costa Laurencel
2008
Contedo
1 Variveis Aleatrias Contnuas 1.1 Noes bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Varivel aleatria contnua . . . . . . . . . . . . . . . . . . . . . . . . 1.3 Funo de densidade de probabilidade . . . . . . . . . . . . . . . . . . 1.4 Funo de distribuio acumulada . . . . . . . . . . . . . . . . . . . . 1.5 Esperana de variveis aleatrias contnuas . . . . . . . . . . . . . . . 1.5.1 Esperana de funes de variveis aleatrias contnuas . . . . . 1.6 Varincia de variveis aleatrias contnuas . . . . . . . . . . . . . . . 1.7 Propriedades da mdia e da varincia de variveis aleatrias contnuas 1.8 Exemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.9 Exemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.10 Exemplo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.11 Exerccios resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.12 Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Algumas Distribuies Contnuas 2.1 Distribuio uniforme . . . . . . . . . . . . . . . . . . 2.1.1 Funo de distribuio acumulada . . . . . . . 2.1.2 Esperana . . . . . . . . . . . . . . . . . . . . 2.1.3 Varincia . . . . . . . . . . . . . . . . . . . . 2.1.4 Exerccios propostos . . . . . . . . . . . . . . 2.2 Distribuio exponencial . . . . . . . . . . . . . . . . 2.2.1 Funo de distribuio acumulada . . . . . . . 2.2.2 Alguns resultados sobre a funo exponencial 2.2.3 Esperana . . . . . . . . . . . . . . . . . . . . 2.2.4 Varincia . . . . . . . . . . . . . . . . . . . . 2.2.5 Parametrizao alternativa . . . . . . . . . . . 2.2.6 Exerccios resolvidos . . . . . . . . . . . . . . 2.2.7 Exerccios propostos . . . . . . . . . . . . . . 2.3 Distribuio gama . . . . . . . . . . . . . . . . . . . . 2.3.1 A funo gama . . . . . . . . . . . . . . . . . 2.3.2 A distribuio gama . . . . . . . . . . . . . . 2.3.3 O grco da distribuio gama . . . . . . . . 2.3.4 Esperana . . . . . . . . . . . . . . . . . . . . 2.3.5 Varincia . . . . . . . . . . . . . . . . . . . . i . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 3 3 5 7 7 7 8 9 11 16 20 24 26 26 27 27 28 28 29 30 31 32 32 33 33 34 34 34 35 36 40 41
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
CONTEDO 2.3.6 Funo de distribuio acumulada 2.3.7 A distribuio de Erlang . . . . . 2.3.8 A distribuio qui-quadrado . . . 2.4 Distribuio de Weibull . . . . . . . . . . 2.4.1 Denio . . . . . . . . . . . . . 2.4.2 Esperana e varincia . . . . . . . 2.4.3 Funo de distribuio acumulada 2.5 Distribuio de Pareto . . . . . . . . . . 2.5.1 Denio . . . . . . . . . . . . . 2.5.2 Esperana . . . . . . . . . . . . . 2.5.3 Varincia . . . . . . . . . . . . . 2.5.4 Funo de distribuio acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
ii 42 42 42 42 42 43 44 44 44 44 45 46 47 47 48 51 51 53 53 53 54 54 54 54 55 56 57 57 61 61 61 63 64 64 67 71 71 73 74 74 74 76 77
3 Funes de Variveis Aleatrias Contnuas 3.1 Exemplo . . . . . . . . . . . . . . . . . . . . 3.2 Funes inversveis . . . . . . . . . . . . . . 3.2.1 Exemplo . . . . . . . . . . . . . . . . 3.2.2 Transformao linear . . . . . . . . .
4 A Distribuio Normal 4.1 Alguns resultados de Clculo . . . . . . . . . . . . . . . . 4.1.1 Exerccio resolvido . . . . . . . . . . . . . . . . . 4.2 Densidade normal padro . . . . . . . . . . . . . . . . . 4.2.1 Denio . . . . . . . . . . . . . . . . . . . . . . 4.2.2 Esperana . . . . . . . . . . . . . . . . . . . . . . 4.2.3 Varincia . . . . . . . . . . . . . . . . . . . . . . 4.2.4 Caractersticas da curva normal padro . . . . . . 4.2.5 Funo de distribuio acumulada . . . . . . . . . 4.2.6 Tabulao da distribuio normal padro . . . . . 4.2.7 Exemplos . . . . . . . . . . . . . . . . . . . . . . 4.3 Densidade N (; 2 ) . . . . . . . . . . . . . . . . . . . . . 4.3.1 Denio . . . . . . . . . . . . . . . . . . . . . . 4.3.2 Caractersticas da curva normal . . . . . . . . . . 4.3.3 Parmetros da N (; 2 ) . . . . . . . . . . . . . . 4.3.4 Funo de distribuio acumulada . . . . . . . . . 4.3.5 Clculo de probabilidades de uma varivel normal 4.3.6 Exemplos . . . . . . . . . . . . . . . . . . . . . . 4.4 Exemplo: qui-quadrado e normal . . . . . . . . . . . . . 4.4.1 Tabela da qui-quadrado . . . . . . . . . . . . . . 4.4.2 Exemplos . . . . . . . . . . . . . . . . . . . . . . 4.5 A distribuio log-normal . . . . . . . . . . . . . . . . . 4.5.1 Denio . . . . . . . . . . . . . . . . . . . . . . 4.5.2 Esperana . . . . . . . . . . . . . . . . . . . . . . 4.5.3 Varincia . . . . . . . . . . . . . . . . . . . . . . 4.6 Exerccios propostos . . . . . . . . . . . . . . . . . . . .
Captulo 1 Variveis Aleatrias Contnuas

1.1 Noes bsicas
No estudo das distribuies de frequncia para variveis quantitativas contnuas, vimos que, para resumir os dados, era necessrio agrupar os valores em classes. O histograma e o polgono de frequncias eram os grcos apropriados para representar tal distribuio. Para apresentar os conceitos bsicos relativos s variveis aleatrias contnuas, vamos considerar os histogramas e respectivos polgonos de frequncia apresentados na Figura 1.1. Esses grcos representam as distribuies de frequncias de um mesmo conjunto de dados, cada uma com um nmero de classes diferente no histograma superior, h menos classes do que no histograma inferior. Suponhamos, tambm que as reas de cada retngulo sejam iguais s frequncias relativas das respectivas classes (essa a denio mais precisa de um histograma). Por resultados vistos anteriormente, sabemos que a soma das reas dos retngulos 1 (as frequncias relativas devem somar 1 ou 100%) e que cada frequncia relativa uma aproximao para a probabilidade de um elemento pertencer respectiva classe. Analisando atentamente os dois grcos, podemos ver o seguinte: medida que aumentamos o nmero de classes, diminui a diferena entre a rea total dos retngulos e a rea abaixo do polgono de frequncia. A diviso em classes se fez pelo simples motivo de que uma varivel contnua pode assumir um nmero no-enumervel de valores. Faz sentido, ento, pensarmos em reduzir, cada vez mais, o comprimento de classe , at a situao limite em que 0. Nessa situao limite, o polgono de frequncias se transforma em uma curva na parte positiva (ou no-negativa) do eixo vertical, tal que a rea sob ela igual a 1. Essa curva ser chamada curva de densidade de probabilidade. Considere, agora, a Figura 1.2, onde ilustramos um fato visto anteriormente: para estimar a frequncia de valores da distribuio entre os pontos a e b, podemos usar a rea dos retngulos sombreados de cinza claro. Conforme ilustrado na Figura 1.3, a diferena entre essa rea e a rea sob o polgono de frequncias tende a diminuir, medida que aumenta-se o nmero de classes. Essa diferena a parte sombreada de cinza mais escuro. Isso nos permite concluir, intuitivamente, o seguinte: no limite, quando 0, podemos estimar a probabilidade 1
CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS
Figura 1.1: Histogramas de uma varivel contnua com diferentes nmeros de classes
Figura 1.2: Clculo da freqncia entre dois pontos a e b
de a varivel de interesse estar entre dois valores a e b pela rea sob a curva de densidade de probabilidade, delimitada pelos pontos a e b.
Figura 1.3: Diferena entre as reas dos retngulos e a rea sob o polgono de freqncia
1.2
Varivel aleatria contnua
Apresentamos, mais uma vez, o conceito de varivel aleatria, que j foi visto no estudo das variveis discretas, por ser este um conceito muito importante. Relembramos tambm as denies de variveis aleatrias discretas e contnuas. Denio 1.1 Uma varivel aleatria uma funo real (isto , que assume valores em R) denida no espao amostral de um experimento aletario. Dito de outra forma, uma varivel aleatria uma funo que associa a cada evento de um nmero real. Denio 1.2 Uma varivel aleatria discreta se sua imagem (ou conjunto de valores que ela assume) for um conjunto nito ou enumervel. Se a imagem for um conjunto no enumervel, dizemos que a varivel aleatria contnua.
1.3
Funo de densidade de probabilidade
Os valores de uma varivel aleatria contnua so denidos a partir do espao amostral de um experimento aleatrio. Sendo assim, natural o interesse na probabilidade de
obteno de diferentes valores dessa varivel. O comportamento probabilstico de uma varivel aleatria contnua ser descrito pela sua funo de densidade de probabilidade. Inicialmente apresentamos a denio da funo de densidade de probabilidade utilizando a noo de rea, para seguir a apresentao inicial que considerou um histograma de uma varivel contnua. Denio 1.3 Uma funo de densidade de probabilidade uma funo f (x) que satisfaz as seguintes propriedades: f (x) 0 A rea total sob o grco de f (x) igual a 1. Dada uma funo f (x) satisfazendo as propriedades acima, ento f (x) representa alguma varivel aleatria contnua X , de modo que P (a X b) a rea sob a curva limitada pelos pontos a e b (veja a Figura 1.4).
Figura 1.4: Probabilidade como rea A denio acima usa argumentos geomtricos; no entanto, uma denio mais precisa envolve o conceito de integral de uma funo de uma varivel, que, como se sabe, representa a rea sob o grco da funo. Denio 1.4 Uma funo de densidade de probabilidade uma funo f (x) que satisfaz as seguintes propriedades: f (x) 0 R f (x)dx = 1
Dada uma funo f (x) satisfazendo as propriedades acima, ento f (x) representa alguma varivel aleatria contnua X , de modo que Z b P (a X b) = f (x)dx
a
Para deixar clara a relao entre a funo de densidade de probabilidade e a respectiva varivel aleatria X , usaremos a notao fX (x). Uma primeira observao importante que resulta da interpretao geomtrica de probabilidade como rea sob a curva de densidade de probabilidade a seguinte: se X uma varivel aleatria contnua, ento a probabilidade do evento X = a zero, ou seja, a probabilidade de X ser exatamente igual a um valor especco nula. Isso pode ser visto na Figura 1.4: o evento {X = a} corresponde a um segmento de reta e tal segmento tem rea nula. Como consequncia, temos as seguintes igualdades: Pr(a X b) = Pr(a X < b) = Pr(a < X b) = Pr(a < X < b)
1.4
Funo de distribuio acumulada
Da mesma forma que a funo de distribuio de probabilidade de uma varivel aleatria discreta, a funo de densidade de probabilidade nos d toda a informao sobre a varivel aleatria contnua X, ou seja, a partir da funo de densidade de probabilidade, podemos calcular qualquer probabilidade associada varivel aleatria X. Tambm como no caso discreto, podemos calcular probabilidades associadas a uma varivel aleatria contnua X a partir da funo de distribuio acumulada (tambm denominada simplesmente funo de distribuio). Denio 1.5 Dada uma varivel aleatria X, a funo de distribuio acumulada de X denida por FX (x) = Pr (X x) x R (1.1)
A denio a mesma vista para o caso discreto; a diferena que, para variveis contnuas, a funo de distribuio acumulada uma funo contnua, sem saltos. Veja a Figura ?? para um exemplo. Como no caso discreto, valem as seguintes propriedades para a funo de distribuio acumulada de uma varivel aleatria contnua: 0 FX (x) 1
x
(1.2) (1.3) (1.4)
lim FX (x) = 1 lim FX (x) = 0
Figura 1.5: Exemplo de funo de distribuio acumulada de uma varivel aleatria contnua
a < b FX (a) FX (b)
(1.5)
Da interpretao de probabilidade como rea, resulta que FX (x) a rea esquerda de x sob a curva de densidade fX . Veja a Figura 1.6.
Figura 1.6: Funo de distribuio acumulada - clculo a partir da rea sob a curva de densidade Existe uma relao entre a funo de densidade de probabilidade e a funo de distribuio acumulada, que resultante do Teorema Fundamental do Clculo. Por denio, temos o seguinte resultado: Rx FX (x) = Pr(X x) = fX (u)du (1.6)
CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS e do Teorema Fundamental do Clculo resulta que fX (x) = d FX (x) dx
(1.7)
isto , a funo de densidade de probabilidade a derivada da funo de distribuio acumulada.
1.5
Esperana de variveis aleatrias contnuas
Nas distribuies de frequncias agrupadas em classes de variveis quantitativas contnuas, vimos que a mdia podia ser calculada como P x = fi xi onde fi era a frequncia relativa da classe i e xi era o ponto mdio da classe i. Continuando com a idia inicial de tomar classes de comprimento cada vez menor, isto , fazendo 0, chegamos seguinte denio de esperana ou mdia de uma varivel aleatria contnua.
Denio 1.6 Seja X uma varivel aleatria contnua com funo de densidade de probabilidade fX . A esperana (ou mdia ou valor esperado) de X denida como Z + xfX (x)dx (1.8) E (X ) =
1.5.1
Esperana de funes de variveis aleatrias contnuas
Se X uma varivel aleatria contnua e h : R R uma funo qualquer, ento Y = h(X ) uma varivel aleatria e sua esperana dada por Z + h(x)fX (x)dx (1.9) E (h(X )) =
1.6
Varincia de variveis aleatrias contnuas
No caso de uma varivel aleatria contnua, fazendo h(x) = [x E (X )]2 , resulta novamente a denio de varincia como mdia dos desvios quadrticos:
Vimos tambm que a varincia, uma medida de disperso, era calculada como a mdia dos desvios quadrticos em torno da mdia, ou seja P 2 = fi (xi x)2
Denio 1.7 Seja X uma varivel aleatria contnua com funo de densidade de probabilidade fX . A varincia de X denida como Z + V ar(X ) = [x E (X )]2 fX (x)dx (1.10)
O desvio padro denido como DP (X ) = p V ar(X ) (1.11)
Se denimos h(x) = x2 , a primeira integral nada mais que E (X 2 ), pelo resultado (1.9). A segunda integral E (X ) = e a terceira integral igual a 1, pela denio de funo de densidade. Logo, V ar(X ) = E (X 2 ) 22 + 2 = E (X 2 ) 2 o que nos leva ao resultado j visto para variveis discretas: V ar(X ) = E (X 2 ) [E (X )]2 (1.12)
Usando as propriedades do clculo integral e representando por a esperana de X (note que uma constante, um nmero real), temos que: R + V ar(X ) = [x ]2 fX (x)dx R + = x2 2x + 2 fX (x)dx R + R + R + = x2 fX (x)dx 2 xfX (x)dx + 2 fX (x)dx
De forma resumida: a varincia a esperana do quadrado de X menos o quadrado da esperana de X .
1.7
Propriedades da mdia e da varincia de variveis aleatrias contnuas
As mesmas propriedades vistas para variveis aleatrias discretas continuam valendo no caso contnuo:
Esperana E (a) = a E (X + a) = E (X ) + a E (bX ) = bE (X ) xmin E (X ) xmax
Varincia V ar (a) = 0 V ar (X + a) = V ar (X ) V ar (bX ) = b2 V ar (X ) V ar(X ) 0
Desvio Padro DP (a) = 0 DP (X + a) = DP (X ) DP (bX ) = |b| DP (X ) DP (X ) 0
Esses resultados podem ser facilmente demonstrados a partir das propriedades da integral denida e das denies vistas. Por exemplo, vamos demonstrar que E (bX ) = bE (X ) e Var (bX ) = b2 Var (X ) . Por denio, temos que Z Z E (bX ) = bxfX (x)dx = b xfX (x)dx = bE (X ) Usando este resultado e a denio de varincia, temos que Var (bX ) = E (bX )2 [E (bX )]2 = = = =
E (b2 X 2 ) [bE (X )]2 b2 E (X 2 ) b2 [E (X )]2 b2 E (X 2 ) [E (X )]2 b2 V ar(X )
Se interpretamos a funo de densidade de probabilidade de X como uma distribuio de massa na reta real, ento E (X ) o centro de massa desta distribuio. Essa interpretao nos permite concluir, por exemplo, que se fX simtrica, ento E (X ) o valor central, que dene o eixo de simetria.
1.8
Exemplo 1
Considere a funo fX apresentada na Figura 1.7.
Figura 1.7: Funo de densidade de probabilidade para o Exemplo 1 1. Encontre o valor de k para que fX seja uma funo de densidade de probabilidade de uma varivel aleatria X . 2. Determine a equao que dene fX . 3. Calcule Pr(2 X 3). 4. Calcule a esperana e a varincia de X. 5. Determine o valor de k tal que Pr(X k) = 0, 6.
CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS 6. Encontre a funo de distribuio acumulada de X . Soluo
10
1. A funo dada corresponde a uma funo constante, fX (x) = k. Como a rea sob a reta tem que ser 1, temos que ter 1 = (5 1) k k = ou Z
5 1
1 4 1 4
kdx = 1 = k x|5 k(5 1) = 1 k = 1 = 1 =

1 4
2. Temos que fX (x) =
se 1 x 5 caso contrrio
3. A probabilidade pedida a rea sombreada na Figura 1.8. Logo, Pr(2 X 3) = (3 2) ou Pr(2 X 3) = Z

3 2
1 1 = 4 4
1 1 dx = 4 4
Figura 1.8: Clculo de Pr(2 X 3) para o Exemplo 1 4. Por argumentos de simetria, a esperana o ponto mdio, ou seja, E (X ) = 3. Usando a denio, temos: ! Z 5 5 1 1 1 x2 = (25 1) = 3 xdx = E (X ) = 4 2 1 8 1 4 Para o clculo da varincia, temos que calcular E (X 2 ) : 5 Z 5 1 2 1 x3 2 = 1 (125 1) = 124 = 31 x dx = E (X ) = 4 3 1 12 12 3 1 4
CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS e V ar(X ) = 31 4 31 27 32 = = 3 3 3
11
5. Como a densidade simtrica, a mdia e a mediana coincidem, ou seja, o ponto x = 3 divide a rea ao meio. Como temos que Pr(X k ) = 0, 6, resulta que k tem que ser maior que 3, uma vez que abaixo de 3 temos rea igual a 0,5. Veja a Figura 1.9.
Figura 1.9: Clculo de k tal que Pr(X k) = 0, 6 para o Exemplo 1 Temos que ter 0, 6 = (k 1) 1 k = 3, 4 4
Usando integral, temos ter Z k 1 1 dx = 0, 6 = (k 1) = 0, 6 k = 3, 4 4 1 4 6. Para x < 1, temos que FX (x) = 0 e para x > 5, temos que FX (x) = 1. Para 1 x 5, FX (x) a rea de um retngulo de base (x 1) e altura 1/4 (veja a Figura 1.10). Logo, x1 FX (x) = 4 e a expresso completa de FX FX (x) = 0
x1 4
se x < 1 se 1 x 5 se x > 5
cujo grco est ilustrado na Figura 1.11.
1.9
Exemplo 2
12
Figura 1.10: Clculo de FX para o Exemplo 1
Figura 1.11: Funo de distribuio acumulada para o Exemplo 1
Figura 1.12: Funo de densidade de probabilidade para o Exemplo 2
13
1. Encontre o valor de k para que fX seja uma funo de densidade de probabilidade de uma varivel aleatria contnua X . 2. Determine a equao que dene fX . 3. Calcule Pr(2 X 3). 4. Encontre a funo de distribuio acumulada de X. 5. Determine o valor de k tal que Pr(X k) = 0, 6. 6. Calcule a esperana e a varincia de X. Soluo 1. Podemos decompor a rea sob a reta como a rea de um tringulo e a rea de um retngulo (na verdade, o resultado a rea de um trapzio - veja a Figura 1.13). Ento, temos que ter 1 1 = (6 1) 0, 1 + (6 1) (k 0, 1) 2 5 0, 5 = (k 0, 1) k = 0, 3 2
Figura 1.13: Clculo de k para o Exemplo 2 2. fX uma funo linear fX (x) = a + bx que passa pelos pontos (1; 0, 1) e (6; 0, 3), resultando, portanto, o seguinte sistema de equaes: 0, 1 = a + b 0, 3 = a + 6b Subtraindo a primeira equao da segunda, obtemos 0, 3 0, 1 = 5b b = 0, 04
14
Substituindo este valor na primeira equao, obtemos que a = 0, 1 0, 04 = 0, 06. Logo, 0, 06 + 0, 04x se 1 x 6 fX (x) = 0 caso contrrio 3. Veja a Figura 1.14, em que a rea sobreada corresponde probabilidade pedida. Vemos que essa rea a rea de um trapzio de altura 3 2 = 1, base maior igual a fX (3) = 0, 06+0, 04 3 = 0, 18 e base menor igual a f (2) = 0, 06+0, 04 2 = 0, 14. Logo, 0, 18 + 0, 14 1 = 0, 16 Pr(2 X 3) = 2
Figura 1.14: Clculo de Pr(2 X 3) para o Exemplo 2 Usando integral, temos: 3 0, 04x2 = (0, 06 + 0, 04x)dx = 0, 06x + Pr(2 X 3) = 2 2 2 = 0, 06 (3 2) + 0, 02 (9 4) = 0, 06 + 0, 1 = 0, 16 Z
3
4. Veja a Figura 1.15; a podemos ver que, para x [1, 6], FX (x) a rea de um trapzio de altura x 1; base maior igual a fX (x) e base menor igual a fX (1) = 0, 1. Logo, FX (x) = (0, 06 + 0, 04x) + 0, 1 (x 1) 2 = (0, 08 + 0, 02x)(x 1)
ou seja,
se x < 1 0 2 0, 02x + 0, 06x 0, 08 se 1 x 6 FX (x) = 1 se x > 6
15
Figura 1.15: Clculo da funo de distribuio acumulada para o Exemplo 2 Usando integral, temos que x Z x 0, 04t2 F (x) = (0, 06 + 0, 04t)dt = 0, 06t + 2 1 1 2 = 0, 06x + 0, 02x (0, 06 + 0, 02) 1x6 = 0, 02x2 + 0, 06x 0, 08 5. Queremos determinar k tal que FX (k) = 0, 6. Logo, 0, 6 = 0, 02k2 + 0, 06k 0, 08 0, 02k2 + 0, 06k 0, 68 = 0 k 34 = 0 k2 + 3 3 9 + 4 34 k = 2 A raiz que fornece resultado dentro do domnio de variao de X 3 + 9 + 4 34 4, 5208 k= 2 6. Temos que 6 x3 x2 E (X ) = x (0, 06 + 0, 04x) dx = 0, 06 + 0, 04 2 3 1 1 63 0, 04 = 0, 03 36 + 0, 04 0, 03 1 + 3 3 11, 75 0, 04 = = 1, 08 + 2, 88 0, 03 3 3 Z
6
6 x4 x3 x (0, 06 + 0, 04x) dx = 0, 06 + 0, 04 E (X ) = 3 4 1 1 = (0, 02 216 + 0, 01 1296) (0, 02 + 0, 01) = 4, 32 + 12, 96 0, 03 = 17, 25

2
CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS V ar(X ) = 17, 25 11, 75 3 2 = 155, 25 138, 0625 17, 1875 = 9 9
16
1.10
Exemplo 3
Figura 1.16: Funo de densidade de probabilidade para o Exemplo 3 1. Encontre o valor de h para que fX seja uma funo de densidade de probabilidade de uma varivel aleatria X (note que o tringulo issceles!). 2. Determine a equao que dene fX . 3. Calcule Pr(1 X 3). 4. Calcule E (X ) e V ar(X ). 5. Encontre a funo de distribuio acumulada de X 6. Determine o valor de k tal que Pr(X k) = 0, 6. Soluo 1. Como a rea tem que ser 1, temos que ter 1= 1 1 (4 0) h h = 2 2
2. A funo fX dada por 2 equaes de reta. A primeira uma reta de inclinao 1 positiva que passa pelos pontos (0 , 0)1 e 2, 2 . A segunda uma reta de inclinao negativa, que passa pelos pontos 2, 2 e (4, 0). Para achar a equao de cada uma das retas, basta substituir as coordenadas dos dois pontos e resolver o sistema. Para a primeira reta temos o seguinte sistema: 0 = a+b0 1 = a+b2 2
17
Da primeira equao resulta que a = 0 ( o ponto onde a reta cruza o eixo y ) e substituindo esse valor de a na segunda equao, resulta que b = 1 . 4 Para a segunda reta, temos o seguinte sistema: 0 = a+b4 1 = a+b2 2 Subtraindo a segunda equao da primeira, resulta 0 1 1 = (a a) + (4b 2b) b = 2 4
Substituindo na primeira equao, encontramos que a = 1. Combinando essas duas equaes, obtemos a seguinte expresso para fX : x se 0 x < 2 4 1 x se 2 x 4 fX (x) = 4 0 se x < 0 ou x > 4
3. A probabilidade pedida a rea sombreada em cinza claro na Figura 1.17. Os dois tringulos sombreados de cinza escuro tm a mesma rea, por causa da simetria. Assim, podemos calcular a probabilidade usando a regra do complementar, uma vez que a rea total 1. A altura dos dois tringulos 1 ; basta substituir o valor 4 de x = 1 na primeira equao e o valor de x = 3 na segunda equao. Logo, a rea de cada um dos tringulos 1 1 1 =1 e, portanto, 2 4 8 Pr(1 X 3) = 1 2 6 3 1 = = 8 8 4
Figura 1.17: Ilustrao do clculo de Pr(1 X 3)
CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS Usando integral, temos Pr(1 = = = Z 3 x x X 3) = 1 dx + dx 4 1 4 2 2 2 3 1 x2 + x x 4 2 1 8 2 1 9 4 (4 1) + 3 2 8 8 8 6 3 3 15 12 + = = 8 8 8 8 4

2
18
4. Como a funo simtrica, resulta que E (X ) = 2. Z 4 Z 2 3 x x 2 E (X ) = dx + dx x2 1 4 0 4 2 4 4 2 3 x4 x x + = 16 0 3 16 2 64 256 8 16 16 0 + = 16 3 16 3 16 8 64 16 + 1 = 1+ 3 3 56 14 = 14 = 3 3 V ar(X ) = 14 2 4= 3 3
5. Assim como a funo de densidade de probabilidade, a funo de distribuio acumulada ser denida por 2 equaes: uma para os valores de x no intervalo [0, 2) e outra para valores de x no intervalo [2, 4]. Para x [0, 2) temos que FX (x) a rea do tringulo sombreado na Figura 1.18(a) e para x [2, 4], a rea sombreada na parte (b). e essa rea pode ser calculada pela lei do complementar. Logo, 1 x FX (x) = (x 0) 2 4 x [0, 2)
Para x [2, 4], temos que
1 x FX (x) = 1 (4 x) 1 2 4
Combinando os resultados obtidos, resulta a seguinte expresso para FX : 0 se x < 0 1 x2 se 0 x < 2 8 FX (x) = 2 1 1 8 (4 x) se 2 x 4 1 se x > 4
19
Figura 1.18: Clculo da funo de distribuio acumulada do Exemplo 3
1,2
1,0
0,8
0,6
0,4
0,2
0,0 -1 0 1 2 3 4 5
Figura 1.19: Funo de distribuio acumulada do Exemplo 3
20
Veja a Figura 1.19; para 0 x < 2, o grco de FX uma parbola cncava para cima; para 2 x 4, o grco de FX uma parbola cncava para baixo. 6. Queremos determinar k tal que F (k) = 0, 6. Como F (2) = 0, 5, resulta que k > 2. Substituindo na expresso de F (x), temos que ter 1 (4 k )2 8 1 1 16 8k + k2 8 k2 12+k 8 2 k k + 1, 6 8 k2 8k + 12, 8 1 = 0, 6 = = 0, 6 = = 0, 6 = = 0 =
= 0 = 8 64 4 12, 8 8 12, 8 k = = 2 2
A raiz que fornece resultado dentro do domnio de denio de X 8 12, 8 k= 2, 21 2
1.11
Exerccios resolvidos
1. Considere a seguinte funo: K (2 x) se 0 x 1 g(x) = 0 se x < 0 ou x > 1 (a) Esboce o grco de g (x). Soluo Veja a Figura 1.20. Note que g(0) = 2K e g(1) = K. (b) Encontre o valor de K para que g (x) seja uma funo de densidade de probabilidade. Soluo Temos que ter K > 0 para garantir a condio g (x) 0. E tambm
1 Z 0
1 x2 = 1 = K (2 x)dx = 1 = 2Kx K 2 0 2K 3K 2 K = 1 = = 1 = K = 2 2 3
21
Figura 1.20: Soluo do Exerccio 1 (c) Encontre a funo de distribuio acumulada. Soluo Por denio, F (x) = Pr(X x). Portanto, para 0 x 1 temos que x Z x 2 2 2 t2 = 4x x (2 t)dt = 2t F (x) = 3 2 0 3 3 0 3 e a expresso completa de F (x) 0 4 x 1 x2 FX (x) = 3 3 1 se x < 0 se 0 x 1 se x > 1
(d) Calcule os quartis da distribuio. Soluo Se Q1 , Q2 e Q3 so os trs quartis, ento F (Q1 ) = 0, 25; F (Q2 ) = 0, 5; F (Q3 ) = 0, 75. 4 1 1 16Q1 4Q2 FX (Q1 ) = 0, 25 Q1 Q2 1 = 1 = 3 3 3 4 2 4Q2 1 16Q1 + 3 = 0 Q1 4Q1 + 0, 75 = 0 4 16 4 0, 75 4 13 = Q1 = 2 2 A raiz que fornece soluo no intervalo (0, 1), que odomnio de X, 4 13 Q1 = 0, 19722 2 4 1 1 8Q2 2Q2 FX (Q2 ) = 0, 5 Q2 Q2 2 = 2 = 3 3 3 2 2 2Q2 2 8Q2 + 3 = 0 Q2 4Q2 + 1, 5 = 0 4 10 4 16 4 1, 5 = Q2 = 2 2
CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS A raiz que fornece soluo no domnio de X 4 10 Q2 = 0, 41886 2 4 1 3 16Q3 4Q2 FX (Q3 ) = 0, 75 Q3 Q2 3 = 3 = 9 3 3 4 9 2 =0 4Q2 3 16Q3 + 9 = 0 Q3 4Q3 + 4 4 16 4 2.25 4 7 = Q3 = 2 2 A raiz que fornece soluo no domnio de X 4 7 Q3 = 0, 67712 2
22
2. (Bussab&Morettin) A demanda diria de arroz num supermercado, em centenas de quilos, uma varivel aleatria com funo de densidade de probabilidade 2 se 0 x < 1 3x x + 1 se 1 x < 3 f (x) = 3 0 se x < 0 ou x > 3
(a) Qual a probabilidade de se vender mais de 150 kg num dia escolhido ao acaso? Soluo Seja X a varivel aleatria que representa a demanda diria de arroz, em centenas de quilos. Veja a Figura 1.21, onde a rea sombreada corresponde probabilidade pedida. Nesse tringulo, a base 3 1, 5 = 1, 5 e a altura 1,5 + 1. Logo, f (1, 5) = 3
Figura 1.21: Soluo do Exerccio 2 - Pr(X 1, 5) Pr(X 1, 5) = 1 3 1 3 1 1, 5 0, 5 = = = 0, 375 2 2 2 2 8
CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS ou
23
2 3 2 x 2 x 1 , 5 3 Pr(X 1, 5) = + 1 dx = + x = 6 + 3 6 + 1, 5 3 6 1,5 1,5 2, 25 9 6, 75 = = 0, 375 = 6 6 6 Z

3
(b) Qual a quantidade de arroz que deve ser deixada disposio dos clientes diariamente para que no falte arroz em 95% dos dias? Soluo Seja k o valor a estocar. Para que a demanda seja atendida, necessrio que a quantidade demandada seja menor que a quantidade em estoque. Logo, queremos encontrar o valor de k tal que Pr(X k ) = 0, 95. , k tem que ser maior que 1, ou seja, k est no tringulo Como Pr(X 1) = 1 3 superior (veja a Figura 1.22).
Figura 1.22: Soluo do Exerccio 2-b Mas Pr(X k) = 0, 95 equivalente a Pr(X > k) = 0, 05. Logo, 1 k 0, 05 = (3 k ) + 1 2 3 k + 3 0, 1 = (3 k) 3 0, 3 = 9 6k + k2 k2 6k + 8, 7 = 0 6 36 4 8.7 k = 2 A raiz que d a soluo dentro do domnio de X 6 36 4 8.7 k= = 2, 45 centenas de quilos 2
CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS Usando integrao: Z

3
24
2 3 x x Pr(X > k) = 0, 05 = + 1 dx = 0, 05 = + x =0 3 6 k k 2 2 3 k k2 9 +3 +k = 0, 05 = k + 0, 05 = 0 = k 2 6k + 8, 7 = 0 6 6 6 6 mesma equao obtida anteriormente. 3. Seja X uma varivel aleatria com funo de densidade de probabilidade dada por 2x se 0 x 1 fX (x) = 0 caso contrrio 1 X 2 Calcule Pr X 1 2 3 3 Soluo Sabemos que Pr(A|B ) = Pr(A B ) . Assim, Pr(B ) 1 3 X 2 Pr X 1 1 1 2 2 3 Pr X X = 2 3 3 Pr 1 X 2 3 3 X 1 Pr 1 3 2 = Pr 1 X 2 3 3 Z 1/2 2xdx 1/2 x2 |1/3 1/3 = Z 2/3 = 2/3 x2 |1/3 2xdx =
1 4 4 9 1/3 1 9 1 9
5 36 3 9
5 12
1.12
Exerccios propostos
1. A funo de densidade f de uma varivel aleatria X dada pela funo cujo grco se encontra na Figura 1.23. (a) Encontre a expresso de f. (b) Calcule Pr(X > 2). (Resp: 1/4) (c) Determine m tal que Pr(X > m) = 1/8. (Resp.: m = 4 2)
(d) Calcule a esperana e a varincia de X. (Resp.: E (X ) = 4/3; E (X 2 ) = 8/3) (e) Calcule a funo de distribuio acumulada e esboce seu grco.
25
Figura 1.23: Funo de densidade para o Exerccio Proposto 1 2. O dimetro de um cabo eltrico uma varivel aleatria contnua com funo de densidade dada por k(2x x2 ) se 0 x 1 f (x) = 0 caso contrrio (a) Determine o valor de k.(Resp.: k = 3/2) (b) Calcule E (X ) e Var(x). (Resp.: 5/8; 19/320) (c) Calcule Pr(0 X 1/2). (Resp.: 5/16) 3. Uma varivel aleatria X tem funo de densidade dada por 6x(1 x) se 0 x 1 f (x) = 0 caso contrrio Se = E (X ) e 2 = V ar(X ), calcule Pr( 2 < X < + 2 ).(Resp.: 0, 9793) 4. Uma varivel aleatria X tem funo de 0 x5 F (x) = 1 distribuio acumulada F dada por se x 0 se 0 < x < 1 se x 1
Calcule E (X ) e V ar(x). (Resp.: 5/6; 5/252)
Captulo 2 Algumas Distribuies Contnuas

2.1 Distribuio uniforme
Uma varivel aleatria contnua X tem distribuio uniforme no intervalo [a, b] (nito) se sua funo de densidade constante nesse intervalo, ou seja, temos que ter f (x) = k x [a, b]
Ento, o grco da funo de densidade de probabilidade de X como o ilustrado na Figura 2.1:
Figura 2.1: Densidade uniforme no intervalo [a, b] Para que tal funo seja uma funo de densidade de probabilidade, temos que ter k > 0 e a rea do retngulo tem que ser 1, ou seja, (b a) k = 1 k = 1 ba
Logo, a funo de densidade de uma varivel aleatria uniforme no intervalo [a, b] dada por 1 f (x) = se x [a, b] (2.1) ba 26
CAPTULO 2. ALGUMAS DISTRIBUIES CONTNUAS
27
Os valores a e b so chamados parmetros da distribuio uniforme; note que ambos tm que ser nitos para que a integral seja igual a 1. Quando a = 0 e b = 1 temos a uniforme padro, denotada por U (0, 1).
2.1.1

F (x) = Pr (X x)
Por denio, temos que e essa probabilidade dada pela rea sob a curva de densidade esquerda de x, conforme ilustrado na Figura 2.2.
Figura 2.2: Funo de distribuio acumulada da densidade Unif [a, b] Essa a rea de um retngulo com base (x a) e altura se x < a 0 xa se a x b F (x) = ba 1 se x > b 1 . Logo, ba (2.2)
O grco dessa funo de distribuio acumulada dado na Figura 2.3. No caso da U [0, 1] , temos que 0 se x < 0 x se 0 x < 1 F (x) = 1 se x 1
2.1.2
Esperana
Das propriedades da esperana e das caractersticas da densidade uniforme, sabemos que E (X ) o ponto mdio do intervalo [a, b], ou seja, E (X ) = a + ba a+b = 2 2
28
Figura 2.3: Funo de distribuio acumulada da Unif [a, b] Usando a integral: E (X ) = ou seja, Z b 2 2 1 x2 1 = b a = (b a) (a + b) dx = x b a 2 a 2 (b a) 2 (b a) a ba
b
E (X ) =
a+b 2
(2.3)
2.1.3
Varincia
Z
b
Por denio, V ar (X ) = E (X 2 ) [E (X )]2 ;vamos, ento, calcular E (X 2 ) : E X2 = 1 1 dx = x ba ba a

2
Logo,
b 3 3 2 2 x3 = b a = (b a) (b + ab + a ) 3 a 3 (b a) 3 (b a)
(2.4)
2 (b2 + ab + a2 ) a+b (b2 + ab + a2 ) a2 + 2ab + b2 V ar (X ) = = = 3 2 3 4 a2 2ab + b2 4b2 + 4ab + 4a2 3a2 6ab 3b2 = = 12 12 ou V ar (X ) = (b a)2 12 (2.5)
2.1.4
Exerccios propostos
1. Voc est interessado em dar um lance em um leilo de um lote de terra. Voc sabe que existe um outro licitante. Pelas regras estabelecidas para este leilo, o lance mais alto acima de R$ 100.000,00 ser aceito. Suponha que o lance do seu competidor seja uma varivel aleatria uniformemente distribuda entre R$ 100.000,00 e R$ 150.000,00.
29
(a) Se voc der um lance de R$120.000,00, qual a probabilidade de voc car com o lote? (Resp.: 0, 4) (b) Se voc der um lance de R$140.000,00, qual a probabilidade de voc car com o lote? (Resp.: 0, 8) (c) Que quantia voc deve dar como lance para maximizar a probabilidade de voc ganhar o leilo? 2. O rtulo de uma lata de coca-cola indica que o contedo de 350 ml. Suponha que a linha de produo encha as latas de forma que o contedo seja uniformemente distribudo no intervalo [345, 355]. (a) Qual a probabilidade de que uma lata tenha contedo superior a 353 ml? (Resp.: 0,2) (b) Qual a probabilidade de que uma lata tenha contedo inferior a 346 ml? (Resp.: 0,1) (c) O controle de qualidade aceita uma lata com contedo dentro de 4 ml do contedo exibido na lata. Qual a proporo de latas rejeitadas nessa linha de produo? (Resp.: 0,2) 3. Uma distribuio uniforme no intervalo [a, b] tem mdia 7,5 e varincia 6,75. Determine os valores de a e b, sabendo que b > a > 0. (Resp.: a = 3 e b = 12)
2.2
Distribuio exponencial
Consideremos o grco da funo exponencial f (x) = ex , dado na Figura 2.4. Podemos ver a que, se x < 0, ento a rea sob a curva limitada, o mesmo valendo para uma funo mais geral f (x) = ex . Ento, possvel denir uma funo de densidade a partir da funo exponencial ex , desde que nos limitemos ao domnio dos nmeros reais negativos. Mas isso equivalente a trabalhar com a funo ex para x positivo. Mas Z
0 x
Logo
1 x 1 dx = e = 0 R
0
ex dx = 1
e, portanto, f (x) = ex dene uma funo de densidade de probabilidade para x > 0. Denio 2.1 Diz-se que uma varivel aleatria contnua X tem distribuio exponencial com parmetro se sua funo de densidade de probabilidade dada por x e x>0 f (x) = 0 x0 Como a f.d.p. exponencial depende apenas do valor de , esse o parmetro da densidade exponencial.
30
Figura 2.4: Grco da funo exponencial natural f (x) = exp x Usaremos a seguinte notao para indicar que uma varivel aleatria tem distribuio exponencial com parmetro : X exp(). Na Figura 2.5 temos o grco de uma densidade exponencial. para = 2.
Figura 2.5: Densidade exponencial - = 2
2.2.1

Z
x
Por denio, temos que F (x) = Pr (X x) = f (t) dt = Z

x
x et dt = et 0 = ex 1
CAPTULO 2. ALGUMAS DISTRIBUIES CONTNUAS ou seja F (x) =
31
1 ex 0
se x > 0 se x 0
(2.6)
Figura 2.6: Funo de distribuio acumulada da densidade exponencial - = 2
2.2.2
Alguns resultados sobre a funo exponencial
No clculo dos momentos da densidade exponencial sero necessrios alguns resutlados sobre a funo exponencial que apresentaremos a seguir. O resultado crucial lim xk ex = 0 (2.7)
x
Vamos mostrar esse resultado usando a regra de LHpital e demonstrao por induo. Consideremos o caso em que k = 1. Ento
x
lim xex = lim
x x ex
que tem a forma
e, portanto, podemos aplicar LHpital, que diz que lim xex = lim x x0 1 = lim = lim =0 0 x x e x (ex ) x ex
Logo, o resultado vale para k = 1. Suponhamos verdadeiro para qualquer k; vamos mostrar que vale para k + 1. De fato: k+1 0 k+1 x x (k + 1) xk xk lim xk+1 ex = lim x = lim = lim = ( k + 1) lim = (k + 1)0 = 0 x x e x (ex )0 x x ex ex pela hiptese de induo. De maneira anloga, prova-se um resultado mais geral dado por: lim xk ex = 0 k > 0 e > 0 (2.8)
x
32
2.2.3
Esperana
O clculo dos momentos da distribuio exponencial se faz com auxlio de integrao por partes. A esperana : Z E (X ) = xex dx
0
Denindo u = x du = dx; dv = ex dx v = ex O mtodo de integrao por partes nos d que: xex 0 Z
xe
dx +
Pelo resultado (2.7), o lado esquerdo desta ltima igualdade zero. Logo, 1 1 x 0 = E (X ) + e 0 = E (X ) + 0 0 ou seja, E (X ) = Desse resultado segue que Z
0
x e dx
(2.9)
xe
1 dx =
xex dx =
1 2
(2.10)
2.2.4
Varincia
Vamos calcular o segundo momento de uma varivel aleatria exponencial. Z 2 E (X ) = x2 ex dx

0
Seguindo raciocnio anlogo ao empregado no clculo da esperana, vamos denir: u = x2 du = 2xdx; dv = ex dx v = ex Logo, x2 ex 0 = Z
x e
dx +
2xe
dx 0 = E X 2 2
xex dx
CAPTULO 2. ALGUMAS DISTRIBUIES CONTNUAS Usando o resultado (2.10), resulta que 2 E X2 = 2 Var(X ) = E (X 2 ) [E (X )]2 = Resumindo: X exp() = 2 1 1 2 2 Var (X ) = 2
1 E (X ) = 1 V ar(X ) = 2
33
(2.11)
e, portanto:
(2.12)
(2.13)
2.2.5
Parametrizao alternativa
1 possvel parametrizar a densidade exponencial em termos de um parmetro = . Neste caso,
1 x/ e E (X ) = E (X 2 ) = 2 2 V ar(X ) = 2 f (x) =
x > 0; > 0
Essa parametrizao alternativa mais interessante, uma vez que o valor mdio igual ao parmetro, e ser utilizada deste ponto em diante.
2.2.6
Exerccios resolvidos
1. Seja X uma varivel aleatria exponencial com mdia 4. Calcule (a) Pr(X > 1) Soluo ex/4 e a funo de distribuio F (x) = A funo de densidade f (x) = 1 4 1 ex/4 Pr(X > 1) = 1 Pr(X 1) = 1 F (1) = 1 [1 e1/4 ] = e0.25 = 0, 7788 (b) Pr(1 X 2) Soluo
Pr(1 = = =
X 2) = Pr(X 2) Pr(X < 1) Pr(X 2) Pr(X 1) F (2) F (1) = [1 e2/4 ] [1 e1/4] e0.25 e0.5 = 0, 17227
CAPTULO 2. ALGUMAS DISTRIBUIES CONTNUAS 2. Seja X exp( ). Calcule Pr(X > E (X )). Soluo
34
Note que essa a probabilidade de uma varivel aleatria exponencial ser maior que o seu valor mdio; o que mostramos que essa probabilidade constante, qualquer que seja o parmetro.
Pr(X > E (X )) = 1 Pr(X E (X )) = 1 F (E (X )) = 1 1 e/ = e1
2.2.7
Exerccios propostos
1. Seja X uma varivel aleatria com distribuio exponencial de mdia 8. Calcule as seguintes probabilidades: (a) Pr(X > 10) (Resp.: 0, 286505) (b) Pr(X > 8) (Resp.: 0.36788) (c) Pr(5 < X < 11) (resp.: 0, 28242) 2. O tempo entre chegadas de automveis num lava-jato distribudo exponencialmente, com uma mdia de 12 minutos. (a) Qual a probabilidade de que o tempo entre chegadas de veculos neste lavajato seja maior que 10 minutos? (Resp.: 0, 434 60) (b) Qual a probabilidade de que o tempo entre chegadas de veculos neste lavajato seja menor que 8 minutos? (Resp.: 0, 486 58)
2.3
Distribuio gama
A distribuio gama uma generalizao da distribuio exponencial, que utiliza a funo gama, cuja denio apresentamos a seguir.
2.3.1
A funo gama
A funo gama denida pela seguinte integral: Z ex x1 dx () =

0
Note que o argumento da funo , que aparece no expoente da varivel de integrao x. A funo gama tem a seguinte propriedade recursiva: ( + 1) = (). Para demonstrar esse resultado, iremos usar integrao por partes. Z ( + 1) = ex x dx
0
Fazendo
CAPTULO 2. ALGUMAS DISTRIBUIES CONTNUAS u = x du = x1 dv = ex dx v = ex Logo, ( + 1) = x ex 0 Z Z

0 0
35
ex x1 dx =
( + 1) = 0 +
ex x1 dx = (2.14)
( + 1) = () Aqui usamos o resultado dado em (2.7). Vamos trabalhar, agora, com = n inteiro. Z Z x 11 e x dx = (1) =
0
ex dx = 1
(2) (3) (4) (5) Em geral, se n inteiro,
= = = =
1 (1) = 1 = 1! 2 (2) = 2 1 = 2! 3 (3) = 3 2 1 = 3! 4 (4) = 4 3 2 1 = 4! (n) = (n 1)! (2.15)
2.3.2
A distribuio gama
Denio 2.2 Diz-se que uma varivel aleatria tem distribuio gama com parmetros e se sua funo de densidade de probabilidade dada por 1 x1 ex/ se x > 0 () (2.16) f (x) = 0 se x 0
Note que, quando = 1, resulta a densidade exponencial com parmetro , ou seja, a distribuio exponencial um caso particular da densidade gama. Note que estamos usando a parametrizao alternativa da densidade exponencial. Para vericar que a funo dada em (2.16) realmente dene uma funo de densidade, notamos inicialmente que f (x) 0. Alm disso, Z Z Z 1 1 1 x/ f (x)dx = e = x1 ex/ dx x ( ) ( ) 0 0 0
CAPTULO 2. ALGUMAS DISTRIBUIES CONTNUAS Fazendo a mudana de varivel x = t resulta x dx x x e, portanto, Z

0
36
= = = =
t dt 0t=0 t=
f (x)dx = = = =
Z 1 x1 ex/ dx = () 0 Z 1 (t)1 et dt () 0 Z 1 t1 et dt () 0 1 () = 1 ()
Logo, as duas condies para uma funo de densidade so satisfeitas. Usaremos a notao X gama(; ) para indicar que a varivel aleatria X tem distribuio gama com parmetros , .
2.3.3
O grco da distribuio gama

lim f (x) = 0 e lim f (x) = 0
Para a construo do grco da densidade gama, devemos observar inicialmente que

x x0
Derivando f 0 (x) dada em (2.17), temos que 1 f 00 (x) = () "
Vamos, agora, calcular as derivadas primeira e segunda de f (x). 1 1 1 x/ 0 2 x/ f (x) = ( 1)x e x e () 2 x/ 1 1 = x e 1 x ()
(2.17) (2.18)
# 1 1 ( 2)( 1)x3 ex/ ( 1)x2 ex/ ( 1)x2 ex/ + 12 x1 ex/ 2 1 1 x/ 1 3 x/ 2 x/ ( 2)( 1)x e ( 1)x e + 2x e = () 3 x/ 1 2 2 1 x e ( 2)( 1) ( 1)x + 2 x = () ( ) x3 ex/ 2 1 ( 2)( 1) 2 ( 1)x + x2 (2.19) = () 2
37
Analisando as expresses (2.18) e (2.19), vemos que o sinal da derivada primeira 1 depende do sinal de 1 x e o sinal da derivada segunda depende do sinal da expresso entre colchetes, que uma funo do segundo grau. Vamos denotar essa expresso por h(x), de modo que h(x) = x2 2 ( 1)x + 2 ( 2)( 1) Vamos analisar a derivada primeira. A primeira observao que, se 1, f 0 (x) < 0, ou seja, se 1 a densidade gama uma funo estritamente decrescente. No caso em que > 1, temos que f 0 (x) = 0 x = ( 1) f 0 (x) < 0 x > ( 1) f 0 (x) > 0 x < ( 1) Logo, x = ( 1) um ponto de mximo Resumindo a dependncia em : 1 = funo de densidade gama estritamente decrescente > 1 = funo de densidade gama tem um mximo em x = ( 1) Vamos, agora, estudar a concavidade da funo de densidade gama, analisando o sinal da derivada segunda, que ser o mesmo sinal de h(x) = x2 2 ( 1)x + 2 ( 2)( 1) que uma funo do segundo grau. Se 1, podemos ver que h(x) 0, j que x > 0 e , > 0. Logo, se 1 a funo de densidade gama cncava para cima e, como visto, estritamente decrescente. Vamos considerar, agora, o caso em que > 1. Para estudar o sinal de h(x), temos que estudar o discriminante da equao de segundo grau denida por h(x). = = = = [2 ( 1)]2 4 2 ( 2)( 1) 4 2 ( 1)2 4 2 ( 1)( 2) 4 2 ( 1) [( 1) ( 2)] 4 2 ( 1)
Se > 1, o discriminante sempre positivo, ou seja, temos duas raizes reais distintas,
CAPTULO 2. ALGUMAS DISTRIBUIES CONTNUAS calculadas da seguinte forma: 2 1 ( 1)x + 2 x2 = 0 2 ( 2)( 1) 2 ( 1)x + x2 = 0 q 2 ( 1) 4 2 ( 1)2 4 2 ( 2)( 1) ( 2)( 1)
38
p 2 2 ( 1) 2 ( 1)( 1 + 2) x= 2 x = ( 1) 1 x= 1 11 A raiz r = 1 1 + 1 sempre positiva para > 1. J a raiz r1 = 2 1 1 1 s ser positiva se 1 1 > 0, ou seja, se > 2. Considerando a funo de segundo grau h(x) que dene o sinal da derivada segunda, vemos que o coeciente do termo quadrtico 1; assim, a funo negativa (sinal oposto ao de a) para valores de x entre as razes, e positiva (mesmo sinal de a) fora das razes. Veja a Figura 2.7; a podemos ver que, se > 2, a derivada segunda muda de sinal em dois pontos dentro do domnio de denio da densidade gama. Isso no ocorre se < 2 (ou = 2), uma vez que, neste caso a menor raz negativa (nula). x=
>2
+
0
r1 r2
<2
+ r1 0
r2
=2
+ r1 = 0
r2
Figura 2.7: Ilustrao do sinal da derivada segunda da funo de densidade gama Mais precisamente, se > 2 temos a seguinte situao: f 00 (x) < 0 se 1 1 1 < x < 1 1 + 1 f 00 (x) > 0 se x > 1 1 + 1 ou x < 1 1 1
39
ou seja, a funo de densidade cncava para cima se se x > 1 1 + 1 1 1 e cncava para baixo se 1 1 1 < x < ou x < 1 1 1 + 1 , o que indica a ocorrncia de dois pontos de inexo. Quando 2 f 00 (x) < 0 se 0 < x < ( 1) + 1 f 00 (x) > 0 se x > ( 1) + 1 1 ou seja, a funo de densidade gama cncava para cima se x > ( 1) + e cncava para baixo se 0 < x < ( 1) + 1, o que indica a ocorrncia de apenas um ponto de inexo. Na Figura 2.8 ilustra-se o efeito do parmetro sobre a densidade gama. A o parmetro est xo ( = 2) e temos o grco para diferentes valores de . Note que, para = 1, o grco o da distribuio exponencial com parmetro = 2 e para qualquer valor de < 1, o grco ter essa forma. Note que para = 2 s h um ponto de inexo; essa situao se repetir para valores de no intervalo (1, 2]. Para valores de maiores que 2, h dois pontos de inexo. Na Figura ?? ilustra-se o efeito do parmetro sobre a densidade gama. A o parmetro est xo ( = 2 ou = 3) e temos o grco para diferentes valores de . Analisando essas duas guras, vemos que o parmetro tem grande inuncia sobre a forma da distribuio, enquanto o parmetro tem grande inuncia sobre a escala (ou disperso) da distribuio. Dessa forma, o parmetro chamado parmetro de forma, enquanto o parmetro chamada parmetro de escala.
0,5
0,45
=2
0,4
=1
0,35
0,3
0,25
0,2
0,15
=2 =4
=5
0,1
0,05
0 0 5 10 15 20 25 30
Figura 2.8: Efeito do parmetro de forma sobre a densidade gama A seguir apresentamos um resumo dos resultados sobre a forma da densidade gama: 1. 1

=2 =1 = 1,5
=2
0,2
40
=3
=1 = 1,5
0,4 0,3 0,2 0,1 0,0 0 2 4
0,3
0,1
=2
0,0 6 8 10 12 14 0 2 4 6 8 10 12 14
Figura 2.9: Efeito do parmetro de escala sobre a densidade gama (a) estritamente decrescente (b) cncava para cima 2. > 1 (a) crescente se x < ( 1) (c) mximo em x = ( 1)
(b) decrescente se x > ( 1) (d) 2 i. cncava para baixo se x < 1( 1 + 1) ii. cncava para cima se x > 1( 1 + 1) iii. nico ponto de inexo em x = 1( 1 + 1) i. ii. iii. iv. cncava para cima se x < 1( 1 1) cncava para baixo se 1( 1 1) < x < 1( 1+1) cncava para cima se x > 1( 1 + 1) dois pontos de inexo: x = 1( 11) e x = 1( 1+ 1)
(e) > 2
2.3.4
Esperana
1 E (X ) = xf (x)dx = () 0 Z 1 = x ex/ dx () 0 Z
Se X gama(; ) , ento
xx1 ex/ dx
CAPTULO 2. ALGUMAS DISTRIBUIES CONTNUAS Fazendo a mesma mudana de varivel j usada anteriormente E (X ) = = = = = ou seja, X gama(, ) E (X ) = Z 1 (t) et dt () 0 Z 1 +1 t et dt () 0 Z t et dt () 0 ( + 1) () () () x = t temos que
41
2.3.5
Varincia
Z 1 x f (x)dx = E (X ) = () 0 Z 1 x+1 ex/ dx = () 0
2 2
De modo anlogo, vamos calcular o segundo momento da densidade gama. Z

0
x2 x1 ex/ dx
Fazendo a mesma mudana de varivel usada anteriormente E (X ) = = = = = = = Logo,

2
x = t temos que
Z 1 (t)+1 et dt () 0 Z 1 +2 t+1 et dt () 0 2 Z t+1 et dt () 0 2 ( + 2) () 2 ( + 1)( + 1) () 2 ( + 1)() () 2 ( + 1)
V ar(X ) = 2 ( + 1) ( )2 = 2 2 + 2 2 2 = 2
CAPTULO 2. ALGUMAS DISTRIBUIES CONTNUAS Resumindo: X gama(, ) =
42
E (X ) = (2.20) V ar(X ) = 2
2.3.6
A funo de distribuio da gama envolve a funo gama incompleta e no ser objeto de estudo neste curso.
2.3.7
A distribuio de Erlang
Quando o parmetro de forma um inteiro positivo, a distribuio gama conhecida como distribuio de Erlang.
2.3.8
A distribuio qui-quadrado
Quando o parmetro de forma igual a n , com n inteiro positivo, e o parmetro de escala 2 = 2 resulta a distribuio qui-quadrado com n graus de liberdade, cuja densidade f (x) = 1 n
2
2n/2
xn/21 ex/2
se x > 0
(2.21)
Usaremos a seguinte notao para indicar que X tem distribuio qui-quadrado com n graus de liberdade: X 2 n . Usando os resultados dados em (2.20), temos 2=n E (X ) = n 2 2 X n = V ar(X ) = n 22 = 2n 2
2.4
Distribuio de Weibull
Denio
2.4.1
Uma varivel aleatria X tem distribuio de Weibull com parmetros > 0 e > 0 se sua funo de densidade de probabilidade dada por f (x) = x1 e
x
x>0
(2.22)
Note que podemos reescrever essa expresso como 1 x x f (x) = e
x>0
(2.23)
e alguns autores (ver Rohatgi, por exemplo) usam um novo parmetro em vez de . Para mostrar que f dene uma densidade, vamos mostrar que a integral 1. Para tal,
CAPTULO 2. ALGUMAS DISTRIBUIES CONTNUAS vamos fazer a seguinte mudana de varivel: 1 x x u = = du = x = 0 = u = 0; x = = u = Dessa forma, Z
0
43
1 x Z x e dx =
eu du = 1
2.4.2
Esperana e varincia
Vamos calcular o momento de ordem r : Z 1 x x r E (X ) = e xr dx 0

x , resulta que x = u e dx = du; logo Fazendo u =
E (X ) = =
0 0
1 x Z x r e x dx =
u
1 u r r u e u du
u1 e
r ur du
Fazendo u = t resulta que u = t1/ e u1 du = dt; logo, Z Z 1/ r r r t r e t dt = tr/ et dt E (X ) = 0 Z Z 0 r + r+ r r r r/+11 t 1 t t e dt = t e dt = = 0 0 Fazendo r = 1, obtemos que +1 E (X ) = Fazendo r = 2 obtemos que +2 E (X ) =
2 2
e, portanto,
( 2 ) + 2 + 1 V ar(X ) = 2
44
2.4.3

F (x) = Z
x 0
Por denio,
Fazendo a mudana de varivel 1 t t = du = u = x t = 0 = u = 0; t = x = u = resulta F (x) = Z

x 0
1 t t e dt
2.5
2.5.1
Distribuio de Pareto
Denio
1 t Z ( x ) x x t u u ( ) e dt = e du = e 0 = 1 exp 0
Para mostrar que f (x) realmente dene uma funo de densidade de probabilidade resta provar que a integral 1, uma vez que f (x) 0. Z Z +1 b 1 x dx = b x dx = b x b b b b
Uma varivel aleatria X tem distribuio de Pareto com parmetros > 0 e b > 0 se sua funo de densidade de probabilidade dada por +1 b se x b f (x) = b x 0 se x < b
Essa integral converge apenas se < 0 ou equivalentemente, > 0, pois nesse caso limx x = limx x1 = 0. Satisfeita esta condio, temos que x = 0 b b = 1 b b Na Figura 2.10 ilustra-se a distribuio dePareto para a = 3 e b = 2.
2.5.2
Esperana
b
Se X P areto(, b) ento +1 Z Z b x dx = b E (X ) = b x b
x+1 dx = b + 1 b
45
Figura 2.10: Distribuio de Pareto - a = 3, b = 2 Para que essa integral convirja, temos que ter + 1 < 0, ou > 1. Satisfeita esta condio, b+1 b+1 b E (X ) = b 0 = = + 1 1 1
2.5.3
Varincia
b
Se X P areto(, b) ento +1 Z Z b 2 2 E (X ) = x dx = b b x b
+1
Para que essa integral convirja, temos que ter + 2 < 0, ou > 2. Satisfeita esta condio, b+2 b2 b+2 E (X ) = b 0 = = + 2 2 2 Logo, 2 b2 ( 1)2 2 b2 ( 2) b b2 = V ar(X ) = 2 1 ( 1)2 ( 2) b2 [2 2 + 1 ( 2)] b2 [2 2 + 1 2 + 2] = = ( 1)2 ( 2) ( 1)2 ( 2) b2 = ( 1)2 ( 2) Resumindo: E (X ) = b 1 se > 1 (2.24) se > 2
x+2 dx = b + 2 b
X P areto(, b) =
V ar(X ) =
b2 ( 1)2 ( 2)
46
2.5.4

+1 Z b dt = b F (x) = Pr(X x) = t b b = b x b =1 x Z
x
Por denio, F (x) = Pr(X x) = 0 se x < b. Para x b, b

x
x t t1 dx = b b b
Captulo 3 Funes de Variveis Aleatrias Contnuas

Dada uma varivel aleatria contnua X com funo de densidade fX (x), muitas vezes estamos interessados em conhecer a densidade de uma outra varivel aleatria Y = g(x) denida como uma funo de X.
3.1
Exemplo
Se X U nif (1, 1), calcule a densidade de Y = g (X ) = X 2 e de W = h(X ) = |X | . Soluo: Temos que 1 1<x<1 2 fX (x) = 0 x 1 ou x 1 0 g (x) < 1 1 < x < 1 0 h(x) < 1
Para calcular a funo de densidade de probabilidade de Y = g(X ) = X 2 devemos notar que FY (y ) = = = = = Pr(Y y ) = Pr(X 2 y ) Pr ( y X y ) Pr(X y ) Pr(X < y ) Pr(XX y ) Pr(X y ) FX ( y ) FX ( y )
47
CAPTULO 3. FUNES DE VARIVEIS ALEATRIAS CONTNUAS e, portanto d [FY (y )] dy d d [FX ( y )] [FX ( y )] = dy dy 1 1 0 0 = FX ( y ) FX ( y ) 2 y 2 y 1 1 = fX ( y ) + fX ( y ) 2 y 2 y y = fX y = 1 . Logo Como 0 y < 1 e 1 < y 0, resulta que fX 2 fY (y ) = fY (y ) =
1 2 y
48
se 0 y < 1 caso contrrio
De modo anlogo, para 0 w < 1 FW (w) = Pr(W w) = Pr(|X | w) = Pr(w X w) = = FX (w) FX (w) e, portanto
0 0 0 (w) = FX (w) FX (w)(1) = fW (w) = FW = fX (w) + fX (w)
. Logo Como 0 w < 1 e 1 < w 0, resulta que fX (w) = fX (w) = 1 2 1 se 0 y < 1 fW (w) = 0 caso contrrio que a densidade uniforme padro.
3.2
Funes inversveis
Quando a funo g inversvel, possvel obter uma expresso para a funo de densidade de Y . Teorema 3.1 Seja X uma varivel aleatria contnua com funo de densidade fX (x) e seja Y = g(x) uma outra varivel aleatria . Se a funo g(x) inversvel e diferencivel, ento a funo de densidade de Y dada por: 1 dg1 (y ) (3.1) fY (y ) = fX g (y ) dy
CAPTULO 3. FUNES DE VARIVEIS ALEATRIAS CONTNUAS
49
Demonstrao: Esse resultado segue diretamente da relao entre as funes de densidade e de distribuio acumulada dada na equao (3.2): fX (x) = FX (x)
0
(3.2)
Suponhamos inicialmente que g (x) seja crescente; nesse caso, g 0 (x) > 0 e x1 < x2 g (x1 ) < g (x2 ) . Ento, a funo de distribuio acumulada de Y : FY (y ) = Pr (Y y ) = Pr (g(X ) y ) Mas, conforme ilustrado na Figura 3.1, g (X ) y X g1 (y ).
g( X ) y
X g 1 ( y )
g 1 ( y )
Figura 3.1: Funo inversa de uma funo crescente Logo, FY (y ) = Pr (g(X ) y ) = Pr X g 1 (y ) = FX g1 (y )
Da relao entre a funo de densidade de probabilidade e a funo de distribuio e da regra da cadeia, segue que: dg 1 (y ) dg1 (y ) 0 0 fY (y ) = FY (y ) = FX g 1 (y ) = fX g 1 (y ) dy dy Como a inversa de uma funo crescente tambm crescente, resulta que e, portanto, (3.3) pode ser reescrita como 1 dg 1 (y ) fY (y ) = FY (y ) = fX g (y ) dy
0
(3.3) dg 1 (y ) >0 dy
(3.4)
50
g( X ) y
g 1 ( y )
X g 1 ( y )
Figura 3.2: Funo inversa de uma funo decrescente Quando g(x) decrescente, vale notar que que g 0 (x) < 0 e, conforme ilustrado na Figura 3.2, g(X ) y X g1 (y ). Dessa forma, FY (y ) = Pr (Y y ) = Pr (g(X ) y ) = Pr X g 1 (y ) = 1 Pr X < g 1 (y ) = 1 Pr X g1 (y ) = 1 FX g1 (y ) e, portanto dg 1 (y ) dg1 (y ) 0 0 fY (y ) = FY (y ) = FX g 1 (y ) = fX g 1 (y ) dy dy (3.5)
Como
e (3.5) pode ser reescrita como
dg1 (y ) < 0 (lembre que estamos considerando g decrescente agora, o que implica dy que a inversa tambm decrescente), resulta 1 dg (y ) dg 1 (y ) = dy dy 1 dg 1 (y ) fY (y ) = FY (y ) = fX g (y ) dy
0
(3.6)
Os resultados (3.4) e (3.6), para funes crescentes e decrescentes, podem ser reunidos para completar a prova do teorema. Quando a funo no monotna, no podemos aplicar o teorema acima e nem sempre conseguiremos obter uma expresso usando os recursos vistos neste curso.
51
3.2.1
Exemplo
1 se 0 < x < 1 0 se x 0 ou x 1
Seja X U nif (0, 1), isto : fX (x) =
Dena Y = ln X. Vamos calcular a funo de densidade de probabilidade de Y. A funo g(x) = ln x estritamente decrescente e podemos aplicar o Teorema 3.1. Ento, como 0 < x < 1, segue que 0 < y = ln x < (ver Figura 3.3).
2,5
1,5
0,5
0 0 -0,5 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
-1
-1,5
-2
Figura 3.3: Grco da funo Y = g(X ) = ln X Por outro lado, a inversa de y = g (x) = ln x g1 (y ) = ey e, portanto, dg 1 (y ) = ey dy Como 0 < y < , ento 0 < ey < 1 e a funo de densidade de probabilidade de Y fY (y ) = fX ey ey = 1 ey fY (y ) = ey
uma vez que fX (x) = 1 no intervalo (0, 1). Note que essa a densidade exponencial com parmetro igual a 1.
3.2.2
Transformao linear
Consideremos a tranformao Y = aX + b, que dene uma reta. Se X uma varivel aleatria contnua com densidade fX (x), ento podemos aplicar o Teorema 3.1 para calcular a densidade de Y. Se Y = g(X ) = aX + b, ento a funo inversa X = g 1 (Y ) = Y b a
CAPTULO 3. FUNES DE VARIVEIS ALEATRIAS CONTNUAS cuja derivada dg 1 (y ) 1 = dy a Logo, a densidade de Y fY (y ) = fX Exemplo yb 1 a a
52
(3.7)
Se a funo de densidade da varivel aleatria X dada por 3x2 se 1 x 0 f (x) = 0 se x < 1 ou x > 0 calcule a funo de densidade de Y = 2X 3 , bem como sua esperana e sua varincia. 5 Soluo: Temos que a = 2 e b = 0, 6. Como 1 x 0, resulta que 2, 6 y 0, 6. Logo, y + 0, 6 1 fY (y ) = fX se 2, 6 y 0, 6 2 2 ou seja y + 0, 6 fY (y ) = 3 2 2 1 3 = (y + 0, 6)2 2 8
se 2, 6 y 0, 6
3 5
Pelas propriedades da esperana e da varincia, se Y = 2X E (Y ) = 2E (X ) V ar(Y ) = 4V ar(X ) E (X ) = Z

0
ento
3 5
5 0 2 x 3 48 45 3 3 3 x 3x dx = 3 = = V ar(X ) = = = E (X ) = 5 1 5 5 4 80 80 1 3 3 = V ar(Y ) = 4 = 80 20
2
4 0 x = 3 = E (Y ) = 6 3 = 30 12 = 2, 1 x3x dx = 3 4 1 4 4 5 20 1
2
Captulo 4 A Distribuio Normal

4.1 Alguns resultados de Clculo
Como o integrando uma funo par, temos tambm que r 2 2 Z Z t t dt = 2 dt = 2 = 2 exp exp 2 2 2 0 ou ainda 1 2 Z 2 t dt = 1 exp 2
Com o uso de coordenadas polares, pode-se mostrar que r 2 Z t exp dt = 2 2 0
(4.1)
(4.2)
4.1.1
Exerccio resolvido
Z
Calcule (1/2) . Por denio, (1/2) = e x

x 1/21
dx =
ex dx x
Vamos usar a seguinte transformao de varivel: x= Ento, dx = tdt x = 0t=0 x t t2 2
53
CAPTULO 4. A DISTRIBUIO NORMAL Logo, (1/2) = ou seja:
54
eq
t2 /2 t2 2
Z tdt = 2 (1/2) =
t2 /2
dt = 2
4.2
4.2.1
Densidade normal padro

Denio
2 1 t Analisando a equao (4.2), vemos que a funo exp satisfaz as condies 2 2 para ser uma funo de densidade. Essa , por denio, a densidade normal padro (x) (note que (x) > 0) denida por: 2 1 x <x< (4.3) (x) = exp 2 2 Vamos denotar por N (0; 1) a densidade normal padro e, se uma varivel aleatria Z distribuda segundo uma normal padro, representaremos esse fato como Z N (0; 1).
4.2.2
Esperana
Seja Z N (0, 1). Por denio, a esperana de Z : 2 Z Z 1 x dx x(x)dx = x exp E (Z ) = 2 2 Como (x) simtrica em torno do ponto x = 0, sabemos que E (Z ) = 0.
4.2.3
Varincia
+ 0
Como E (Z ) = 0 se Z N (0; 1), ento 2 Z + Z 2 x 2 2 1 dx = x exp V ar(Z ) = E (Z ) = 2 2 2
2 x dx x exp 2
2
uma vez que o integrando par (note os limites de integrao). Esta integral calculada usando-se o mtodo de integrao por partes. Fazendo: 2 2 x x dx = dv v = exp x exp 2 2 x = u dx = du
CAPTULO 4. A DISTRIBUIO NORMAL resulta que: 2 Z x = x exp 2 0
55
2 Z x exp dx + 2
0
2 x dx x exp 2
2
(4.4)
Pelos resultados (2.7) e (4.1)resulta r 2 Z Z x 2 0= x exp + dx = 2 2 0 Logo, 2 Var(Z ) = 2 r
r 2 x x2 exp dx = 2 2 (4.5)
Var(Z ) = 1 2
4.2.4
Caractersticas da curva normal padro

lim (x) = lim (x) = 0; esse resultado segue diretamente do fato 0
x
1. Simtrica em torno de 0; note que (x) = (x) . 2. Assntotas: de que

x limx ex =
3. Ponto de mximo Para calcular a primeira e segunda derivadas de (x), devemos lembrar que (ex )0 = ex e, pela regra da cadeia, (eg(x) )0 = eg(x) g 0 (x). Aplicando esses resultados densidade normal padro, obtemos que: 2 1 1 x 0 2x = (x)x (4.6) (x) = exp 2 2 2 Derivando novamente, obtemos: 00 (x) = 0 (x)x (x) = [(x)x] x (x) = (x)x2 (x) = (x)(x2 1) Analisando a equao (4.6) e lembrando que (x) > 0, pode-se ver que: 0 (x) = 0 x = 0 e assim, x = 0 um ponto crtico. Como 0 (x) > 0 para x < 0 e 0 (x) < 0 para x > 0, ento crescente esquerda de 0 e decrescente direita de 0. Segue, ento, que x = um ponto de mximo e nesse ponto 1 (0) = 2 (4.8)
(4.7)
CAPTULO 4. A DISTRIBUIO NORMAL 4. Pontos de inexo Analisando a segunda derivada dada por (4.7), tem-se que: 00 (x) = 0 x2 1 = 0 x = 1 Alm disso, 00 (x) > 0 x2 1 > 0 x2 > 1 x > 1 ou e 00 (x) < 0 x2 1 < 0 x2 < 1 1 < x < 1 x < 1
56
(4.9)
Logo, (x) cncava para cima se x > 1 ou x < 1 e cncava para baixo quando 1 < x < +1. Na Figura 4.1 temos o grco da densidade normal padro; a as linhs pontilhadas indicam a ocorrncia dos pontos de inexo
0,5 0,4 0,3 0,2 0,1 0 -5 -4 -3 -2 -1 0 1 2 3 4 5
Figura 4.1: Densidade normal padro
4.2.5
para a qual no existe uma antiderivada em forma de funo elementar. Assim, a funo de distribuio acumulada da normal padro calculada por integrao numrica. Todos os pacotes estatsticos possuem rotinas especiais para esse clculo. No EXCEL, a funo DIST.NORMP calcula Pr (Z x) para qualquer x, onde Z N (0; 1).
A funo de distribuio acumulada de qualquer varivel aleatria X denida por FX (X ) = Pr (X x) . No caso da densidade normal padro, essa funo dada pela integral Z x 1 1 2 exp t dt (x) = (4.10) 2 2
CAPTULO 4. A DISTRIBUIO NORMAL
57
4.2.6
Tabulao da distribuio normal padro
Para completar o estudo da distribuio normal padro, necessrio calcular probabilidades de quaisquer eventos, tais como Pr (a Z b) . Por denio da funo de densidade, essa probabilidade, no caso da normal padro, dada por: Z b 1 1 2 exp x dx Pr(a Z b) = 2 2 a Como j dito, tal integral, que d a rea sob a curva compreendida entre os pontos a e b, no pode ser calculada pelos procedimentos usuais; a diculdade est no fato de que aqui no podemos aplicar o Teorema Fundamental 2 do Clculo, j que no existe uma x funo elementar cuja derivada seja exp . Assim, para calcular probabilidades 2 do tipo acima, necessria a aplicao de mtodos numricos e esses mtodos permitem tabular Pr(Z z ) para qualquer valor de z. Ao nal deste captulo, so dadas 2 verses da tabela da normal padro. Na Tabela 1 dada a distribuio acumulada para cada valor de z > 0, ou seja dado o valor de (z ) = Pr(Z z ). Na Tabela 2, usa-se novamente o fato de a distribuio normal ser simtrica para economizar no tamanho da tabela e apresenta-se, para cada z > 0, tab(z ) = Pr(0 Z z ). A partir de qualquer uma delas possvel calcular a probabilidade de qualquer evento associado distribuio normal padro. Em ambas, a abscissa z apresentada com 2 casas decimais, sendo que a casa inteira e a primeira casa decimal esto nas linhas da coluna esquerda e a segunda casa decimal est na linha superior da tabela.
4.2.7
Exemplos
Seja Z N (0, 1). Calcule: 1. Pr (0 Z 1) Soluo Essa probabilidade corresponde rea sombreada na Figura 4.2. Pela Tabela 1, temos: Pr (0 Z 1) = Pr(Z 1) Pr(Z < 0) = Pr(Z 1) Pr(Z 0) = (1) (0) = 0, 84134 0, 5 = 0, 34134 Pela Tabela 2, temos que Pr (0 Z 1) = tab(1) = 0, 34134 onde tab(z ) representa o valor dado na Tabela 2 correspondente abscissa z. 2. Pr (1 Z < 2, 5) Soluo
58
Figura 4.2: Pr(0 < Z < 1) Essa probabilidade corresponde rea sombreada na Figura 4.3. Pela Tabela 1, temos: Pr (1 Z < 2, 5) = Pr(Z < 2, 5) Pr(Z < 1) = Pr(Z 2, 5) Pr(Z 1) = (2, 5) (1) = 0, 99379 0, 84134 = 0, 15245 Pela Tabela 2, temos que Pr (1 Z 2, 5) = tab(2, 5) tab(1) = 0, 49379 0, 34134 = 0, 15245
Figura 4.3: Pr(1 Z < 2, 5) 3. Pr(1 Z 0) Soluo Essa probabilidade corresponde rea sombreada na Figura 4.4. Por simetria e pela continuidade dadensidade, temos que Pr (1 < Z < 0) = Pr(0 < Z < 1) = Pr(0 < Z 1)
CAPTULO 4. A DISTRIBUIO NORMAL Da Tabela 1 resulta
59
Pr (1 < Z < 0) = Pr(0 < Z < 1) = Pr(0 < Z 1) = Pr(Z 1) Pr(Z 0) = (1) (0) = 0, 84134 0, 5 = 0, 34134 Pela Tabela 2, temos que (note a simetria das reas!) Pr (1 < Z < 0) = Pr(0 Z 1) = tab(1) = 0, 34134
Figura 4.4: Pr(1 < Z < 0) 4. Pr (Z < 1, 0) Soluo Essa probabilidade corresponde rea sombreada em cinza claro na Figura 4.5. Por simetria, essa rea (probabilidade) igual rea sombreada em cinza escuro, que corresponde a Pr(Z > 1). Ento, pela Tabela 1, temos: Pr (Z < 1, 0) = Pr(Z > 1, 0) = 1Pr(Z 1) = 1(1, 0) = 10.84134 = 0, 15866 Pela Tabela 2, temos que
Pr (Z < 1, 0) = Pr(Z > 1, 0) = 0, 5Pr (0 Z 1) = 0, 5tab(1, 0) = 0, 50, 34134 = 0, 1586 5. Pr (1 < Z < 2) Soluo Essa probabilidade corresponde rea sombreada na Figura 4.6. Pela Tabela 1, temos:
Pr (1 < Z < 2) = Pr(1 < Z 2) = Pr(Z 2) Pr(Z 1) = Pr(Z 2) Pr(Z 1) = (2, 0) [1 Pr(Z < 1)] = (2, 0) 1 + (1, 0) = 0, 97725 1 + 0, 8413
60
Figura 4.5: Pr(Z < 1) Pela Tabela 2, temos que Pr (1 < Z < 2) = Pr (1 Z 2) = Pr (1 Z 0) + Pr (0 Z 2) = = Pr (0 Z 1) + Pr (0 Z 2) = = tab(1, 0) + tab(2, 0) = 0, 34134 + 0, 47725 = 0, 81859
Figura 4.6: Pr(1 < Z < 2) 6. Pr (Z > 1, 5) Soluo Essa probabilidade corresponde rea sombreada na Figura 4.7. Pela Tabela 1, temos: Pr (Z > 1, 5) = 1 Pr(Z 1, 5) = 1 (1, 5) = 1 0.93319 = 0, 06681 Pela Tabela 2, temos que Pr (Z > 1, 5) = 0, 5 Pr (0 Z 1, 5) = 0, 5 tab(1, 5) = 0.5 0.43319 = 0, 06681
61
Figura 4.7: P (Z > 1, 5)
4.3
4.3.1
Densidade N (; 2)
Denio
Seja Z N (0; 1) e vamos denir uma nova varivel aleatria X = g(Z ) = + Z, em que > 0. Usando o resultado (3.7), temos que: " 2 # 1 x 1 1 1 x fX (x) = fZ = exp 2 2 ou ainda: " 2 # 1 1 x fX (x) = exp 2 2 2
e essa a densidade da normal N (; 2 ) Denio 4.1 Uma varivel aleatria contnua X, denida para todos os valores da reta real, tem densidade normal com parmetros e 2 , onde < < e 0 < 2 < , se sua funo de densidade de probabilidade dada por (x )2 1 <x< . (4.11) exp f (x) = 2 2 2 2 Usaremos a seguinte notao para indicar que uma varivel aleatria X tem distribuio normal com parmetros e 2 : X N (; 2 ).
4.3.2
Caractersticas da curva normal

lim f (x) = lim f (x) = 0; esse resultado segue diretamente do fato 0
x
1. Simtrica em torno de ; note que f ( x) = f ( + x) . 2. Assntotas: de que

x limx ex =
CAPTULO 4. A DISTRIBUIO NORMAL 3. Ponto de mximo
62
Para calcular a primeira e segunda derivadas de f (x), devemos lembrar que (ex )0 = ex e, pela regra da cadeia, (eg(x) )0 = eg(x) g 0 (x). Aplicando esses resultados densidade normal, obtemos que: 1 1 (x )2 x 0 2 2(x ) = f (x) (4.12) f (x) = exp 2 2 2 2 2 2 Derivando novamente, obtemos: 1 x 1 x x 00 0 f (x) = f (x) f (x) 2 = f (x) f (x) 2 = 2 2 2 2 2 2 1 (x ) (x ) f (x) 2 = f (x) (4.13) = f (x) 4 4 Analisando a equao (4.12) e lembrando que f (x) > 0, pode-se ver que: f 0 (x) = 0 x = e assim, x = um ponto crtico. Como f 0 (x) > 0 para x < e f 0 (x) < 0 para x > , ento f crescente esquerda de e decrescente direita de . Segue, ento, que x = um ponto de mximo e nesse ponto 1 (4.14) f () = 2 2 4. Pontos de inexo Analisando a segunda derivada dada por (4.13), tem-se que: 00 x=+ 2 2 f (x) = 0 (x ) = |x | = x= Alm disso, f (x) > 0 (x )2 > 2 |x | > x > ou x> x > + ou x< f (x) < 0 (x )2 < 2 |x | < x< <x<+ x<
00 00
(4.15)
(4.16)
(4.17)
Na Figura 4.8 apresentado o grco da densidade normal no caso em que = 3 e = 1. A a linha pontilhada central representa o eixo de simetria e as linhas pontilhadas laterais passam pelos pontos de inexo 3 1.
2
Logo, f (x) cncava para cima se x > + ou x < e cncava para baixo quando < x < + .
63
0,5
0,4
N(3;1)
0,3
0,2
0,1
0,0 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10
Figura 4.8: Densidade normal com mdia = 3 e varincia 2 = 1
4.3.3
Se X N (; 2 ) , ento X = + Z , em que Z N (0; 1). Das propriedades de mdia e varincia, sabemos que, se X uma varivel aleatria e k1 6= 0 e k2 so constantes quaisquer, ento E (k1 X + k2 ) = k1 E (X ) + k2 2 Var (X ) Var(k1 X + k2 ) = k1 Resulta, ento, que se X N (; 2 ) ento E (X ) = + E (Z ) = + 0 E (X ) = e Var (X ) = 2 Var (Z ) = 2 1 Var (X ) = 2 Resumindo: X N ; 2 = E (X ) = V ar(X ) = 2 (4.20) (4.21) (4.19) (4.18)
Parmetros da N ; 2
Os parmetros da densidade normal so, ento, a mdia e a varincia, que so medidas de posio e disperso, respectivamente. Valores diferentes de deslocam o eixo de simetria da curva e valores diferentes de 2 mudam a disperso da curva. Quanto maior 2 , mais espalhada a curva; mas o ponto de mximo, dado pela equao (4.14), inversamente proporcional a 2 . Logo, quanto maior 2 , mais espalhada e mais achatada a curva. A questo que a forma sempre a de um sino. Na Figura
64
4.9 temos exemplos de densidades normais com a mesma varincia, mas com mdias diferentes. O efeito o delocamento da densidade. J na Figura 4.10, temos duas densidades com a mesma mdia, mas varincias diferentes. O efeito que a densidade com maior varincia mais dispersa e achatada.
0,5
0,4
N(0;1)
0,3
N(3;1)
0,2
0,1
0,0 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10
Figura 4.9: Exemplos de densidades normais com mesma varincia e mdias diferentes
4.3.4
Como no caso da normal padro, a funo de distribuio acumulada no pode ser calculada diretmanete, sendo necessrios programas computacionais.Com o auxlio da funo DISTR.NORM do Excel foi obtida a Figura 4.11. onde temos os grcos da funo de distribuio acumulada para as densidades N (0, 1), N (3, 1) e N (3, 2). Note que, pela simetria da densidade em torno da mdia , sempre teremos () = 0, 5.
4.3.5
Clculo de probabilidades de uma varivel normal
O resultado a seguir garante que probabilidades de qualquer varivel normal podem ser calculadas a partir das probabilidades da normal padro. De fato, j foi visto que se X N (, 2 ) , ento X = + Z, onde Z N (0, 1). Vamos ver como utilizar esse resultado para calcular probabilidades da normal. Temos que X x Pr (X x) = Pr x x = Pr Z =
(4.22)
65
0,5
0,4
N(3;1)
0,3
0,2
N(3;4)
0,1
0,0 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10
Figura 4.10: Exemplos de densidades normais com mesma mdia e varincias diferentes
1,2
N(0;1)
1,0
N(3;2)
0,8
0,6
N(3;1)
0,4
0,2
0,0 -6 -4 -2 0 2 4 6 8 10
Figura 4.11: Funo de distribuio acumulada de vrias densidades normais
66
Na Figura 4.12 ilustra-se esse fato com as densidades Z N (0; 1) e X N (3; 4). No grco inferior a rea sombreada representa Pr(X 5) e, no grco superior, a rea sombreada representa a probabilidade equivalente: X 3 53 Pr(X 5) = Pr = Pr(Z 1) 2 2 O que o resultado diz que essas reas (probabilidades) so iguais.
Figura 4.12: Ilustrao da propriedade (4.22) Esse resultado mostra que probabilidades de qualquer varivel normal podem ser obtidas a partir de probabilidades da normal padro e, assim, s necessrio tabular a distribuio normal padro.
67
4.3.6
Exemplos
1. Se X N (2, 4) calcule Pr (1 X 5) . Soluo Temos que (veja Figura 4.13) 1 2 X 2 52 = Pr (1, 5 Z 1, 5) = Pr (1 X 5) = Pr 4 4 4 = 2 Pr (0 Z 1, 5) = 2 tab(1, 5) = 2 0, 43319 = 2[(1, 5) 0, 5] = 2 [0, 93319 0, 5] = 0, 86638
Figura 4.13: X N (2, 4) : Pr(1 X 5) = Pr(1, 5 Z 1, 5) 2. Se X N (1, 9) calcule Pr (1 X 5) . Soluo Temos que (veja Figura 4.14) X (1) 5 (1) 1 (1) = Pr (0 Z 2) = Pr (1 X 9) = Pr 9 9 9 = tab(2, 0) = (2, 0) 0, 5 = 0, 47725 3. Se X N (3, 4) calcule Pr (7 X 5) . Soluo Temos que (veja Figura 4.15) 7 3 X 3 53 Pr (7 X 5) = Pr = Pr (5 Z 1) = 4 4 4 = Pr (5 Z 0) + Pr (0 Z 1) = = Pr (0 Z 5) + tab(1, 0) = 0, 5 + 0, 34134 = 0, 84134 = (1, 0) (5, 0) = (1, 0) [1 (5, 0)]
68
Figura 4.14: X N (1, 9) : Pr(1 X 9) = Pr(0 Z 2)
Figura 4.15: X N (3; 4) : Pr(7 X 5) = Pr(5 Z 1) 4. Se X N (, 2 ) , calcule Pr ( 2 X + 2 ) . Soluo Temos que (veja Figura 4.16): 2 + 2 Pr ( 2 X + 2 ) = Pr Z = = Pr (2 Z 2) = 2 Pr (0 Z 2) = = 2 tab(2, 0) = 2 0, 47725 = 0, 9545 ' 95% Note que essa probabilidade no depende dos parmetros e . Isso signica que a probabilidade de uma varivel aleatria normal estar compreendida entre dois desvios padres em torno da mdia sempre 95%! 5. Se X N (2; 9), encontre o valor de k tal que Pr(X < k ) = 0, 95. Soluo
69
Figura 4.16: X N (; 2 ) : Pr( 2 X + 2 ) = Pr(2 Z 2) Aqui, estamos analisando um problema inverso: dada a probabilidade de um evento, queremos encontrar a abscissa correspondente. Nesse exemplo, podemos observar que a abscissa k tem que estar do lado direito da curva, ou seja, acima da mdia, uma vez que a probabilidade abaixo dela tem que ser maior do que 0,5. Para resolver este problema, devemos, como antes, obter a probabilidade equivalente em termos da normal padro (veja a Figura 4.17): X 2 k2 Pr(X < k) = 0, 95 Pr < = 0, 95 3 3 k2 k2 Pr Z < = 0, 95 Pr(Z < 0) + Pr 0 Z < = 0, 95 3 3 k2 k2 0, 5 + tab = 0, 95 tab = 0, 45 3 3 Ento, na Tabela 2, temos que procurar, no corpo da tabela, a abscissa que corresponde rea de 0,45. fcil ver que essa abscissa 1,64, ou seja: k2 = 1, 64 = k = 2 + 3 1.64 = 6, 92 3 6. Se X N (2; 9), encontre o valor de k tal que Pr(X < k ) = 0, 10. Soluo Como no exemplo anterior, dada a probabilidade de um evento, queremos encontrar a abscissa correspondente. Nesse exemplo, podemos observar que a abscissa k tem que estar do lado esquerdo da curva, ou seja, abaixo da mdia, uma vez que a probabilidade abaixo dela tem que ser menor do que 0,5. Em termos da probabilidade equivalente da normal padro : X 2 k2 k2 Pr(X < k ) = 0, 10 Pr < = 0, 10 Pr Z < = 0, 10 3 3 3
70
Figura 4.17: X N (2; 9) : Pr(X < k) = 0, 95
2 Veja a Figura 4.18. Se abaixo da abscissa k temos rea de 0,10, pela simetria 3 da curva, temso que ter rea 0,10 acima da abscissa simtrica. Ou seja, acima de 2 2 k temos rea 0,10 e, portanto, a rea entre 0 e k tem que ser 0,40. 3 3 k2 k2 Pr Z < = 0, 10 Pr Z > = 0, 10 3 3 k2 k2 = 0, 40 tab = 0, 40 Pr 0 Z 3 3 k2 = 1, 28 k + 2 = 3, 84 k = 1, 84 3
k2
3
= 0, 95
Figura 4.18: X N (2; 9) : Pr(X < k) = 0, 10 0, 90
k2
3
2 = 0, 10 k = 3
71
4.4
Exemplo: qui-quadrado e normal

FY (y ) = = = = Pr(Y y ) = Pr(Z 2 y ) Pr ( y Z y ) FZ ( y ) FZ ( y ) ( y ) ( y )
Seja Z N (0; 1) e considere Y = Z 2 . Para y > 0 temos
e, portanto, usando a regra da cadeia, resulta que fY (y ) = = = = = = = d d [ ( y )] [ ( y )] dy dy 1 1 0 0 ( y ) ( y ) 2 y 2 y 1 1 ( y ) + ( y ) 2 y 2 y 2 ! 2 ! y y 1 1 1 1 exp + exp 2 2 y 2 2 y 2 2 1 1 y 2 exp 2 2 y 2 1 y exp y 1/2 2 2 1 1 y 1/21 ey/2 1 / 2 2 2 f (x) = 1 n/21 x/2 e n n/2 x ( 2 )2 se x > 0
Comparando com a densidade qui-quadrado dada em (2.21)
vemos que fY (y ) uma qui-quadrado com 1 grau de liberdade, ou seja, se Z N (0; 1), ento Z 2 2 1 . Este resultado se generaliza da seguinte forma: se Z1 , Z2 , . . . , Zn so variveis aleatrias independentes, todas com distribuio normal padro, ento Y = 2 2 2 Z1 + Z2 + . . . + Zn tem distribuio qui-quadrado com n graus de liberdade. Dessa denio ca mais claro o conceito de graus de liberdade: o nmero de parcelas independentes em uma soma de variveis aleatrias. J foi visto que, se X 2 n, ento E (X ) = n e V ar (X ) = 2n. Na Figura 4.19 so apresentados os grcos para n = 1, 2, 6. Para n > 2, o grco tem sempre forma semelhante ao ltimo grco desta gura.
4.4.1
Tabela da qui-quadrado
Ao contrrio da distribuio normal, no existe relao entre as diferentes distribuies qui-quadrado. Assim, para o clculo de probabilidades desta distribuio seria necessria
72
5 4 3 2 1 0 0 1 2 3 4 5 6
n =1
0,6 0,5 0,4 0,3 0,2 0,1 0 0 2 4 6 8 10 12
n =2
0,15
0,10
0,05
0,00 0 5 10 15 20 25 30
n =6
Figura 4.19: Distribuio qui-quadrado
73
uma tabela para cada valor de n ou o uso de programas computacionais. Nos livros didticos comum apresentar uma tabela da distribuio qui-quadrado que envolve os valores crticos, ou seja, valores que deixam determinada probabilidade acima deles. 2 Mais precisamente, o valor crtico da 2 n associado probabilidade o valor n; tal que 2 Pr(2 n > n; ) = Veja a Figura 4.20. Ao nal desta apostila apresentamos a Tabela 3, que fornece os valores crticos da distribuio qui-quadrado. Nas linhas da tabela temos os graus de liberdade e nas colunas, a rea na cauda superior. O corpo da tabela fornece o vcalor crtico 2 n; .
Figura 4.20: Valor crtico da qui-quadrado
4.4.2
Exemplos
2 1. Na distribuio 2 15 , encontre a abscissa k tal que Pr(15 > k ) = 0, 05.
Soluo Temos que considerar a linha correspondente a 15 graus de liberdade e a coluna correspondente a = 0, 05, o que nos d k = 24, 996
2 2. Na distribuio 2 23 , encontre a abscissa k tal que Pr(23 < k ) = 0, 10.
Soluo 1. O problema d a cauda inferior. Temos que Pr(2 (23) < k) = 0, 10 Pr(2 (23) k) = 0, 90 Temos que considerar a linha correspondente a 23 graus de liberdade e a coluna correspondente a = 0, 90, o que nos d k = 14, 848.
74
4.5
4.5.1
A distribuio log-normal
Denio
Seja X N (, 2 ). Se denimos uma nova varivel aleatria Y = eX ento diz-se que Y tem distribuio log-normal com parmetros e 2 . Reciprocamente, se Y tem distribuio log-normal, ento X = ln Y tem distribuio N (, 2 ). Vamos calcular a funo de densidade de probabilidade de uma varivel aleatria lognormal a partir de sua funo de distribuio acumulada. Note que Y s pode assumir valores positivos. Temos que: FY (y ) = Pr (Y y ) = Pr eX y = Pr (X ln y ) = X ln y ln y = Pr = Pr Z ln y y>0 = Sabemos que fY (y ) = F 0 (y ) e, tambm, no caso da normal padro, 0 (z ) = (z ). Logo, pela regra da cadeia, ln y 1 ln y 1 0 fY (y ) = = = y y " 2 # 1 1 1 ln y = exp 2 y 2 ou ainda: " 2 # 1 1 ln y exp fY (y ) = 2 y 2 2 y>0
4.5.2
Esperana
Z
A esperana de Y : E (Y ) = " 2 # 1 1 ln y dy y exp 2 y 2 2
Fazendo a mudana de varivel t = ln y
temos que
y = 0 t = y=t=
1 dt = y dy
CAPTULO 4. A DISTRIBUIO NORMAL y = et
75
e, portanto 1 E (Y ) = 2 2 = = = = " # 2 # 2 Z 1 1 1 t t dt = et exp exp + t dt 2 2 2 2 2 Z t 2t + 2 22 t 1 dt = exp 2 2 2 2 2 Z 1 t 2t ( + 2 ) + 2 dt exp 2 2 2 2 2 Z 2 t 2t ( + 2 ) 1 exp 2 dt = exp 2 2 2 2 2 # " Z 2 2 1 t2 2t ( + 2 ) + ( + 2 ) ( + 2 ) 2 dt exp exp 2 2 2 2 2 2 Z
"
Mas o termo entre os colchetes externos a integral de uma densidade normal com mdia = ( + 2 ) e varincia 2 ; logo, essa integral 1 e, portanto: ! 2 2 2 + 2 + 22 + 4 ( + 2 ) E (Y ) = exp 2 + = exp 2 2 2 2 2 2 (4.23) E (Y ) = exp + 2
) ! ( Z 2 2 ( + 2 ) 2 1 [t ( + 2 )] exp dt = exp 2 exp 2 2 2 2 2 2 2 ! ) ( Z 2 2 2 2 2 ( + ) 1 [t ( + )] = exp 2 + dt exp 2 2 2 2 2 2 2
76
4.5.3
Varincia
Vamos calcular de modo anlogo E (Y 2 ), usando a mesma transformao: " 2 # Z 1 ln y 1 dy y2 exp E (Y 2 ) = 2 y 2 2 0 " " # 2 # 2 Z Z 1 1 t t 1 1 dt = = e2t exp exp + 2t dt 2 2 2 2 2 2 2 Z t 2t + 2 42 t 1 dt = exp = 2 2 2 2 2 Z t 2t ( + 2 2 ) + 2 1 dt exp = 2 2 2 2 2 Z 1 2 t 2t ( + 2 2 ) = exp 2 dt = exp 2 2 2 2 2 # " Z 2 2 1 t2 2t ( + 2 2 ) + ( + 2 2 ) ( + 22 ) 2 dt exp = exp 2 2 2 2 2 2 ) ! ( Z 2 2 2 ( + 2 2 ) 1 [t ( + 2 2 )] = exp 2 exp dt exp 2 2 2 2 2 2 2 ! ) ( Z 2 2 2 2 2 ( + 2 ) 1 [t ( + 2 )] dt = exp 2 + exp 2 2 2 2 2 2 2
Como antes, o termo entre os colchetes externos 1 porque a integral de uma densidade normal com mdia + 2 2 e varincia 2 . Logo, ! 2 2 2 2 ) + 2 + 42 + 4 4 ( + 2 2 = exp E (Y ) = exp 2 + 2 2 2 2 2 E (Y 2 ) = exp 2 + 2 2 2 2 2 Var(Y ) = exp 2 + 2 exp + = 2 2 2 = exp 2 + 2 exp 2 + = 2 = exp 2 + 22 exp 2 + 2 exp (2 + 2 2 ) 2 = exp 2 + 1 = exp (2 + 2 ) = exp 2 + 2 exp 2 + 2 2 2 2 1 = = exp 2 + 2 exp 2 1
CAPTULO 4. A DISTRIBUIO NORMAL Denindo m = E (X ) = exp 10) +

2 2
77
h 2i Var(Y ) = m2 e 1
, temos que m2 = exp (2 + 2 ) . Logo, (4.24)
4.6
Exerccios propostos
(a) Pr(X + 2 ) (Resp.: 0, 97725) (c) Pr(|X | 1, 96 ) (Resp.: 0, 95)
1. Na distribuio normal X N (, 2 ), encontre: (b) Pr(|X | ) (Resp.:0, 68268)
(d) o nmero k tal que Pr( k X + k) = 0, 99 (Resp.: 2, 58 ) (e) o nmero k tal que Pr(X > k) = 0, 90. (Resp.: 1, 28 ) 2. Suponha que os tempos de vida de 2 marcas de aparelhos eltricos sejam variveis aleatrias D1 e D2 , onde D1 N (42, 36) e D2 N (45, 9). Se o aparelho deve ser usado por um perodo de 45 horas, qual marca deve ser preferida? E se for por um perodo de 49 horas? (Resp.: 2;1) 3. Numa distribuio normal, 31% dos elementos so menores que 45 e 8% so maiores que 64. Calcular os parmetros que denem a distribuio. (Resp.: = 50; ) 4. As vendas de um determinado produto tm distribuio aproximadamente normal com mdia de 500 unidades e desvio padro de 50 unidades. Se a empresa decide fabricar 600 unidades no ms em estudo, qual a probabilidade de que no possa atender a todos os pedidos desse ms, por estar com a produo esgotada? (Resp.: 0, 0228) 5. Um produto alimentcio ensacado automaticamente, sendo o peso mdio de 50 kg por saco, com desvio padro de 1,6 kg. Os clientes exigem que, para cada saco fornecido com menos de 48 kg, o fornecedor pague uma indenizao de 5 u.m.. (a) Para 200 sacos fornecidos, qual o custo mdio com indenizao? (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 mdia da mquina? (Resp.: 50, 624) (c) Como o fornecedor acha que, no custo global, desvantajoso aumentar a regulagem da mquina, ele quer comprar uma nova mquina. Qual deveria ser o desvio padro dessa mquina para que, trabalhando com peso mdio de 50 kg, em apenas 3% dos sacos se pague indenizao? (Resp.: 1, 064)
78
6. Um teste de aptido para o exerccio de uma certa prosso exige uma sequncia de operaes a serem executadas rapidamente uma aps a outra. Para passar no teste, o candidato deve complet-lo em, no mximo, 80 minutos. Admita que o tempo, em minutos, para completar a prova seja uma varivel aleatria normal com mdia 90 minutos e desvio padro 20 minutos. (a) Que porcentagem dos candidatos tem chance de ser aprovada? (Resp.: 30, 85) (b) Os 5% melhores recebero um certicado especial. Qual o tempo mximo para fazer jus a tal certicado? (Resp.: 57, 2 min) 7. O dimetro X de rolamentos de esfera fabricados por certa fbrica tem distribuio normal com mdia 0,6140 e desvio padro 0,0025. O lucro T de cada esfera depende do seu dimetro e T = 0, 10 se a esfera boa, isto , 0, 6100 < X < 0, 6180
T = 0, 05 se a esfera recupervel, isto , 0, 6080 < X < 0, 6100 ou 0, 6180 < X < 0, 6200 T = 0, 10 se a esfera defeituosa, isto , X < 0, 6080 ou X > 0, 6200 Calcule as probabilidades de as esferas serem boas, recuperveis e defeituosas e o lucro mdio. (Resp.: 0, 8904; 0, 0932; 0, 0164; 0, 09206) 8. Uma empresa produz televisores e garante a restituio da quantia paga se qualquer 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 no haja restituio, e com prejuzo de 3000 u.m. e 8000 u.m., se houver restituio. Suponha que o tempo para ocorrncia de algum defeito grave seja, em ambos os casos, uma varivel aleatria com distribuio normal com mdias 9 meses e 12 meses e desvios padres 2 meses e 3 meses. Se tivesse que planejar uma estratgia de marketing para a empresa, voc incentivaria as vendas dos aparelhos tipo A ou tipo B? (Resp.: E (LA ) = 732, 8; E (LB ) = 1772) 9. A distribuio dos pesos de coelhos criados em uma granja pode ser representada por uma distribuio normal com mdia de 5 kg e desvio padro de 0,8 kg. Um abatedouro comprar 5000 coelhos e pretende classic-los de acordo com o peso da seguinte forma: 20% dos leves como pequenos, os 55% seguintes como mdios, os 15% seguintes como grandes e os 10% mais pesados como extras. Quais os limites de peso para cada classicao? (Resp.: 4, 328; 5, 536; 6, 024) 10. Considere uma varivel aleatria X N (3, 25) : (b) Calcule Pr (2 X 8) (Resp.: 0, 68268) (a) Calcule Pr (3 X 3) (Resp.: 0, 38493)
(c) Encontre o valor de k tal que Pr(X > k) = 0, 05. (Resp.: k = 11, 2)
(d) Encontre o valor de k tal que Pr(X > k) = 0, 80. (Resp.: k = 1, 2)
79
11. Seja X N (, 2 ) . Encontre a mediana e o intervalo interquartil de X. (Resp.: Q2 = ; IQ = 1, 34 ) 12. O 90o percentil de uma varivel aleatria N (, 2 ) 50, enquanto o 15o percentil 25. Encontre os valores dos parmetros da distribuio. (Resp.: = 36, 35; = 10, 92) 13. Uma enchedora automtica enche garrafas de acordo com uma distribuio normal de mdia 1000 ml. Deseja-se que no mximo 1 garrafa em 100 saia com menos de 990ml. Qual deve ser o maior desvio padro tolervel? (Resp.: 4, 2918)
80
Tabela 1 Tabela da Distribuio Acumulada da Normal Padro
Valores de p
p = ( z ) = Pr( Z z )
Casa inteira a e 1 . Decimal 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3,9 4,0 2 decimal 4 5 0,51595 0,51994 0,55567 0,55962 0,59483 0,59871 0,63307 0,63683 0,67003 0,67364 0,70540 0,70884 0,73891 0,74215 0,77035 0,77337 0,79955 0,80234 0,82639 0,82894 0,85083 0,85314 0,87286 0,87493 0,89251 0,89435 0,90988 0,91149 0,92507 0,92647 0,93822 0,93943 0,94950 0,95053 0,95907 0,95994 0,96712 0,96784 0,97381 0,97441 0,97932 0,97982 0,98382 0,98422 0,98745 0,98778 0,99036 0,99061 0,99266 0,99286 0,99446 0,99461 0,99585 0,99598 0,99693 0,99702 0,99774 0,99781 0,99836 0,99841 0,99882 0,99886 0,99916 0,99918 0,99940 0,99942 0,99958 0,99960 0,99971 0,99972 0,99980 0,99981 0,99986 0,99987 0,99991 0,99991 0,99994 0,99994 0,99996 0,99996 0,99997 0,99997
a
0 0,50000 0,53983 0,57926 0,61791 0,65542 0,69146 0,72575 0,75804 0,78814 0,81594 0,84134 0,86433 0,88493 0,90320 0,91924 0,93319 0,94520 0,95543 0,96407 0,97128 0,97725 0,98214 0,98610 0,98928 0,99180 0,99379 0,99534 0,99653 0,99744 0,99813 0,99865 0,99903 0,99931 0,99952 0,99966 0,99977 0,99984 0,99989 0,99993 0,99995 0,99997
1 0,50399 0,54380 0,58317 0,62172 0,65910 0,69497 0,72907 0,76115 0,79103 0,81859 0,84375 0,86650 0,88686 0,90490 0,92073 0,93448 0,94630 0,95637 0,96485 0,97193 0,97778 0,98257 0,98645 0,98956 0,99202 0,99396 0,99547 0,99664 0,99752 0,99819 0,99869 0,99906 0,99934 0,99953 0,99968 0,99978 0,99985 0,99990 0,99993 0,99995 0,99997
2 0,50798 0,54776 0,58706 0,62552 0,66276 0,69847 0,73237 0,76424 0,79389 0,82121 0,84614 0,86864 0,88877 0,90658 0,92220 0,93574 0,94738 0,95728 0,96562 0,97257 0,97831 0,98300 0,98679 0,98983 0,99224 0,99413 0,99560 0,99674 0,99760 0,99825 0,99874 0,99910 0,99936 0,99955 0,99969 0,99978 0,99985 0,99990 0,99993 0,99996 0,99997
3 0,51197 0,55172 0,59095 0,62930 0,66640 0,70194 0,73565 0,76730 0,79673 0,82381 0,84849 0,87076 0,89065 0,90824 0,92364 0,93699 0,94845 0,95818 0,96638 0,97320 0,97882 0,98341 0,98713 0,99010 0,99245 0,99430 0,99573 0,99683 0,99767 0,99831 0,99878 0,99913 0,99938 0,99957 0,99970 0,99979 0,99986 0,99990 0,99994 0,99996 0,99997
6 0,52392 0,56356 0,60257 0,64058 0,67724 0,71226 0,74537 0,77637 0,80511 0,83147 0,85543 0,87698 0,89617 0,91309 0,92785 0,94062 0,95154 0,96080 0,96856 0,97500 0,98030 0,98461 0,98809 0,99086 0,99305 0,99477 0,99609 0,99711 0,99788 0,99846 0,99889 0,99921 0,99944 0,99961 0,99973 0,99981 0,99987 0,99992 0,99994 0,99996 0,99998
7 0,52790 0,56749 0,60642 0,64431 0,68082 0,71566 0,74857 0,77935 0,80785 0,83398 0,85769 0,87900 0,89796 0,91466 0,92922 0,94179 0,95254 0,96164 0,96926 0,97558 0,98077 0,98500 0,98840 0,99111 0,99324 0,99492 0,99621 0,99720 0,99795 0,99851 0,99893 0,99924 0,99946 0,99962 0,99974 0,99982 0,99988 0,99992 0,99995 0,99996 0,99998
8 0,53188 0,57142 0,61026 0,64803 0,68439 0,71904 0,75175 0,78230 0,81057 0,83646 0,85993 0,88100 0,89973 0,91621 0,93056 0,94295 0,95352 0,96246 0,96995 0,97615 0,98124 0,98537 0,98870 0,99134 0,99343 0,99506 0,99632 0,99728 0,99801 0,99856 0,99896 0,99926 0,99948 0,99964 0,99975 0,99983 0,99988 0,99992 0,99995 0,99997 0,99998
9 0,53586 0,57535 0,61409 0,65173 0,68793 0,72240 0,75490 0,78524 0,81327 0,83891 0,86214 0,88298 0,90147 0,91774 0,93189 0,94408 0,95449 0,96327 0,97062 0,97670 0,98169 0,98574 0,98899 0,99158 0,99361 0,99520 0,99643 0,99736 0,99807 0,99861 0,99900 0,99929 0,99950 0,99965 0,99976 0,99983 0,99989 0,99992 0,99995 0,99997 0,99998
Para abscissas maiores que 4,09, use a probabilidade 1,00000
81
Tabela 2 Distribuio normal padro Valores de p

p = Pr(0 Z z )
Casa inteira a e 1 . Decimal 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3,9 4,0 2 decimal 4 5 0,01595 0,01994 0,05567 0,05962 0,09483 0,09871 0,13307 0,13683 0,17003 0,17364 0,20540 0,20884 0,23891 0,24215 0,27035 0,27337 0,29955 0,30234 0,32639 0,32894 0,35083 0,35314 0,37286 0,37493 0,39251 0,39435 0,40988 0,41149 0,42507 0,42647 0,43822 0,43943 0,44950 0,45053 0,45907 0,45994 0,46712 0,46784 0,47381 0,47441 0,47932 0,47982 0,48382 0,48422 0,48745 0,48778 0,49036 0,49061 0,49266 0,49286 0,49446 0,49461 0,49585 0,49598 0,49693 0,49702 0,49774 0,49781 0,49836 0,49841 0,49882 0,49886 0,49916 0,49918 0,49940 0,49942 0,49958 0,49960 0,49971 0,49972 0,49980 0,49981 0,49986 0,49987 0,49991 0,49991 0,49994 0,49994 0,49996 0,49996 0,49997 0,49997
a
0 0,00000 0,03983 0,07926 0,11791 0,15542 0,19146 0,22575 0,25804 0,28814 0,31594 0,34134 0,36433 0,38493 0,40320 0,41924 0,43319 0,44520 0,45543 0,46407 0,47128 0,47725 0,48214 0,48610 0,48928 0,49180 0,49379 0,49534 0,49653 0,49744 0,49813 0,49865 0,49903 0,49931 0,49952 0,49966 0,49977 0,49984 0,49989 0,49993 0,49995 0,49997
1 0,00399 0,04380 0,08317 0,12172 0,15910 0,19497 0,22907 0,26115 0,29103 0,31859 0,34375 0,36650 0,38686 0,40490 0,42073 0,43448 0,44630 0,45637 0,46485 0,47193 0,47778 0,48257 0,48645 0,48956 0,49202 0,49396 0,49547 0,49664 0,49752 0,49819 0,49869 0,49906 0,49934 0,49953 0,49968 0,49978 0,49985 0,49990 0,49993 0,49995 0,49997
2 0,00798 0,04776 0,08706 0,12552 0,16276 0,19847 0,23237 0,26424 0,29389 0,32121 0,34614 0,36864 0,38877 0,40658 0,42220 0,43574 0,44738 0,45728 0,46562 0,47257 0,47831 0,48300 0,48679 0,48983 0,49224 0,49413 0,49560 0,49674 0,49760 0,49825 0,49874 0,49910 0,49936 0,49955 0,49969 0,49978 0,49985 0,49990 0,49993 0,49996 0,49997
3 0,01197 0,05172 0,09095 0,12930 0,16640 0,20194 0,23565 0,26730 0,29673 0,32381 0,34849 0,37076 0,39065 0,40824 0,42364 0,43699 0,44845 0,45818 0,46638 0,47320 0,47882 0,48341 0,48713 0,49010 0,49245 0,49430 0,49573 0,49683 0,49767 0,49831 0,49878 0,49913 0,49938 0,49957 0,49970 0,49979 0,49986 0,49990 0,49994 0,49996 0,49997
6 0,02392 0,06356 0,10257 0,14058 0,17724 0,21226 0,24537 0,27637 0,30511 0,33147 0,35543 0,37698 0,39617 0,41309 0,42785 0,44062 0,45154 0,46080 0,46856 0,47500 0,48030 0,48461 0,48809 0,49086 0,49305 0,49477 0,49609 0,49711 0,49788 0,49846 0,49889 0,49921 0,49944 0,49961 0,49973 0,49981 0,49987 0,49992 0,49994 0,49996 0,49998
7 0,02790 0,06749 0,10642 0,14431 0,18082 0,21566 0,24857 0,27935 0,30785 0,33398 0,35769 0,37900 0,39796 0,41466 0,42922 0,44179 0,45254 0,46164 0,46926 0,47558 0,48077 0,48500 0,48840 0,49111 0,49324 0,49492 0,49621 0,49720 0,49795 0,49851 0,49893 0,49924 0,49946 0,49962 0,49974 0,49982 0,49988 0,49992 0,49995 0,49996 0,49998
8 0,03188 0,07142 0,11026 0,14803 0,18439 0,21904 0,25175 0,28230 0,31057 0,33646 0,35993 0,38100 0,39973 0,41621 0,43056 0,44295 0,45352 0,46246 0,46995 0,47615 0,48124 0,48537 0,48870 0,49134 0,49343 0,49506 0,49632 0,49728 0,49801 0,49856 0,49896 0,49926 0,49948 0,49964 0,49975 0,49983 0,49988 0,49992 0,49995 0,49997 0,49998
9 0,03586 0,07535 0,11409 0,15173 0,18793 0,22240 0,25490 0,28524 0,31327 0,33891 0,36214 0,38298 0,40147 0,41774 0,43189 0,44408 0,45449 0,46327 0,47062 0,47670 0,48169 0,48574 0,48899 0,49158 0,49361 0,49520 0,49643 0,49736 0,49807 0,49861 0,49900 0,49929 0,49950 0,49965 0,49976 0,49983 0,49989 0,49992 0,49995 0,49997 0,49998
Para abscissas maiores que 4,09, use a probabilidade 0,50000
82
Tabela 3 Tabela da Qui-Quadrado Valores crticos tais que

2 2 Pr n n = ;
n2;
g.l. n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
= 0,990 0,000 0,020 0,115 0,297 0,554 0,872 1,239 1,646 2,088 2,558 3,053 3,571 4,107 4,660 5,229 5,812 6,408 7,015 7,633 8,260 8,897 0,980 0,001 0,040 0,185 0,429 0,752 1,134 1,564 2,032 2,532 3,059 3,609 4,178 4,765 5,368 5,985 6,614 7,255 7,906 8,567 9,237 0,975 0,001 0,051 0,216 0,484 0,831 1,237 1,690 2,180 2,700 3,247 3,816 4,404 5,009 5,629 6,262 6,908 7,564 8,231 0,950 0,004 0,103 0,352 0,711 1,145 1,635 2,167 2,733 3,325 3,940 4,575 5,226 5,892 6,571 7,261 7,962 0,900 0,016 0,211 0,584 1,064 1,610 2,204 2,833 3,490 4,168 4,865 5,578 6,304 7,042 7,790 0,800 0,064 0,446 1,005 1,649 2,343 3,070 3,822 0,200 1,642 3,219 4,642 5,989 7,289 0,100 2,706 4,605 6,251 7,779 0,050 3,841 5,991 7,815 0,025 5,024 7,378 9,348 0,020 5,412 7,824 0,010 6,635 9,210
9,837 11,345
9,488 11,143 11,668 13,277
9,236 11,070 12,833 13,388 15,086
8,558 10,645 12,592 14,449 15,033 16,812 9,803 12,017 14,067 16,013 16,622 18,475
4,594 11,030 13,362 15,507 17,535 18,168 20,090 5,380 12,242 14,684 16,919 19,023 19,679 21,666 6,179 13,442 15,987 18,307 20,483 21,161 23,209 6,989 14,631 17,275 19,675 21,920 22,618 24,725 7,807 15,812 18,549 21,026 23,337 24,054 26,217 8,634 16,985 19,812 22,362 24,736 25,472 27,688 9,467 18,151 21,064 23,685 26,119 26,873 29,141
8,547 10,307 19,311 22,307 24,996 27,488 28,259 30,578 9,312 11,152 20,465 23,542 26,296 28,845 29,633 32,000
8,672 10,085 12,002 21,615 24,769 27,587 30,191 30,995 33,409 9,390 10,865 12,857 22,760 25,989 28,869 31,526 32,346 34,805
8,907 10,117 11,651 13,716 23,900 27,204 30,144 32,852 33,687 36,191 9,591 10,851 12,443 14,578 25,038 28,412 31,410 34,170 35,020 37,566
9,915 10,283 11,591 13,240 15,445 26,171 29,615 32,671 35,479 36,343 38,932
9,542 10,600 10,982 12,338 14,041 16,314 27,301 30,813 33,924 36,781 37,659 40,289
23 10,196 11,293 11,689 13,091 14,848 17,187 28,429 32,007 35,172 38,076 38,968 41,638 24 10,856 11,992 12,401 13,848 15,659 18,062 29,553 33,196 36,415 39,364 40,270 42,980 25 11,524 12,697 13,120 14,611 16,473 18,940 30,675 34,382 37,652 40,646 41,566 44,314 26 12,198 13,409 13,844 15,379 17,292 19,820 31,795 35,563 38,885 41,923 42,856 45,642 27 12,879 14,125 14,573 16,151 18,114 20,703 32,912 36,741 40,113 43,195 44,140 46,963 28 13,565 14,847 15,308 16,928 18,939 21,588 34,027 37,916 41,337 44,461 45,419 48,278 29 14,256 15,574 16,047 17,708 19,768 22,475 35,139 39,087 42,557 45,722 46,693 49,588 30 14,953 16,306 16,791 18,493 20,599 23,364 36,250 40,256 43,773 46,979 47,962 50,892

Apostila Variável Aleatória Contínua

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Apostila Variável Aleatória Contínua

Hochgeladen von

Copyright:

Verfügbare Formate

UniversidadeFederalFluminense

VARIVEIS ALEATRIAS CONTNUAS

Ana Maria Lima de Farias Luiz da Costa Laurencel

Captulo 1 Variveis Aleatrias Contnuas

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Figura 1.2: Clculo da freqncia entre dois pontos a e b

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Varivel aleatria contnua

Funo de densidade de probabilidade

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Funo de distribuio acumulada

(1.2) (1.3) (1.4)

lim FX (x) = 1 lim FX (x) = 0

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

a < b FX (a) FX (b)

isto , a funo de densidade de probabilidade a derivada da funo de distribuio acumulada.

Esperana de variveis aleatrias contnuas

Esperana de funes de variveis aleatrias contnuas

Varincia de variveis aleatrias contnuas

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

O desvio padro denido como DP (X ) = p V ar(X ) (1.11)

De forma resumida: a varincia a esperana do quadrado de X menos o quadrado da esperana de X .

Propriedades da mdia e da varincia de variveis aleatrias contnuas

Esperana E (a) = a E (X + a) = E (X ) + a E (bX ) = bE (X ) xmin E (X ) xmax

Varincia V ar (a) = 0 V ar (X + a) = V ar (X ) V ar (bX ) = b2 V ar (X ) V ar(X ) 0

Desvio Padro DP (a) = 0 DP (X + a) = DP (X ) DP (bX ) = |b| DP (X ) DP (X ) 0

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

E (b2 X 2 ) [bE (X )]2 b2 E (X 2 ) b2 [E (X )]2 b2 E (X 2 ) [E (X )]2 b2 V ar(X )

Considere a funo fX apresentada na Figura 1.7.

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS 6. Encontre a funo de distribuio acumulada de X . Soluo

kdx = 1 = k x|5 k(5 1) = 1 k = 1 = 1 =

2. Temos que fX (x) =

3. A probabilidade pedida a rea sombreada na Figura 1.8. Logo, Pr(2 X 3) = (3 2) ou Pr(2 X 3) = Z

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS e V ar(X ) = 31 4 31 27 32 = = 3 3 3

cujo grco est ilustrado na Figura 1.11.

Considere a funo fX apresentada na Figura 1.12.

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Figura 1.10: Clculo de FX para o Exemplo 1

Figura 1.11: Funo de distribuio acumulada para o Exemplo 1

Figura 1.12: Funo de densidade de probabilidade para o Exemplo 2

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

se x < 1 0 2 0, 02x + 0, 06x 0, 08 se 1 x 6 FX (x) = 1 se x > 6

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

6 x4 x3 x (0, 06 + 0, 04x) dx = 0, 06 + 0, 04 E (X ) = 3 4 1 1 = (0, 02 216 + 0, 01 1296) (0, 02 + 0, 01) = 4, 32 + 12, 96 0, 03 = 17, 25

Considere a funo fX apresentada na Figura 1.16.

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Figura 1.17: Ilustrao do clculo de Pr(1 X 3)

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS Usando integral, temos Pr(1 = = = Z 3 x x X 3) = 1 dx + dx 4 1 4 2 2 2 3 1 x2 + x x 4 2 1 8 2 1 9 4 (4 1) + 3 2 8 8 8 6 3 3 15 12 + = = 8 8 8 8 4

4. Como a funo simtrica, resulta que E (X ) = 2. Z 4 Z 2 3 x x 2 E (X ) = dx + dx x2 1 4 0 4 2 4 4 2 3 x4 x x + = 16 0 3 16 2 64 256 8 16 16 0 + = 16 3 16 3 16 8 64 16 + 1 = 1+ 3 3 56 14 = 14 = 3 3 V ar(X ) = 14 2 4= 3 3

Para x [2, 4], temos que

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Figura 1.18: Clculo da funo de distribuio acumulada do Exemplo 3

Figura 1.19: Funo de distribuio acumulada do Exemplo 3

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

A raiz que fornece resultado dentro do domnio de denio de X 8 12, 8 k= 2, 21 2

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Figura 1.21: Soluo do Exerccio 2 - Pr(X 1, 5) Pr(X 1, 5) = 1 3 1 3 1 1, 5 0, 5 = = = 0, 375 2 2 2 2 8

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS ou

2 3 2 x 2 x 1 , 5 3 Pr(X 1, 5) = + 1 dx = + x = 6 + 3 6 + 1, 5 3 6 1,5 1,5 2, 25 9 6, 75 = = 0, 375 = 6 6 6 Z

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS Usando integrao: Z

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS