Beruflich Dokumente
Kultur Dokumente
DEPARTAMENTO DE ESTATSTICA
InstitutodeMatemticaeEstatstica
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 . . . . . . . . . . . . . . . . . . . .
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
Figura 1.1: Histogramas de uma varivel contnua com diferentes nmeros de classes
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
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
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
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
Figura 1.5: Exemplo de funo de distribuio acumulada de uma varivel aleatria contnua
(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)
1.5
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
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
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)
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
1.7
As mesmas propriedades vistas para variveis aleatrias discretas continuam valendo no caso contnuo:
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 = = = =
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
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.
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
se 1 x 5 caso contrrio
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
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
1.9
Exemplo 2
12
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,
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
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
18
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)
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
1,2
1,0
0,8
0,6
0,4
0,2
0,0 -1 0 1 2 3 4 5
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
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
23
(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
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
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]
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
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
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
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.
2.2.1
x et dt = et 0 = ex 1
31
1 ex 0
se x > 0 se x 0
(2.6)
2.2.2
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
x x ex
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
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
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 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.
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
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
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
= = = =
2.3.2
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
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
(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
40
=3
=1 = 1,5
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
x2 x1 ex/ dx
x = t temos que
V ar(X ) = 2 ( + 1) ( )2 = 2 2 + 2 2 2 = 2
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