Distribuições contínuas Página 1 de 4 Distribuições Contínuas As distribuições contínuas são utilizadas para determinar a probabilidade de variáveis aleatórias contínuas que seguem um determinado padrão. Correcção de continuidade Em distribuições contínuas, a probabilidade de um dado valor real é nula. x P ( X = x) = ∫ f X (δ )∂δ = 0 x Para se poder medir tal probabilidade dá-se uma margem k para esse valor. O valor k depende da situação e da escala dos valores de X. x+k P( x − k < X < x + k ) = ∫f X (δ )∂δ > 0 x −k Distribuição uniforme O valor da função de distribuição de probabilidade é constante. 1 , f X ( x) = b − a 0, x ∈ [a, b] x ∉ [a, b] a+b 2 1 V ( X ) = (b − a) 2 12 E( X ) = Distribuição exponencial negativa X → EN (λ ) X : tempo entre ocorrências sucessivas de um processo de Poisson com parâmetro λ (número médio de ocorrências por unidade de tempo) λe f X ( x) = 0, − λx , F ( x ) = 1 − e − λx Distribuições contínuas E( X ) = x≥0 x<0 V (X ) = 1 λ 1 λ2 x>0 Página 1 de 4 Distribuições contínuas Página 2 de 4 Exercício: A função densidade de probabilidade do tempo de vida de um determinado componente é dada por: f (t ) = k e − kt , (0 < t < ∞) Um aparelho é constituído por três componentes deste tipo e a probabilidade de um deles avariar é independente da probabilidade dos outros avariarem. Calcule a probabilidade de: a) Nenhum deles avariar em t0 horas; b) Um deles avariar nas primeiras t0 horas, outro avariar nas segundas t0 horas e o terceiro avariar depois das segundas t0 horas. Resolução: Em primeiro lugar, vamos calcular a função de distribuição acumulada de t: t F (t ) = ∫ t −∞ Note-se que: P (T ≥ t ) = 1 − (1 − e − kt f ( x)∂x = ∫ ke −kx ∂x = 1 − e −kt )=e −∞ − kt a) Para que nenhum avarie até t0 horas, os três componentes têm de ter tempos de vida maiores do que t0. Como as probabilidades de cada componente são independentes entre si, a probabilidade de nenhum avariar até t0 horas é o seguinte produto: [ ] P (T1 ≥ t 0 ) × P(T2 ≥ t 0 ) × P(T3 ≥ t 0 ) = [P(T ≥ t 0 )] = e −kt0 3 3 = e −3kt0 b) Em primeiro lugar vamos calcular a probabilidade de um componente avariar em cada um dos intervalos de tempo em questão: P (T1 ≤ t 0 ) = F (t 0 ) = 1 − e − kt 0 P (t 0 ≤ T2 ≤ 2t 0 ) = F ( 2t 0 ) − F (t 0 ) = e − kt 0 − e − 2 kt 0 P (T3 ≥ 2t 0 ) = 1 − F ( 2t 0 ) = e − 2 kt 0 Se nós simplesmente multiplicarmos estas três probabilidades, obtemos a probabilidade de uma avariar até t0, outra avariar entre t0 e 2 t0 e a terceira depois de 2 t0, mas numa ordem específica. Temos também de considerar que os componentes podem avariar por 3! = 6 ordens diferentes. Então a probabilidade que nós queremos calcular é: 6 × P(T1 ≤ t 0 ) × P(t 0 ≤ T2 ≤ 2t 0 ) × P(T3 ≥ 2t 0 ) = = 6(1 − e −kt0 )(e − kt0 − e −2 kt0 )(e − 2 kt0 ) = 6e −3kt0 − 12e −4 kt0 + 6e −5 kt0 Distribuições contínuas Página 2 de 4 Distribuições contínuas Página 3 de 4 Distribuição normal ou gaussiana É necessário saber a média (µ) e o desvio padrão (σ) para calcular as probabilidades desta distribuição. X → N (µ , σ 2 ) 1 x−µ σ − 1 f X ( x) = e 2 2π σ 2 , x, µ ∈ ℜ; σ > 0 E( X ) = µ V (X ) = σ 2 Distribuição normal reduzida Consiste em transformar a distribuição normal numa forma reduzida, para facilitar os cálculos. Z= X −µ σ X → N ( µ , σ ) → Z → N (0,1) 2 z2 1 −2 f Z ( z) = e , 2π z ∈ℜ E (Z ) = 0 V (Z ) = 1 Exercício: O peso médio de 500 estudantes do sexo masculino, de uma determinada universidade, é 75.5 Kg e o desvio padrão é de 7.5 Kg. Admitindo-se que os pesos estão distribuídos normalmente, determinar quantos estudantes pesam: a) entre 60 e 77.5 Kg; b) mais do que 92.5 Kg. Resolução: O peso de um estudante é na realidade um valor real, mas vamos admitir que o peso de cada estudante só foi registado considerando intervalos de 0.5Kg. Isto implica que um valor para o peso de 75 Kg corresponde na realidade a um intervalo de pesos entre 74.75 e 75.25 Kg. Esta situação vai-nos obrigar a ter especial atenção às igualdades no cálculo de probabilidades; já que apesar de estarmos perante uma distribuição contínua (normal) a probabilidade de um aluno ter um peso de X não é nula, já que ao peso X corresponde na realidade um intervalo de pesos ( [X - 0.25, X + 0.25] ). X → N ( µ , σ 2 ), com µ = 75.5 Kg Distribuições contínuas ∧ σ = 7.5 Kg Página 3 de 4 Distribuições contínuas Página 4 de 4 a) P (60 ≤ X ≤ 77.5) → P (60 − 0.25 ≤ X ≤ 77.5 + 0.25) = P(59.75 ≤ X ≤ 77.75) Transformando a distribuição normal X → N ( µ , σ 2 ) na distribuição normal reduzida Z → N (0,1) : 59.75 − µ X − µ 77.75 − µ P (59.75 ≤ X ≤ 77.75) = P ≤ ≤ = P(−2.10 ≤ Z ≤ 0.30) = σ σ σ 0.30 = ∫f z2 0.30 Z ∫ ( z )∂z = − 2.10 1 −2 e ∂z = 0.6 2π − 2.10 Então, o número de estudantes cujos pesos estão entre 60 e 77.5 Kg será a probabilidade vezes o número de estudantes: 500 × P(60 ≤ X ≤ 77.5) = 500 × 0.6 = 300 b) P ( X > 92.5) → P( X > 92.5 + 0.25) = P (92.75) Atençao : se fosse ≥ 92.5 Kg : P( X ≥ 92.5) → P( X ≥ 92.5 − 0.25) = P(92.25) Transformando a distribuição normal X → N ( µ , σ 2 ) na distribuição normal reduzida Z → N (0,1) : X − µ 92.75 − µ P ( X > 92.75) = P > = P( Z > 2.30) = σ σ +∞ = ∫f 2.30 +∞ Z ( z )∂z = ∫ 2.30 1 2π e − z2 2 ∂z = 0.0107 Então, o número de estudantes que pesam mais do que 92.5 Kg será a probabilidade vezes o número de estudantes: 500 × P ( X > 92.5) = 500 × 0.0107 = 5 Distribuições contínuas Página 4 de 4