Distribuição de uma variável aleatória contínua.
Esperança e Variância;
Modelo Exponencial;
Modelo Normal.
Uma variável aleatória (absolutamente) contínua \(X\) assume valores em um intervalo da reta (conjunto não enumerável de valores).
São exemplos de variáveis aleatórias contínuas:
A distribuição de probabilidade de uma v.a. contínua é dada pela coleção de probabilidades associadas aos intervalos mensuráveis da reta.
Ou seja, se \(X\) é uma v.a. contínua, sua distribuição é dada por:
\[P[X \in (a,b)], \ \forall \ \ (a,b) \subset \mathbb{R}.\]
Exemplo: Os dados apresentados no histograma são observações de rpm (rotação por minuto), de um forno rotativo em uma fábrica de cimento, coletados a cada 30 segundos durante um dia de operação.
A distribuição de probabilidade de uma v.a. contínua é dada pela coleção de probabilidades associadas aos intervalos mensuráveis da reta.
Ou seja, se \(X\) é uma v.a. contínua, sua distribuição é dada por:
\[P[X \in (a,b)], \ \forall \ \ (a,b) \subset \mathbb{R}.\]
Para obtenção desses valores de probabilidades, deve-se obter uma função positiva, de modo que a soma da área abaixo de sua curva seja igual a 1.
Na prática, precisamos da função que descreve os dados, para obter valores de probabilidades da v.a. em questão.
Exemplo: Os dados apresentados no histograma são observações do torque necessário para girar um forno rotativo em uma fábrica de cimento, coletados a cada 30 segundos durante um dia de operação.
A v.a. \(X\) tem uma distribuição de probabilidades contínua se existe uma função não-negativa \(f:\mathbb{R} \rightarrow [0,\infty)\) que tenha a propriedade de que, para qualquer conjunto \((a,b) \subset \mathbb{R}\),
\[P(X \in (a,b))=P(a<X<b)=\int_{a}^{b}f(x)dx.\]
A função \(f\) é chamada de função densidade de probabilidade (f.d.p.) da variável aleatória \(X\).
A probabilidade de que \(X\) esteja no intervalo \((a,b)\) pode ser obtida integrando a função densidade de probabilidade ao longo do conjunto \((a,b) \subset \mathbb{R}\).
A definição acima é válida somente para os conjuntos denominados mensuráveis de \(\mathbb{R}\),
no entanto, esses conjuntos incluem todos os conjuntos de interesse prático.
Portanto, aqui, a preocupação com essas questões técnicas não é necessária.
Pela propriedade (c), vemos que a inclusão ou não dos extremos de um intervalo,
é irrelevante para obtenção da probabilidade.
Ou seja:
\[P(a\leq X\leq b)=P(a<X<b)=\int_{a}^{b}f(x)dx.\]
Considere o intervalo \(I=(-\infty,c]\), supondo que \(f(y)\) seja a f.d.p. da v.a. \(Y\), a sua função de distribuição acumulada (FDA) é: \[F(k)=P(Y \leq k)= \int_{-\infty}^{k}f(y)dy,\] para todo \(k\) \(\in \mathbb{R}\).
## [1] 0.1024
Seja a função:
\[f(x)=c(x^2+x),\mbox{ se }0\leq x \leq 1; \mbox{ e } 0 \mbox{ caso contrário.}\]
Encontre \(c\) de modo que \(f(x)\) seja uma função densidade de probabilidade de alguma variável aleatória X, em seguida obtenha o que se pede.
A FDA:
Usando a FDA o valor \(P(0,5<X<0,6).\)
Seja a função:
\[f(x)=c(x^2+x),\mbox{ se }0\leq x \leq 1; \mbox{ e } 0 \mbox{ caso contrário.}\]
Encontre \(c\) de modo que \(f(x)\) seja uma função densidade de probabilidade de alguma variável aleatória X, em seguida obtenha o que se pede.
A FDA: \(F(k) = 6\frac{k^3}{15}+6\frac{k^2}{10}.\)
Usando a FDA o valor \(P(0,5<X<0,6)=0,1024.\)
Se \(Y\) é uma v.a. contínua com f.d.p. \(f(y)\), então sua esperança é dada por:
\[ E(Y) = \mu = \int_{-\infty}^{\infty} y f(y)dy. \] - Se a integral não for finita, dizemos que a distribuição não tem esperança.
\[Var(Y) = \sigma^2=E(Y^2)- E(Y)^2,\]
em que
\[ E(Y^2) = \int_{-\infty}^{\infty} y^2 f(y)dy. \] - Todas as propriedades válidas para a esperança e a variância de uma v.a. discreta, também valem para o caso contínuo.
Seja a função de densidade de probabilidade da v.a. X:
\[f(x)= \frac{6}{5}(x^2+x),\mbox{ se }0\leq x \leq 1; \mbox{ e } 0 \mbox{ caso contrário.}\]
Obtenha a esperança e a variância de X a partir dessa densidade.
Seja a função de densidade de probabilidade da v.a. X:
\[f(x)= \frac{6}{5}(x^2+x),\mbox{ se }0\leq x \leq 1; \mbox{ e } 0 \mbox{ caso contrário.}\]
Obtenha a esperança e a variância de X a partir dessa densidade.
\(E[X]=0,7.\)
\(E[X^2]=0,54.\)
\(Var(X)=E[X^2]-E[X]^2=0,54-(0,7)^2=0,05\)
Desvio-padrão: \(\sqrt{0,05}=0,2236.\)
Suponha que o tempo gasto por um algoritmo para realizar uma tarefa é uma variável aleatória \(Y\) contínua, cuja frequência pode ser descrita por:
\[ f(y) = \left\{ \begin{array}{cc} 2y^2 & \mbox{se } 0\leq y<1;\\ 4y-2y^2 & \mbox{se } 1\leq y<2;\\ 0 & \mbox{ se } y \notin [0,2).\end{array} \right. \]
Verifique se a \(f(x)\) é uma f.d.p., caso seja necessário, encontre a constante normalizadora e faça a correção para obter os valores de probabilidades.Obtenha a esperança e a variância da variável dada no exemplo anterior, em que a densidade é dada por:
\[ f(y) = \left\{ \begin{array}{cc} y^2 & \mbox{se } 0\leq y<1;\\ 2y-y^2 & \mbox{se } 1\leq y<2;\\ 0 & \mbox{ se } y \notin [0,2).\end{array} \right. \]