Capitulo 4.4

Variveis Aleatrias Contnuas e Distribuio
de Probabilidades - parte IV
Marcos Oliveira Prates
2012/02
Variveis Aleatrias Contnuas e Distribuio de Probabilidad
Distribuio Exponencial
Vamos relembrar a definio de uma varivel com

Distribuio Poisson.
Nmero de falhas ao longo do comprimento de um fio de
cobre.
A distncia entre as falhas uma varivel de interesse.
Seja X o comprimento de um ponto inicial at a primeira
falha do fio.
A distribuio de X pode ser obtida a partir da distribuio

das falhas.
Vejamos como estabelecer essa relao.
A distncia at a primeira falha exceder 3 milmetros
somente se:
no houver nenhuma falha at um comprimento de 3
milmetros.
Significa que at o comprimento de 3 milmetros nenhuma

falha ainda foi observada.
Se o nmero de falhas em um metro tem distribuio

Poisson().
Em 3 mm esperamos observar (0, 03).
A probabilidade requerida ser
P(X > 3) = P(zero falhas no intervalo de 0 a 3 mm)
=
e(0,03) ((0, 03))0

0!
Vamos ver agora o caso geral.

Seja N o nmero de falhas em x milmetros.
O nmero mdio de falhas por metro .
N tem distribuio Poisson com mdia x.
Consideramos que o fio tem comprimento maior que x.
Temos que
P(X x) = P(N = 0) =
ex x 0
= ex .
0!
Logo
F (x) = P(X x) = 1 ex
X 0.
A funo de distribuio cumulativa de X

F (x) = P(X x) = 1 ex .
Diferenciando F (X ) temos que
f (x) = ex
x 0.
A distribuio de X est ligada ao Processo de Poisson.

Veremos que o ponto inicial para medir X no importa.
No processo de Poisson o nmero de falhas depende
apenas do comprimento do intervalo
e no da localizao do intervalo.
Distribuio Exponencial
Seja X a distncia entre contagens em um Processo de
Poisson.
Considere que a mdia desse processo > 0.
X ento uma varivel aleatria exponencial com
parmetro .
A funo densidade de probabilidade de X
f (x) = ex
para 0 x < .
A distribuio Exponencial tem esse nome por causa da

funo exponencial que a aparece em sua densidade.
Veja abaixo grficos da distribuio exponencial para
alguns valores de .
Vamos agora calcular mdia e varincia dessa varivel.

Relembre que
E (X ) =
xf (x)dx .
Usando a definio temos que

Z
1
xex dx = .
E (X ) =
0
(fazer no quadro)
Ento o tempo de espera at a falha :
inversamente proporcional taxa com que as falhas
ocorrem.
Para a varincia, usamos

Z
Z
V (X ) =
(x E (X ))2 f (x)dx =
x 2 f (x)dx (E (X ))2 .
Integrando por partes temos que

Z
2
x 2 f (x)dx = 2 .
0
Portanto
Var (X ) =
2
1
1
2 = 2.
2
Mdia e Varincia
Seja X uma varivel aleatria com distribuio
exponencial de parmetro .
Temos ento que
E (X ) =
Var (X ) =
1
.
2
Exemplo:
Considere uma rede de usurios de computadores.
As conexes dos usurios ao sistema podem ser
modeladas por um Processo de Poisson.
A mdia desse processo de 25 conexes por hora.
Qual a probabilidade de no haver conexes em um
intervalo de 6 minutos?
Exemplo: (soluo)
Seja X o tempo em horas at a primeira conexo.
X tem distribuio exponencial com = 25 conexes por
hora.
Queremos saber a probabilidade de X exceder 6 minutos.
dado em conexes por hora.
Precisamos expressar as unidades de tempo em horas
6 minutos = 0,1 horas .
A probabilidade requerida
Z
25e25x = e25(0,1) = 0, 082 .
P(X > 0, 1) =
0,1
(Fazer no quadro)
Exemplo:
Qual a probabilidade do tempo at a prxima conexo
estar entre 2 e 3 minutos?
Temos que
2 minutos = 0,033 horas
3 minutos = 0,05 horas .
P(0, 033 < X < 0, 05) =
0,05
0,033
0,05

25e25x dx = e25x
0,033
= 0, 152 .
(Fazer no quadro.)
Exemplo:
Determine o intervalo tal que a probabilidade de nenhuma
conexo ocorrer nesse intervalo 0,9.
Queremos saber o comprimento de x tal que
P(X > x) = e25x = 0, 9
Tirando logartmo dos dois lados temos que
25x = ln(0, 9) x = 0, 00421 hora = 0, 25 minuto .
O tempo mdio at a prxima conexo
E (X ) = 1/ = 1/25 = 0, 04 hora = 2, 4 minutos .
A varincia
Var (X ) = 1/2 = 1/252 .
O desvio padro
p
Var (X ) = 1/ = 1/25 = 0, 04 hora = 2, 4 minutos .
Vimos no exemplo anterior que

a probabilidade de no haver conexes em um intervalo de
6 minutos 0,082 no depende do tempo inicial do
intervalo.
O processo de Poisson supe que os eventos ocorrem

uniformemente em um intervalo.
No h agrupamento de eventos.
A probabilidade de que a primeira conexo depois do
12:00 ocorra depois de 12:06 igual a :
probabilidade de que a primeira conexo depois das 15:00
ocorra aps 15:06.
Falta de memria da exponencial.
O ponto inicial de observao no importa.

Se houver perodos com picos de conexo o modelo de
Poisson no um bom modelo.
Pode ser razovel modelar perodos do dia diferentes por
processos de Poisson com parmetros distintos.
Colocamos um valor de alto em alguns perodos e baixo
em outros.
A distribuio exponencial com o correspondente pode
ser usada para calcular probabilidades de conexo.
Exemplo:
Considere um contador que detecta partculas raras.
Seja X o tempo entre deteces de uma partcula.
X tem distribuio exponencial com
E (X ) = 1, 4 minuto .
A probabilidade de detectarmos uma partcula dentro de
30 segundos a partir do comeo da contagem
0,5
P(X < 0, 5 minuto ) = F (0, 5) = 1 e 1,4 = 0, 30 .
Exemplo: (continuao)
Suponha que ligamos o contador e esperamos 3 minutos
sem detectar nenhuma partcula.
Qual a probabilidade de uma partcula ser detectada nos
prximos 30 segundos?
Como j esperamos 3 minutos sentimos que j tempo
suficiente.
A probabilidade de deteco nos prximos 30 segundos
deveria ser menor que 0,3.
Isso porm no verdade.
Exemplo: (soluo)
P(X < 3, 5|X > 3) =
P(X < 3, 5; X > 3)

P(3 < X < 3, 5)
=
.
P(X > 3)
P(X > 3)
Temos que
3,5
P(3 < X < 3, 5) = F (3, 5) F (3) = [1 e 1,4 ] [1 e 1,4 ]

= 0, 035
P(X > 3) = 1 F (3) = e
Assim
P(X < 3, 5|X > 3) =
3
1,4
= 0, 117 .
0, 035
= 0, 3 .
0, 117
Observaes:
Depois de esperar por 3 minutos
a probabilidade de deteco nos prximos 30 segundos
a mesma de deteco nos 30 segundos imediatamente
depois de comear a contagem.
O fato de que voc esperou 3 minutos sem deteco no

muda a probabilidade de deteco.
Propriedade de Falta de Memria

Para uma varivel aleatria exponencial X
P(X < t1 + t2 |X > t1 ) = P(X < t2 ) .
Veja a figura abaixo.

A soma das reas um
A+B+C+D =1.
A rea A P(X < t2 ).
A rea C dividida por C + D
P(X < t1 + t2 |X > t1 ) .
A falta de memria implica que
a proporo em A igual a proporo de C em C + D.
A distribuio exponencial muito usada para modelar

tempo de falha de um equipamento.
Exemplo: o tempo de vida de um chip.
A falta de memria significa que o equipamento no
desgasta.
Independente de quanto tempo o equipamento tenha
operado a probabilidade de falha no muda.
Quando o equipamento sofre desgaste esse no um
modelo bom.
Uma distribuio usada nesse caso a Weibull.
Distribuio Gama
Algumas variveis aleatrias so sempre no negativas.

A Distribuio Gama generaliza a Distribuio
Exponencial.
A Distribuio Gama utilizada na modelagem de
problemas que a resposta estritamente positiva.
Antes de apresentar a funo de densidade de uma

varivel alaetria, X , que segue uma distribuio Gama.
Iremos intorudizir a funo Gama:
Z
x r 1 ex dx para todo r > 0.
(r ) =
0
A funo Gama a generalizao da funo fatorial.

Dessa forma temos:
se r inteiro: (r ) = (r 1)!
(r ) = (r 1)(r 1)
(1) = 1
Uma varivel alaetria X , com funo de densidade

f (x) =
r x r 1 ex
, para x > 0
(r )
uma varivel alaetria Gama, com parmetros > 0 e

r > 0.
R
0 f (x) = 1 (fazer no quadro)
Vamos agora calcular mdia e varincia dessa varivel.

Relembre que
E (X ) =
xf (x)dx .
Usando a definio temos que

Z r r x
x e
r
E (X ) =
dx =
(r
)
0
(fazer no quadro)
Para a varincia, usamos

Z
Z
(x E (X ))2 f (x)dx =
V (X ) =
x 2 f (x)dx (E (X ))2 .
Logo temos que

Z
x 2 f (x)dx =
0
Portanto
Var (X ) =
r (r + 1)
.
2
r2
r
r (r + 1)
= 2.
2
2
(fazer no quadro)
Mdia e Varincia
Seja X uma varivel aleatria com distribuio gama de
parmetros e r .
Temos ento que
E (X ) =
Var (X ) =
r
.
2
A funo de distribuio acumulada de uma varivel gama

no possui forma fechada.
A distribuio exponencial um caso especial da
distribuio gama quando r = 1.
Outra distribuio conhecida que tambm um caso
especial da distribuio gama a distribuio
chi-quadrado (2 ).
A distribuio 2 obtida quando r = /2 e = 1/2.

O parmetro chamado de graus de liberdade.
A funo de densidade de uma varivel alaetria 2
f (x) =
x /21 ex/2
, para x > 0
2/2 (/2)
Mdia e Varincia
Seja X uma varivel aleatria com distribuio 2 de
parmetro .
Temos ento que
E (X ) =
Var (X ) = 2 .
Distribuio Beta
Uma distribuio que seja contnua, mas limitada a uma

faixa finita til para modelos de probabilidade.
Dados de propores so exemplos de variveis contnuas
ao longo do intervalo [0, 1].
Uma varivel alaetria X , com funo de densidade

f (x) =
( + ) 1
x
(1 x)1 , para 0 x 1
()()
uma varivel alaetria beta, com parmetros > 0 e

> 0.
Mdia e Varincia
Seja X uma varivel aleatria com distribuio beta de
parmetros e .
Temos ento que
E (X ) =
Var (X ) =
( +
)2 (
+ + 1)

Capitulo 4.4

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Capitulo 4.4

Diunggah oleh

Hak Cipta:

Format Tersedia

Variveis Aleatrias Contnuas e Distribuio

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Vamos relembrar a definio de uma varivel com

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

A distribuio de X pode ser obtida a partir da distribuio

Significa que at o comprimento de 3 milmetros nenhuma

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Se o nmero de falhas em um metro tem distribuio

e(0,03) ((0, 03))0

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Vamos ver agora o caso geral.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

A funo de distribuio cumulativa de X

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

A distribuio de X est ligada ao Processo de Poisson.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

A distribuio Exponencial tem esse nome por causa da

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Vamos agora calcular mdia e varincia dessa varivel.

Usando a definio temos que

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Para a varincia, usamos

Integrando por partes temos que

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

3 minutos = 0,05 horas .

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Vimos no exemplo anterior que

O processo de Poisson supe que os eventos ocorrem

Falta de memria da exponencial.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

O ponto inicial de observao no importa.

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

P(X < 0, 5 minuto ) = F (0, 5) = 1 e 1,4 = 0, 30 .

Marcos Oliveira Prates

Variveis Aleatrias Contnuas e Distribuio de Probabilidad

Marcos Oliveira Prates