UNIVERSIDADE FEDERAL DO CEARÁ

CENTRO DE TECNOLOGIA

PROBABILIDADE E ESTATÍSTICA
Variáveis Aleatórias Contínuas

Carlos Estêvão Rolim Fernandes

Professor Adjunto

Variáveis Aleatórias Contínuas

Organização

1 Função densidade de probabilidade

2 Função de Distribuição Acumulada

3 Valor Médio e Variância: caso contínuo

4 Distribuição Uniforme

5 Distribuição Normal

6 Desigualdade de Chebyshev

2 / 30
Variáveis Aleatórias Contínuas
Função densidade de probabilidade

Função densidade de probabilidade

3 / 30

Variáveis Aleatórias Contínuas

Função densidade de probabilidade

Caracterização de Variáveis Aleatórias Contínuas

Probabilidade × Massa Probabilidade × Área

Função densidade de probabilidade (f.d.p.)

Para toda v.a. contínua X é possível definir uma função fX real da variável
x, satisfazendo às seguintes propriedades:
1 fX (x) ≥ 0, ∀ x
+∞
R
2 fX (x)dx = 1
−∞
Rb
3 P (a ≤ X ≤ b) = a
fX (x)dx = P (X ≤ b) − P (X ≤ a),
onde −∞ < a < b < +∞
Note que: P (a ≤ X ≤ b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a < X < b)
4 / 30
Variáveis Aleatórias Contínuas
Função densidade de probabilidade

Variáveis Aleatórias Contínuas

Exemplo
Seja X a duração de vida em horas de certo tipo de lâmpada. Admite-se que
X é uma v.a. contínua com fdp dada por:
 2 −a x/100
a e , x>0
fX (x) =
0, caso contrário

1 Determine o valor do parâmetro a

2 Qual a probabilidade de uma lâmpada durar no máximo 23000h
3 Dentre as lâmpadas que chegam a 23000h, qual a proporção que dura mais de
25000h?

5 / 30

Variáveis Aleatórias Contínuas

Função de Distribuição Acumulada

Função de Distribuição Acumulada

6 / 30
Variáveis Aleatórias Contínuas
Função de Distribuição Acumulada

Função de Distribuição Acumulada

Definição: Função de Distribuição

Função de Distribuição Acumulada FX de uma v.a. X:
d
FX (x) , P (X ≤ x) ⇒ fX (x) = dx FX (x)

Se X é uma v.a. contínua: Se X é uma v.a. discreta:

Zx
X
FX (x) = p(xi ), para todo i tal que xi ≤x
FX (x) = fX (u)du i
−∞

Exemplos

1 A v.a. contínua X tem fdp dada por: 2 Um braço mecânico deve perfurar uma peça em
 certa posição. Perturbações aleatórias resultam
2x, 0 ≤ x ≤ 1 em furos fora do ponto ideal. A v.a. X mede em
fX (x) =
0, caso contrário mm a distância radial do furo até a posição
ideal (X = 0). Sabe-se que
Determine e trace FX (x). FX (x) = 1 − e−2x , x ≥ 0 e FX (x) = 0,
x < 0. Determine e trace o gráfico de fX (x).
Qual a porcentagem de peças com furos a mais
de 2mm do ponto correto?

7 / 30

Variáveis Aleatórias Contínuas

Função de Distribuição Acumulada

Função de Distribuição Acumulada

Propriedades
1 Para toda v.a. X, FX (x) é não-decrescente:

FX (x1 ) ≤ FX (x2 ), ∀ x1 ≤ x2
2 FX (x) é monotonicamente não-decrescente de 0 a 1:

0 ≤ FX (x1 ) ≤ FX (x2 ) ≤ 1, ∀ x1 ≤ x2
3 Para toda v.a. X, tem-se:

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

x→−∞ x→+∞

4 Continuidade pela esquerda: FX (x− ) = lim FX (x − ε) = FX (x)

ε→0

5 Probabilidade no Ponto:

P (X = x) = lim P (x − ε ≤ X ≤ x)
ε→0
= P (X ≤ x) − lim P (X ≤ x − ε)
ε→0
= FX (x) − FX (x) = 0
8 / 30
Variáveis Aleatórias Contínuas
Valor Médio e Variância: caso contínuo

Valor Médio e Variância: caso contínuo

9 / 30

Variáveis Aleatórias Contínuas

Valor Médio e Variância: caso contínuo

Valor Médio: Tendência Central (Centro de Massa)

Valor Médio de uma Variável Aleatória Contínua

O Valor Médio de uma v.a. contínua X com f.d.p. fX (x) é:
∞
X
µX = E {X} = lim x P (x ≤ X ≤ x + ∆x)
∆x→0
x=−∞
| {z }
lim fX (x)∆x
∆x→0

+∞
R
µX = E {X} = x fX (x)dx
−∞

Condição de existência: µX existe se E {X} converge absolutamente

Z τ
lim x fX (x)dx < ∞
τ →∞ −τ

10 / 30
Variáveis Aleatórias Contínuas
Valor Médio e Variância: caso contínuo

Variância: Dispersão em torno da média

Variância de uma Variável Aleatória Contínua
A Variância de uma v.a. X contínua com f.d.p. fX (x) é definida como:
+∞
Z
2
= V ar(X) = E (X − µX )2 = (x − µX )2 fX (x)dx

σX
−∞

(Unidade de X ao quadrado!)
Define-se o Desvio Padrão como:
q
σX = V ar(X), (Mesma unidade de X!)

Exemplos (média e variância)

1 X é o diâmetro de uma peça usinada: 2 Tempo T de uma reação química:
−2(x−8)

fX (x) = 2e , x ≥ 8 mm 0 t < 0,
FT (t) = −3t/2
1−e t≥0
Rejeitam-se peças acima de 8.5mm, qual a
proporção de peças descartadas? Determine a proporção de reações
Rejeitam-se peças que diferem de 8.5mm por que duram menos de 2s.
2
mais de 0.25mm, qual a proporção de peças Determine µT e σT
aproveitadas?
2
Determine µX e σX

11 / 30

Variáveis Aleatórias Contínuas

Distribuição Uniforme

Distribuição Uniforme

12 / 30
Variáveis Aleatórias Contínuas
Distribuição Uniforme

Variáveis Aleatórias Uniformemente Distribuídas

A Distribuição Uniforme Contínua

A v.a. contínua X é uniformemente distribuída sobre o intervalo [a, b] se sua f.d.p. é dada por:
 1 f (x)
b−a , a≤x≤b X
fX (x) =
0, caso contrário
1
Logo, a função de distribuição acumulada é: b−a

FX (x) = P (X ≤ x)
+∞
R a b
= fX (u)du
−∞
 FX (x)
0, x<a
x−a
= , a ≤x<b 1
 b−a
1, x≥b

a b

Exemplos
1 Qual a probabilidade de um ponto ser escolhido entre 25cm e 3/4m em um segmento de 2m de
comprimento?
2 A potência de ruído em um canal de comunicações é descrita por uma v.a. contínua uniformemente
distribuída no intervalo [0, 20]dBm. Determine a fdp da potência de ruído no canal.

13 / 30

Variáveis Aleatórias Contínuas

Distribuição Uniforme

Distribuição Uniforme Contínua

Média e Variância: Distribuição Uniforme
Média: Z +∞ 1
Z b
µX = E {X} = x fX (x) dx = x dx
−∞ b−a a

(b+a)
µX = 2

Variância:
2 = V ar(X) = (b−a)2
σX 12

Exemplo
O volume diário de água bombeada por um pequeno sistema de irrigação rural é uma v.a.
que assume valores equiprováveis entre 600` e 800`. Qual o volume médio de água
bombeada por dia? Qual o desvio padrão do volume de água bombeada?
Função Densidade de Probabilidade
×10−3
 1 5
800−600 = 0,005, 600 ≤ x ≤ 800
fX (x) =
0, x < 600 ou x > 800.
fX(x)

3
Média: µX = (600 + 800)/2 = 700`
√
q
(800−600)2
Desvio Padrão: σX = 12 = 3.333,33 = 57,7` 1

400 600 800 1000

Volume diario (em litros)
14 / 30
Variáveis Aleatórias Contínuas
Distribuição Normal

Distribuição Normal

15 / 30

Variáveis Aleatórias Contínuas

Distribuição Normal

A Distribuição Normal e as Funções Gaussianas

Aplicabilidade e Importância
E muitos problemas práticos a f.d.p. se aproxima de uma função Gaussiana (Distribuição
Normal)
A Distribuição Normal é apropriada para descrever inúmeros fenômenos físicos e naturais
Muitos sistemas e processos produzidos pelo homem também se adequam ao modelo
Gaussiano
Cálculos teóricos apresentam boa aproximação com resultados empíricos.
Facilidade de manipulação analítica (resultados de difícil obtenção por outros meios).
Teorema do Limite Central: Modelam-se quaisquer grandezas pela Normal, desde que
haja um número elevado de fatores independentes e de mesma natureza estatística
influenciando na observação.

Aplicações das Funções Gaussianas

Filtros Gaussianos: eletrônica, telecomunicações, controle automático, processamento de
sinais e imagens
Física e Engenharia: Equações de Calor e Difusão (Transformada de Weierstrass)
Estatística: Distribuição Normal (f.d.p. é uma função Gaussiana)

16 / 30
Variáveis Aleatórias Contínuas
Distribuição Normal

Funções Gaussianas
Funções Gaussianas: definição
(x−b)2
Forma Geral: −
g(x) = a e 2c2

a > 0, b, c > 0 são constantes reais

Função exponencial aplicada sobre polinômio quadrático (com sinal negativo):
a = 1, b = 1
2 c=1
Forma de “sino”: lim g(x) = 0 c=2
x→±∞ 1.5 c = 0.5
Parâmetro a: altura do pico (eixo y)
1
Parâmetro b: posição do pico (eixo x)
Parâmetro c: Abertura da boca do sino 0.5
Características:
0
−2 0 2 4
x

g(x) é função analítica e elementar, mas sem antiderivadas elementares

Fazendo a = 1, b = 0 e c = √1 , demonstra-se que:
2
Z +∞ 2 √
e−x dx = π (Integral Gaussiana)
−∞

+∞ (x−b)2 √
a e−
R
Logo, com a, b e c quaisquer, a área de g(x) é: 2c2 dx = ac 2π
−∞ 17 / 30

Variáveis Aleatórias Contínuas

Distribuição Normal

A Distribuição Normal
Função Densidade de Probabilidade (f.d.p.)
Se g(x) é uma função densidade de probabilidade (f.d.p.), sua área é unitária, ou seja:
1
a= √
c 2π
(x−b)2
−
Assim temos: fX (x) = √1 e 2c2
c 2π

Se uma variável X tem a f.d.p. acima, então sua média é:

+∞
Z
µ = E {X} = x fX (x)dx = . . . = b (Prove!)
−∞
e sua variância:
1
n o +∞
Z µ=0 µ=3
2 2 2 2 2 2
σ =E X −µ = x fX (x)dx − b = . . . = c 0.8
σ = 0.5
−∞
(Prove!) 0.6
σ=1
fX(x)

Logo, a f.d.p. de uma v.a. X com Distribuição Normal 0.4

de média µ e desvio padrão σ é dada por: σ=2

(x−µ)2 0.2

√1 e − 2σ2
fX (x) = σ 2π
⇒ X ∼ N (µ, σ)
0
−5 −3 −1 0 1 3 5
x

18 / 30
Variáveis Aleatórias Contínuas
Distribuição Normal

A Distribuição Normal
Função de Distribuição Acumulada (FDA)
Zx
FX (x) = P (X ≤ x) = fX (v) dv
−∞

Se X ∼ N (µ, σ) então:
Rx (v−µ)2
−
FX (x) = √1 e 2σ 2 dv (integral imprópria convergente)
σ 2π
−∞
Zx 2
1 −v
Defina: Φ(x) = FX (x)|µ=0,σ=1 de forma que: Φ(x) = √ e 2 dv
2π
−∞

FDA de uma distribuição Normal com µ = 0 e σ = 1

(Calcular Φ(x) numericamente!)

Observe que fazendo λ = v−µ

temos: 1
σ µ=0, σ=0,5
x−µ 2 0.8
1
Z
σ −λ µ=0, σ=1
FX (x) = √ e 2 dλ
2π −∞ 0.6

FX(x)
x−µ µ=0, σ=2
0.4
E logo: FX (x) = Φ
σ }
| {z 0.2 µ=3, σ=1
z
0
−5 0 5
x
19 / 30

Variáveis Aleatórias Contínuas

Distribuição Normal

A Distribuição Normal Padrão

Padronizando a Distribuição Normal
X−µ
Seja X ∼ N (µ, σ) e defina: Z= σ
µ
Z tem distribuição Normal z }| {
E {X} −µ
n o
X−µ
A média de Z é: E {Z} = E σ = σ =0
σ2
z }| {
µ
V ar(X)
 
X
A variância de Z: V ar(Z) = V ar σ + V ar = σ2
=1
σ
| {z }
0
Logo: Z ∼ N (0, 1)

Conclui-se que a FDA de X ∼ N (µ, σ) é equivalente à FDA de Z ∼ N (0, 1)

x − µ  
FX (x) = Φ = Φ(z) ⇒ P (X ≤ x) = P X−µ σ
≤ x−µ
σ
= P (Z ≤ z)
σ

Exemplo
A corrente elétrica medida em um cabo tem distribuição Normal com média de 10mA e desvio
padrão de 2mA. Qual a probabilidade da corrente medida: exceder 13mA? estar 9 e 11mA?
Respostas:
P (X ≥ 13) = 0.067 P (9 ≤ X ≤ 11) = 0.3829
20 / 30
Variáveis Aleatórias Contínuas
Distribuição Normal

Simetria da Distribuição Normal

As seguintes relações de simetria são válidas para qualquer v.a. Normal:
X ∼ N (µ, σ)

68,27%
95,45%
99,73%
Você consegue encontrar estes valores usando a Tabela da Função de
Distribuição Acumulada Normal Padrão Φ(z)? 21 / 30

Variáveis Aleatórias Contínuas

Distribuição Normal

Simetria da Distribuição Normal

Propriedades

A f.d.p. de X ∼ N (µ, σ) é simétrica em relação a µ:

fX µ − x = fX µ + x
se µ = 0, fX (x) é par
Para Z ∼ N (0, 1) temos:

Área à direita = Área à esquerda

de z de −z

Ou seja:
P (Z ≤ −z) = P (Z ≥ z)
Mas:
P (Z ≤ −z) = Φ(−z) 0
P (Z ≥ z) = 1−P (Z ≤ z) = 1−Φ(z)

Logo: Φ(−x) = 1 − Φ(x)

22 / 30
Variáveis Aleatórias Contínuas
Distribuição Normal

Distribuição Normal: Aproximações

Aproximando a Binomial pela Normal
Seja X uma v.a. Binomial com (N, p) Fator de Correção de Continuidade
Defina: 0.25
X − Np
Z= p
N p(1 − p) 0.2

Se N p > 5 e N (1 − p) > 5 então

0.15
Z é aproximadamente N (0, 1)
0.1

0.05

0
0 1 2 3 4 5 6 7 8 9 10

Barras ⇒ X ∼ B(10, 0.5)

√
Linha Sólida ⇒ X ∼ N (5, 2.5)

Usando uma de correção de ±0.5:

!
x + 0.5 − N p
P (X ≤ x) = P (X ≤ x + 0.5) ≈ P Z≤ p
N p(1 − p)
!
x − 0.5 − N p
P (X ≥ x) = P (X ≥ x − 0.5) ≈ P Z≥ p
N p(1 − p)

23 / 30

Variáveis Aleatórias Contínuas

Distribuição Normal

Distribuição Normal: Aproximações

Exemplo
50 bits são transmitidos com probabilidade de erro de um bit p = 0.1. A probabilidade
de que no máximo 2 erros ocorram é:
Exatamente:
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2)
     
50 50 50
= 0
0.10 0.950 + 1
0.11 0.949 + 2
0.12 0.948

= 0.112

Aproximadamente (sem o fatorde correção): 

P (X ≤ 2) = P √X−(50)(0.1) ≤ √
2−(50)(0.1)
(50)(0.1)(0.9) (50)(0.1)(0.9)

= P (Z ≤ −1.41) = 0.079

Aproximadamente (com o fator

 de correção): 
P (X ≤ 2) = P √X−(50)(0.1) ≤
2+0.5−(50)(0.1)
√
(50)(0.1)(0.9) (50)(0.1)(0.9)

= P (Z ≤ −1.18) = 0.119

24 / 30
Variáveis Aleatórias Contínuas
Distribuição Normal

Distribuição Normal: Aproximações

Aproximando Poisson pela Normal
Seja X uma v.a. de Poisson com média λ
Defina:
X −λ
Z= √
λ
Se λ > 5 então: Z é aproximadamente N (0, 1)

Exemplo
Em 2h, 360 chamadas chegam em uma central telefônica. Qual a chance de que cheguem entre
70 e 100 chamadas num dado intervalo de 30min (dentro das 2h)?
Pela Binomial (valor exato):
100
X  360  k 360−k
P (70 ≤ X ≤ 100) = p (1 − p) = 0,8930, onde p = (30 min)/(2 h) = 1/4
k=70
k

Pela Poisson (aproximação):

100
X e−λ (λ)k
P (70 ≤ X ≤ 100) = = 0,8523, onde λ = N p = 360(1/4) = 90
k=70
k!

Pela Normal (aproximação com 

fator de correção):
69,5 − µ 100,5 − µ

P (70 ≤ X ≤ 100) = P ≤Z ≤ = P (−2, 495 ≤ Z ≤ 1,278) =
σ σ

= P (Z ≤ 1,28) − P (Z ≤ −2,49) = 0,8997 − 0,0064 = 0,8933

p
sendo µ = N p = 90 e σ = N p(1−p) = 8,216
25 / 30

Variáveis Aleatórias Contínuas

Desigualdade de Chebyshev

Desigualdade de Chebyshev

26 / 30
Variáveis Aleatórias Contínuas
Desigualdade de Chebyshev

Teorema de Chebyshev (parte I)

Desigualdade de Markov
Para qualquer v.a. X não-negativa (X ≥ 0), temos:

E{X}
P (X ≥ a) ≤ a
onde a é uma constante positiva (a > 0)
Prova:
Z +∞ Z a Z +∞
E {X} = x fX (x)dx = x fX (x)dx + x fX (x)dx
0 0 a
| {z }
≥0
Z +∞ Z +∞ Z +∞
E {X} ≥ x fX (x)dx ≥ a fX (x)dx = a fX (x)dx
a a a
| {z }
P (X≥a)

E {X} ≥ aP (X ≥ a)

27 / 30

Variáveis Aleatórias Contínuas

Desigualdade de Chebyshev

Teorema de Chebyshev (parte II)

Desigualdade de Chebyshev
Para qualquer v.a. X contínua de média µ e desvio padrão σ, temos:

σ2
P (|X − µ| ≥ k) ≤ k2 , onde k é uma constante (k > 0)

Prova:
Para qualquer v.a. X contínua (X − µ)2 é uma v.a. contínua não-negativa. Logo, usando a
Desigualdade de Markov (com a = k2 ):
E (X − µ)2
  
2 2
P (X − µ) ≥ k ≤
k2
Mas (X − µ)2 ≥ k2 ⇔ |X − µ| ≥ k, logo:
  σ2
P |X − µ| ≥ k ≤ 2
k

28 / 30
Variáveis Aleatórias Contínuas
Desigualdade de Chebyshev

Corolário do Teorema de Chebyshev

Para QUALQUER v.a. de média µ e desvio padrão σ:
Fazendo k = cσ no Teorema de Chebyshev, temos:
1 1
P (|X − µ| ≥ cσ) ≤ c2
⇒ P (|X − µ| ≤ cσ) ≥ 1 − c2
onde c > 0 é uma constante.

No máximo: No mínimo: PARA QUALQUER

DISTRIBUIÇÃO
(f.d.p. desconhecida)

1 1
P (X ≤ µ−cσ OU X ≥ µ+cσ) ≤ P (µ−cσ ≤ X ≤ µ+cσ) ≥ 1 −
c2 c2 29 / 30

Variáveis Aleatórias Contínuas

Desigualdade de Chebyshev

Aplicações do Teorema de Chebyshev

Exemplo
Num processo industrial de perfuração de placas de circuito impresso, sabe-se que os furos
produzidos têm em média 0.7mm com desvio padrão de 0.01mm.
O que se pode afirmar sobre a porcentagem de furos produzidos descritos nos itens abaixo:
1 Furos comdiâmetro entre 0,685mm e 0,715mm: No mínimo 55,6%
µ − cσ = 0,685
Note que: ⇒ c = 1,5
µ + cσ = 0,715

1
P (|X − 0,7| ≤ 1,5 × 0,01) ≥ 1 − = 0,556
(1,5)2
2 Furos comdiâmetro menor que 0,67mm ou maior que 0,73mm: No máximo 11,1%
µ − cσ = 0,67
Note que: ⇒ c=3
µ + cσ = 0,73

1
P (|X − 0,7| ≥ 3 × 0,01) ≤ = 0,111
32

Quais seriam as resposta do exemplo acima se os diâmetros dos furos

fossem Normalmente Distribuidos, ou seja, X ∼ N (0,7 ; 0,01)?

30 / 30