Upload
rafael-barros
View
12
Download
0
Embed Size (px)
Citation preview
1
NOTAS DE AULA
Distribuicao normal
Prof.: Idemauro Antonio Rodrigues de Lara
2
Objetivo geral da aula
• Apresentar a distribuicao normal de probabilidade, suas carac-terısticas e aplicacoes .
Conteudo
1. Distribuicao Normal;
2. Caracterısticas;
3. Distribuicao normal padrao e uso de tabelas;
4. Aplicacoes.
Pre-requisitos: Variavel aleatoria contınua. Funcao de densidade de probabi-lidade. Esperanca e Variancia.
3
Variavel aleatoria contınua
Uma variavel aleatoria X, assumindo quaisquer valores em um intervalo real,e classificada como absolutamente contınua ⇔ FX(x) = P (X ≤ x) ∀x ∈ R eabsolutamente contınua e derivavel por partes. Entao deve existir uma funcaof(x), chamada de funcao densidade de probabilidade satisfazendo:
• dF (x)
dx= f(x) ≥ 0 ∀x ∈ R
•∫ +∞
−∞dF (x) =
∫ +∞
−∞f(x)dx = 1.
Esperanca da v.a. X:
E(X) =
∫ +∞
−∞xdF (x) =
∫ +∞
−∞xf(x)dx.
Variancia da v.a. X:
Var(X) = E[(X − E(X))2] =
∫ +∞
−∞(x− E(X))2f(x)dx.
4
Distribuicao Normal
Uma variavel aleatoria X tem distribuicao normal de parametros µ ∈ R eσ2 > 0, se sua densidade for dada por:
f(x) =1√2πσ2
exp
[− 1
2σ2(x− µ)2
]I(x)(−∞,+∞).
70 80 90 100 110 120 130
0.00
0.01
0.02
0.03
0.04
0.05
µ
funç
ão d
e de
nsid
ade
Figura 1: Grafico da distribuicao normal
5
Caracterısticas da Distribuicao Normal
6
1. f(x) e uma legıtma funcao densidade de probabilidade, pois:
• f(x) ≥ 0 ∀ x ∈ R;
•∫ +∞
−∞
1√2πσ2
exp
[− 1
2σ2(x− µ)2
]= 1
2. Simetria em relacao a µ
f(x) depende de x apenas em (x− µ)2. Dessa forma, tem-se
• para x = µ− b ⇒ (µ− b− µ)2 = b
• para x = µ+ b ⇒ (µ+ b− µ)2 = b
3. Limites extremos do modelo normal.
limx→−∞
1√2πσ2
exp
[− 1
2σ2(x− µ)2
]= 0
e
limx→+∞
1√2πσ2
exp
[− 1
2σ2(x− µ)2
]= 0
7
4. Parametros que caracterizam o modelo: E(X) = µ e V ar(X) = σ2.
A esperanca matematica e dada por:
E(X) =
∫ +∞
−∞x
1√2πσ2
exp
[− 1
2σ2(x− µ)2
]= µ
e a variancia:
Var(X) =
∫ +∞
−∞(x− µ)2
1√2πσ2
exp
[− 1
2σ2(x− µ)2
]= σ2
8
5. Interpretacao geometrica dos parametros µ e σ2.
60 80 100 120
0.00
0.01
0.02
0.03
0.04
0.05
médias diferentes e dp iguais
x
dens
idad
e
90 95 100 105 1100.
00.
10.
20.
30.
4
médias iguais e dp diferentes
x
dens
idad
e
Figura 2: Interpretacao geometrica dos parametros do modelo
9
6. Pontos de maximo e de inflexao da funcao normal.
Condicao necessaria: f ′(x) = 0 ⇒ x = µ (ponto de maximo).
Condicao necessaria: f ′′(x) = 0 ⇒ x1 = (µ− σ) e x2 = (µ+ σ) (pontos deinflexao)
Condicoes suficientes: estudo do sinal ou teste da derivada superior.
7. Consideracoes sobre assimetria e curtose.
α3 =E[(X − µ)3]
σ3= 0 (simetrica)
α4 =E[(X − µ)4]
σ4
α4 < 3 (platicurtica) α4 = 3 (mesocurtica) α4 > 3 (leptocurtica)
10
90 95 100 105 110
0.0
0.1
0.2
0.3
0.4
x
dens
idad
eplaticúrticamesocúrticaleptocúrtica
Figura 3: Tres curvas normais com graus de curtose diferentes
11
8. Calculo de probabilidades sob a curva normal. Caracterıstica da funcao dedistribuicao da normal. Modelo normal padrao.
Se X ∼ N(µ, σ2):
P(a ≤ X ≤ b) =
∫ b
a
1√2πσ2
exp
[− 1
2σ2(x− µ)2
]= F (b)− F (a)
Observa-se que a funcao de distribuicao acumulada nao tem forma analıticafechada e tem que ser resolvida numericamente:
F (x) = P(X ≤ x) =
∫ x
−∞
1√2πσ2
exp
[− 1
2σ2(t− µ)2
]dt
12
9. Teorema: Se X ∼ N(µ, σ2) e, se Y = aX + b (a, b ∈ R), entao Y ∼N(aµ+ b, a2σ2).
10. Corolario: Se X ∼ N(µ, σ2) e, se Z =X − µ
σ, entao Z ∼ N(0, 1).
f(z) =1√2π
exp
[− 1
2z2]
Eventos equivalentes implicam em igual probabilidade.
Dado que Z = X−µσ
P(a ≤ X ≤ b) = P(a ≤ σZ + µ ≤ b) = P(a− µ ≤ σZ ≤ b− µ)
= P(a− µ
σ≤ Z ≤ b− µ
σ) (1)
13
−4 −2 0 2 4
0.0
0.1
0.2
0.3
0.4
(1)
z
dens
idad
e
−4 −2 0 2 40.
00.
20.
40.
60.
81.
0
(2)
z
F(z
)
Figura 4: Distribuicao normal padrao (1) e funcao de distribuicao normal padrao (2)
14
EXEMPLO 1
Estudos meteorologicos indicam que a precipitacao pluviometrica mensal emperıodos de seca numa certa regiao pode ser considerada como seguindo a dis-tribuicao Normal de media 30mm e variancia 16mm2. a. Em um mes de secaqual a probabilidade de que chova mais de 34mm? b. Qual seria o valor daprecipitacao pluviometrica de modo que exista apenas 10% de probabilidade dehaver uma precipitacao inferior a esse valor? c. Construa um intervalo centralem torno da media que contenha 80% dos possıveis valores de precipitacao plu-viometrica. d. Admitindo esse modelo ser correto para os proximos 50 meses deseca, em quantos deles esperarıamos uma precipitacao pluviometrica superior a34mm?
Resp.: a.(0,1586) b.(24,8737) c.(24,87; 35,12) d. 8 meses aproximadamente.
15
Codigos no R
par(mfrow=c(1,2))
plot(function(x) dnorm(x,30,4),15,45,col="blue",xlab="precipitac~ao",
ylab="densidade")
plot(function(x) pnorm(x,30,4),15,45,col="blue",xlab="precipitac~ao",
ylab="Func~ao de distribuic~ao" )
1-pnorm(34,30,4)
[1] 0.1586553
qnorm(0.10,30,4)
[1] 24.87379
qnorm(0.90,30,4)
[1] 35.12621
E(Y)<- 0.1586*50
E(Y)
[1] 7.93
16
EXEMPLO 2
(Adaptado de Andrade e Ogliari, 2010) Suponha que diametros de Paepalanthussejam distribuıdos segundo um modelo normal com media 12 cm e desvio padrao5 cm. Um Paepalanthus e considerado pequeno se seu diametro for menor doque 4 cm ou grande se seu diametro for maior do que 19 cm.
a. Encontre o percentual de Paepalanthus considerados pequenos e grandes.
b. Em uma amostra aleatoria de 15 Paepalanthus qual e probabilidade de que2 sejam considerados grandes?
Resp.: a. 0,05479 e 0,08075 b. 0,2291
17
EXEMPLO 3
(Andrade e Ogliari, 2010) Uma maquina automatica para encher sacos de semen-tes de milho hıbrido esta regulada para que o peso medio de sementes em cadasaco seja de 20 kg e o desvio padrao 0,2 kg. Pode-se admitir que a distribuicaodesta variavel seja normal.
a. Qual a porcentagem de sacos em que o peso de sementes nao se desvia damedia em mais de dois desvios padroes? b. O que ocorrera com a porcentagemdo item “a” se a maquina for regulada de forma que a media seja de 30 kg e odesvio padrao 0,30 kg? c. Qual a probabilidade de encontrar um saco com maisde 20,5 kg?
18
Teorema Central do Limite
Sejam X1, X2, . . . , Xn variaveis aleatorias independentes, tal que E(Xi) = µi eV ar(Xi) = σ2
i . Para n suficientemente grande, tem-se que:∑ni=1 Xi −
∑ni=1 µi√∑n
i=1 σ2i
−→ N(0, 1)
Sejam X1, . . . , Xn v.a.s i.i.d. com E(X) = µ e Var(X) = σ2 entao temos:√n(X − µ) −→ N(0, σ2)
19
X~U(10,30)
médias amostrais
dens
idad
e
18 19 20 21 22
0.0
0.1
0.2
0.3
0.4
0.5
X~Exp(1/2)
médias amostrais
dens
idad
e
1.5 2.0 2.5 3.0
0.0
0.5
1.0
1.5
X~Pois(8)
médias amostrais
dens
idad
e
6.5 7.0 7.5 8.0 8.5 9.0 9.5
0.0
0.2
0.4
0.6
0.8
1.0
X~Geo(0,3)
médias amostrais
dens
idad
e
1.5 2.0 2.5 3.0 3.5
0.0
0.2
0.4
0.6
0.8
1.0
Figura 5: Distribuicao de X para amostras aleatorias com n = 60.
20
Aplicacao: Aproximacao da binomial pela normal
Teorema Central do Limite de De Moivre-Laplace
Sejam Xn, n ≥ 1 variaveis aleatorias independentes seguindo o modelo Bernoullicom parametro π. Assim E(X) = π e V ar(X) = π(1− π). Para Sn =
∑ni=1 Xi
temos:
Sn − nπ√nπ(1− π)
−→d N(0, 1)
Dado que Sn ∼ b(n, π), temos que:
(Sn − nπ√nπ(1− π)
≤ b
)→ Φ(b)
21
Exemplo: Aproximacao da binomial pela normal
Suponha que X ∼ b(200; 0, 25). Calcule P (X ≤ 55).
Solucao:
m<-200*0.25
s<-sqrt(200*0.25*0.75)
pbinom(55,200,0.25) [1] 0.8161774 #prob. exata
p1<-pnorm((55-m)/s, 0,1) > p1 [1] 0.7928919 #sem correc~ao
p2<-pnorm((55+0.5-m)/s, 0,1) > p2 [1] 0.8154462 #com correc~ao
22
Exercıcios propostos
Capıtulo 5, pags. 271-278, do livro Estatıstica para as Ciencias Agrarias eBiologicas - com nocoes de experimentacao. (Ver referencia 1).
23
REFERENCIAS BIBLIOGRAFICAS
1. ANDRADE, D.F.; OGLIARI, P.J. Estatıstica para as ciencias agrariase biologicas com nocoes de experimentacao. Editora da UFSC, Flo-rianopolis, 2007.
2. BUSSAB, W.O. ; P.A. MORETIN, Estatıstica Basica, 5a edicao. EditoraSaraiva, 2002.
3. MAGALHAES, M.N.; LIMA, A.C. P de. Nocoes de Probabilidade eEstatıstica. 6a ed. Sao Paulo: EDUSP, 2007.