Você está na página 1de 6

H.

Iglsias Pereira Revises


1.5 ESTUDO DE ALGUMAS DISTRIBUIES UNIVARIADAS
H algumas famlias de variveis aleatrias discretas, que pela sua importncia prtica
tm nomes especiais. Iremos estudar alguns destes modelos nesta seco:
1.5.1 Distribuio binomial
Algumas experincias consistem numa sucesso de provas independentes podendo cada
uma resultar num acontecimento ou no seu complementar. Por exemplo, um produto de
uma determinada linha de montagem pode resultar em defeituoso ou no defeituoso,
numa eleio cada voto pode ser a favor ou contra um candidato Sr. Silva, cada exame
pode resultar numa aprovao ou numa reprovao, etc.
Estas experincias conhecidas como provas de Bernoulli apresentam as seguintes
caractersticas:
1) A experincia consiste em n provas idnticas.
2) Cada prova resulta num acontecimento A (sucesso) ou no seu complementar A
c
.
3) A probabilidade de sucesso em cada prova igual a p e mantm-se constante de
prova para prova. A probabilidade de insucesso q=1-p.
4) As provas so independentes.
5) A v.a. associada a esta sucesso de provas X - n de sucessos observados nas n
provas.
Definio: Uma v.a. X tem distribuio binomial de parmetros n e p se a sua f.m.p.
igual
a
n
k
(1
p)
n

k
, k = 0,1,...,
n com 0 p 1, e onde k o n de
P(X = k ) =

p

k

sucessos observados nas n provas, e designa-se por X Bi( n, p) .
Exemplo 1: Suponhamos que numa populao de 500 fusveis 5% so defeituosos. Se
uma amostra de 5 fusveis observada calcule a probabilidade de haver pelo menos um
fusvel defeituoso.
Seja A o acontecimento o fusvel defeituoso, p= P(A)= 0.05, X-n de fusveis
defeituosos na amostra, uma v.a. com distribuio Bi(5, 0.05). Ento,

0 5
= 1 0.774 =
0.226
P(X 1) = 1 P(X = 0) = 1 (0.05) (0.95)

Esta varivel tem valor mdio e varincia finitos.


15
H. Iglsias Pereira Revises
n n n n!
E(X ) = kP(X = k) = k(
k
n
)p
k
(1 p)
n

k
= k n k !k!
pk

(
1
p)
n

k
=
k =0
k=
0 k=0 ( )
n
n(n
1)!
k

1
n

k n 1
n
1
k
1
n

k
= pp (1 p) =np(k 1)p
(
1 p) =
k=1
(n k)!(k
1)!
k=1
= np p + 1 p
n

1
=
np
( )
de igual modo podamos calcular E(X
2
)= np(1-p)+(np)
2
e consequentemente teremos
Var(X)=np(1-p).
Isto , se X Bi(n, p) ento E(X) = np e Var(X) = np(1 p), o que mostra que
os parmetros da distribuio esto relacionados com as suas medidas de localizao e
disperso.
NOTA: No caso do exemplo anterior o n mdio de fusveis defeituosos numa amostra
de 5 fusveis 5x0.05=0.25 e a varincia 5x0.05x0.95=0.2375.
Como acontece na maioria dos casos o valor mdio NO um valor assumido pela v.a.
X-n de fusveis defeituosos numa amostra de 5.
Exemplo 2: Suponhamos agora que se recolheu uma amostra de 50 fusveis e queremos
calcular a probabilidade de haver pelo menos 5 fusveis defeituosos nessa amostra.
Teremos como anteriormente X- n de fusveis defeituosos numa amostra de 50, onde
agora X Bi(50,0.05) e a probabilidade pedida igual a
P(X 5) = 1 P(X < 5) = 1

4
P(X = i) = 1

5
0

i
5
0


(0.05) (0.95)

i
=
0
i
=
0

Dado que a dimenso da amostra grande, torna-se fastidioso calcular as
probabilidades que constituem as parcelas do somatrio.
A distribuio que se segue ajuda a resolver o problema nestas circunstncias.
1.5.2 Distribuio de Poisson
Considerando o modelo probabilstico anterior fcil mostrar que podemos obter um
valor aproximado de p
k
= P(X= k) quando n "grande" e p toma valores muito
pequenos.
16
H. Iglsias Pereira Revises
P X = k =
n!
p
k
1


p
n
k
=
(n k)!
k! ( ( )
=
1
p
k
(1 p )
n
n(n 1)(n 2)...(n k +1)
=
(
1


p
)
k

k!
1 n k 1 2

1
(1 p )
n

=
(1 p
)
k
k!
p

1


n


1

n

...


1


n


k


e
k !
n


n
k
!
onde np , quandon + e p 0
Atravs do resultado anterior podemos facilmente calcular a probabilidade pedida no
exemplo 2, onde 50 0.05 = 2.5. Assim,
4

2.5
2.5
i
P(X 5) 1 e = 0.10882
i!
i =0
A coleco de valores
= e

p
k
,
k = 0,1,2,... , p
k
0 e e

= e

e

= 1 constitui
uma
k
!
k=0
k

!
f.m.p. de uma v.a. .
Definio: Uma varivel aleatria X que toma valores em |N
0
, com f.m.p. dada por
P(X = k) = e


, k = 0,1,2,... , tem distribuio de Poisson de parmetro > 0
e

k
k

!
designa-se por X P().
O parmetro desta distribuio tem um significado especial como podemos ver.
Assim, calcule-se
+ + +

i +
i
1 +

j
E(X ) = x
i

p
i
=i
p
i
=ie

= e

= e

i
!
(i
1)!
j

!
i= 0 i=0 i= 0 i =1 j =0
de forma anloga se calcula
Var(X) = E(X
2
) E
2
(X) =
2
+

2
Var(X) =
2
(X) =
17