NDICE

4. DISTRIBUIES TERICAS................................................................................................63
4.1. INTRODUO ...........................................................................................................................63
4.2. DISTRIBUIES TERICAS DISCRETAS......................................................................................64
4.2.1
4.2.2
4.2.3
4.2.4
4.2.5
4.2.6

Prova de Bernoulli ..................................................................................................................................64

Distribuio binomial ............................................................................................................................65
Distribuio binomial negativa. ..........................................................................................................65
Distribuio geomtrica. .......................................................................................................................66
Distribuio hipergeomtrica. ..............................................................................................................67
Distribuio de Poisson.........................................................................................................................68
4.3 DISTRIBUIES TERICAS CONTNUAS ................................................................................69
4.3.1
Distribuio uniforme ............................................................................................................................69
4.3.2
Distribuio exponencial .......................................................................................................................70
4.3.3
Distribuio normal ...............................................................................................................................71
4.4 TEOREMA DO LIMITE CENTRAL ............................................................................................74

4.5

APROXIMAES ENTRE AS DISTRIBUIES ..........................................................................74

D I S T R I B U I E S

T E R I C A S

Captulo

4
4. Distribuies Tericas

4.1. Introduo
Existem variveis aleatrias que tm uma funo de distribuio pertencente a
uma classe de distribuies tericas. As distribuies tericas, que como o nome
indica foram sujeitas a um estudo prvio, tm propriedades conhecidas que nos
permitem numa situao em que a distribuio esteja identificada, tirar partido
desse trabalho terico que j foi efectuado e assim pouparmos tempo na anlise
do problema que estivermos a estudar. As distribuies tericas que ns vamos
estudar so as seguintes:
Caso discreto

Distribuio binomial

Distribuio binomial negativa

Distribuio geomtrica

Distribuio hipergeomtrica

Distribuio de Poisson

Caso contnuo

Distribuio uniforme

Distribuio exponencial

Distribuio normal

Algumas distribuies tericas contnuas (como a distribuio t de Student, a

distribuio qui-quadrado e a distribuio F de Snedecor) iro ser estudadas no
captulo 5, onde so aplicadas em contextos muito prprios.

63

D I S T R I B U I E S

T E R I C A S

4.2. Distribuies tericas discretas

4.2.1

Prova de Bernoulli

A prova de Bernoulli uma experincia aleatria que serve de base a vrias

distribuies tericas que vamos estudar (a distribuio binomial, a distribuio
binomial negativa e a distribuio geomtrica).
Consideremos uma experincia aleatria na qual existem apenas dois
acontecimentos em que estamos interessados: o acontecimento A que
designaremos por sucesso e o acontecimento contrrio, A , que designaremos
por insucesso. O sucesso ocorre com probabilidade p , e o insucesso com
probabilidade q = 1 p .
O espao de resultados est assim particionado em dois acontecimentos
S = A , A , em que:

A =sucesso;
A =insucesso;

P( A ) = p ;

P( A ) = q = 1 p .
A uma experincia aleatria com as caractersticas anteriores d-se o nome de
prova de Bernoulli.
Sucesso de provas de Bernoulli:
Vamos definir sucesso de provas de Bernoulli como o processo caracterizado por
repetidas provas que tm lugar nas seguintes condies:
1- Em cada prova s estamos interessados em dois acontecimentos, A ou
A.
2- A probabilidade de sucesso, designada por p , mantm-se constante de
prova para prova. A probabilidade de insucesso designa-se por
q = 1 p .
3- As provas so independentes, isto , os resultados obtidos numa
sequncia de provas no influenciam os resultados da(s) prova(s)
subsequente(s).

64

D I S T R I B U I E S

4.2.2

T E R I C A S

Distribuio binomial

Consideremos uma sucesso de n provas de Bernoulli. A varivel aleatria que

representa o nmero de sucessos obtidos nas n provas de Bernoulli tem
distribuio binomial.
X = varivel aleatria que representa o nmero de sucessos obtidos na realizao
de uma sucesso de n provas de Bernoulli.
X tem distribuio binomial com parmetros n e p X B( n , p ) com

x {0,1,..., n} .
Os parmetros n e p so dois valores que necessrio conhecer para que a
distribuio da varivel aleatria fique completamente definida. Os valores que a
varivel pode tomar so representados por x , e pode ser qualquer valor inteiro
desde 0 at n.
A probabilidade da varivel aleatria tomar o valor x dada por:

n
P( X = x ) = b (x ; n ; p ) = p x q n x x = 0, 1, , ..., n
x

(1)

Demonstra-se que se a varivel aleatria X tem distribuio binomial com

parmetros n e p ento:

E( X ) = n p

(2)

Var ( X ) = n p q

(3)

4.2.3

Distribuio binomial negativa.

Consideremos uma sucesso de provas de Bernoulli. A varivel aleatria que

representa o nmero de provas realizadas at obtermos k sucessos tem
distribuio binomial negativa.
X = varivel aleatria que representa o nmero de provas de Bernoulli realizadas
at obtermos k sucessos.
X tem distribuio binomial negativa com parmetros k e p X BN ( k , p )
com x {k , k + 1,...} .
Os parmetros k e p so dois valores que necessrio conhecer para que a
distribuio da varivel aleatria fique completamente definida. Os valores que a
varivel pode tomar so representados por x , e pode ser qualquer valor inteiro
desde k at + .
A probabilidade da varivel aleatria tomar o valor x dada por:

65

D I S T R I B U I E S

T E R I C A S

x 1 k x k
P ( X = x ) = bn ( x ; k; p ) =
p q
k 1

x = k , k + 1, ... (4)

Demonstra-se que se a varivel aleatria X tem distribuio binomial negativa

com parmetros k e p ento:

E( X ) =

k
p

Var ( X ) =

4.2.4

(5)

kq
p2

(6)

Distribuio geomtrica.

A distribuio geomtrica um caso particular da distribuio binomial negativa

em que k = 1 .
Consideremos uma sucesso de provas de Bernoulli. A varivel aleatria que
representa o nmero de provas realizadas at obtermos 1 sucesso tem
distribuio geomtrica.
X = varivel aleatria que representa o nmero de provas de Bernoulli realizadas
at obtermos 1 sucesso.
X tem distribuio geomtrica com parmetro p X G( p ) com

x {1,2,...}.
O parmetro p um valor que necessrio conhecer para que a distribuio da
varivel aleatria fique completamente definida. Os valores que a varivel pode
tomar so representados por x , e pode ser qualquer valor inteiro desde 1 at + .
A probabilidade da varivel aleatria tomar o valor x dada por:

P( X = x ) = g (x ; p ) = p q x 1

x = 1, 2, ...

(7)

Demonstra-se que se a varivel aleatria X tem distribuio geomtrica com

parmetro p ento:

E( X ) =

1
p

Var ( X ) =

(8)

(9)

p2

66

D I S T R I B U I E S

4.2.5

T E R I C A S

Distribuio hipergeomtrica.

Suponhamos que temos um conjunto de N elementos e que M destes elementos

tm uma certa caracterstica em que estamos interessados (sucesso); logo os
outros N-M elementos no tm essa caracterstica.
Ao retirarmos n elementos do conjunto inicial de N elementos (retirar de forma
aleatria e sem reposio) consideremos X a varivel aleatria que representa o
nmero de elementos que so retirados e que tm a caracterstica em que estamos
interessados.
A varivel aleatria definida nas condies anteriores tem distribuio
hipergeomtrica com parmetros N, M e n X H ( N , M , n ) .
A probabilidade da varivel aleatria tomar o valor x dada por:

M N M

x nx

P ( X = x ) = h (x ; N ; M ; n ) =
N

n

(10)

com x = mx {0, n ( N M )}, ..., min{n , M }

Demonstra-se que se a varivel aleatria X tem distribuio hipergeomtrica com
parmetros N, M, n ento:

E( X ) = n

M
N

Var ( X ) = n

(11)

M N M N n

N N N 1

67

(12)

D I S T R I B U I E S

4.2.6

T E R I C A S

Distribuio de Poisson.

A distribuio de Poisson (que deve o seu nome ao fsico francs Simon Poisson)
est associada a um grande conjunto de situaes prticas cujos alguns exemplos
so os seguintes:

Nmero de chamadas telefnicas que chegam num perodo de uma hora a

uma central telefnica.
Nmero de microorganismos numa determinada quadrcula de 1mm2 de
rea.
Nmero de partculas defeituosas num cm3 de volume de um certo
lquido.
Nmero de defeitos num metro de comprimento, dum fio produzido por
uma mquina txtil.
Todos os exemplos apresentados tm uma caracterstica comum: a varivel
aleatria em estudo representa o nmero de ocorrncias de um certo
acontecimento ao longo de um dado espao contnuo (tempo, comprimento, rea
ou volume). Os valores que a varivel aleatria pode tomar so valores inteiros
no negativos: 0,1,..., n ,... .
Outras caractersticas que devem estar presentes para que estejamos na presena
de uma distribuio de Poisson so:

O nmero de ocorrncias em intervalos no sobrepostos so variveis

independentes.
A probabilidade de um certo nmero de ocorrncias se verificar a mesma
para intervalos da mesma dimenso; isto , aquela probabilidade depende
apenas da amplitude do intervalo e no da posio em que se situa nesse
intervalo.
As ocorrncias do fenmeno descrito verificam-se uma a uma e nunca em
grupos.
A varivel aleatria definida nas condies anteriores tem distribuio de Poisson
com parmetro X P ( ) .
O parmetro representa o nmero mdio de ocorrncias no espao contnuo
em estudo.
A probabilidade da varivel aleatria tomar o valor x dada por:

P ( X = x ) = p (x ; ) =

e x
x!
68

x = 0, 1, 2, ...

(13)

D I S T R I B U I E S

T E R I C A S

Demonstra-se que se a varivel aleatria X tem distribuio de Poisson com

parmetro ento:

4.3

E( X ) =

(14)

Var ( X ) =

(15)

Distribuies tericas contnuas

4.3.1

Distribuio uniforme

Consideremos uma varivel aleatria contnua, cujos valores podem ocorrer

dentro dum intervalo limitado (aberto ou fechado) (a , b ) . Se quaisquer dois sub-intervalos de igual amplitude tm a mesma probabilidade, ento a varivel
aleatria tem distribuio uniforme.
Diz-se que a varivel aleatria contnua X tem distribuio uniforme no intervalo
(a , b ) e escreve-se X U ( a , b ) se a sua funo de densidade de probabilidade
for dada por:
1

f ( x) = b a
0

a< x<b

(16)

outros valores

Os parmetros caracterizadores desta distribuio so a e b , que satisfazem a

condio: < a < b < +
Facilmente se deduz que a funo de distribuio F ( x ) dada por:

x a
0
x a
F( x ) =
a <x <b
b

x b
1

(17)

Demonstra-se que se a varivel aleatria X tem distribuio uniforme no intervalo

(a , b ) ento:

E( X ) =

a +b
2

Var ( X ) =

(18)

(b a )2

(19)

12

69

D I S T R I B U I E S

4.3.2

T E R I C A S

Distribuio exponencial

Diz-se que a varivel aleatria contnua X , tem distribuio exponencial e

escreve-se X Exp( ) se a sua funo de densidade de probabilidade for dada
por:

f ( x ) = e x , x > 0

(20)

onde o parmetro caracterizador da distribuio, sendo > 0 .

Demonstra-se que se a varivel aleatria X tem distribuio exponencial de
parmetro ento:

E( X ) =

Var ( X ) =

(21)

1
2

(22)

A distribuio exponencial est intimamente ligada com a distribuio de

Poisson. Demonstra-se que se o nmero de ocorrncias de um certo
acontecimento segue uma distribuio de Poisson, a medida de espao entre
duas ocorrncias consecutivas ou a medida de espao at primeira ocorrncia
segue uma distribuio exponencial. A distribuio exponencial tambm
usualmente utilizada na descrio do tempo de vida de aparelhos, de organismos,
etc lei de falhas exponencial.

Exemplo 4.1:
Consideremos uma varivel aleatria X que representa o nmero de clientes que
chegam a uma certa agncia bancria num perodo de uma hora. Suponhamos
que X P ( 4 ) . Podemos concluir que em mdia chegam 4 clientes por hora.
Consideremos agora uma varivel Y que representa o tempo entre duas
chegadas consecutivas de clientes mesma agncia bancria. Se em mdia
chegam 4 clientes por hora podemos concluir que o tempo mdio entre chegadas
de

1
da hora, ou seja 15 minutos.
4

Como vamos ver a seguir existe um teorema que nos garante que a varivel
aleatria Y tem distribuio exponencial com parmetro 4 . A unidade de tempo
considerada para a varivel Y exactamente o comprimento do perodo de
contagem da varivel aleatria X que lhe est associada.

70

D I S T R I B U I E S

T E R I C A S

Teorema
Consideremos uma varivel aleatria X que tem distribuio de Poisson com
parmetro para um certo intervalo de espao contnuo (tempo, comprimento,
rea ou volume). A varivel aleatria contnua que representa o comprimento de
espao entre duas ocorrncias consecutivas tem distribuio exponencial com o
mesmo parmetro .
Nota: A unidade de medida da varivel Y o comprimento do intervalo de
contagem da varivel X , tornando-se assim importante que este seja do
comprimento de uma unidade do espao contnuo em que estamos a trabalhar.
4.3.3

Distribuio normal

A distribuio normal a distribuio mais utilizada na estatstica. A grande

maioria das variveis aleatrias contnuas que descrevem processos fsicos ou
caractersticas humanas seguem uma distribuio normal. Por vezes, as variveis
aleatrias no seguem distribuio normal mas aproximam-se muito desta
distribuio. Por outro lado, a distribuio normal desempenha um papel crucial
na inferncia estatstica (captulo 6).
Diz-se que uma varivel aleatria contnua X tem distribuio normal e escrevese X N (; ) se a sua funo densidade de probabilidade for dada por:
2

( x )

1
f(x)=
e 2 2 com < x < +
2

(23)

onde e so os parmetros caracterizadores da distribuio.

Se a varivel aleatria X tem distribuio normal ento:

E( X ) =

(24)

Var ( X ) = 2

(25)

Propriedades da distribuio normal:

1. Distribuio simtrica relativa ao valor mdio.
2. Grfico:

f(x)

-5

-4

-3

-2

-1

Valores de x
71

D I S T R I B U I E S

3.

T E R I C A S

99,99% dos valores da varivel pertencem ao intervalo

[ 4 , + 4 ] .

4. Na figura seguinte esto representadas duas distribuies normais

que tm o mesmo valor mdio mas diferentes desvios padres
(1 < 2 ) :

Teorema
Seja X uma v.a. com distribuio normal de mdia e desvio padro .

X
. A varivel aleatria Z tem

distribuio normal de mdia 0 e desvio padro 1 , isto , Z N (0; 1 ) ) . A esta

Consideremos a varivel aleatria Z =

distribuio normal d-se o nome de normal estandardizada ou normal reduzida.

Clculo de probabilidades na distribuio normal.
Seja X N (; ) . Calcular o valor de P ( a X b ) implica calcular o valor
2

( x )

1
de:
e 2 2 dx o que no um clculo trivial.
a 2
b

Poderamos construir uma tabela que nos desse o valor da funo de distribuio
para diversos pontos da varivel mas nesse caso teramos de ter um infinito
nmero de tabelas (j que existem infinitas distribuies normais). No entanto,
dado que pelo teorema anterior qualquer distribuio normal pode ser reduzida
distribuio Z N (0; 1 ) ) , existe uma tabela para a funo de distribuio da
varivel Z que tem distribuio normal com mdia 0 e desvio padro 1 . Esta
funo vamos representar por ( z ) = P ( Z z ) .

72

D I S T R I B U I E S

T E R I C A S

Deste modo para calcular o valor de P (a X b) e dado que este valor o

mesmo que P (

a
b
b
a
Z
) =

vamos utilizar a

tabela da funo de distribuio da normal reduzida.

Teorema da aditividade da normal
Consideremos n variveis aleatrias independentes X i ( i = 1,2,..., n ) em que
n

X i N ( i ; i ) . A varivel S = X i tem a seguinte distribuio:

i =1

n
n
n

S = X i N i ; i2
i =1
i =1
i =1

(26)

Como resultados do teorema anterior podemos deduzir:

Corolrio 1

X i ( i = 1,2,..., n ) so variveis aleatrias independentes em que

X i N ( ; ) ento :

Se

S = X i N n ; n

(27)

i =1

Corolrio 2
Se X 1 N ( 1 ; 1 ) e X 2 N ( 2 ; 2 ) e forem independentes ento:

(
N (

X 1 + X 2 N 1 + 2 ; 12 + 22
X1 X 2

2 ; 12 + 22

)
)

(28)
(29)

Corolrio 3
n

Xi

Se X i N ( ; ) ento X = i =1

tem distribuio:

X N ;

(30)

73

D I S T R I B U I E S

T E R I C A S

Teorema do limite central

Seja

X i ( i = 1,2,..., n ) uma sucesso de n variveis aleatrias i.i.d.

(independentes e identicamente distribudas), com E(X i ) = e Var (X i ) = ,

quando n , isto , para n suficientemente grande (em geral n 30 ), a
2

varivel S =

Xi

tem aproximadamente a seguinte distribuio:

i =1
n

S = X i N n ; n

(31)

i =1

4.4

Aproximaes entre as distribuies

possvel utilizar um conjunto de relaes existentes entre as diferentes

distribuies (sob certas condies) para calcular probabilidades de forma
aproximada. As diferentes relaes existentes encontram-se esquematizadas na
figura seguinte:

Hipergeomtrica
N, M, n

n
0,1
N
p=

M
N

n ( n grande)

p 0 ( p < 0,1 p > 0,9)

Binomial
n, p

Poisson

= np

n
0,1 p 0,9

np > 5 n(1 p) > 5

= np
2
= np(1 p )

> 20

= 2 =

>

Normal
,

De notar que no caso em que a varivel em causa uma varivel discreta

(binomial e/ou Poisson) e se utiliza a distribuio normal (distribuio contnua)
para o clculo da probabilidade pretendida deveremos utilizar a chamada
correco de continuidade:

P ( X = k ) = P (k 0,5 < X < k + 0,5)

74

(32)