Você está na página 1de 83

Variáveis

Aleatórias e
Distr. de
Probabilidade

Introdução
Variáveis Aleatórias e Distribuições de
V.A.s
Discretas
Probabilidade
Esperança e
variância
Distribuições
Discretas
Modelo Fernando de Pol Mayer
Bernoulli
Modelo
binomial
Modelo Laboratório de Estatística e Geoinformação (LEG)
Poisson Departamento de Estatística (DEST)
V.A.s Universidade Federal do Paraná (UFPR)
Contínuas
Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios Este conteúdo está disponível por meio da Licença Creative Commons 4.0
(Atribuição/NãoComercial/PartilhaIgual)
Referências

1 / 81
Sumário

Variáveis
Aleatórias e
Distr. de
Probabilidade
1 Introdução
2 Variáveis aleatórias discretas
Introdução
Esperança e variância
V.A.s
Discretas Distribuições discretas de probabilidade
Esperança e Modelo Bernoulli
variância
Distribuições Modelo binomial
Discretas
Modelo
Modelo Poisson
Bernoulli
Modelo
binomial 3 Variáveis aleatórias contínuas
Modelo
Poisson Esperança e variância
V.A.s
Contínuas
Distribuições contínuas de probabilidade
Esperança e Modelo normal
variância
Distribuições
Contínuas
Modelo
4 Exercícios
normal
Exercícios 5 Referências
Referências

2 / 81
Plano de aula

Variáveis
Aleatórias e
Distr. de
Probabilidade
1 Introdução
2 Variáveis aleatórias discretas
Introdução
Esperança e variância
V.A.s
Discretas Distribuições discretas de probabilidade
Esperança e Modelo Bernoulli
variância
Distribuições Modelo binomial
Discretas
Modelo
Modelo Poisson
Bernoulli
Modelo
binomial 3 Variáveis aleatórias contínuas
Modelo
Poisson Esperança e variância
V.A.s
Contínuas
Distribuições contínuas de probabilidade
Esperança e Modelo normal
variância
Distribuições
Contínuas
Modelo
4 Exercícios
normal
Exercícios 5 Referências
Referências

3 / 81
Probabilidades

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução

V.A.s Já vimos que as probabilidades podem ser definidas de diferentes


Discretas
Esperança e
maneiras:
variância
Distribuições
Discretas
Definição clássica
Modelo
Bernoulli Definição frequentista
Modelo
binomial
Modelo
Definição subjetiva
Poisson
V.A.s
Definição axiomática
Contínuas
Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

4 / 81
Probabilidades

Variáveis
Aleatórias e
Distr. de Vamos relembrar algumas definições
Probabilidade

Um experimento, que ao ser realizado sob as mesmas condições não


Introdução
produz os mesmos resultados, é denominado um experimento
V.A.s
Discretas aleatório. Exemplo: lançamento de uma moeda, medir altura, . . .
Esperança e
variância
Distribuições
Discretas O conjunto de todos os possíveis resultados de um experimento
Modelo
Bernoulli aleatório é denominado espaço amostral (Ω). Pode conter um
Modelo
binomial número finito ou infinito de pontos. Exemplo: {cara, coroa}, R, . . .
Modelo
Poisson
V.A.s
Contínuas
Os elementos do espaço amostral (pontos amostrais) são denotados
Esperança e por ω. Exemplo: ω1 = cara, ω2 = coroa.
variância
Distribuições
Contínuas
Modelo
normal
Todo resultado ou subconjunto de resultados de um experimento
Exercícios
aleatório, é um evento. Exemplo: A = “sair cara”, B = “sair face
Referências par”.

5 / 81
Probabilidades

Variáveis
Aleatórias e
Distr. de
Probabilidade
Axiomas de probabilidade
Introdução
Vamos considerar probabilidade como sendo uma função P(·) que
V.A.s
Discretas associa valores numéricos à um evento A do espaço amostral, e que
Esperança e
variância satisfaz as seguintes condições
Distribuições
Discretas
Modelo
Bernoulli
Modelo i) P(Ω) = 1; P(∅) = 0
binomial
Modelo
Poisson
ii) 0 ≤ P(A) ≤ 1
V.A.s
Contínuas
iii) P(A ∪ B) = P(A) + P(B) se, e seomente se A ∩ B = ∅
Esperança e
variância
Distribuições
Contínuas Os axiomas asseguram que as probabilidades podem ser interpretadas
Modelo
normal como frequências relativas.
Exercícios

Referências

6 / 81
Variáveis aleatórias

Variáveis
Aleatórias e Em probabilidade, uma função X que associa a cada evento do
Distr. de
Probabilidade espaço amostral um número real X (ω) ∈ R, é denominada uma
variável aleatória (V.A.)
Introdução

V.A.s
Discretas
Uma variável aleatória pode ser classificada como discreta ou
Esperança e contínua, dependendo do domínio dos valores de X .
variância
Distribuições
Discretas
Modelo
Bernoulli
Exemplo: o número de alunos em uma sala é uma variável aleatória
Modelo
binomial
(discreta), denotada por X (maiúsculo). Uma observação dessa
Modelo
Poisson
variável é denotada pela respectiva letra minúscula, e.g., x = 50
V.A.s alunos.
Contínuas
Esperança e
variância
Distribuições
Em geral, denotamos a probabilidade de uma V.A. X assumir
Contínuas
Modelo
determinado valor x como
normal
Exercícios
P[X ] ou P[X = x]
Referências

7 / 81
Variáveis aleatórias

Variáveis
Aleatórias e Experimento
Distr. de
Probabilidade
Lançamento de duas moedas. X = número de resultados cara (C)

Introdução elementos de Ω
V.A.s
Discretas
Esperança e
variância CR CC
Distribuições
Discretas
Modelo
Bernoulli
Modelo RR RC
binomial
Modelo
Poisson
V.A.s
Contínuas

Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências
valores
R
de X 0 1 2
8 / 81
Variáveis aleatórias

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução
Dada a realização de um experimento aleatório qualquer, com um
V.A.s
certo espaço de probabilidade, desejamos estudar a estrutura
Discretas
Esperança e
probabilística de quantidades associadas à esse experimento.
variância
Distribuições
Discretas
Modelo
Note que antes da realização de um experimento, não sabemos seu
Bernoulli
Modelo
resultado, entretanto seu espaço de probabilidade pode ser
binomial
Modelo
previamente estabelecido.
Poisson
V.A.s
Contínuas Dessa forma, podemos atribuir probabilidades aos eventos desse
Esperança e
variância espaço amostral, dando origem ao conceito de variável aleatória.
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

9 / 81
Distribuições de probabilidade

Variáveis
Aleatórias e
Distr. de
Probabilidade
Existem diversos modelos probabilísticos que procuram descrever
Introdução
vários tipos de variáveis aleatórias: são as distribuições de
V.A.s probabilidade de variáveis aleatórias (discretas ou contínuas).
Discretas
Esperança e
variância
Distribuições
A distribuição de probabilidades de uma V.A. X é, portanto, uma
Discretas
Modelo
descrição das probabilidades associadas com os possíveis valores de
Bernoulli
Modelo
X . Os valores que X assume determinam o suporte (S) da V.A.
binomial
Modelo
Poisson
V.A.s
Variáveis discretas → suporte em um conjunto de valores
Contínuas enumeráveis (finitos ou infinitos)
Esperança e
variância
Distribuições
Variáveis contínuas → suporte em um conjunto não
Contínuas
Modelo
enumerável de valores
normal
Exercícios

Referências

10 / 81
Distribuições de probabilidade

Variáveis
Aleatórias e
Distr. de
Probabilidade

Denomina-se de distribuição de probabilidade de alguma variável


Introdução aleatória, a regra geral que define a
V.A.s
Discretas função de probabilidade (fp) (V.A.s discretas), ou a
Esperança e
variância função densidade de probabilidade (fdp) (V.A.s contínuas)
Distribuições
Discretas
Modelo
para a variável de interesse.
Bernoulli
Modelo
binomial
Modelo Existem muitas distribuições de probabilidade, mas algumas merecem
Poisson
destaque por sua importância prática.
V.A.s
Contínuas
Esperança e
variância Estas distribuições também são chamadas de modelos
Distribuições
Contínuas probabilísticos
Modelo
normal
Exercícios

Referências

11 / 81
Plano de aula

Variáveis
Aleatórias e
Distr. de
Probabilidade
1 Introdução
2 Variáveis aleatórias discretas
Introdução
Esperança e variância
V.A.s
Discretas Distribuições discretas de probabilidade
Esperança e Modelo Bernoulli
variância
Distribuições Modelo binomial
Discretas
Modelo
Modelo Poisson
Bernoulli
Modelo
binomial 3 Variáveis aleatórias contínuas
Modelo
Poisson Esperança e variância
V.A.s
Contínuas
Distribuições contínuas de probabilidade
Esperança e Modelo normal
variância
Distribuições
Contínuas
Modelo
4 Exercícios
normal
Exercícios 5 Referências
Referências

12 / 81
Variáveis aleatórias discretas

Variáveis
Aleatórias e
Distr. de
Probabilidade

Uma V.A. é classificada como discreta se assume somente um


Introdução conjunto enumerável (finito ou infinito) de valores.
V.A.s
Discretas
Esperança e
variância
Exemplos:
Distribuições
Discretas Número de caras ao lançar 3 moedas
Modelo
Bernoulli
Modelo
Número de chamadas telefônicas que chegam à uma central em
binomial
Modelo
1 hora
Poisson
V.A.s
Número de votos recebidos
Contínuas
Esperança e
Aprovação no vestibular
variância
Distribuições
Contínuas
Grau de queimadura na pele
Modelo
normal
Exercícios

Referências

13 / 81
Variáveis aleatórias discretas

Variáveis
Aleatórias e A função de probabilidade (fp) da VA discreta X , que assume os
Distr. de
Probabilidade valores x1 , x2 , . . . , xn , . . ., é a função que atribui probabilidades a
cada um dos possíveis valores: {[xi , p(xi )], i = 1, 2, . . .}, ou seja,
Introdução

V.A.s P[X = xi ] = p(xi ) = pi , i = 1, 2, . . .


Discretas
Esperança e
variância com as seguintes propriedades:
Distribuições
Discretas
Modelo
Bernoulli
Modelo
i) A probabilidade de cada valor deve estar entre 0 e 1
binomial
Modelo
Poisson 0 ≤ p(xi ) ≤ 1, ∀ i = 1, 2, . . .
V.A.s
Contínuas
Esperança e ii) A soma de todas as probabilidades é igual a 1
variância
Distribuições
Contínuas X
Modelo
normal
p(xi ) = 1
Exercícios i
Referências

14 / 81
Variáveis aleatórias discretas

Variáveis
Aleatórias e Experimento
Distr. de
Probabilidade
Lançamento de duas moedas. X = número de resultados cara (C)

Introdução elementos de Ω
V.A.s
Discretas
Esperança e
variância CR CC
Distribuições
Discretas
Modelo
Bernoulli
Modelo RR RC
binomial
Modelo
Poisson
V.A.s
Contínuas

Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências
valores
R
de X 0 1 2
15 / 81
Variáveis aleatórias discretas

Variáveis
Aleatórias e
Podemos montar uma tabela de distribuição de frequência para a
Distr. de
Probabilidade
variável aleatória X = número de resultados cara (C)

Introdução
X Frequência (fi ) Frequência relativa (fri )
V.A.s
0 1 1/4
Discretas
Esperança e
1 2 2/4
variância
Distribuições
2 1 1/4
Discretas
Modelo
Total 4 1
Bernoulli
Modelo
binomial
Modelo
Assim podemos associar a cada valor de X sua probabilidade
Poisson correspondente, como resultado das frequências relativas
V.A.s
Contínuas
Esperança e
variância
P[X = 0] = 1/4
Distribuições
Contínuas P[X = 1] = 2/4 = 1/2
Modelo
normal P[X = 2] = 1/4
Exercícios

Referências

16 / 81
Variáveis aleatórias discretas

Variáveis
Aleatórias e
Distr. de Dessa forma, a distribuição de probabilidade da variável aleatória
Probabilidade
X = número de resultados cara (C) é a tabela
Introdução
X P[X = xi ] = p(xi )
V.A.s
Discretas 0 1/4
Esperança e
variância 1 1/2
Distribuições
Discretas 2 1/4
Modelo
Bernoulli Total 1
Modelo
binomial
Modelo
Poisson Repare que as propriedades da função de probabilidade estão
V.A.s
Contínuas
satisfeitas:
Esperança e
variância i) As probabilidades p(xi ) estão entre 0 e 1
Distribuições
Contínuas ii) A soma de todas as probabilidades p(xi ) é 1
Modelo
normal
Exercícios

Referências

17 / 81
Variáveis aleatórias discretas

Variáveis
Aleatórias e
Distr. de Dessa forma, a distribuição de probabilidade da variável aleatória
Probabilidade
X = número de resultados cara (C) é a tabela
Introdução
X P[X = xi ] = p(xi )
V.A.s
Discretas 0 1/4
Esperança e
variância 1 1/2
Distribuições
Discretas 2 1/4
Modelo
Bernoulli Total 1
Modelo
binomial
Modelo
Poisson Repare que as propriedades da função de probabilidade estão
V.A.s
Contínuas
satisfeitas:
Esperança e
variância i) As probabilidades p(xi ) estão entre 0 e 1
Distribuições
Contínuas ii) A soma de todas as probabilidades p(xi ) é 1
Modelo
normal
Exercícios
Qual seria a média desta variável aleatória X ?
Referências

17 / 81
Plano de aula

Variáveis
Aleatórias e
Distr. de
Probabilidade
1 Introdução
2 Variáveis aleatórias discretas
Introdução
Esperança e variância
V.A.s
Discretas Distribuições discretas de probabilidade
Esperança e Modelo Bernoulli
variância
Distribuições Modelo binomial
Discretas
Modelo
Modelo Poisson
Bernoulli
Modelo
binomial 3 Variáveis aleatórias contínuas
Modelo
Poisson Esperança e variância
V.A.s
Contínuas
Distribuições contínuas de probabilidade
Esperança e Modelo normal
variância
Distribuições
Contínuas
Modelo
4 Exercícios
normal
Exercícios 5 Referências
Referências

18 / 81
Esperança

Variáveis
Aleatórias e
Distr. de
Probabilidade
O valor esperado, ou média, ou esperança matemática é uma
quantidade utilizada como resumo do comportamento de uma V.A.
Introdução

V.A.s
A média de uma distribuição de probabilidade é a esperança de sua
Discretas
Esperança e
variável aleatória.
variância
Distribuições
Discretas
Modelo
A esperança de uma V.A. X é obtida multiplicando-se cada valor de
Bernoulli
Modelo
X = xi , por sua respectiva probabilidade P[X = xi ], e somando os
binomial
Modelo
produtos resultantes
Poisson
V.A.s n
X
Contínuas
Esperança e E(X ) = xi · P[X = xi ]
variância
Distribuições i=1
Contínuas
Modelo
normal A esperança é o valor médio que esperaríamos se o experimento
Exercícios
continuasse sendo repetido várias vezes.
Referências

19 / 81
Esperança

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução Note que o valor esperado pondera os valores assumidos pela V.A.
V.A.s
Discretas
pelas respectivas probabilidades, e não precisa ser um dos valores da
Esperança e
variância
variável.
Distribuições
Discretas
Modelo
Bernoulli
A esperança está sempre compreendida entre os valores extremos da
Modelo
binomial
V.A.
Modelo
Poisson
V.A.s A esperança também é importante pois serve como caracterização de
Contínuas
Esperança e
diversas distribuições de probabilidade → parâmetro
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

20 / 81
Esperança

Variáveis
Aleatórias e
Distr. de
Probabilidade
Exemplo: Determine o valor esperado do número de solicitações de
empréstimos aprovados por semana (X )
Introdução

V.A.s
Discretas X P[X = xi ]
Esperança e
variância 0 0,1
Distribuições
Discretas 1 0,1
Modelo
Bernoulli 2 0,2
Modelo
binomial 3 0,3
Modelo
Poisson 4 0,15
V.A.s
Contínuas
5 0,1
Esperança e
variância
6 0,05
Distribuições
Contínuas
Total 1
Modelo
normal
Exercícios

Referências

21 / 81
Esperança

Variáveis
Aleatórias e
Exemplo: Determine o valor esperado do número de solicitações de
Distr. de
Probabilidade
emprétimos aprovados por semana (X )
X P[X = xi ] xi · P[X = xi ]
Introdução 0 0,1 0
V.A.s
Discretas
1 0,1 0,1
Esperança e
variância
2 0,2 0,4
Distribuições
Discretas
3 0,3 0,9
Modelo
Bernoulli
4 0,15 0,6
Modelo
binomial
5 0,1 0,5
Modelo
Poisson
6 0,05 0,3
V.A.s Total 1 2,8
Contínuas
Esperança e
variância 7
Distribuições
X
Contínuas
Modelo
E(X ) = xi · P[X = xi ]
normal i=1
Exercícios
= 0 · 0, 1 + 1 · 0, 1 + · · · + 5 · 0, 1 + 6 · 0, 05
Referências
= 2, 8
22 / 81
Variância

Variáveis
Aleatórias e A variância, como já vimos, dá o grau de dispersão dos valores de
Distr. de
Probabilidade uma variável aleatória em relação à sua média ou esperança E(X ). A
forma geral para o cálculo é
Introdução

V.A.s Var(X ) = E[(X − E(X ))2 ]


Discretas
n
Esperança e X
variância
Distribuições
= (xi − E(X ))2 · P[X = xi ]
Discretas
Modelo
i=1
Bernoulli
Modelo
binomial No entanto, uma foma mais fácil operacionalmente pode ser
Modelo
Poisson deduzida a partir da primeira, e temos
V.A.s
Contínuas
Esperança e Var(X ) = E(X 2 ) − E(X )2
variância
Distribuições
Contínuas
Modelo
onde
normal
n
X
Exercícios E(X 2 ) = xi2 · P[X = xi ]
Referências i=1

23 / 81
Variância

Variáveis
Aleatórias e
Distr. de
Probabilidade

O desvio-padrão de uma variável aleatória X será portanto


Introdução

V.A.s
p
Discretas DP(X ) = Var(X )
Esperança e
variância
Distribuições
Discretas
Modelo Assim como a esperança E(X ), a variância Var(X ) também tem
Bernoulli
Modelo
binomial
importância na caracterização de diversas distribuições de
Modelo
Poisson
probabilidade.
V.A.s
Contínuas
Esperança e
Quando se conhece a esperança e a variância de um modelo, ele fica
variância
Distribuições
totalmente caracterizado, ou seja, sabemos seu formato geral
Contínuas
Modelo
normal
Exercícios

Referências

24 / 81
Variância

Variáveis
Aleatórias e
Exemplo: Calcule a variância e o desvio-padrão para o número de
Distr. de
Probabilidade
solicitações de emprétimos aprovados por semana (X )
X P[X = xi ] xi · P[X = xi ] X2 xi2 · P[X = xi ]
Introdução 0 0,1 0 0 0
V.A.s
Discretas
1 0,1 0,1 1 0,1
Esperança e
variância
2 0,2 0,4 4 0,8
Distribuições
Discretas
3 0,3 0,9 9 2,7
Modelo
Bernoulli
4 0,15 0,6 16 2,4
Modelo
binomial
5 0,1 0,5 25 2,5
Modelo
Poisson
6 0,05 0,3 36 1,8
V.A.s Total 1 2,8 10,3
Contínuas
Esperança e P7
variância
Distribuições
E(X ) = i=1 xi · P[X = xi ] = 2, 8
Contínuas
2 P7
Modelo E(X ) = i=1 xi2 · P[X = xi ] = 10, 3
normal
Exercícios Var(X ) = E(X ) − E(X )2
2

Referências
= 10, 3 − 2, 82
= 2, 46 25 / 81
Variância

Variáveis
Aleatórias e
Distr. de
Probabilidade Exercício: A tabela abaixo apresenta as estimativas de retorno para
dois investimentos (A e B), em R$ 1.000,00, sob três condições
Introdução econômicas com diferentes probabilidades
V.A.s
Discretas
Esperança e
variância Condição Probabilidade Investimento A Investimento B
Distribuições
Discretas Recessão 0,25 200 -100
Modelo
Bernoulli Estável 0,45 50 100
Modelo
binomial Expansão 0,3 -100 250
Modelo
Poisson
V.A.s
Contínuas a) Calcule a esperança para cada um dos investimentos, para
Esperança e
variância verificar qual investimento maximiza o lucro
Distribuições
Contínuas
Modelo
b) Calcule o desvio-padrão para cada um dos investimentos, para
normal
verificar qual investimento minimiza o risco
Exercícios

Referências

26 / 81
Esperança e variância

Variáveis
Aleatórias e
Propriedades de esperança e variância
Distr. de
Probabilidade
Dada a VA discreta X e a respectiva função de probabilidade
Introdução
P[X = xi ], a esperança da função h(X ) é dada por
V.A.s n
X
Discretas
Esperança e
E[h(X )] = h(xi ) · P[X = xi ]
variância
Distribuições i=1
Discretas
Modelo
Bernoulli
Modelo
binomial Com isso, pode ser demonstrado que a esperança e a variância
Modelo
Poisson possuem as seguintes propriedades:
V.A.s
Contínuas
Esperança e
E(aX + b) = aE(X ) + b
variância
Distribuições
Contínuas
Modelo
normal
Exercícios Var(aX + b) = a2 Var(X )
Referências
Sendo a e b constantes.
27 / 81
Plano de aula

Variáveis
Aleatórias e
Distr. de
Probabilidade
1 Introdução
2 Variáveis aleatórias discretas
Introdução
Esperança e variância
V.A.s
Discretas Distribuições discretas de probabilidade
Esperança e Modelo Bernoulli
variância
Distribuições Modelo binomial
Discretas
Modelo
Modelo Poisson
Bernoulli
Modelo
binomial 3 Variáveis aleatórias contínuas
Modelo
Poisson Esperança e variância
V.A.s
Contínuas
Distribuições contínuas de probabilidade
Esperança e Modelo normal
variância
Distribuições
Contínuas
Modelo
4 Exercícios
normal
Exercícios 5 Referências
Referências

28 / 81
Distribuições discretas de probabilidade

Variáveis
Aleatórias e
Distr. de
Probabilidade

Os modelos de probabilidade são utilizados para descrever vários


Introdução fenômenos ou situações que encontramos na natureza, ou
V.A.s experimentos por nós construídos.
Discretas
Esperança e
variância
Distribuições Esses modelos são expressos por uma família de distribuições de
Discretas
Modelo probabilidade que dependem de um ou mais parâmetros.
Bernoulli
Modelo
binomial
Modelo O modelo deve representar, na medida do possível, a complexidade
Poisson
V.A.s
que envolve o mundo real da população em estudo.
Contínuas
Esperança e
variância
Distribuições
Lembrando que uma V.A. fica completamente caracterizada pela sua
Contínuas
Modelo
função de probabilidade e seus parâmetros.
normal
Exercícios

Referências

29 / 81
Modelo Bernoulli

Variáveis
Aleatórias e
Distr. de
Probabilidade
Definição: Uma variável aleatória X segue o modelo Bernoulli se
assume apenas os valores 0 (“fracasso”) ou 1 (“sucesso”). Sua função
Introdução
de probabilidade é dada por
V.A.s
Discretas
Esperança e P[X = x] = p x (1 − p)1−x , x = 0, 1
variância
Distribuições
Discretas
Modelo onde o parâmetro 0 ≤ p ≤ 1 é a probabilidade de sucesso.
Bernoulli
Modelo
binomial
Modelo Notação: X ∼ Ber(p)
Poisson
V.A.s
Contínuas Esperança e variância: E(X ) = p e Var(X ) = p(1 − p)
Esperança e
variância
Distribuições
Contínuas
Modelo
Exemplo: lançamento de uma moeda, sexo de um bebê, resultado
normal de um teste de germinação, . . .
Exercícios

Referências

30 / 81
Modelo Bernoulli

p = 0.2 p = 0.5
Variáveis
Aleatórias e
Distr. de
Probabilidade 0.8

0.8
P[X = x]

P[X = x]
0.4

0.4
Introdução

V.A.s
Discretas
0.0

0.0
Esperança e
variância
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Distribuições
Discretas
X X
Modelo
Bernoulli
Modelo
binomial
Modelo
p = 0.7 p = 0.9
Poisson
V.A.s
Contínuas
0.8

0.8
Esperança e
P[X = x]

P[X = x]
variância
Distribuições
0.4

0.4
Contínuas
Modelo
normal
0.0

0.0
Exercícios

Referências 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0

X X
31 / 81
Modelo Bernoulli

Variáveis
Aleatórias e
Distr. de
Probabilidade

Exemplo: No lançamento de uma moeda, considere cara como o


Introdução evento de sucesso. Qual a probabilidade de sair cara, sendo que
V.A.s
Discretas
p = 1/2? 
Esperança e 1, cara
variância X =
Distribuições
Discretas
0, coroa
Modelo
Bernoulli
Modelo
Temos que
binomial
Modelo
Poisson X P[X = x] p = 1/2
V.A.s
Contínuas
0 1−p 1/2
Esperança e
variância
1 p 1/2
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

32 / 81
Modelo binomial

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução
Definição: Seja um experimento realizado dentro das seguintes
V.A.s condições:
Discretas
Esperança e i) São realizados n “ensaios” de Bernoulli independentes
variância
Distribuições
Discretas ii) Cada ensaio só pode ter dois resultados possíveis: “sucesso” ou
Modelo
Bernoulli “fracasso”
Modelo
binomial iii) A probabilidade p de sucesso em cada ensaio é constante
Modelo
Poisson
V.A.s
Contínuas Vamos associar a V.A. X o número de sucessos em n ensaios de
Esperança e
variância Bernoulli. Portanto X poderá assumir os valores 0, 1, . . . , n.
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

33 / 81
Modelo binomial

Variáveis
Aleatórias e
Distr. de Vamos determinar a distribuição de probabilidade de X , através da
Probabilidade
probabilidade de um número genérico x de sucessos.
Introdução
Suponha que ocorram sucessos (1) apenas nas x primeiras provas, e
V.A.s
Discretas fracassos (0) nas n − x provas restantes
Esperança e
variância
Distribuições
Discretas
1, 1, 1, . . . , 1, 0, 0, 0, . . . , 0
Modelo
| {z } | {z }
Bernoulli x n−x
Modelo
binomial
Modelo
Poisson Como as provas são independentes, a probabilidade de ocorrência de
V.A.s x sucessos em n tentativas é uma extensão do modelo de Bernoulli
Contínuas
Esperança e para n ensaios, ou seja,
variância
Distribuições
Contínuas
Modelo
p · p · p · · · p · (1 − p) · (1 − p) · (1 − p) · · · (1 − p) = p x (1 − p)n−x
normal | {z } | {z }
Exercícios
x n−x
Referências

34 / 81
Modelo binomial

Variáveis
Aleatórias e
Distr. de Porém, o evento: “x sucessos em n provas” pode ocorrer de diferentes
Probabilidade
maneiras (ordens) distintas, todas com a mesma probabilidade.

Introdução
Como o número de ordens é o número de combinações de n
V.A.s
Discretas elementos tomados x a x, então a probabilidade de ocorrerem x
Esperança e
variância sucessos em n provas de Bernoulli será então a distribuição binomial,
Distribuições
Discretas dada por
Modelo
Bernoulli  
Modelo n x
binomial
Modelo
P[X = x] = p (1 − p)n−x , x = 0, 1, . . . , n
Poisson x
V.A.s
Contínuas
Esperança e
onde  
variância n n!
Distribuições =
Contínuas x x!(n − x)!
Modelo
normal
Exercícios
é o coeficiente binomial, que dá o número total de combinações
Referências possíveis de n elementos, com x sucessos.

35 / 81
Modelo binomial

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução

V.A.s Notação: X ∼ bin(n, p)


Discretas
Esperança e
variância
Distribuições Esperança e variância: E(X ) = np e Var(X ) = np(1 − p)
Discretas
Modelo
Bernoulli
Modelo Exemplo: número de caras no lançamento de 20 moedas, número de
binomial
Modelo meninos entre 10 bebês, número de sementes germinadas em 100
Poisson
V.A.s
sementes, . . .
Contínuas
Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

36 / 81
Modelo binomial

n = 10, p = 0.2 n = 10, p = 0.5


Variáveis
Aleatórias e
Distr. de
Probabilidade 0.4

0.4
P[X = x]

P[X = x]
0.2

0.2
Introdução

V.A.s
Discretas
0.0

0.0
Esperança e
variância
0 2 4 6 8 10 0 2 4 6 8 10
Distribuições
Discretas
X X
Modelo
Bernoulli
Modelo
binomial
Modelo
n = 10, p = 0.7 n = 10, p = 0.9
Poisson
V.A.s
Contínuas
0.4

0.4
Esperança e
P[X = x]

P[X = x]
variância
Distribuições
0.2

0.2
Contínuas
Modelo
normal
0.0

0.0
Exercícios

Referências 0 2 4 6 8 10 0 2 4 6 8 10

X X
37 / 81
Modelo binomial

Variáveis
Aleatórias e
Distr. de
Probabilidade

Exemplo: Determine a probabilidade de ocorrer exatamente duas


Introdução
caras no lançamento de três moeda.
V.A.s
Discretas
Esperança e
variância Experimento binomial:
Distribuições
Discretas
Modelo
tentativas independentes
Bernoulli
Modelo dois resultados possíveis: cara (sucesso), coroa (fracasso)
binomial
Modelo
Poisson
probabilidade de sair cara é constante
V.A.s
Contínuas
Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

38 / 81
Modelo binomial

Variáveis
Aleatórias e
Distr. de
Probabilidade

Exemplo: Determine a probabilidade de ocorrer exatamente duas


Introdução
caras no lançamento de três moeda.
V.A.s
Discretas
Esperança e
variância Experimento binomial:
Distribuições
Discretas
Modelo
tentativas independentes
Bernoulli
Modelo dois resultados possíveis: cara (sucesso), coroa (fracasso)
binomial
Modelo
Poisson
probabilidade de sair cara é constante
V.A.s
Contínuas
Esperança e Exemplo: Suponha que no exemplo anterior fossem lançadas 10
variância
Distribuições moedas, qual a probabilidade de ocorrerem exatamente duas caras?
Contínuas
Modelo
normal
Exercícios

Referências

38 / 81
Modelo binomial

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução
Exemplos
V.A.s
Discretas
Esperança e
variância
1 Numa empresa, 40% dos contratos são pagos em dia. Qual a
Distribuições
Discretas probabilidade de que, entre 12 contratos, três ou menos sejam
Modelo
Bernoulli pagos em dia?
Modelo
binomial
Modelo
2 Numa criação de coelhos, 40% são machos. Qual a
Poisson
probabilidade de que nasçam pelo menos 2 coelhos machos num
V.A.s
Contínuas dia em que nasceram 20 coelhos?
Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

39 / 81
Modelo binomial

Variáveis
Aleatórias e
Distr. de
Probabilidade

Esperança e variância
Introdução

V.A.s
Discretas Como vimos, a esperança e a variância de uma V.A. X que possui
Esperança e
variância distribuição binomial, são dadas por
Distribuições
Discretas
Modelo
Bernoulli E(X ) = np e Var(X ) = np(1 − p)
Modelo
binomial
Modelo
Poisson
Portanto, conhecendo os parâmetros n e p, podemos agora utilizar
V.A.s estas definições para calcular a esperança e a variância de uma V.A.
Contínuas
Esperança e
X binomial, sem a necessidade de realizar os cálculos pelas equações
variância
Distribuições gerais de esperança e variância.
Contínuas
Modelo
normal
Exercícios

Referências

40 / 81
Modelo binomial

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução

V.A.s
Discretas Exemplo: Sabe-se que a eficiência de uma vacina é de 70%. Um
Esperança e
variância grupo de 20 indivíduos vacinados é observado e testes são realizados
Distribuições
Discretas para verificar se a imunização foi efetiva.
Modelo
Bernoulli
Modelo
binomial Seja a V.A. X = número de indivíduos imunizados. Calcule o número
Modelo
Poisson esperado de indivíduos imunizados, e o desvio padrão.
V.A.s
Contínuas
Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

41 / 81
Modelo Poisson

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução
Definição: Seja um experimento realizado nas seguintes condições:
V.A.s
Discretas
Esperança e i) As ocorrências são independentes
variância
Distribuições
Discretas ii) As ocorrências são aleatórias
Modelo
Bernoulli iii) A variável aleatória X é o número de ocorrências de um evento
Modelo
binomial ao longo de algum intervalo (de tempo ou espaço)
Modelo
Poisson
V.A.s
Contínuas Vamos associar a V.A. X o número de ocorrências em um intervalo.
Esperança e
variância Portanto X poderá assumir os valores 0, 1, . . . , (sem limite superior).
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

42 / 81
Modelo Poisson

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução Considere então agora que o fenômeno de interesse é observado em


V.A.s
Discretas
um intervalo contínuo (tempo, espaço, . . . ), de tamanho t.
Esperança e
variância
Distribuições
Discretas
O número de eventos que ocorrem no intervalo fixo [0, t) é uma
Modelo
Bernoulli
variável aleatória X (“número de sucessos”).
Modelo
binomial
Modelo
Poisson
Podemos então inicialmente tentar aproximar esses eventos à um
V.A.s ensaio de Bernoulli, criando n subintervalos muito pequenos, de
Contínuas
Esperança e
forma que este processo satisfaça as seguintes condições:
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

43 / 81
Modelo Poisson

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução
i) Em um período de tempo muito curto, somente 1 ou 0 eventos
V.A.s
podem ocorrer (dois ou mais eventos são impossíveis)
Discretas
Esperança e ii) O valor esperado de sucessos, np, é constante para qualquer
variância
Distribuições tamanho de intervalo. Chamaremos essa constante de λ = np.
Discretas
Modelo Dessa forma, a probabilidade de sucesso de um evento será
Bernoulli
Modelo p = λ/n.
binomial
Modelo
Poisson
iii) Cada subintervalo é um ensaio de Bernoulli independente.
V.A.s
Contínuas
Esperança e
variância
Um experimento que satisfaça estas condições é chamado de
Distribuições
Contínuas
processo de Poisson.
Modelo
normal
Exercícios

Referências

44 / 81
Modelo Poisson

Variáveis
Aleatórias e
Distr. de
Probabilidade
Note que se estas condições forem satisfeitas, se continuarmos
Introdução
aumentando o número de subintervalos (n), então a probabilidade p
V.A.s deverá diminuir para que λ = np permaneça constante.
Discretas
Esperança e
variância
Distribuições
Dessa forma, estamos interessados em determinar a distribuição da
Discretas
Modelo
VA X ∼ bin(n, p = λ/n) no limite quando n → ∞ e p → 0, ou seja,
Bernoulli
Modelo  
binomial n x
Modelo
Poisson
P[X = x] = lim p (1 − p)n−x
n→∞ x
V.A.s
Contínuas
 x  n−x
Esperança e
n! λ λ
variância = lim 1−
Distribuições n→∞ x!(n − x)! n n
Contínuas
Modelo
normal
Exercícios

Referências

45 / 81
Modelo Poisson

Variáveis
Aleatórias e
Distr. de
Probabilidade

Dessa forma, pode-se mostrar que


Introdução

V.A.s
 x  n−x
Discretas n! λ λ
Esperança e P[X = x] = lim 1−
variância n→∞ x!(n − x)! n n
Distribuições
Discretas
Modelo ∼ e −λ λx
Bernoulli =
Modelo x!
binomial
Modelo
Poisson Que é chamado modelo de Poisson com parâmetro λ, e
V.A.s
Contínuas
Esperança e E(X ) = λ = Var(X )
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

46 / 81
Modelo Poisson

Variáveis
Aleatórias e
Distr. de
Probabilidade Nesse caso, λ é o número esperado de sucessos em uma unidade de
tempo específica.
Introdução

V.A.s
Discretas
Frequentemente estamos interessados no valor esperado ou na
Esperança e
variância
probabilidade em um intervalo contínuo t qualquer. Nesse caso, a
Distribuições
Discretas
esperança e a variância serão
Modelo
Bernoulli
Modelo
binomial
E(X ) = λt = µ
Modelo
Poisson Var(X ) = λt
V.A.s
Contínuas
Esperança e
variância
Distribuições
Contínuas
Modelo
Portanto, o modelo Poisson mais geral pode ser definido como a
normal
seguir:
Exercícios

Referências

47 / 81
Modelo Poisson

Variáveis
Aleatórias e
Distr. de
Probabilidade
Uma V.A. X segue o modelo de Poisson se surge a partir de um
Introdução
processo de Poisson, e sua função de probabilidade for dada por
V.A.s
Discretas e −µ µx
Esperança e P[X = x] = , x = 0, 1, . . .
variância x!
Distribuições
Discretas
Modelo
Bernoulli
onde
Modelo
binomial
µ=λ·t
Modelo
Poisson O parâmetro µ indica a taxa de ocorrência (λ) por unidade de
V.A.s
Contínuas medida (t), ou seja,
Esperança e
variância
Distribuições
Contínuas
λ = taxa de ocorrência e t = intervalo de tempo ou espaço
Modelo
normal
Exercícios

Referências

48 / 81
Modelo Poisson

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução A distribuição de Poisson é utilizada para descrever a probabilidade


V.A.s
Discretas
do número de ocorrências em um intervalo contínuo (de tempo
Esperança e
variância
ou espaço).
Distribuições
Discretas
Modelo
Bernoulli
No caso da distribuição binomial, a variável de interesse era o número
Modelo
binomial
de sucessos em um intervalo discreto (n ensaios de Bernoulli).
Modelo
Poisson
V.A.s A unidade de medida (tempo ou espaço) é uma variável contínua,
Contínuas
Esperança e
mas a variável aleatória, o número de ocorrências, é discreta.
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

49 / 81
Modelo Poisson

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução
A distribuição de Poisson difere da distribuição binomial em dois
V.A.s
aspectos fundamentais:
Discretas
Esperança e
variância
Distribuições
Discretas
1 A distribuição binomial é afetada pelo tamanho n da amostra, e
Modelo
Bernoulli
pela probabilidade p de sucesso. A distribuição de Poisson é
Modelo
binomial
afetada apenas pela média µ.
Modelo
Poisson 2 Na distribuição binomial, os valores possíveis da V.A. X são
V.A.s
Contínuas
0, 1, . . . , n. Na distribuição de Poisson, a V.A. X tem valores
Esperança e
variância
possíveis 0, 1, . . ., sem nenhum limite superior.
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

50 / 81
Modelo Poisson

Variáveis
Aleatórias e
Distr. de
Probabilidade
Notação: X ∼ Pois(µ)

Introdução
Esperança e variância: E(X ) = µ = Var(X )
V.A.s
Discretas
Esperança e
variância Exemplos
Distribuições
Discretas carros que passam por um cruzamento por minuto, durante uma
Modelo
Bernoulli certa hora do dia
Modelo
binomial
Modelo erros tipográficos por página, em um material impresso
Poisson
V.A.s defeitos por unidade (m, m2 , m3 , . . . ) por peça fabricada
Contínuas
Esperança e colônias de bactérias numa dada cultura, em uma plaqueta de
variância
Distribuições microscópio
Contínuas
Modelo
normal mortes por ataque do coração por ano, em uma cidade
Exercícios

Referências

51 / 81
Modelo Poisson

Variáveis
Aleatórias e
Distr. de
Probabilidade
Exemplo: suponha que em um determinado processo de fabricação de
tecidos ocorra, em média, uma falha a cada 400 metros. Portanto
Introdução
1 falhas
V.A.s λ= = 0, 0025
Discretas 400 metro
Esperança e
variância
Distribuições
Discretas
Suponha que queremos estudar o número de falhas que aparecerão
Modelo
Bernoulli
em 1000 metros de tecido (t). Esse número será uma V.A. X com
Modelo
binomial
distribuição de Poisson, e o número médio de falhas será então
Modelo
Poisson
V.A.s
E(X ) = µ
Contínuas
Esperança e =λ·t
variância
Distribuições
Contínuas
= 0, 0025 · 1000
Modelo
normal = 2, 5 falhas/1000 m
Exercícios

Referências

52 / 81
Modelo Poisson

µ=1 µ=5
Variáveis
Aleatórias e

0.4

0.4
Distr. de
Probabilidade 0.3

0.3
P[X = x]

P[X = x]
0.2

0.2
Introdução
0.1

0.1
V.A.s
Discretas
0.0

0.0
Esperança e
variância
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Distribuições
Discretas
Modelo X X
Bernoulli
Modelo
binomial
Modelo
µ = 10 µ = 15
Poisson
0.4

0.4
V.A.s
Contínuas
0.3

0.3
Esperança e
P[X = x]

P[X = x]
variância
0.2

0.2
Distribuições
Contínuas
0.1

0.1
Modelo
normal
0.0

0.0
Exercícios

Referências 0 5 10 15 20 25 30 0 5 10 15 20 25 30

X X
53 / 81
Modelo Poisson

Variáveis
Aleatórias e
Distr. de
Probabilidade

Exemplo: As chamadas telefônicas chegam a uma delegacia de


Introdução
polícia à uma taxa de 8 chamadas por hora, em dias úteis.
V.A.s
Discretas a) Quantas chamadas de emergência são esperadas em um período
Esperança e
variância de 15 minutos?
Distribuições
Discretas
Modelo
b) Qual a probabilidade de nenhuma chamada em um período de
Bernoulli
Modelo
15 minutos?
binomial
Modelo
Poisson
c) Qual a probabilidade de ocorrer pelo menos duas chamadas no
V.A.s período de 15 minutos?
Contínuas
Esperança e d) Qual a probabilidade de ocorrer exatamente duas chamadas em
variância
Distribuições 20 minutos?
Contínuas
Modelo
normal
Exercícios

Referências

54 / 81
Modelo Poisson

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução

V.A.s Exemplo: Suponha que 150 erros de impressão são distribuídos


Discretas
Esperança e aleatoriamente em um livro de 200 páginas. Encontre a probabilidade
variância
Distribuições de que em 2 páginas contenham:
Discretas
Modelo
Bernoulli
a) nenhum erro de impressão
Modelo
binomial b) três erros de impressão
Modelo
Poisson
c) um ou mais erros de impressão
V.A.s
Contínuas
Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

55 / 81
Plano de aula

Variáveis
Aleatórias e
Distr. de
Probabilidade
1 Introdução
2 Variáveis aleatórias discretas
Introdução
Esperança e variância
V.A.s
Discretas Distribuições discretas de probabilidade
Esperança e Modelo Bernoulli
variância
Distribuições Modelo binomial
Discretas
Modelo
Modelo Poisson
Bernoulli
Modelo
binomial 3 Variáveis aleatórias contínuas
Modelo
Poisson Esperança e variância
V.A.s
Contínuas
Distribuições contínuas de probabilidade
Esperança e Modelo normal
variância
Distribuições
Contínuas
Modelo
4 Exercícios
normal
Exercícios 5 Referências
Referências

56 / 81
Variáveis aleatórias contínuas

Variáveis
Aleatórias e
Distr. de
Probabilidade
Uma V.A. é classificada como contínua se assume valores em
Introdução
qualquer intervalo dos números reais, ou seja, um conjunto de valores
V.A.s não enumerável. Dessa forma, não é possível atribuir probabilidades
Discretas
Esperança e
para um ponto específico, apenas para intervalos da reta.
variância
Distribuições
Discretas
Modelo
Exemplos:
Bernoulli
Modelo
binomial
Peso de animais
Modelo
Poisson Tempo de falha de um equipamento eletrônico
V.A.s
Contínuas Altura da maré em uma hora específica
Esperança e
variância Salinidade da água do mar
Distribuições
Contínuas
Modelo
Retorno financeiro de um investimento
normal
Exercícios

Referências

57 / 81
Variáveis aleatórias contínuas

Variáveis
Aleatórias e
Não podemos atribuir probabilidades à valores específicos, pois há
Distr. de
Probabilidade
uma quantidade não enumerável (infinita) de valores em um ponto.

Atribuimos probabilidades à intervalos de valores, por meio de uma


Introdução função. Portanto, as probabilidades são representadas por áreas.
V.A.s
0.08
Discretas
Esperança e
variância
Distribuições
Discretas
0.06

Modelo
Bernoulli
Modelo
binomial
0.04

Modelo
Poisson
V.A.s
Contínuas
0.02

Esperança e
variância
Distribuições
Contínuas
Modelo
0.00

normal
Exercícios
30 40 50 60 70
Referências

X
58 / 81
Variáveis aleatórias contínuas

Variáveis
Aleatórias e
Distr. de A função densidade de probabilidade (fdp) atribui probabilidades à
Probabilidade
intervalos de valores do tipo [a, b], e é definida por
Introdução
Z b
V.A.s P[a < x < b] = f (x)dx
Discretas
a
Esperança e
variância
Distribuições
Discretas
com as seguintes propriedades
Modelo
Bernoulli i) É uma função não negativa
Modelo
binomial
Modelo
Poisson f (x) ≥ 0
V.A.s
Contínuas
Esperança e ii) A área total sob a curva deve ser igual a 1
variância
Distribuições
Contínuas
Z +∞
Modelo
normal f (x)dx = 1
Exercícios
−∞
Referências

59 / 81
Variáveis aleatórias contínuas

Variáveis
Aleatórias e
Distr. de
Probabilidade

Observações:
Introdução

V.A.s
Discretas 1 P[X = x] = 0, portanto:
Esperança e
variância
Distribuições
Discretas P[a ≤ X ≤ b] = P[a < X ≤ b] = P[a ≤ X < b] = P[a < X < b]
Modelo
Bernoulli
Modelo
binomial
2 Qualquer função f (·) que seja não negativa e cuja área total sob
Modelo
Poisson
a curva seja igual à unidade caracterizará uma VA contínua.
V.A.s
Contínuas
3 f (x) não representa a probabilidade de ocorrência de algum
Esperança e
variância
evento, A área sobb curva entre dois pontos é que fornecerá a
Distribuições
Contínuas
probabilidade.
Modelo
normal
Exercícios

Referências

60 / 81
Exemplo

Variáveis
Aleatórias e
Distr. de
Probabilidade Seja a função:
(
Introdução 1, 5x 2 , se − 1 ≤ x ≤ 1
V.A.s
f (x) =
Discretas 0, caso contrário
Esperança e
variância
Distribuições
Discretas
Modelo
1 Verifique se essa função é uma fdp.
Bernoulli
Modelo
binomial
2 Calcule:
Modelo 1 P[X > 0]
Poisson
V.A.s 2 P[X > 0, 5]
Contínuas
Esperança e
3 P[−0, 5 ≤ X ≤ 0, 5]
variância 4 P[X < −2]
Distribuições
Contínuas 5 P[X < 0, 5]
Modelo
normal 6 P[X < 0 ∪ X > 0, 5]
Exercícios

Referências

61 / 81
Plano de aula

Variáveis
Aleatórias e
Distr. de
Probabilidade
1 Introdução
2 Variáveis aleatórias discretas
Introdução
Esperança e variância
V.A.s
Discretas Distribuições discretas de probabilidade
Esperança e Modelo Bernoulli
variância
Distribuições Modelo binomial
Discretas
Modelo
Modelo Poisson
Bernoulli
Modelo
binomial 3 Variáveis aleatórias contínuas
Modelo
Poisson Esperança e variância
V.A.s
Contínuas
Distribuições contínuas de probabilidade
Esperança e Modelo normal
variância
Distribuições
Contínuas
Modelo
4 Exercícios
normal
Exercícios 5 Referências
Referências

62 / 81
Esperança

Variáveis
Aleatórias e
Distr. de
Probabilidade

A esperança de uma V.A. contínua tem o mesmo sentido e


Introdução
interpretação da esperança de uma V.A. discreta: é a média ou valor
V.A.s
Discretas esperado da V.A.
Esperança e
variância
Distribuições
Discretas A esperança de uma V.A. contínua é obtida através da integral do
Modelo
Bernoulli produto de x com a função f (x), no intervalo definido pelo suporte
Modelo
binomial da V.A. De maneira geral,
Modelo
Poisson
Z +∞
V.A.s
Contínuas E(X ) = x · f (x)dx
Esperança e −∞
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

63 / 81
Variância

Variáveis
Aleatórias e
Distr. de
A variância, como já vimos, dá o grau de dispersão dos valores de
Probabilidade uma variável aleatória em relação à sua média ou esperança E(X ). A
forma geral para o cálculo em V.A.s contínuas é
Introdução

V.A.s
Discretas
Var(X ) = E[(X − E(X ))2 ]
Esperança e
Z +∞
variância
Distribuições = [x − E(X )]2 · f (x)dx
Discretas
−∞
Modelo
Bernoulli
Modelo
binomial No entanto, assim como para V.A.s discretas, uma foma mais fácil
Modelo
Poisson operacionalmente pode ser deduzida a partir da primeira, e temos
V.A.s
Contínuas
Esperança e
Var(X ) = E(X 2 ) − E(X )2
variância
Distribuições
Contínuas
Modelo
onde Z +∞
normal
Exercícios E(X 2 ) = x 2 · f (x)dx
−∞
Referências

64 / 81
Exemplo

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução

V.A.s Seja a função:


Discretas
Esperança e (
variância
Distribuições 1, 5x 2 , se − 1 ≤ x ≤ 1
Discretas f (x) =
Modelo
Bernoulli
0, caso contrário
Modelo
binomial
Modelo
Poisson 1 Calcule a esperança, a variância, e o desvio-padrão.
V.A.s
Contínuas
Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

65 / 81
Plano de aula

Variáveis
Aleatórias e
Distr. de
Probabilidade
1 Introdução
2 Variáveis aleatórias discretas
Introdução
Esperança e variância
V.A.s
Discretas Distribuições discretas de probabilidade
Esperança e Modelo Bernoulli
variância
Distribuições Modelo binomial
Discretas
Modelo
Modelo Poisson
Bernoulli
Modelo
binomial 3 Variáveis aleatórias contínuas
Modelo
Poisson Esperança e variância
V.A.s
Contínuas
Distribuições contínuas de probabilidade
Esperança e Modelo normal
variância
Distribuições
Contínuas
Modelo
4 Exercícios
normal
Exercícios 5 Referências
Referências

66 / 81
Distribuições contínuas de probabilidade

Variáveis
Aleatórias e Existem diversos modelos contínuos de probabilidade. Alguns deles:
Distr. de
Probabilidade
Uniforme
Exponencial
Introdução

V.A.s
Gama
Discretas
Esperança e
variância
Distribuições
Um dos modelos mais importantes, tanto do ponto de vista teórico
Discretas
Modelo
quanto prático, é o modelo normal.
Bernoulli
Modelo
binomial
Modelo Este modelo, também chamado de modelo de Gauss, foi
Poisson
V.A.s
estabelecido por volta de 1733 pelo matemático francês Abraham De
Contínuas Moivre, e serve para explicar inúmeros fenômenos naturais, físicos,
Esperança e
variância psicológicos, sociológicos, . . .
Distribuições
Contínuas
Modelo
normal A distribuição normal é extremamente importante em Estatística pois
Exercícios
serve de fundamento para muitas técnicas de inferência e
Referências
aproximações.
67 / 81
Modelo normal

Variáveis
Aleatórias e
Distr. de
Probabilidade
Definição: Dizemos que uma V.A. X segue o modelo normal se sua
Introdução fdp é a seguinte
V.A.s "
Discretas
 2 #
1 1 x −µ
Esperança e
variância f (x) = √ exp − , −∞ < x < ∞
Distribuições 2πσ 2 σ
Discretas
Modelo
Bernoulli
Modelo onde µ ∈ R é a média da população, σ ∈ R+ é o desvio-padrão
binomial
Modelo
Poisson
populacional.
V.A.s
Contínuas
Esperança e
Notação: X ∼ N(µ, σ 2 )
variância
Distribuições
Contínuas
Modelo
Esperança e variância: E(X ) = µ e Var(X ) = σ 2
normal
Exercícios

Referências

68 / 81
Modelo normal

Variáveis
µ = 50, σ2 = 25 µ = 50, σ2 = 100
Aleatórias e

0.08

0.04
Distr. de
Probabilidade 0.04

0.02
f(x)

f(x)
Introdução

V.A.s
Discretas
0.00

0.00
Esperança e
variância
20 40 60 80 20 40 60 80
Distribuições
Discretas
Modelo X X
Bernoulli
Modelo
binomial
Modelo µ = 100, σ2 = 25 µ = 200, σ2 = 25
Poisson
0.08

0.08
V.A.s
Contínuas
Esperança e
variância
0.04

0.04
f(x)

f(x)
Distribuições
Contínuas
Modelo
normal
0.00

0.00
Exercícios

Referências 70 80 90 100 110 120 130 170 180 190 200 210 220 230

X X
69 / 81
Modelo normal

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução Característcas da curva normal:


V.A.s
Discretas
Esperança e
variância É simétrica em relação à µ
Distribuições
Discretas
Modelo O ponto máximo (moda) de f (x) é o ponto x = µ
Bernoulli
Modelo
binomial
Os pontos de inflexão da função são µ − σ e µ + σ
Modelo
Poisson A área total sob a curva é 1 ou 100%
V.A.s
Contínuas A curva é assintótica em relação ao eixo x
Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

70 / 81
Modelo normal

Variáveis
Aleatórias e
Distr. de Para qualquer VA normal X , valem as seguintes relações:
Probabilidade

Introdução

V.A.s
Discretas P[X > µ] = P[X < µ]
Esperança e
variância P[µ − σ < X < µ + σ] u 0, 6827
Distribuições
Discretas
Modelo P[µ − 2σ < X < µ + 2σ] u 0, 9545
Bernoulli
Modelo
binomial
P[µ − 3σ < X < µ + 3σ] u 0, 9973
Modelo
Poisson
V.A.s
Portanto, 6σ é frequentemente referida como a largura de uma
Contínuas
Esperança e
distribuição normal.
variância
Distribuições
Contínuas
Modelo
Métodos mais avançados de integração podem ser utilizados para
normal
mostrar que a área sob a função densidade de probabilidade normal
Exercícios
de −∞ < x < ∞ é igual a 1.
Referências

71 / 81
Modelo normal

Variáveis
Aleatórias e
Para obter uma probabilidade do modelo normal, devemos calcular a
Distr. de
Probabilidade
área entre os pontos a e b, ou seja,
Z b "  2 #
1 1 x −µ
Introdução P[a < X < b] = √ exp − dx
V.A.s
a 2πσ 2 σ
Discretas
Esperança e
variância No entanto, a função da distribuição normal não possui forma
Distribuições
Discretas fechada, portanto o cálculo de probabilidades não pode ser feito
Modelo
Bernoulli diretamente pela integral, apenas por aproximações numéricas.
Modelo
binomial
Modelo
Poisson Para contornar esse problema, os valores de probabilidade são obtidos
V.A.s
Contínuas
para uma distribuição normal padrão (Z ) com µ = 0 e σ 2 = 1,
Esperança e
variância X −µ
Distribuições
Contínuas
Z= ∼ N(0, 1)
Modelo
σ
normal
Exercícios
que é o escore Z (número de desvios-padrões da média µ). A
Referências vantagem é que podemos fazer uma única tabela com as integrais
aproximadas de Z , ao invés de uma tabela para cada par (µ, σ 2 ).
72 / 81
Modelo normal

Variáveis
Aleatórias e
Distr. de
Se Z ∼ N(0, 1), então sua fdp é
Probabilidade
 
1 1
f (z) = √ exp − (z)2
Introdução
2π 2
V.A.s
Discretas
Esperança e Para se obter a probabilidade de Z estar entre a e b,
variância
Distribuições Z b  
Discretas
1 1
Modelo
Bernoulli P[a < Z < b] = √ exp − (z)2 dz
Modelo a 2π 2
binomial
Modelo
Poisson
As integrais (áreas) para valores de Z entre 0,00 e 3,99 estão na
V.A.s
Contínuas tabela. Portanto, para qualquer valor de X entre a e b, podemos
Esperança e
variância calcular a probabilidade correspondente através da transformação,
Distribuições
Contínuas  
Modelo
normal
a−µ b−µ
P[a < X < b] = P <Z <
Exercícios σ σ
Referências

73 / 81
Modelo normal

Variáveis µ = 100, σ2 = 25
Aleatórias e
Distr. de

0.08
Probabilidade
0.06

Introdução

V.A.s
Discretas
Esperança e
0.04
f(X)

variância
Distribuições
Discretas
Modelo
Bernoulli
0.02

Modelo
binomial
Modelo
Poisson
0.00

V.A.s
Contínuas
Esperança e
variância 70 80 90 100 110 120 130
Distribuições
Contínuas
Modelo X
normal
Exercícios
−6 −4 −2 0 2 4 6
Referências

Z
74 / 81
Modelo normal

Variáveis
Aleatórias e
Distr. de
Probabilidade

Exemplo de uso da tabela:


Introdução

V.A.s
Discretas Calcule as probabilidades (áreas):
Esperança e
variância
Distribuições
P(0 < Z < 2)
Discretas
Modelo P(Z > 2)
Bernoulli
Modelo
binomial
P(Z < −2)
Modelo
Poisson P(2, 0 < Z < 2, 5)
V.A.s
Contínuas P(−2, 61 < Z < 2, 43)
Esperança e
variância P(Z > −1, 63)
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

75 / 81
Modelo normal

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução
Exemplos
V.A.s
Discretas
Esperança e
variância
Distribuições
1 Suponha que a média populacional do coeficiente de inteligência
Discretas
Modelo (QI) seja 100, com desvio-padrão 15. Qual a probabilidade de
Bernoulli
Modelo selecionarmos uma pessoa ao acaso, e ela ter QI entre 90 e 115?
binomial
Modelo
Poisson
2 Seja X ∼ N(30, 16). Qual a probabilidade de obtermos um valor
V.A.s maior ou igual a 38?
Contínuas
Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

76 / 81
Modelo normal

Variáveis
Aleatórias e
Exemplo: A duração de um pneu de automóvel, em quilômetros
Distr. de
Probabilidade
rodados, apresenta distribuição normal com média 70000 km, e
desvio-padrão de 10000 km. Com isso:
Introdução (a) Qual a probabilidade de um pneu escolhido ao acaso durar mais
V.A.s de 85000 km?
Discretas
Esperança e
variância
(b) Qual a probabilidade de um pneu durar entre 68500 km e 75000
Distribuições
Discretas
km?
Modelo
Bernoulli (c) Qual a probabilidade de um pneu durar entre 55000 km e 65000
Modelo
binomial km?
Modelo
Poisson
(d) O fabricante deseja fixar uma garantia de quilometragem, de tal
V.A.s
Contínuas forma que, se a duração de um pneu for inferior à da garantia, o
Esperança e
variância pneu será trocado. De quanto deve ser essa garantia para que
Distribuições
Contínuas somente 1% dos pneus sejam trocados?
Modelo
normal
(e) De acordo com o item anterior, a probabilidade de que um pneu
Exercícios
seja trocado é de 1%. Se o fabricante vende 5000 pneus por
Referências
mês, quantos pneus deve trocar?
77 / 81
Plano de aula

Variáveis
Aleatórias e
Distr. de
Probabilidade
1 Introdução
2 Variáveis aleatórias discretas
Introdução
Esperança e variância
V.A.s
Discretas Distribuições discretas de probabilidade
Esperança e Modelo Bernoulli
variância
Distribuições Modelo binomial
Discretas
Modelo
Modelo Poisson
Bernoulli
Modelo
binomial 3 Variáveis aleatórias contínuas
Modelo
Poisson Esperança e variância
V.A.s
Contínuas
Distribuições contínuas de probabilidade
Esperança e Modelo normal
variância
Distribuições
Contínuas
Modelo
4 Exercícios
normal
Exercícios 5 Referências
Referências

78 / 81
Exercícios

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução

V.A.s
Discretas Montgomery, DC; Runger, GC. Estatística aplicada e
Esperança e
variância probabilidade para engenheiros. Rio de Janeiro: LTC Editora,
Distribuições
Discretas 2012.
Modelo
Bernoulli Cap. 3: 14–17, 21, 26–28, 47–51, 60, 78, 79, 85–87, 90, 98,
Modelo
binomial 129–132, 135, 141, 142.
Modelo
Poisson Cap. 4: 2, 4, 5, 7, 27–30, 33, 53, 55, 61, 69, 70, 75.
V.A.s
Contínuas
Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

79 / 81
Plano de aula

Variáveis
Aleatórias e
Distr. de
Probabilidade
1 Introdução
2 Variáveis aleatórias discretas
Introdução
Esperança e variância
V.A.s
Discretas Distribuições discretas de probabilidade
Esperança e Modelo Bernoulli
variância
Distribuições Modelo binomial
Discretas
Modelo
Modelo Poisson
Bernoulli
Modelo
binomial 3 Variáveis aleatórias contínuas
Modelo
Poisson Esperança e variância
V.A.s
Contínuas
Distribuições contínuas de probabilidade
Esperança e Modelo normal
variância
Distribuições
Contínuas
Modelo
4 Exercícios
normal
Exercícios 5 Referências
Referências

80 / 81
Referências

Variáveis
Aleatórias e
Distr. de
Probabilidade

Introdução

V.A.s Bussab, WO; Morettin, PA. Estatística básica. São Paulo:


Discretas
Esperança e
Saraiva, 2006. [Cap. 6]
variância
Distribuições Magalhães, MN; Lima, ACP. Noções de Probabilidade e
Discretas
Modelo
Bernoulli
Estatística. São Paulo: EDUSP, 2008. [Cap. 3]
Modelo
binomial Montgomery, DC; Runger, GC. Estatística aplicada e
Modelo
Poisson probabilidade para engenheiros. Rio de Janeiro: LTC Editora,
V.A.s 2012. [Cap. 3 e 4]
Contínuas
Esperança e
variância
Distribuições
Contínuas
Modelo
normal
Exercícios

Referências

81 / 81