Escolar Documentos
Profissional Documentos
Cultura Documentos
1o Semestre 2014
Sumário
1 Objetivos da Aula
2 Distribuição Binomial
3 Distribuição de Poisson
4 Distribuição Uniforme
5 Distribuição Exponencial
7 Exemplos
Objetivos da Aula
Notação
Sumário
1 Objetivos da Aula
2 Distribuição Binomial
3 Distribuição de Poisson
4 Distribuição Uniforme
5 Distribuição Exponencial
7 Exemplos
Distribuição Binomial
Distribuição Binomial
A distribuição binomial pode ser obtida através de n ensaios
independentes de Bernoulli. Isto é, se Xi ∼ Be(p) (i = 1, . . . , n), então
X = X1 + · · · + Xn ∼ B(n, p).
Descrição
A seguir serão construídos histogramas para a distribuição de
X ∼ B(n, p) variando-se o número de ensaios n e também a
probabilidade de sucesso p.
p=0,10 p=0,30
0.25
0.3
0.20
0.15
0.2
0.10
0.1
0.05
0.00
0.0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
p=0,50 p=0,80
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
p=0,10 p=0,30
0.15
0.20
0.10
0.15
0.10
0.05
0.05
0.00
0.00
0 1 2 3 4 5 6 7 8 9 11 13 0 2 4 6 8 10 13 16 19 22
p=0,50 p=0,80
0.15
0.12
0.10
0.08
0.05
0.04
0.00
0.00
0 3 6 9 12 15 18 21 24 27 30 0 3 6 9 12 16 20 24 28
p=0,10 p=0,30
0 2 4 6 8 10 12 14 16 18 0 3 6 9 12 15 18 21 24 27 30
p=0,50 p=0,80
0.00 0.02 0.04 0.06 0.08 0.10
0.12
0.08
0.04
0.00
0 3 6 9 13 18 23 28 33 38 43 0 4 8 13 19 25 31 37 43 49
Conclusões
Conclusões
Nota-se pelos gráficos que à medida que n cresce a distribuição de
X ∼ B(n, p) se aproxima da distribuição de Y ∼ N(µX , σX2 ) em que
µx = np e σX2 = np(1 − p).
Sumário
1 Objetivos da Aula
2 Distribuição Binomial
3 Distribuição de Poisson
4 Distribuição Uniforme
5 Distribuição Exponencial
7 Exemplos
Distribuição de Poisson
Definição
Se X segue distribuição de Poisson de parâmetro λ. Isto é, se
X ∼ P(λ), então a função de probabilidade de X fica dada por
e−λ λx
P(X = x) = ,
x!
em que x = 0, 1, . . .. Temos ainda que E(X ) = λ e Var(X ) = λ.
Descrição
A seguir serão construídos histogramas para a distribuição de
X = X1 + · · · + Xn ∼ P(nλ),
Histogramas P(m)
m=1 m=5
0.15
0.6
0.10
Densidade
Densidade
0.4
0.05
0.2
0.00
0.0
0 1 2 3 4 5 0 2 4 6 8 10 12 14
x x
m=10 m=30
0.12
0.06
0.08
0.04
Densidade
Densidade
0.04
0.02
0.00
0.00
5 10 15 20 15 20 25 30 35 40 45 50
x x
Conclusões
Conclusões
Nota-se pelos gráficos que à medida que m cresce a distribuição de
X ∼ P(m) se aproxima da distribuição de Y ∼ N(µX , σX2 ) em que
µx = m e σX2 = m.
Sumário
1 Objetivos da Aula
2 Distribuição Binomial
3 Distribuição de Poisson
4 Distribuição Uniforme
5 Distribuição Exponencial
7 Exemplos
Distribuição Uniforme
Definição
Vamos supor que X é uma variável aleatória com distribuição uniforme
no intervalo [a,b] (X ∼ U[a, b]), então
1
f (x) = , a ≤ x ≤ b,
(b − a)
Distribuição Uniforme
Definição
Vamos supor que X é uma variável aleatória com distribuição uniforme
no intervalo [a,b] (X ∼ U[a, b]), então
1
f (x) = , a ≤ x ≤ b,
(b − a)
Esperança e Variância
Temos que
a+b (b − a)2
E(X ) = e Var(X ) = .
2 12
0.5
0.4
0.3
f(x)
0.2
0.1
0.0
0 1 2 3 4 5 6
Descrição
Vamos supor que Xi ∼ U[1, 5] independentes (i = 1, . . . , n). A seguir
serão construídos histogramas para a distribuição de
X = X1 + . . . + Xn variando-se o tamanho amostral n.
n=10 n=30
Densidade
20 25 30 35 40 70 80 90 100 110
Soma Soma
n=50 n=100
0.05
0.030
0.04
0.03
0.020
Densidade
Densidade
0.02
0.010
0.01
0.000
0.00
120 130 140 150 160 170 180 270 280 290 300 310 320 330
Soma Soma
Conclusões
Conclusões
Nota-se pelos gráficos que à medida que n cresce a distribuição de
X = X1 + · · · + Xn ,
Sumário
1 Objetivos da Aula
2 Distribuição Binomial
3 Distribuição de Poisson
4 Distribuição Uniforme
5 Distribuição Exponencial
7 Exemplos
Distribuição Exponencial
Definição
Se X é uma variável aleatória com distribuição exponencial de
parâmetro λ > 0 , a função densidade de probabilidade de X é
definida por
f (x) = λe−λx ,
em que x > 0. Notação X ∼ Exp(λ).
Distribuição Exponencial
Definição
Se X é uma variável aleatória com distribuição exponencial de
parâmetro λ > 0 , a função densidade de probabilidade de X é
definida por
f (x) = λe−λx ,
em que x > 0. Notação X ∼ Exp(λ).
Esperança e Variância
Temos que
1 1
E(X ) = e Var(X ) = 2 .
λ λ
Definição
Vamos supor que Xi ∼ Exp(λ) independentes (i = 1, . . . , n). A seguir
serão construídos histogramas para a distribuição de
X = X1 + . . . + Xn variando-se λ e o tamanho amostral n.
Distribuição Exponencail λ = 1
1.0
0.8
0.6
f(x)
0.4
0.2
0.0
0 1 2 3 4 5 6
n=10 n=30
0.06
0.04
Densidade
Densidade
0.02
0.00
5 10 15 20 25 20 30 40 50
Soma Soma
n=50 n=100
0.04
0.00 0.01 0.02 0.03 0.04 0.05
0.03
Densidade
Densidade
0.02
0.01
0.00
Soma Soma
Distribuição Exponencial λ = 3
3.0
2.5
2.0
f(x)
1.5
1.0
0.5
0.0
n=10 n=30
0.20
0.30
0.15
Densidade
Densidade
0.20
0.10
0.10
0.05
0.00
0.00
0 2 4 6 8 6 8 10 12 14 16
Soma Soma
n=50 n=100
0.15
0.12
0.10
0.08
Densidade
Densidade
0.05
0.04
0.00
0.00
10 15 20 25 25 30 35 40 45
Soma Soma
Conclusões
Conclusões
Nota-se pelos gráficos que à medida que n cresce a distribuição de
X = X1 + · · · + Xn ,
Sumário
1 Objetivos da Aula
2 Distribuição Binomial
3 Distribuição de Poisson
4 Distribuição Uniforme
5 Distribuição Exponencial
7 Exemplos
X = X1 + · · · + Xn
P(a ≤ X ≤ b) ∼
= P(a ≤ Y ≤ b)
a − nµ b − nµ
= P √ ≤Z ≤ √ ,
σ n σ n
Média Amostral
X1 +···+Xn
Para a média amostral X̄ = n temos que
E(X1 ) + · · · + E(Xn )
E(X̄ ) =
n
nµ
= =µ e
n
Var(X1 ) + · · · + Var(Xn )
Var(X̄ ) =
n2
nσ 2 σ 2
= = .
n2 n
P(a ≤ X̄ ≤ b) ∼
= P(a ≤ Y ≤ b)
a−µ b−µ
= P √ ≤Z ≤ √ ,
σ/ n σ/ n
Sumário
1 Objetivos da Aula
2 Distribuição Binomial
3 Distribuição de Poisson
4 Distribuição Uniforme
5 Distribuição Exponencial
7 Exemplos
Exemplo 1
Exemplo 1
Uma loja recebe em média 16 clientes por dia com desvio padrão de 4
clientes. Calcule aproximadamente a probabilidade de num período
de 30 dias a loja receber mais do que 500 clientes. Calcule também a
probabilidade aproximada de nesse mesmo período a média de
clientes ultrapassar a 18 clientes.
Exemplo 1
Dados do Problema
Seja U:número de clientes que a loja recebe num dia. Temos que
E(U) = µ = 16
Var(U) = σ 2 = 42 = 16.
Exemplo 1
Dados do Problema
Seja U:número de clientes que a loja recebe num dia. Temos que
E(U) = µ = 16
Var(U) = σ 2 = 42 = 16.
Soma Amostral
Seja X :número de clientes que a loja recebe em 30 dias. Temos que
µX = n × µ = 30 × 16 = 480
σX2 = n × σ 2 = 30 × 16 = 480
√
σX = 480 ∼= 21, 91.
Exemplo 1
Média Amostral
Seja X̄ :número médio de clientes que a loja recebe em 30 dias.
Temos que
µX̄ = µ = 16
σ2 16 ∼
σX̄2 = = = 0, 533
n
p 30
σX̄ = 0, 533 ∼
= 0, 73.
Exemplo 1
Exemplo 1
Exemplo 2
Exemplo 2
Sabe-se que numa corrida de revesamento de 42 km com 8 atletas
(cada um correndo 5,25 km) o tempo que cada atleta demora para
completar o percurso tem distribuição aproximadamente normal de
média 30 minutos e desvio padrão de 8 minutos. Se 8 atletas são
escolhidos ao acaso para um prova, qual a probabilidade da equipe
completar o percurso em menos de 3 horas? E em mais de 4 horas?
Qual é tempo que apenas 5% das equipes farão abaixo dele?
Exemplo 2
Dados do Problema
Seja T :tempo que um atleta demora para completar o percurso.
Temos que
E(T ) = µ = 30
Var(T ) = σ 2 = 82 = 64.
Exemplo 2
Dados do Problema
Seja T :tempo que um atleta demora para completar o percurso.
Temos que
E(T ) = µ = 30
Var(T ) = σ 2 = 82 = 64.
Soma Amostral
Seja X :tempo que a equipe (de 8 atletas) demora para completar o
percurso. Temos que
µX = n × µ = 8 × 30 = 240
σX2 = n × σ 2 = 8 × 64 = 512
√
σX = 512 ∼= 22, 63.
Exemplo 2
Exemplo 2
Exemplo 2
em que a = (t0 − 240)/22, 63. Pela tabela normal a = −1, 64. Assim,
obtemos t0 = 240 − 1, 64 × 22, 63 ∼
= 203 minutos.