T7, 1

PROBABILIDADES
E
ESTATÍSTICA
 T7, 2
Capítulo IV
 T7, 3
DISTRIBUIÇÃO COM
ESPECIAL IMPORTÂNCIA
 T7, 4
DISTRIBUIÇÕES DISCRETAS
 T7, 5
1 DISTRIBUIÇÃO UNIFORME
1 2 3 ... n  1 n

X 1 1 1 1 1
n n n
...
n n
X uma v.a. Uniforme em {1, 2, 3, …, n-1, n}

EXEMPLO:
Experiência aleatória: lançamento de um dado equilibrado
0,2

1 2 3 4 5 6

0,1

X  1 1 1 1 1 1 0

6
1 2 3 4 5 6

6 6 6 6 6
X uma v.a. Uniforme em {1, 2, 3, 4, 5, 6}
 T7, 6
Função de distribuição
FX : R  R
x  PX  x

X Uniforme{1, 2, …, n}
(

(n  1, natural)

i , i  1, 2, 3, ..., n  1 2  n 0,2

X  1  1 1 1
 n 
 n
0

n n 1 2 3 4 5 6

0, se x  1
FX x   1 n, se 1  x  2
2 n, se 2  x  3

k n, se k  x  k  1

n  1 n , se n-1  x  n
1, se n  x n=6
 T7, 7
O valor médio e variância da v.a.
com distribuição Uniforme

X Uniforme{1, 2, …, n},
(

n  N1 
i , i  1, 2, 3, ..., n
X  1
 n

n 1
E X   .
2

n2 1
var X    xi  E  X  P X  xi  
2

iI 12
 T7, 8
2 DISTRIBUIÇÃO DE BERNOULLI
“INSUCESSO” “SUCESSO”

 0 1 (0 < p < 1) 0,5

X 
 1 p p
P(“SUCESSO”) = p P(“INSUCESSO”) = 1-p 0
0 1

X uma v.a. de Bernoulli de parâmetro p.

Exemplo:
Experiência aleatória: lançamento de uma moeda equilibrada

0 1

1

X 1 1
2
0,5

2 X uma v.a. Uniforme em {0, 1}0

0 1
ou
X uma v.a. de Bernoulli de parâmetro ½.p = 0.3
 T7, 9
O valor médio e variância da v.a.
com distribuição de Bernoulli

X Bernoulli(p),  0 1
(

 p  0,1 X 
1  p p

E  X   0 * 1  p   1* p  p.

var X    xi  E  X  P X  xi   0  p  P X  0  1  p  P X  1
2 2 2

iI
 p1  p .
 T7, 10
Provas de Bernoulli

Dizemos que uma sucessão de experiências aleatórias é uma

sucessão de provas de Bernoulli se

1) A experiência tem dois resultados possíveis (“sucesso” e

“insucesso”;

2) A probabilidade de “sucesso” é igual para todas as experiências;

3) O resultado de cada experiência não influência os restantes

resultados.
 T7, 11
3 DISTRIBUIÇÃO BINOMIAL

Se X conta o número de sucessos em n provas de Bernoulli, tendo

cada uma delas probabilidade de sucesso p, então

i, i  0, 1, ..., n
  n
X 
  p 1  p 
i n i
 i


X uma v.a. binomial de parâmetros n e p.

 T7, 12
Distribuição Binomial (cont.)
Exemplo:

Consideremos o número de coroas (“sucessos”), X, no lançamento

de duas moedas. A variável aleatória que conta o referido número
de coroas pode tomar os valores {0, 1, 2} e
0,6

 0 1 2
0,5

X 
0,4

0,3

2 1
 1 22 22 22 0,2

0,1

0
0 1 2

E se forem três moedas? 0,2

 0 1 2 3
X  1 3 3 3 3 3 1 3 0,1

 2 2 2 2
0
0 1 2 3

Se forem quatro:
0,4

 0 1 2 3 4 0,3

X  1 4 4 6 4 4 4 1 4 0,2

 24 2 2 2 2 0,1

0
0 1 2 3 4
 T7, 13
Função de distribuição
FX : R  R
x  PX  x

X Binomial (n, p)
(

(n  1, natural e 0<p<1) 0,35

0,3

0,25

i, i  0, ..., n 0,2

 n 
X 
  p i 1  p n i
0,15

0,1

 i 
 0,05

0
0 1 2 3 4 5 6 7

0, se x  0
FX x   n 0
  p 1  p n 0  1  p  , se 0  x  1
n

 
0
n 0 n
  p 1  p n0    p1 1  p n 1 , se 1  x  2
0 1

k
n i
 
   p 1  p n i
, se k  x  k  1
i 0  i 
 n = 7, p = 0.3
1, se x  n
 T7, 14
O valor médio variância da v.a.
com distribuição Binomial
X Binomial (n, p)
(
n  N1, p  0,1
i, i  0, ..., n
 n 
X 
  p i 1  p n i
 i 


E X   np.

var X   np1  p .

14
 T7, 15
Binomial Binomial(50;0.1)
Binomial(50;0.4)
0,140 Binomial(50;0.7)

0,120

0,100

0,080

0,060

0,040

0,020

0,000
0
2

4
6

8
10
12

14
16

18
20

22
24

26
28

30
32

34
36

38
40

42
44
46

48
50
 T7, 16
4 DISTRIBUIÇÃO BINOMIAL NEGATIVA

EXEMPLO
Consideremos o número de lançamentos (X) de um dado até sair
três vezes a face que tem seis pintas. A variável aleatória X toma
os valores i  3, 4, 5,  e
i 3 3
5 1
P X  i   i  1     .
 2  6   6 
DEFINIÇÃO
Mais geralmente, se X conta o número de provas de Bernoulli até
obtermos r (r ≥ 1) sucessos, temos, tendo cada uma das provas
uma probabilidade de sucesso p,
 i, i  r , r  1, ...,

X   i  1 
 1  p i r p r
 r  1

X uma v.a. Binomial negativa de parâmetros r e p (r  1, natural e 0<p<1).
 T7, 17
O valor médio e variância da v.a.
com distribuição Binomial Negativa

X BinomialNegativa (r, p)
(

EX  
r
p

r 1  p 
var X   2
.
p
 T7, 18
5 DISTRIBUIÇÃO HIPERGEOMÉTRICA

Se a população tem um total de N elementos, K dos quais apresentam a

característica S (e N-K apresentam a característica S). Ao extrair ao
acaso e sem reposição n desses elementos, a probabilidade de
exactamente i terem a característica S (e, consequentemente, n-i terem a
característica S) é

 n  K K  1 K  i  1 N  K
    N  K  (n  i  1)
 i  N N  1 N  i  1 N  i N  n  1
N

n! K! N  K ! N  n !
i!n  i ! K  i !  N  K  n  i ! N !
n
 K  N  K  N
K N-K       .
 i  n  i 
18
n
 T7, 19
Distribuição Hipergeométrica (cont.)
A v.a. X que conta o número de sucessos na amostra acima
descrita chama-se hipergeométrica de parâmetros N, n e p=K/N e

 K  N  K  Claro que 0 ≤ i ≤ K, e que 0 ≤ n-i

   ≤ N-K, pelo que se conclui que o
ni 
pi  P X  i    
i
. número de sucessos pode tomar
N valores entre
 
n max{0, n+K-N} e min{K, n}.

Resumindo, se X Hipergeométrica(N, n, p) então

(

 max0, n  N  k   i  min n, k 

 i
i inteiro
X  K N K
   N
    
 i  n  i   n 19 (onde K=Np).
 T7, 20
NOTA
X  Hipergeométrica(N, n, p)

 max0, n  N  k   i  min n, k 

 i
i inteiro
X  K N K
   N
    
 
i n  i  n (onde K=Np).

Como min  n , k 

p i   PX  i  1
i i  max 0 , n  N  k 


resulta que
min  n , k 
 K  N  K    N .
  i  n  i   n 
i  max  0 , n  N  k     
20
 T7, 21
6 DISTRIBUIÇÃO DE POISSON

 i, i  0,1, 
X Poisson() 
X   e  i
(

  0 (  0)
 i!

A distribuição de Poisson permite descrever situações como:

•Número de chamadas telefónicas que chegam, num certo

periodo de tempo;
•Número de avarias que ocorrem numa máquina, num certo
intervalo de tempo;
•Número de deficiências num dado comprimento dum fio
produzido por uma máquina;
•Etc.

21
 T7, 22
O valor médio e variância da v.a.
com distribuição de Poisson

 i, i  0,1, 
X Poisson() 
X   e  i
(

  0 (  0)
 i!

E X     var X 

22
 T7, 23
DISTRIBUIÇÕES CONTÍNUAS
 T7, 24
DISTRIBUIÇÃO UNIFORME

X  Uniforme(a, b) (b>a) f X x 

f X t   I  a ,b  t 
1
ba F X  x a b x
1
 0 se xa
xa
FX  x   P  X  x    se a  x  b
b  a a b x
 1 se xb

Y=X  a ?

FY  x   P Y  x   P  X  a  x   P  X  x  a   F X  x  a  

 0 se xaa  0 se x0
 x  x
 se a  x  a  b  se 0  x  b  a
b  a b  a
 1 se xab  1 se x ba Y  Uniforme(0, b 
a)
 T7, 25
X  Uniforme(a, b) (b>a)
 0 se xa
xa
f X t   I  a ,b  t 
1
FX  x    se a  x  b
ba b  a
 1 se xb

X a
Z  Uniforme(0, 1)
ba

 X a 
F Z  x   P Z  x   P  x  PX  x b  a   a   F X  x b  a   a  
 ba 
 0 se x b  a   a  a 0 se x0
 
  x se a  x b  a   a  b   x se 0  x  1.
1 se x b  a   a  b 1 x 1
  se
 T7, 26
Valor médio e variância da variável aleatória uniforme em(a,b)

X Uniforme(a, b) (b>a)
(

f X t   I  a ,b  t .
1
ba

ba
EX   .
2

b  a 2 .
varY  
12
 T7, 27
A VARIÁVEL EXPONENCIAL

T Exponencial() (>0) 1
(

FT t   1  exp    t I  0 ,    t ,
0.8

0.6

0.4

0.2

  3 
-3 -2 -1 1 2 3 4

f T t   λ exp    t I  0 ,    t .
 T7, 28
Valor médio e variância da variável aleatória com distribuição
exponencial

X Exponencial() (>0)
(

f X t   λ exp    t I  0 ,    t .

1
EX   .


var X   12 .

 T7, 29
O MODELO GAUSSIANO
O modelo contínuo mais usado

X  Gaussiana(m, s) (s >0) (ou X  Normal(m, s) (s >0))

 1  x  m 2 
f X x  
1
exp     

2 s  2 s  

m = 0, s = 1
m = -3, s = 1
m = 6, s = 3
m = 6, s = 0.8
 T7, 30
O MODELO GAUSSIANO
Padronização

X  Gaussiana(m, s) (s >0) Z  X  m  Gaussiana(0, 1)

s

 X m  1  x2 
FZ  x   P  Z  x   
P  x  exp  
 s  2  2

m = 0, s = 1 m = 6, s = 3
 T7, 31
O MODELO GAUSSIANO
A gaussiana padrão
m = 0, s = 1

X  Gaussiana(0, 1)

 x2 
f X x  
1
exp   
2  2 
 t2 
F X  x   P  X  x    f X t dt  
x x 1
exp    dt
 
2  2

F X 1 . 4 5   P  X  1 . 4 5   0 . 92647
1

0.8

0.6

0.4

0.2

-3 -2 -1 1 2 3

1 .45
 T7, 32
O MODELO GAUSSIANO
A tabela
X  Gaussiana(0, 1)

 t2 
FX x   P  X  x   
x 1
exp    dt

2  2

P  X  1 . 45   0 . 92647
 T7, 33
O MODELO GAUSSIANO
A tabela

Exemplos
2 X Gaussiana(2, 8)
(

 X  2 3 .57  2 
P  X  3 . 57   P     P  Z  0 . 696  com Z Gaussiana(0, 1).

(
 8 8 
 1  P  Z  0 . 696   1  P  Z  0 . 696   1  0 . 75804  0 . 24196 .
 T7, 34
A GAUSSIANA PADRÃO
O valor médio

 x2 
f X x  
1
X ( Gaussiana(0, 1) exp   
2  2 

EX   0

var X   1
 T7, 35
O MODELO GAMA
Generalização da distribuição exponencial


     exp  t  t  1 dt   0
0


   1    exp  t  t  dt 
v'  x  u x 
0


  exp  t t 
 
t 0

   exp  t  t  1 dt
0


   exp  t t  1 dt
0

    

   1      
 T7, 36
O MODELO GAMA ()
(cont.)

     exp  t  t  1 dt   0
   1      
0

Exemplos

7 5  5 5 5 3 5 3 3 5 3 1 1

1       1        1      
2 2  2 2 2 2  2 2 2 2 2 2 2
e
1
   
2  k  k  1!!
    k 1 / 2 , se k é ímpar
2 2

2   4   3  3   3 * 2 *   2   3 * 2 * 1 *  1 
e

 1   exp  t dt 1.
0
  k    k  1 ! , se k  1 ( k inteiro)
 T7, 37
O MODELO GAMA ()
(cont.)


     exp  t  t  1 dt   0 .
0

Dizemos que uma variável aleatória X tem distribuição

Gama(, ), ,  > 0 se

f X x  
 x  1
 exp   x I 0 ,    x 
  

 = 1,  = 2
 = 20,  = 10
 = 10,  = 10
 T7, 38
O MODELO QUI-QUADRADO
Uma gama especial

Se ZGaussiana(0, 1) então Y = Z2 tem f.d.p.

 x 1 1 1 1  x
fY x   I  0 ,    x   2
1
exp    exp    I 0 ,    x 
2  2 x x  2  2

x
 
1 / 2 1
1 1  x
exp    I 0 ,    x  
 x   exp   x I  x 
 1

 2  1 / 2  2   
 0 ,  
 2
com  = ½,  = ½.
Lê-se: “Y tem
distribuição qui-
quadrado com um grau
Conclusão: de liberdade”
se Y21, então YGama(1/2,1/2).
 T7, 39
O MODELO QUI-QUADRADO
(cont.)

Recordemos as propriedades da distribuição gama (, >0):

 
1 XGama(, ) E  X   e var  X   2 ;
 
2 XGama(1, )  X 
Exponencial() (>0);

3 XGama(, ) e YGama(b, ), independentes  X Gama(b,

+Y ).


De onde se conclui:
1/ 2
4 X 21  Gama(½, ½) E  X   1 e var  X    2;
 1 / 2 2

5 X 21 e Y 21, independentes  X +Y  Gama(1, ½)Exponencial(½)

 T7, 40
O MODELO QUI-QUADRADO
F.d.p., valor médio,variância, soma de v.a.’s independentes

DEFINIÇÃO
Dado nN1, dizemos que uma v.a. X tem distribuição qui-quadrado com
n graus de liberdade, e escrevemos X 2n, se X tiver distribuição Gama
(n/2, 1/2), i.e., se tiver f.d.p. dada por
x n / 2 1e  x / 2
f X x   n / 2 I  0 ,    x 
2  n / 2 
NOTAS
1 O valor médio de X 2n é E(X) =n e a variância de X é
n/2
var  X   2n.
1 / 2 2

2 X 2n e Y 2m, independentes  X +Y Gama

 ((n+m)/2, 1/2) 2n+m.
3 X1,…, Xn são independentes com f.d. comum Gaussiana(0,1) 
X 12  X 22  ...  X n2  2n.
 T7, 41
O MODELO QUI-QUADRADO
Gráficos
X 2n

x n / 2 1e  x / 2 x
f X x   I 0 ,    x  FX  x    f t dt
n X
2 n / 2   
2

x x
n= n= n = 16
 T7, 42
O MODELO QUI-QUADRADO
fX A tabela
X 2n
Área = 

1- q5, 0.05=11.070

(n = 5)
q n ,
 T7, 43
O TEOREMA LIMITE
CENTRAL (TLC)
Sejam {Xn}nN uma sucessão de v.a.’s independentes e
identicamente distribuídas (i.i.d.), com valor médio comum m e
variância comum s2. Seja
n
Sn   X i.
i 1
Então

lim F S n  n m  x   FZ  x ,
n 
s n

onde ZGaussiana(0,1).
 T7, 44
Função massa de probabilidade da soma, Sn, de n v.a.’s, X1,…,
Xn, independentes, com distribuição comum Binomial(20,0.2)
n
Sn   X i
i 1
0.2

0.15
0.15

0.1 0.125

0.1
0.05
0.075 0.12

0.05 0.1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

0.025 0.08
n=1 0.06
12 34567891011121314151617181920212223242526272829303132333435363738394041
0.04

S1 Binomial(20,0.2) n=2 0.02

S2 Binomial(40,0.2)
12345678910
11
12
13
115
416
17
18
120
921
22
23
225
426
27
28
29
331
032
33
34
336
537
38
39
441
042
43
44
45
447
648
49
50
552
153
54
55
557
658
59
60
61

n=3
S3 Binomial(60,0.2)
 T7, 45
Função massa de probabilidade da soma, Sn, de n v.a.’s, X1,…,
Xn, independentes, com distribuição comum Poisson(10)
n
Sn   X i
i 1
0.12

0.1

0.08 0.08

0.06
0.06
0.04

0.02 0.04
0.07

0.06
12345678910
111
21
31
41
51
61
71
82
92
01
222
32
45
22
62
72
83
90
33
13
233
43
56
33
73
84
94
01
44
24
345
440.02
64
78
45
9051
0.05
n=1 0.04
12345678910
111
21
31
41
51
61
71
82
92
01
222
32
45
22
62
72
83
90
33
13
233
43
56
33
73
84
94
01
44
24
345
44
64
78
45
9051

S1Poisson(10) 0.03

n=2 0.02

S2Poisson(20) 0.01

12345678910
111
21
31
41
51
61
71
82
92
01
222
32
45
22
62
72
83
90
33
13
233
43
56
33
73
84
94
01
44
24
345
44
64
78
45
9051

n=3
S3Poisson(30)
 T7, 46
Função densidade de probabilidade da soma, Sn, de n v.a.’s,
X1,…, Xn, independentes, com distribuição comum Gama(2,1)

n
0.4
Sn   X i
0.3
i 1
0.2

0.2
0.15
0.1
0.1
0.1 0.08

2 4 6 8 10 0.06
0.05

n=1 0.04

2 4 6 8 10 12 14
0.02

S1Gama(2, 1) n=3
10 20 30 40

S3 Gama(6, 1)
n=10

S10 Gama(20, 1)