Escolar Documentos
Profissional Documentos
Cultura Documentos
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 PX x
X Uniforme{1, 2, …, n}
(
(n 1, natural)
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
iI 12
T7, 8
2 DISTRIBUIÇÃO DE BERNOULLI
“INSUCESSO” “SUCESSO”
X
1 p p
P(“SUCESSO”) = p P(“INSUCESSO”) = 1-p 0
0 1
Exemplo:
Experiência aleatória: lançamento de uma moeda equilibrada
0 1
1
X 1 1
2
0,5
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
iI
p1 p .
T7, 10
Provas de Bernoulli
i, i 0, 1, ..., n
n
X
p 1 p
i n i
i
0 1 2
0,5
X
0,4
0,3
2 1
1 22 22 22 0,2
0,1
0
0 1 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 PX x
X Binomial (n, p)
(
0,3
0,25
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 n0 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 np1 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)
(
EX
r
p
r 1 p
var X 2
.
p
T7, 18
5 DISTRIBUIÇÃO HIPERGEOMÉTRICA
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
Como min n , k
p i PX 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!
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
ba F X x a b x
1
0 se xa
xa
FX x P X x se a x b
b a a b x
1 se xb
Y=X a ?
FY x P Y x P X a x P X x a F X x a
0 se xaa 0 se x0
x x
se a x a b se 0 x b a
b a b a
1 se xab 1 se x ba Y Uniforme(0, b
a)
T7, 25
X Uniforme(a, b) (b>a)
0 se xa
xa
f X t I a ,b t
1
FX x se a x b
ba b a
1 se xb
X a
Z Uniforme(0, 1)
ba
X a
F Z x P Z x P x PX x b a a F X x b a a
ba
0 se x b a a a 0 se x0
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
ba
ba
EX .
2
b a 2 .
varY
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
EX .
var X 12 .
T7, 29
O MODELO GAUSSIANO
O modelo contínuo mais usado
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 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
EX 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
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
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
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 Y21, então YGama(1/2,1/2).
T7, 39
O MODELO QUI-QUADRADO
(cont.)
De onde se conclui:
1/ 2
4 X 21 Gama(½, ½) E X 1 e var X 2;
1 / 2 2
DEFINIÇÃO
Dado nN1, 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
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 =
(n = 5)
q n ,
T7, 43
O TEOREMA LIMITE
CENTRAL (TLC)
Sejam {Xn}nN 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 ZGaussiana(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
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
S1Poisson(10) 0.03
n=2 0.02
S2Poisson(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
S3Poisson(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
S1Gama(2, 1) n=3
10 20 30 40
S3 Gama(6, 1)
n=10
S10 Gama(20, 1)