Estatistica2015 Cap06 Alunos PDF

TÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍS
6. Distribuições Contínuas de Probabilidade

TATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTA
ESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAES
6.1. Distribuição Uniforme [ U(a, b) ]

6.1.1. Introdução
‣ A distribuição Uniforme é a mais simples das distribuições contínuas e uma das mais
DGI
2015
importantes.
‣ Utiliza-se para representar uma quantidade que varia aleatoriamente num intervalo [a, b]
e cuja probabilidade de tomar valores num qualquer sub intervalo de [a, b] é

TIC5
proporcional ao seu comprimento.
Uma variável aleatória contínua X segue uma distribuição Uniforme quando a sua função
densidade de probabilidade é constante (positiva) dentro de um intervalo finito
[a, b] e nula fora desse intervalo.
8
< 0, x<a
X U (a, b) f (x) = k, axb
:
0, x>b
mescudeiro Distribuição Uniforme. 146

DGI
mescudeiro
2015
TIC5
6.1.2.
Distribuição Uniforme.
f (x) =
F (x) =
:
>
>
>
<
>
>
>
8
:
>
>
>
<
>
>
>
8
b
x
0,
0,
1,
0,
1
b a
a
a
,
x>b
x<a
x>b
x<a
axb
, axb
b
1
a
Função Densidade e Distribuição de Probabilidade
1.0
f (x)
F (x)
0
0
a
a
b
b
x
x
147

6.1.3. Parâmetros
a+b
Valor esperado µ=
DGI 2
2015
2
Variância 2 (b a)
=
12
TIC5
Exemplo
Suponha que selecciona um número no pertencente ao intervalo [5, 7]. Determine a
probabilidade de esse número se encontrar compreendido entre:
(a) 6.3 e 6.95
(b) 6.5 e 7.5
mescudeiro Distribuição Uniforme. 148


6.2. Distribuição Exponencial Negativa [ EN( ) ]

6.2.1. Introdução
Existe uma relação estreita entre a distribuição Exponencial Negativa e a distribuição de Poisson
DGI
2015
‣ Admitindo que λ é o parâmetro da distribuição de Poisson que descreve o número
de ocorrências por unidade de tempo (ou de espaço), a variável tempo (ou
distância) entre ocorrências sucessivas segue uma distribuição Exponencial Negativa

TIC5
de parâmetro β = 1/λ.
= 1/
X EN( )
‣ Trata-se de uma das distribuições contínuas mais importantes e é muito utilizada no

estudo de filas de espera e de fiabilidade de sistemas complexos
mescudeiro Distribuição Exponencial Negativa. 149

DGI
mescudeiro
2015
TIC5
6.2.2.
f (x) =
F (x) = 1
1
Distribuição Exponencial Negativa.

e
⇥e
x
x
1
1.0
f (x)
F (x)
0
0
Função Densidade e Distribuição de Probabilidade
x
x
150

6.2.3. Parâmetros
1
DGI Valor esperado µ= =
2015
✓ ◆2
2 2 1
Variância = =
TIC5
Exemplo
O tempo entre duas chamadas consecutivas que chegam a uma central telefónica segue
uma distribuição exponencial cuja média é de 2 segundos.
(a) Qual a probabilidade de a central não receber chamadas nos próximos 5 segundos?
(b) Qual a probabilidade de a central receber pelo menos 2 chamadas nos próximos 5
segundos?
mescudeiro Distribuição Exponencial Negativa. 151


⇥ 2
⇤
6.3. Distribuição Normal N(µ, )
6.3.1. Introdução
A distribuição Normal é, pela sua forma e pelas suas propriedades, aquela que mais
DGI
2015
frequentemente é utilizada para descrever fenómenos físicos contínuos sendo muito
utilizada, como veremos em Inferência estatística.
A distribuição Normal fica completamente especificada através:

TIC5
‣ Do seu valor esperado, μ

‣ Da sua variância, σ2
‣ Da sua função densidade de probabilidade, f(x)
mescudeiro Distribuição Normal. 152


6.3.2. Função Densidade e Distribuição de Probabilidade
f(x)
f (x) 99.7%
DGI
2015 1 1
2⇥ (x µ
)
2
f (x) = p ⇥e 68%
2⇡ ⇥ 2
95%
3-3"
! 2-2"
! !-" !
µ !+" 2+2"
! 3+3"
! xx
TIC5
F(x)
F (x)
1
Zx
F (x) = f (u) du
1 0.5
0
3-3"
! 2-2"
! !-" !
µ !+" +2"
!2 +3"
!3 x
x
A função distribuição de probabilidade não é integrável analiticamente, só podendo ser definida
pela via da integração numérica.

mescudeiro Distribuição Normal. 153

6.3.3. Distribuição Normal Reduzida [ Z(0, 1) ]
Se uma variável X segue uma distribuição N(μ, σ2) então a variável
DGI
x µ
Z=
2015
Segue uma distribuição Normal com valor esperado nulo e variância unitária
2
Z N µ = 0, =1
TIC5
A passagem de uma variável normal para uma variável normal reduzida pode ser entendida
como uma dupla transformação, correspondendo à translação da origem de μ para 0 e à
mudança de escala executada através do divisor σ.
N(0, 1) 1 z2
f (x) = p ⇥e 2
2⇡ ⇥ 2
0
mescudeiro Distribuição Normal Reduzida. 154

6.3.4. Valores Tabelados
Os valores tabelados correspondem à área assinalada na Figura:
DGI N(0, 1)
2015
α
P [Z z(↵)] = ↵
0
Ζ(α)
Z (α ) = a + b
a↓ b→ 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
TIC5
0.0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641
0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247
0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483
0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121
0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776
0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451
0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148
0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867
0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611
1.0 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379
1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985
1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681
1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559
mescudeiro Distribuição Normal Reduzida. 155

DGI
mescudeiro
2015
TIC5
Exemplo
Determine:
Distribuição Normal Reduzida.

(a) P (X > 95)
(b) P (95 < X < 110)

Considere a variável aleatória X
N µ = 100,
= 100 2
156

6.3.5. Relação entre a Distribuição Normal e a Distribuição Binomial
Uma distribuição Binomial B(n, p) na qual:
DGI ‣ A dimensão da amostra (n) é elevada (n 20)

2015
‣ p tome um valor suficientemente grande para que a distribuição seja simétrica (n ⇥ p 7)
Pode ser aproximada por uma distribuição Normal com:

TIC5
2
B (n, p) ⇡ N µ = n ⇥ p, =n⇥p⇥q
mescudeiro Relação entre a Distribuição Normal e a Distribuição Binomial. 157


6.3.6. Aproximação entre as Diferentes Distribuições
M 10 ⇥ n n 20
H (M ⇥ p, M ⇥ q, n) B (n, p) P( )
DGI n⇥p<7
2015
n 20 n 20
30
n⇥p 7 n⇥p 7
TIC5
2
N µ,
Hipergeométrica Binomial Poisson
µ=n⇥p µ=n⇥p µ=
2 M n 2 2
=n⇥p⇥q⇥ =n⇥p⇥q =
M 1
mescudeiro Aproximação entre Distribuições. 158

⇥ 2
⇤
6.4. Distribuição Qui-Quadrado (GL)
6.4.1. Definição
Considerem-se GL variáveis aleatórias, Zi ,mutuamente independentes, seguindo todas

DGI
2015
elas a distribuição normal padronizada:
Zi IN(0, 1), i = 1, ..., GL

TIC5
A variável aleatória
GL
X
X= Z2i 2
GL
i=1
com: µ = GL
2
= 2 ⇥ GL
mescudeiro Distribuição Qui-Quadrado. 159

DGI
mescudeiro
2015
TIC5
6.4.2.
Distribuição Qui-Quadrado.
Extrato daTabela de Valores Críticos da Distribuição Qui-Quadrado (Tabelas: pág. 16)
Valores Tabelados da Distribuição Qui-Quadrado
160
DGI
mescudeiro
2015
TIC5
6.5.
6.5.1.
Distribuição t-Student.
Z
Definição
X=p
2
Z
=
com: µ = 0
Distribuição t-Student
V /GL
GL
N(0, 1) e V
GL 2
tGL
2
[ t (GL) ]
GL
Sejam Z e V, duas variáveis aleatórias independentes e:
161
DGI
mescudeiro
2015
TIC5
6.5.2.
Distribuição t-Student.
Extrato daTabela de Valores Críticos da Distribuição tGL (Tabelas: pág. 16)
Valores Tabelados da Distribuição t-Student
162

6.6. Distribuição F-Fisher [ F (GL1 , GL2 ) ]
6.6.1. Definição
Sejam X1 e X2, duas variáveis aleatórias independentes, caracterizadas por

DGI
2015
distribuições do Qui-Quadrado:
2 2
X1 GL1 e X2 GL2
TIC5
X1 /GL1
X= FGL1 ,GL2
X2 /GL2
com: µ = GL2 GL2 2, GL2 > 2
2 2 ⇥ GL2 ⇥ (GL1 + GL2 2)

= , GL2 > 4
GL1 ⇥ (GL2 2)2 ⇥ (GL2 4)
mescudeiro Distribuição F-Fisher. 163

DGI
mescudeiro
2015
TIC5
6.6.2.
Distribuição F-Fisher.
Extrato daTabela de Valores Críticos da Distribuição F-Fisher (Tabelas: págs. 19 e 20)
Valores Tableados da Distribuição F-Fisher
164

Estatistica2015 Cap06 Alunos PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estatistica2015 Cap06 Alunos PDF

Enviado por

Direitos autorais:

Formatos disponíveis

TÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍSTICAESTATÍS

6. Distribuições Contínuas de Probabilidade

6.1. Distribuição Uniforme [ U(a, b) ]

e cuja probabilidade de tomar valores num qualquer sub intervalo de [a, b] é

proporcional ao seu comprimento.

densidade de probabilidade é constante (positiva) dentro de um intervalo finito

[a, b] e nula fora desse intervalo.

mescudeiro Distribuição Uniforme. 146

6. Distribuições Contínuas de Probabilidade

Suponha que selecciona um número no pertencente ao intervalo [5, 7]. Determine a

probabilidade de esse número se encontrar compreendido entre:

(a) 6.3 e 6.95

(b) 6.5 e 7.5

mescudeiro Distribuição Uniforme. 148

6. Distribuições Contínuas de Probabilidade

6.2. Distribuição Exponencial Negativa [ EN( ) ]

‣ Admitindo que λ é o parâmetro da distribuição de Poisson que descreve o número

de ocorrências por unidade de tempo (ou de espaço), a variável tempo (ou

distância) entre ocorrências sucessivas segue uma distribuição Exponencial Negativa

‣ Trata-se de uma das distribuições contínuas mais importantes e é muito utilizada no

mescudeiro Distribuição Exponencial Negativa. 149

Distribuição Exponencial Negativa.

6. Distribuições Contínuas de Probabilidade

mescudeiro Distribuição Exponencial Negativa. 151

6. Distribuições Contínuas de Probabilidade

utilizada, como veremos em Inferência estatística.

A distribuição Normal fica completamente especificada através:

‣ Do seu valor esperado, μ

mescudeiro Distribuição Normal. 152

6. Distribuições Contínuas de Probabilidade

6.3.2. Função Densidade e Distribuição de Probabilidade

A função distribuição de probabilidade não é integrável analiticamente, só podendo ser definida

pela via da integração numérica.

6. Distribuições Contínuas de Probabilidade

6.3.3. Distribuição Normal Reduzida [ Z(0, 1) ]

Se uma variável X segue uma distribuição N(μ, σ2) então a variável

como uma dupla transformação, correspondendo à translação da origem de μ para 0 e à

mudança de escala executada através do divisor σ.

6. Distribuições Contínuas de Probabilidade

6.3.4. Valores Tabelados

Os valores tabelados correspondem à área assinalada na Figura:

mescudeiro Distribuição Normal Reduzida. 155

Distribuição Normal Reduzida.

(b) P (95 < X < 110)

6. Distribuições Contínuas de Probabilidade

6.3.5. Relação entre a Distribuição Normal e a Distribuição Binomial

Uma distribuição Binomial B(n, p) na qual:

DGI ‣ A dimensão da amostra (n) é elevada (n 20)

‣ p tome um valor suficientemente grande para que a distribuição seja simétrica (n ⇥ p 7)

Pode ser aproximada por uma distribuição Normal com:

mescudeiro Relação entre a Distribuição Normal e a Distribuição Binomial. 157

6. Distribuições Contínuas de Probabilidade

6.3.6. Aproximação entre as Diferentes Distribuições

Hipergeométrica Binomial Poisson

6. Distribuições Contínuas de Probabilidade

Considerem-se GL variáveis aleatórias, Zi ,mutuamente independentes, seguindo todas

Zi IN(0, 1), i = 1, ..., GL

mescudeiro Distribuição Qui-Quadrado. 159

6. Distribuições Contínuas de Probabilidade

6.6. Distribuição F-Fisher [ F (GL1 , GL2 ) ]

Sejam X1 e X2, duas variáveis aleatórias independentes, caracterizadas por

com: µ = GL2 GL2 2, GL2 > 2

2 2 ⇥ GL2 ⇥ (GL1 + GL2 2)