Escolar Documentos
Profissional Documentos
Cultura Documentos
Diz – se que uma variável aleatória discreta X, tem distribuição Binomial ou obedece a lei da
distribuição binomial com parâmetros n e p, quando ela pode tomar valores discretos 0, 1, …, n e
os níveis das probabilidades p(x) forem calculados pela fórmula de Bernoulli.
n
P(n, x, p) * p x * q n x . com n x (4.1)
x
Exemplo 4.1 Um analista tem 3 projectos. Se a probabilidade de um projecto ser aprovado for
0.5, encontrar a probabilidade de serem aprovados exactamente 2 projectos pelo analista.
Resolução:
n 3 1 1
P(n, x, p) * p x * q n x . * ( )2 * ( )1 0.3750
x 2 2 2
x 0 1 2 … n
qn n 1 n1 n 2 n 21 … pn
P(x) p q p q
1 2
65
4. Variáveis aleatórias e suas distribuições ~ Mulenga
Exemplo 4.2 Um empresário tem 60% de probabilidade de obter sucesso sempre que começa um
novo negócio. Se o empresário começar 3 novos negócios, calcule a probabilidade de obter:
Resolução
3
a) P3(2) * 0.62 * 0.41 0.432
2
x 0 1 2 3 Soma
p(x) 0.064 0.288 0.432 0.216 1.00
e) Média: E(x) = 3*0.6 = 1.80; Var(x) = 3*0.6*0.4 = 0.72, desvio padrão = 0.8
Em muitos casos, conhece – se o número de sucessos, porém se torna difícil e as vezes sem
sentido determinar o número de fracassos ou o número total de provas. Por exemplo o número de
automóveis que passam numa esquina num determina intervalo de tempo, pode-se anotar, porém
não poderá ser determinado o número dos carros que deixaram de passar pela esquina.
66
4. Variáveis aleatórias e suas distribuições ~ Mulenga
Situações como estas, sugerem uma variável que depende do tempo t e quando t , a
probabilidade de realização do evento tende a diminuir. Para encontrar a probabilidade de
realização de x sucessos num intervalo de tempo, quando simultaneamente o número de provas
for grande e a probabilidade de realização de cada acontecimento for muito pequena usa –se a
distribuição de Poisson que substitui a distribuição Binomial.
λ x * e λ
Pn(x) ; com 0 (4.2)
x!
Onde
A distribuição de Poisson é interpretada como o limite para o qual tende a distribuição Binomial
com parâmetros n e p, quando n cresce e p decresce de tal forma que o produto np se mantém
constante.
Exemplo 4.3. A probabilidade de sair com defeito um exemplar numa fábrica de livros é de
0.001. Achar a probabilidade de que numa tiragem de 10000 livros, exactamente 3 destes sejam
defeituosos.
Resolução
Dados n = 10000, p = 0.001, x = 3, então = 10000*0.001 = 10 livros
λ x * e λ 103 * e10
Pn(x) 0.0378
x! 3!
Exemplo 4.4. Certo posto de bombeiros recebe em media 3 chamadas por dia. Calcular a
probabilidade de:
a) Receber 4 chamadas num dia;
b) Receber 3 ou mais chamadas por dia;
c) Encontrar o desvio padrão do número das chamadas que o posto possa receber por dia.
67
4. Variáveis aleatórias e suas distribuições ~ Mulenga
Resolução
A distribuição de Poisson tem uma boa aproximação à distribuição Binomial para x pequeno,
desde que p seja também pequeno. Esta aproximação é ilustrada na tabela para n = 100; p= 0.01
com np 1.0
X 0 1 2 3 4 5
Bin(x,p) 0.3660 0.3700 0.1850 0.0610 0.0149 0.0029
Po(x) 0.3660 0.3680 0.1840 0.0613 0.153 0.0031
A importância da distribuição de Poisson decorre pelo facto de ela constituir uma boa
aproximação para processos de contagem de eventos aleatórios. Assim, ela serve de um modelo
bastante utilizado para a análise do número de chamadas telefónicas por unidade de tempo;
número de defeitos por unidade de área; acidentes por unidade de tempo; chegada de clientes a
um supermercado por unidade de tempo; número de glóbulos sanguíneos visíveis ao microscópio
por unidade de área; número de partículas emitidas por uma fonte de material radioactiva por
unidade de tempo; etc.
A distribuição uniforme é válida para situações nas quais as probabilidades de todos os sucessos
são iguais. E diz –se que uma variável é uniformemente distribuída se a sua função densidade de
probabilidade permanecer constante um intervalo [a; b]
0 se xa
1
f ( x) se axb (4.3)
b - a
0 se xb
68
4. Variáveis aleatórias e suas distribuições ~ Mulenga
0 se xa
x a
F ( x) se axb (4.4)
b-a
1 se xb
Exemplo 4.5. Um ponto é escolhido ao acaso no segmento de recta [0; 2]. Qual será a
probabilidade de que o ponto escolhido esteja entre 1 e 3/2.
Resolução
Seja X uma variável que representa um ponto no segmento [0; 2]. A função densidade da
variável X é dada por:
0 se x0 0 se x0
1 1
f (x) se 0 x 2 ou então f (x) se 0x2
2 - 0 2
0 se x2 0 se x2
69
4. Variáveis aleatórias e suas distribuições ~ Mulenga
0 se x0
1
F (x) x se 0x2
2
1 se x2
Como 1 e 3/2 está no intervalo [0 ; 2], a probabilidade procurada será:
3 3 1 3 1 1
P(1 x ) F ( ) F (1) * *1
2 2 2 2 2 4
Resolução
a) Substituindo na formula geral de f(x) os valores de a e b temos
1
se 5 x 12
f (x) 7
0 caso contrario
b) A função de distribuição acumulada corresponde é
0 se x 5
1
F (x) (x - 5) se 5 x 12
7
q se x 12
1 1 3
c) P( x 8) P( x 5) P(5 x 8) 0 F (8) F (5) (8 5) (5 5)
7 7 7
1 1 2
P(8 x 10) (10) F (8) (10 5) (8 5)
7 7 7
a b 5 12
d) E ( x) 8.5
2 2
70
4. Variáveis aleatórias e suas distribuições ~ Mulenga
0 se x 0
f ( x) onde 0 (4.5)
* exp(-x) se x 0
0 se x 0
F ( x) (4.6)
1 exp(-x) se x 0
1
.8
.8
.6
.6
.4
.4
.2
.2
0
0 5 10 15
0 5 10 15
Variavel X Variavel x
1
1. Média ou esperança matemática: E ( x)
1
2. Variância: var( x)
2
1
3. Desvio padrão: ( x)
71
4. Variáveis aleatórias e suas distribuições ~ Mulenga
Resolução
0 se x 0
a) F (x)
1 exp(-3x) se x 0
1 1
b) E ( x) e ( x)
3
c) P(0.6 x 2) exp(0.6 * 3) exp(2 * 3) 0.1628
A distribuição normal é uma das mais importantes distribuições das variáveis aleatórias em
estatística. Pois muitos dos fenómenos na vida real são comparados com a distribuição normal,
por exemplo: a altura de um indivíduo, peso, idade, grau de coeficiente de inteligência, nível de
produção atingida num determinado ano, etc. Esta distribuição também é conhecida como
distribuição de Gauss, Laplace ou Laplace – Gauss.
Uma variável aleatória contínua X diz –se que é normalmente distribuída se a sua função
densidade de probabilidade f(x) é definida pela seguinte formula.
1 1 x 2
f ( x) exp * com x
2
(4.8)
2
Onde
desvio padrão ,
média da distribuição ;
3.141592654
exp e 2.718281828 ;
X
Figura 4.3. Curva da distribuição normal
Se a variável X com média e desvio padrão for expressa em unidades reduzidas (escores
reduzidos) através da variável z, onde z ( x ) / , pode –se mostrar que z é também normal
com média E(z) = 0 e var(z) = 1. e a função f(x) passa para (z ) .
72
4. Variáveis aleatórias e suas distribuições ~ Mulenga
1
1 2 z2
( z) e ; com z
2
Como a média da variável z é igual a zero, e variância 1, as probabilidades (áreas) sob (z ) são
calculadas e tabeladas. Nos próximos exemplos será explicado o uso da tabela da distribuição
normal padrão.
Notação:
X N ( , 2 ) - X tem distribuição normal com média e variância 2
Z N (0,1) - Z tem distribuição normal com média 0 e variância 1 ou Z tem distribuição normal
padrão.
f ( x)dx
F ( x) e 2 dx , com x
2
A função F(z) é usada para o calculo de probabilidades através de tabelas que oferecem as áreas
sob a curva normal padrão. A tabela que será usada nestes apontamentos é a tabela de faixa
central.
Caso 1. A probabilidade de que uma variável aleatória normal z, assuma um valor no intervalo
[z1; z2] é dada pela fórmula de Newton - Leibniz.
P( z1 z z 2) ( z 2) ( z1)
73
4. Variáveis aleatórias e suas distribuições ~ Mulenga
Onde z1, z2 são escores reduzidos; ( z). ( z) a função é ímpar e ( z 5) 0.5 os valores
de (z ) estão na tabela, que está junto ao material desta unidade.
Resolução
Exemplo 4.10. O salário semanal dos operários de uma certa empresa é normalmente distribuído
em torno de uma média de 180 meticais com desvio padrão de 25 meticais.
a) Encontre a probabilidade de um operário ter um salário semanal situado entre 150 à 178
meticais.
b) Dentro de que desvios de ambos os lados da média, cairão 96% dos salários.
Resolução
74
4. Variáveis aleatórias e suas distribuições ~ Mulenga
Exemplo 4.11. (a) As estaturas dos alunos de determinada escola são normalmente distribuídas
com média de 1.60 m e desvio padrão 0.30 m. Encontrar a probabilidade de um aluno ter uma
estatura menor do que 1.45 m.
Resolução
Dados: 1.60 ; 0.30 ; x = 1.48;
então z = (1.48-1.60)/0.30 = - 0.40
P( x 1.48) P( z 0.4) 0.5 P(0.4 z 0)
0.5 ((0) (0.4))
0.5 0.1554
0.3446
Resolução
Dados n = 500 caixas; p = 0.002; x = 2
a) X Bin (500;0.002)
75
4. Variáveis aleatórias e suas distribuições ~ Mulenga
500
P(2) * 0.002 2 * 0.998498 124750 * 0.000004 * 0.368985722 0.184
2
12 * exp( 1)
b) np 500 * 0.002 1 ; X Po(1) ; P( x 2) 0.1839 0.184
2!
Se X Bin (n, p) e p 0.5 , pode se admitir aproximadamente que X N (np; npq) onde
E( x) np e var( x) npq com q = 1-p.
Resolução
Como estamos aproximar uma distribuição de uma variável discreta para uma
variável contínua, é necessário fazer uma correcção dos limites do intervalo de
classe das probabilidades transformando os valores para contínuos.
3.5 6 7.5 6
P(4 x 7) P(3.5 x 7.5) ; fazendo z1 1.44 ; z 2 0.87
1.7321 1.7321
P(4 x 7) P(1.44 z 0.87) (0.87) (1.44) 0.3078 0.4251 0.7330
76
4. Variáveis aleatórias e suas distribuições ~ Mulenga
Para as variáveis discretas com distribuição de Poisson com grande, a distribuição de X será
aproximadamente normal com parâmetros E (x) e var(x) ou X N (; ) . Geralmente
para obter maior aproximação é necessário que seja maior que 20.
Resolução
x * exp( ) 25 x * exp( 25)
a) X Po(25) , precisa –se P(23 x 267) e P( x)
x! x!
P(23) = 0.07634203 P(24) = 0.07952295
P(25) = 0.07952295 P(26) = 0.07646438 P(27) = 0.07080035
O quadro seguinte apresenta as restrições em relação aos parâmetros usados nas distribuições
que devem ser observadas quando se pretende usar as aproximações.
77