Estatc3adstica Cap 04

6/11/2019
Universidade Federal do Pará

Instituto de Tecnologia
Estatística Aplicada I
Prof. Dr. Jorge Teófilo de Barros Lopes
Campus de Belém
Curso de Engenharia Mecânica
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Teoria das Probabilidades
Universidade Federal do Pará

Instituto de Tecnologia
Capítulo IV
Modelos de Distribuições
Campus de Belém
Curso de Engenharia Mecânica
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições
1
6/11/2019
IV – Modelos de Distribuições
❑ Introdução
❑ Distribuições teóricas discretas
❑ Distribuições teóricas contínuas
❑ Introdução
2
6/11/2019
4.1 Introdução
✓ Existem variáveis aleatórias que têm uma função de

distribuição pertencente a uma classe de distribuições
teóricas.
✓ As distribuições teóricas, como o próprio nome indica,

foram submetidas a estudos prévios e têm propriedades
conhecidas; portanto, podem servir como modelo em
determinadas situações em que a distribuição esteja
identificada, poupando tempo na análise do problema
estudado.
4.1 Introdução
✓ As distribuições teóricas que aqui serão estudadas são:
• Caso discreto
- Distribuição binomial
- Distribuição hipergeométrica
- Distribuição de Poisson
• Caso contínuo
- Distribuição uniforme
- Distribuição exponencial
- Distribuição normal
- Distribuição qui-quadrado
- Distribuição t de Student
- Distribuição F
3
6/11/2019
❑ Introdução
4.2 Distribuições Teóricas Discretas
✓ Prova de Bernoulli
• A prova de Bernoulli é uma experiência aleatória que serve de

base a várias distribuições teóricas (distribuição binomial,
distribuição binomial negativa e distribuição geométrica).
• Consideremos uma experiência aleatória na qual existem apenas

dois acontecimentos em que estamos interessados: o
acontecimento A que será designado por sucesso e o
acontecimento contrário, A, que será designado por falha. O
sucesso ocorre com probabilidade p, e o insucesso com
probabilidade q = 1− p .
4
6/11/2019
• O espaço de resultados está assim particionado em

dois acontecimentos S = { A , A } em que:
A = sucesso P( A ) = p
A = falha P( A ) = q = 1 − p
• A uma experiência aleatória com estas características

dá-se o nome de prova de Bernoulli.
• Principais características:
1
Média :  =  xi f ( xi ) = 0  q + 1  p = p
0
Variância :  2 = E ( x i −  ) 2  = E ( X 2 ) −  2 =
1
=  x i2 f ( x i ) −  2 = 0 2 q + 1 2 p − p 2 =
0
= p − p 2 = p( 1 − p ) = pq
5
6/11/2019
• Sucessão de provas de Bernoulli: Defini-se como o

processo caracterizado por repetidas provas que têm lugar nas
seguintes condições:
1. Cada prova resultem em somente dois resultados possíveis,
designados como “sucesso” e “falha”.
2. A probabilidade de um sucesso em cada prova, designada por
p, permaneça constante. A probabilidade de falha designa-se
por q = 1− p.
3. As provas sejam independentes, isto é, os resultados obtidos
numa sequência de provas não influenciam os resultados da(s)
provas(s) subsequente(s).
✓ Distribuição binomial
• Trata-se de uma distribuição de probabilidade adequada aos
experimentos que apresentam apenas dois resultados: sucesso ou
falha.
• Este modelo fundamenta-se nas seguintes hipóteses:

- H1. n provas independentes e do mesmo tipo são realizadas;
- H2. cada prova admite apenas dois resultados – sucesso ou
falha;
- H3. a probabilidade de sucesso é p e de falha é 1 – p = q.
6
6/11/2019
• Considerando-se uma sucessão de n provas de Bernoulli, a
variável aleatória que representa o número de sucessos obtidos
nessas n provas de Bernoulli tem distribuição binomial.
• A variável aleatória X, que é igual ao número de provas que

resultam em um sucesso, tem uma distribuição binomial com
parâmetros p e n em que 0 < p < 1 e n = {1, 2, 3, ..., n}.
• A função de probabilidade de X é
n
f ( x ) =   p x q n− x , x = 0 , 1 , 2 , ..., n
 x
• É assim chamada (binomial), pois variando X (número de vezes
do sucesso) obtemos os termos correspondentes do
desenvolvimento do binômio (q + p)n. Com efeito,
n( n − 1 ) n − 2 2
( q + p )n = q n + nq n− 1 p + q p + ... + p n =
2!
n! n!
= q n p0 + q n− 1 p0 +
0! ( n − 0 )! 1! ( n − 1 )!
n! 0 n
+ ... + q p
n!0!
• Generalizando, tem-se: n! n
f( x)= q n− x p x =   p x q n− x
x! ( n − x )!  x
7
6/11/2019
• Principais características:
- De acordo com as hipóteses, observa-se que X é a soma de n

variáveis do tipo “Bernoulli”, daí
Média : E ( X ) = n = np
Variância : Var ( X ) = n 2 = npq
• Exemplo: Cada amostra de ar tem 10% de chance de conter

uma certa molécula rara. Considere que as amostras sejam
independentes em relação à presença da molécula rara. Encontre
a probabilidade de que, nas próximas 18 amostras, exatamente 2
contenham a molécula rara.
- Seja X = número de amostras de ar que contenham a molécula

rara nas próximas amostras analisadas (sucessos); então, X é a
variável aleatória binomial com p = 0,1 e n = 18. Assim,
n  18 
f ( x ) =   p x q n− x  P ( X = 2 ) =  ( 0 ,1 ) 2 ( 0 ,9 )16 = 0 ,284
 x 2
8
6/11/2019
• Exemplo: Determine a probabilidade de que no mínimo 4

amostras contenham a molécula rara.
- Neste caso, a probabilidade requerida é
18
 18 
P ( X  4 ) =   ( 0 ,1 ) x ( 0 ,9 )18 − x =
x=4  x 
3
 18 
= 1 −   ( 0 ,1 ) x ( 0 ,9 )18 − x =
x =0  x 
= 1 − ( 0 ,150 + 0 ,300 + 0 ,284 + 0 ,168 ) =

= 0 ,098
• Exemplo: Determine a probabilidade de que o número de

amostras que contenham a molécula rara esteja entre 3 e 6.
- Neste caso, a probabilidade requerida é
6
 18 
P ( 3  X  6 ) =   ( 0 ,1 ) x ( 0 ,9 )18 − x =
x=3  x 
= 0 ,168 + 0 ,070 + 0 ,022 + 0 ,005 =

= 0 ,265
9
6/11/2019
✓ Distribuição hipergeométrica
• Suponhamos que temos um conjunto de N elementos e que M
destes elementos têm uma certa característica em que estamos
interessados (sucesso); logo os outros N-M elementos não têm
essa característica.
• Ao retirarmos n elementos do conjunto inicial de N elementos
(retirar de forma aleatória e sem reposição – probabilidade do
sucesso não constante) consideremos X a variável aleatória que
representa o número de elementos que são retirados e que têm a
característica em que estamos interessados.
• A variável aleatória definida nas condições anteriores tem
distribuição hipergeométrica com parâmetros N, M e n.
• A probabilidade da variável aleatória assumir o valor x é dada
por:
M N − M
    
 x   n− x 
P ( X = x ) = b( x , N , M , n ) =
N
 
n 
com x = máx0 , n − ( N − M ), ..., minn , M 
• Demonstra-se que se a variável aleatória X tem distribuição

hipergeométrica com parâmetros N, M e n, então:
M M  N − M   N − n
E( X ) = n  Var( X ) = n    
N N  N   N −1
10
6/11/2019
• Exemplo: Na produção de 1000 parafusos em uma máquina A

foi observado que 100 apresentam algum tipo de defeito. Como
vão ser utilizados 10 parafusos de cada vez, determine a
probabilidade de todos serem perfeitos.
- Neste caso, N = 1000, M = 100 e n = 10, a probabilidade

requerida, portanto, será:
 100   1000 − 100  900  899  ...  891 

     1   
 0   10 − 0   1  2  ...  10 
P( X = 0 ) = = = 0 ,35
 1000 1000  999  ...  991
 
 10  1  2  ...  10
✓ Distribuição de Poisson
• A distribuição de Poisson (que deve o seu nome ao físico francês
Simon Poisson) está associada a um grande conjunto de situações
práticas cujos alguns exemplos são os seguintes:
- Número de mensagens que chegam em um servidor no intervalo

de uma hora.
- Número de partículas defeituosas em um cm3 de volume de um
certo líquido.
- Número de defeitos em um metro de comprimento, de um fio
produzido por uma máquina têxtil.
11
6/11/2019
• Todos os exemplos apresentados têm uma

característica comum: a variável aleatória em estudo
representa o número de ocorrências de um certo
evento ao longo de um intervalo (tempo,
comprimento, área ou volume).
• Os valores que a variável aleatória pode assumir são

valores inteiros não negativos: 0, 1, ..., n,... .
• Outras características que identicam uma distribuição de Poisson
são:
- O número de ocorrências em intervalos não sobrepostos são

variáveis independentes.
- A probabilidade de um certo número de ocorrências se verificar
é a mesma para intervalos da mesma dimensão; isto é, a
probabilidade depende apenas da amplitude do intervalo e não
da posição em que se situa nesse intervalo.
- As ocorrências do fenômeno descrito verificam-se uma a uma e
nunca em grupos.
12
6/11/2019
• Para encontrar a expressão que dá a probabilidade de x sucessos
num intervalo t, algumas hipóteses precisam ser admitidas:
H1. P(X = 1, ∆t) = λ ∆t (ou seja, a probabilidade de um sucesso

num intervalo ∆t é proporcional à amplitude do intervalo).
H2. P(X > 1, ∆t) = 0.
H3. P (X – 0, ∆t) = 1 – λ
H4. As ocorrências de sucessos em intervalos são independentes.
• Tem-se que ∆t = t/n, logo P(X = 1, ∆t) = λt/n.
• Para encontrar a expressão que dá P(X,t), ou seja, a probabilidade
de X sucessos no intervalo t, pode-se calcular o limite de uma
distribuição binomial com parâmetros n e t/n. Assim:
n− x
 n   t   t 
x
P ( x , t ) = lim     1 −  =
x →
 x  n   n
(  t ) x − t
= P( x , t ) = e
x!
13
6/11/2019
• Se o número médio de ocorrências no intervalo em estudo for λ >
0, a variável aleatória X, que é igual ao número de ocorrências no
intervalo, terá uma distribuição de Poisson, com parâmetro λ,
sendo a função de distribuição de X dada por
(  t ) x − t
f( x)= e , x = 0 , 1 , 2 , ...
x!
• Características:
Média : E ( X ) = t
Variância : Var( X ) =  t
• Exemplo: Mensagens chegam a um servidor de computadores

de acordo com a distribuição de Poisson, com uma taxa média de
10 por hora.
a) Qual a probabilidade de 3 mensagens chegarem em 1 hora?
b) Qual a probabilidade de 6 mensagens chegarem em 30

minutos?
14
6/11/2019
• Exemplo:
a) Seja X a representação do número de mensagens em 1 hora.
Então E(X) = 10 mensagens e
E ( x ) = t = 10
(  t ) x − t ( 10  1 )3 − 101 ( 10 )3 − 10
f( x)= e  P( X = 3 ) = e = e = 0 ,0076
x! 3! 3!
b) Seja X a representação do número de mensagens em 30

minutos (0,5 hora). Então E(X) = 10.0,5 = 5 mensagens e
(  t ) x − t ( 10  0 ,5 )6 − 100 ,5 ( 5 )6 − 5
f( x)= e  P( X = 6 ) = e = e = 0 ,1462
x! 6! 6!
❑ Introdução
15
6/11/2019
4.3 Distribuições Teóricas Contínuas
✓ Distribuição uniforme
• A distribuição uniforme é a mais simples distribuição contínua;
entretanto, é uma das mais importantes e utilizadas dentro da
teoria de probabilidade.
• Tem uma importante característica a qual a probabilidade de
acontecer um fenômeno de mesmo comprimento é a mesma.
• Consideremos uma variável aleatória contínua, cujos valores
podem ocorrer dentro dum intervalo limitado (aberto ou fechado)
[a,b]. Se quaisquer dois subintervalos de igual amplitude têm a
mesma probabilidade, então a variável aleatória tem distribuição
uniforme.
• Diz-se que a variável aleatória contínua X tem

distribuição uniforme no intervalo [a,b] se a sua
função de densidade de probabilidade for dada por:
 1
 a xb
f ( x ) = b − a

0 para outros valores de x
16
6/11/2019
• Os parâmetros caracterizadores desta distribuição são a e b, que
satisfazem a condição −∞ < a < b < +∞.
• Sua função de distribuição cumulativa F(x) é dada por:
0 xa
x−a

F( x ) =  a xb
b− a
1 xb
• Características: Se a variável aleatória X tem distribuição

uniforme no intervalo [a,b] então:
a+b ( b − a )2
E( X ) = , Var( X ) =
2 12
• Exemplo: A ocorrência de panes em qualquer ponto de uma rede
telefônica de 7 km foi modelada por uma distribuição uniforme no
intervalo [0,7] . Qual é a probabilidade de que uma pane venha a
ocorrer nos primeiros 800 metros? E qual a probabilidade de que
ocorra nos 3 km centrais da rede?
1 1 1
f( x)= = = , para 0  x  7
b−a 7 −0 7
0 ,8 0 ,8
1 x 0 ,8
b
( a ) P ( 0  x  0 ,8 ) =  7 dx = 7
0 0
=
7
= 0 ,1142
P ( a  x  b ) =  f ( x ) dx 5
5−2
5
1 x
( b ) P ( 2  x  5 ) =  dx =
a
= = 0 ,4285
2
7 7 2 7
17
6/11/2019
• Exemplo: Um ponto é escolhido ao acaso no segmento de reta
(0,2). Qual a probabilidade de que este ponto esteja entre 1 e 1,5?
- Seja X a representação da variável escolher um ponto de (0,2).

A função densidade de probabilidade de X é dada por:
1 1
f(x)= = = 0 ,5 , para 0  x  2
b−a 2−0
Então: b
P ( a  x  b ) =  f ( x ) dx 
a
1 ,5
P ( 1  x  1 ,5 ) =  0 ,5 dx = 0 ,25
1
✓ Distribuição Exponencial
• A distribuição exponencial está intimamente ligada à distribuição de
Poisson.
• Se o número de ocorrências de um certo acontecimento segue uma
distribuição de Poisson, a “medida de espaço” entre duas
ocorrências consecutivas ou a “medida de espaço” até à primeira
ocorrência segue uma distribuição exponencial.
• A distribuição de probabilidade de um intervalo entre dois sucessos
consecutivos de uma lei de Poisson é a distribuição exponencial.
• A distribuição exponencial é também usualmente utilizada na
descrição do tempo de vida de aparelhos, de organismos etc. (lei de
falhas exponencial).
18
6/11/2019
• Sua função densidade de probabilidadea é dada por
f ( x ) = λ e − λx para x  0
onde λ é o parâmetro caracterizador da distribuição, sendo λ > 0.
• Características:
1
Média : E( X ) =

1
Variância : Var ( X ) =
2
• O gráfico de f(x) é dado por:
f(x)
λ
0 x
• Função distribuição cumulativa:
F( x ) = 0 , para x  0
x
 λe
− λx
F( x ) = dx = 1 − e − λx , para x  0
0
19
6/11/2019
• Conhecida a função distribuição cumulativa de x, pode-se
facilmente determinar
 
P ( X  x 0 ) = 1 − F ( x 0 ) = 1 − 1 − e −  x 0 = e − x 0
f(x)
λ
e-λxo
0 xo x
• Exemplo: Os defeitos de um tecido seguem a

distribuição de Poisson com média de um defeito a
cada 400 m de tecido. Qual a probabilidade de que o
intervalo entre dois defeitos consecutivos seja:
a) No mínimo de 1000 m;
b) Entre 800 e 1000 m.
Calcule a média e a variância.
20
6/11/2019
• Exemplo:
- Sabe-se que na distribuição de Poisson E(x) = λt,
então:
1 defeito 1 / 400 defeito 1
E ( x ) = t =  = = defeito / m
400 m 1m 400
1000
−
a ) P ( x  1000 ) = e − x = e 400
= 0 ,081 ou 8 ,1%
b ) P ( 800  x  1000 ) = P ( x  800 ) − P ( x  1000 ) =

800 1000
− −
=e 400
−e 400
= 0 ,0532 ou 5 ,32%
• Exemplo:
1 1
Média : E( X ) = = = 400 m
 1 400
1 1
Variância : Var( X ) = = = 160.000 m 2
2 (1 400)2
21
6/11/2019
✓ Distribuição Normal
• É a mais importante distribuição de probabilidade, sendo aplicada
em inúmeros fenômenos e utilizada para o desenvolvimento
teórico da estatística.
• A grande maioria das variáveis aleatórias contínuas que descrevem
processos físicos ou características humanas seguem uma
distribuição normal. Algumas vezes, as variáveis aleatórias não
seguem uma distribuição normal, mas aproximam-se muito desta.
Por outro lado, a distribuição normal desempenha um papel
crucial na inferência estatística.
• É também conhecida como distribuição de Gauss, Laplace ou
Laplace-Gauss
• Seja X uma variável aleatória contínua, X terá uma distribuição
normal se
− ( x − μ )2
1
f(x)= e 2σ 2 , para −   x  
σ 2π
onde μ e σ são os parâmetros caracterizadores da distribuição.

• Se a variável aleatória X tem distribuição normal então:
E( X ) =  e Var( X ) =  2
• A notação N(μ,σ2) é frequentemente usada para denotar uma

distribuição normal, com média μ e variância σ2.
22
6/11/2019
• Quando se utiliza a distribuição normal na forma como se

apresenta, para o cálculo das probabilidades, surgem dois
problemas:
- A integração de f(x) fica difícultada, pois para o cálculo é

necessário o desenvolvimento da função em série;
- A elaboração de uma tabela de probabilidades única inexiste,
pois como f(x) depende de dois parâmetros, isto acarreta um
grande trabalho para tabelar essas propriedades considerando-se
as várias combinações de μ e σ2.
• Esses problemas podem ser contornados por meio de uma

mudança de variável, obtendo-se, assim, a distribuição normal
padronizada ou reduzida.
• Distribuição normal padrão:

- Seja Z uma variável aleatória tal que:
Xi − 
Zi =

em que X é uma variável normal de média μ e variância σ2.
23
6/11/2019
• Distribuição normal padrão:
- A média e a variância de Z serão:
X − 1
 = E ( X −  ) = E ( X ) − E (  ) =  −   = 0
1 1
E( Z ) = E
     
X − 2
 = 2 Var ( X −  ) = 2 Var ( X ) = 2 = 1
1 1
Var ( Z ) = Var 
     
- Logo, a função densidade de probabilidade será:

− z2
1
( z ) = e 2
, − z 
2
- Como a média de Z é 0 e a variância 1, as probabilidades podem
ser facilmente calculadas e tabeladas.
• Propriedades da distribuição normal
1. f(x) é simétrica em relação à média x = μ, ou φ(z) é simétrica em

relação a z = 0.
f(x)
φ(z)
μ
0
24
6/11/2019
2. f(x) possui um máximo para x = μ, ou φ(z) possui um máximo

para z = 0.
φ(z) 0,39
3. f(x) tende a zero quando x tende para ± ∞, o mesmo acontecendo

com φ(z) quando z tende para ± ∞; isto é, x ou z são assíntotas de
f(x) ou φ(z).
25
6/11/2019
4. f(x) tem dois pontos de inflexão cujas abscissas valem μ + σ

e μ – σ, da mesma forma φ(z) tem dois pontos de inflexão cujas
abscissas valem +1 e –1.
μ-σ μ+σ -1 0 1
5. Em ambas as funções 99,99% dos valores da variável pertencem

ao intervalo [μ - 4σ, μ + 4σ].
26
6/11/2019
6. Na figura (a) estão representadas duas distribuições que têm o

mesmo valor médio (μ1 = μ2), mas diferentes desvios padrões (σ1
< σ2). Na figura (b) estão representadas duas distribuições que
têm o mesmo desvio padrão, mas médias diferentes.
(a) 1 (b)
6. Alguns resultados úteis relativos à distribuição normal, são

sumarizados na figura abaixo. Para qualquer variável aleatória
normal,
P (  −   X   +  ) = 0 ,6827
P (  − 2  X   + 2 ) = 0 ,9545
P (  − 3  X   + 3 ) = 0 ,9975
27
6/11/2019
- Pelo fato de 0,9975 da probabilidade de uma distribuição normal

estar dentro do intervalo (μ - 3σ, μ + 3σ), 6σ é frequentemente
referida como a largura de uma distribuição normal.
- A integração numérica pode ser usada para mostrar que a área

sob a função densidade de probabilidade normal de – ∞ < x < ∞
é igual a 1.
• Uso da tabela de distribuição normal padrão

- Existem vários tipos de tabelas que oferecem as áreas
(probabilidades) sob a curva normal padrão.
- Essa tabela fornece a área sob a curva normal padrão entre z = - ∞
até o valor de z considerado, ou seja, P(Z ≤ z).
28
6/11/2019

- O uso da tabela para encontrar, por exemplo, P(Z ≤ 1,53) é
ilustrado na figura abaixo:
P(Z ≤ 1,53) = Φ (1,53) z 0.00 0,01 0,02 0,03 ... 0,09
= área sombreada 0 0,500000 0,503989 0,507978 0,511967 ... 0,535856
0,1 0,539828 0,503795 0,547758 0,551717 ... 0,575345

.. .. .. .. .. ..
. . . . . .
1,5 0,933193 0,934478 0,935744 0,936992 ... 0,944083
.. .. .. .. .. ..
. . . . . .
1,53
3,9 0,999952 0,999954 0,999956 0,999958 ... 0,999967
- Definição: A função Φ(z) = P(Z ≤ z) é usada para denotar uma

probabilidade proveniente da tabela anterior. Ela é chamada de
função distribuição cumulativa de uma variável aleatória normal
padrão.
- Uma tabela é requerida porque a determinação da probabilidade

pelos métodos elementares é complexa.
29
6/11/2019
- Outros exemplos:
- Exemplos: Os seguintes cálculos são mostrados de forma

diagramática na figura a seguir.
1 ) P ( Z  1 ,26 ) = 1 − P ( Z  1 ,26 ) = 1 − 0 ,89616 = 0 ,10364
30
6/11/2019
2 ) P ( Z  −0 ,86 ) = 0 ,19490
3 ) P ( Z  −1 ,37 ) = P ( Z  1 ,37 ) = 0 ,91465
4 ) P ( −1 ,25  Z  0 ,37 ) = P ( Z  0 ,37 ) − P ( Z  −1 ,25 ) =

= 0 ,64431− 0 ,10565 =
= 0 ,53886
31
6/11/2019

5 ) P ( Z  −4 ,6 )  P ( Z  −3 ,99 )
P ( Z  −3 ,99 ) = 0 ,00003
P ( Z  −4 ,6 )  0 ,0003
P ( Z  −4 ,6 )  0
6 ) P ( Z  z ) = 0 ,05  P ( Z  z ) = 0 ,95
Da tabela : P ( Z  0 ,95 )  z = 1 ,65 ( valor mais próximo ).
32
6/11/2019

7 ) P ( − z  Z  z ) = 0 ,99
Por simetria, a área em cada extremidade da distribuição
é igual a ( 1 − 0 ,99 ) / 2 = 0 ,005. O valor de z corresponde a
probabilidade de 0 ,995 na tabela. A probabilidade mais
próxima desse valor na tabela é 0 ,99506, quando z  2 ,58.
• Cálculo das probabilidades para uma variável aleatória
normal padrão arbitrária
- Todas as distribuições normais estão relacionadas algebricamente

e a tabela da distribuição normal padrão pode ser usada para
encontrar as probabilidades associadas com uma variável aleatória
normal arbitrária usando a transformação
Xi − 
Zi =

onde X é a variável aleatória normal de média μ e variância σ2.
33
6/11/2019
- Exemplo: Suponha que as medidas de corrente em um
segmento de fio elétrico sigam a distribuição normal,
com uma média de 10 miliamperes e uma variância de
4 miliamperes2 (desvio padrão de 2 miliamperes). Qual
a probabilidade de a medida exceder 13 miliamperes?
- Seja X a representação da corrente em miliamperes. A

probabilidade requerida pode ser representada por P(X > 13).
Usando a transformação de variável tem-se:
X − 10 13 − 10
Z= = = 1 ,5
2 2
Logo,
P ( X  13 ) = P ( Z  1 ,5 ) = 1 − P ( Z  1 ,5 ) =
1 − 0 ,93319 = 0 ,06681
34
6/11/2019
✓ Distribuição qui-quadrado
• Trata-se de um modelo de distribuição contínua muito importante

para a teoria da inferência estatística.
• Seja X1, X2, ..., Xn, como uma amostra aleatória de uma
distribuição normal, com média µ e variância σ2 desconhecidas. A
grandeza
( n − 1 )S 2
2 =
2
tem uma distribuição qui-quadrado, com n-1 graus de liberdade,

abreviada como  n−1 ou  .
2 2
✓ Entendendo a ideia de graus de liberdade (Retirado e

adaptado de parte do texto assinado por Rafael Guariento
no site UFRJ):
Imagine o seguinte:
• z + x + y = 10, se x é fixada, z e y são livres pra variar e
ainda assim se conseguiria obter um resultado 10, por
exemplo, x = 0, z pode ser 5 e y 5, z pode ser 8 e y 2, etc.
• Mas se z e x forem fixadas, agora y não é mais livre pra
variar e o resultado ser 10, perde-se graus de liberdade.
• A estimativa “10” acaba ficando muito dependente da
amostragem (tendo apenas 3 observações).
35
6/11/2019
• Se fossem 10 observações e se fixasse z e x, y e outras

poderiam ser livres pra variar, a dependência da
amostragem diminuiria.
• Por isso que quanto menos graus de liberdade se tem,
mais restritivo vai sendo pra se achar uma diferença
significativa.
• As estimativas vão ficando cada vez mais dependentes
umas das outras, o que faz com que o resultado possa
ser muito dependente da amostragem, e aí se penaliza
a inferência de alguma forma.
• Grau de liberdade, em estatística, é determinado pelo

número de observações na amostra e o número de
parâmetros no modelo estudado.
• Aumentar o tamanho amostral fornece mais
informações sobre a população e, desta forma,
aumenta os graus de liberdade em seus dados.
36
6/11/2019
• Em geral, a função densidade de probabilidade de uma
variável qui-quadrado é dada abaixo, em que k é o
número de graus de liberdade e Γ(k/2) é a função gama:

1
f( x)=  ( k / 2 )− 1 e −  / 2 ,  ( m ) =  e − x x m −1dx
2 k/2
 (k / 2) 0
• Pode-se demonstrar que a média de uma distribuição

qui-quadrado é igual ao número de graus de liberdade,
e que a variância é igual ao dobro do número de graus
de liberdade: E 2  =  ( 2 ) = 
 
Var 2 =  2 ( 2 ) = 2
• A forma da curva que descreve a função densidade varia conforme

o valor do grau de liberdade (valor do parâmetro φ):
37
6/11/2019
• Uso da tabela de distribuição qui-quadrado

- A distribuição qui-quadrado está tabelada. A tabela fornece a
abscissa da distribuição para diversas áreas (probabilidades) da
cauda à direita. Assim:

- Exemplo 01: Admita φ = 9 e α = 5%.
Entra-se na 1ª coluna com φ = 9, e na 1ª linha com α = 0,05; na
intersecção dessas obtém-se o número 16,9.
φ=9
α = 5%
16,9
38
6/11/2019

- Exemplo 02: Considere uma distribuição qui-quadrado com
parâmetro 18. Encontre: (a) a média, a variância e o desvio
padrão; (b) a mediana; (c) o 1º quartil e (d) o 90º percentil.
a) A média, a variância e o desvio padrão:
 (  182 ) =  = 18
 2 (  182 ) = 2 = 36
 (  182 ) =  2 = 36 = 6

- Exemplo 02:
b) A mediana
39
6/11/2019

- Exemplo 02:
c) O 1º quartil

- Exemplo 02:
d) O 90º percentil
40
6/11/2019
✓ Distribuição t de Student
• Trata-se de um modelo de distribuição contínua que se assemelha
à distribuição normal padrão, N(0,1).
• É utilizada para inferências estatísticas, particularmente, quando se

tem amostras com tamanhos inferiores a 30 elementos (Fonseca &
Martins, 1996).
• Considere X1, X1, ..., Xn como uma amostra aleatória para uma
distribuição normal com média e variância desconhecidas. A
grandeza, X −
T=
S/ n
tem uma distribuição t, com n - 1 graus de liberdade.
• A função densidade de probabilidade t é dada abaixo, sendo k o

número de graus de liberdade:
 [( k + 1 ) / 2 1
f( x)=  − x  
k  ( k / 2 ) [( x 2
/ k ) + 1 ] ( k +1 ) / 2
• Como visto, a distribuição t também possui um parâmetro

denominado grau de liberdade (k = φ = n - 1), e é simétrica em
relação à sua média.
• A média dessa distribuição é zero, e sua variância é dada por:

Var t   =  2 ( t  ) = (  2 )
−2
41
6/11/2019
• Gráfico da distribuição t de Student (para φ = 4):
• Observa-se que para valores de φ < 30 a distribuição t apresenta

maior dispersão do que a normal padrão N(0,1), já que o desvio
padrão, nesses casos, é maior do que 1, que é o desvio padrão da
distribuição normal padrão.
• Exemplo:
- Para φ = 4 tem-se:
4
 ( t4 ) = = 1 ,41
4−2
35
 ( t 35 ) = = 1 ,03
35 − 2
60
 ( t 60 ) = = 1 ,02
60 − 2
42
6/11/2019
• Uso da tabela de distribuição t de Student

- Trata-se de uma tabela unicaudal. Assim:
1–α α
Encontra-se na tabela
• Uso da tabela de distribuição t de Student

- Procedimento de uso da tabela:
43
6/11/2019
• Exemplo: Considere uma distribuição t com parâmetro igual a

18. Encontre: (a) a média, a variância e o desvio padrão; (b) a
mediana; (c) o 1º quartil e (d) o 95º percentil.
a) A média, a variância e o desvio padrão:
Média :  ( t 18 ) = 0
18
Variância :  2 ( t 18 ) = = 1 ,13
18 − 2
Desvio padrão :  ( t 18 ) = 1 ,13 = 1 ,06
• Exemplo:
b) A mediana – Md(t18) :
Md =
c) O 1º quatil – Q1:
d) O 95º percentil – P95:

44
6/11/2019
✓ Distribuição F de Snedecor
• Trata-se de um modelo de distribuição contínua também útil para
inferências estatísticas.
• A distribuição F é a razão entre duas variáveis aleatórias
independentes com distribuições qui-quadrado. Assim, uma
distribuição F com υ (pronuncia-se upsilon) graus de liberdade no
numerador e ν (pronuncia-se ni) graus de liberdade no
denominador é expressa por:
2
2 
F (  , ) = 2 = 2 
  

• Sejam W e Y variáveis aleatórias independentes qui-quadrado,
com υ e ν graus de liberdade, respectivamente. Então a razão
W /
F=
Y /
tem a função densidade de probabilidade
/2
  +     (  / 2 )− 1
   x
 2   
f( x)= (  + )− 1
0 x
         
         x + 1
    2     
e é dita seguir a distribuição F com υ graus de liberdade no

numerador e ν graus de liberdade no denominador, geralmente
abreviada com Fυ,ν.
45
6/11/2019
• A função F possui dois parâmetros: o grau de liberdade do
numerador e o grau de liberdade do denominador, que são
denominados, comumente, por υ e ν ou φ1 e φ2 .
• A média, a variância e a moda dessa distribuição são dadas por:
2
Média : =
2 − 2
2 22 ( 1 +  2 − 2 )
Variância : 2 =
 1 ( 2 − 4 )( 2 − 2 )
2
  1 − 2   2 
Moda :   
  1   2 + 2 
• Formas de gráficos da distribuição F :
46
6/11/2019
• Uso da tabela de distribuição F

- A tabela fornece as abscissas que deixam α na cauda à direita,
dados os parâmetros φ1 e φ2.
• Uso da tabela de distribuição F

- Para se encontrar o valor da abscissa F1-α(u,v) utiliza-se a
fórmula:
1
F1− ,u ,v =
F ,v ,u
- Exemplo: Admita uma

distribuição F com u = 9,
v = 5 e α = 5, determine as
abscissas.
47
6/11/2019
FIM
48

Estatc3adstica Cap 04

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

Estatc3adstica Cap 04

Enviado por

Direitos autorais:

Formatos disponíveis

6/11/2019

Universidade Federal do Pará

Prof. Dr. Jorge Teófilo de Barros Lopes

Universidade Federal do Pará

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

✓ Existem variáveis aleatórias que têm uma função de

✓ As distribuições teóricas, como o próprio nome indica,

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

✓ As distribuições teóricas que aqui serão estudadas são:

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

4.2 Distribuições Teóricas Discretas

• A prova de Bernoulli é uma experiência aleatória que serve de

• Consideremos uma experiência aleatória na qual existem apenas

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

4.2 Distribuições Teóricas Discretas

• O espaço de resultados está assim particionado em

• A uma experiência aleatória com estas características

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

4.2 Distribuições Teóricas Discretas

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

4.2 Distribuições Teóricas Discretas

• Sucessão de provas de Bernoulli: Defini-se como o

4.2 Distribuições Teóricas Discretas

• Este modelo fundamenta-se nas seguintes hipóteses:

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

4.2 Distribuições Teóricas Discretas

• A variável aleatória X, que é igual ao número de provas que

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

4.2 Distribuições Teóricas Discretas

4.2 Distribuições Teóricas Discretas

- De acordo com as hipóteses, observa-se que X é a soma de n

Variância : Var ( X ) = n 2 = npq

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

4.2 Distribuições Teóricas Discretas

• Exemplo: Cada amostra de ar tem 10% de chance de conter

- Seja X = número de amostras de ar que contenham a molécula

4.2 Distribuições Teóricas Discretas

• Exemplo: Determine a probabilidade de que no mínimo 4

- Neste caso, a probabilidade requerida é

= 1 − ( 0 ,150 + 0 ,300 + 0 ,284 + 0 ,168 ) =

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

4.2 Distribuições Teóricas Discretas

• Exemplo: Determine a probabilidade de que o número de

- Neste caso, a probabilidade requerida é

= 0 ,168 + 0 ,070 + 0 ,022 + 0 ,005 =

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

4.2 Distribuições Teóricas Discretas

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

4.2 Distribuições Teóricas Discretas

• Demonstra-se que se a variável aleatória X tem distribuição

4.2 Distribuições Teóricas Discretas

• Exemplo: Na produção de 1000 parafusos em uma máquina A

- Neste caso, N = 1000, M = 100 e n = 10, a probabilidade

 100   1000 − 100  900  899  ...  891 

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

4.2 Distribuições Teóricas Discretas

- Número de mensagens que chegam em um servidor no intervalo

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições

4.2 Distribuições Teóricas Discretas

• Todos os exemplos apresentados têm uma

• Os valores que a variável aleatória pode assumir são

11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições