Formulário Distribuições teóricas

Distribuição Binomial

X :“Número de casos de sucesso num conjunto de n provas independentes”, onde p é a

probabilidade de sucesso em cada prova.

X ∼ Bi(n, p), E(X) = n × p, V (X) = n × p × (1 − p)

!
n k
P (X = k) = f (k) = p × (1 − p)n−k , k ∈ {0, 1, 2, . . . , n}
k
k
X k
X
Xi ∼ Bi(ni , p) ⇒ Xi ∼ Bi(n, p), with n = ni
i=1 i=1

Distribuição Geométrica

X : “número de provas até ao primeiro sucesso”, com p a probabilidade de sucesso em cada

prova.
1 1−p
X ∼ Ge(p), E(X) = , V (X) 2
p p
P (X = k) = f (k) = p(1 − p)k−1 , P (X ≤ k) = F (k) = 1 − (1 − p)k , k = 1, 2, 3, . . .

Distribuição Binomial Negativa

X : “Número de provas até se obter r sucessos”, com p a probabilidade de sucesso em cada

prova.
r r(1 − p)
X ∼ BN (r, p), E(X) = , V (X) =
p p2
!
k−1 r
P (X = k) = f (k) = p (1 − p)k−r , k = r, r + 1, r + 2, . . .
r−1
k
X
Xi ∼ Ge(p) ⇒ X = Xi ∼ BN (k, p)
i=1
k
X k
X
Yi ∼ BN (ri , p) ⇒ Y = Yi ∼ BN (r, p), onde r = ri .
i=1 i=1

1 de 4
Probabilidade e Estatística Formulário Distribuições Teóricas ISPGAYA

Distribuição de Poisson

X : “Número de acontecimentos independentes num intervalo de tempo ou área”

X ∼ P o(λ), E(X) = V (X) = λ

λk
P (X = k) = f (k) = e−λ × , k = 0, 1, 2, . . .
k!
k
X k
X
Xi ∼ P o(λi ) ⇒ X = Xi ∼ P o(λ) onde λ = λi .
i=1 i=1

Lei dos eventos raros ou Aproximação da Binomial por uma Poisson .

.
Se X ∼ Bi(n, p) e n > 20 e p < 0.1 então X ∼ P o(n × p).
.
Se X ∼ Bi(n, p) e n > 20 e p > 0.9 então n − X ∼ P o(n × (1 − p)).

Distribuição Uniforme

X : “Uniformente distribuida no intervalo [α, β]”

α+β (β − α)2
X ∼ U [α, β], E(X) = , V (X) =
2 12
(
1
β−α , se x ∈ [α, β]
f (x) =
0 , caso contrário


 0 , se x < α
x−α
P (X ≤ x) = F (x) = β−α , se x ∈ [α, β]

 1 , sex > β

2 de 4
Probabilidade e Estatística Formulário Distribuições Teóricas ISPGAYA

Distribuição Exponencial Negativa

X : “O tempo que demora até um evento ocorrer ou o tempo entre dois eventos consecu-
tivos”
1 1
X ∼ Exp(λ), E(X) = , V (X) = 2
λ λ
(
λe−λx , se x ≥ 0
f (x) =
0 , caso contrário
(
0 , sex < 0
P (X ≤ x) = F (x) =
1 − e−λx , se x ≥ 0
k
X k k
Yi ∼ Exp(λ) ⇒ Y = Yi ∼ G(k, λ), E(Y ) = , V (Y ) = 2
i=1
λ λ
k−1
(λy)i
!
−λy
X
P (Y ≤ y) = 1 − e . if y > 0
i=0
i!

Distribuição Normal

X :“Normalmente distribuída com média µ e desvio padrão σ”

1 1 x−µ 2
f (x) = √ e− 2 ( σ )
2πσ 2
X −µ
X ∼ N (µ, σ 2 ), αX + β ∼ N (αµ + β, α2 σ 2 ), Z = ∼ N (0, 1)
σ
Y ∼ N (µ1 , σ12 ), X + βY ∼ N (αµ + βµ1 , α2 σ 2 + β 2 σ12 ).
k k k
!
X X X
Xi ∼ N (µi , σi2 ) ⇒ X = Xi ∼ N µi , σi2
i=0 i=0 i=0
k
X X
Xi ∼ N (µ, σ 2 ), ⇒ X = Xi ∼ N (kµ, kσ 2 ), X = ∼ N (µ, σ 2 /k)
i=0
k

3 de 4
Probabilidade e Estatística Formulário Distribuições Teóricas ISPGAYA

Teorema do Limite Central

Sejam X1 , X2 , . . . , Xn variáveis independentes e identicamente distribuídas, E(Xi ) = |µ, V (Xi ) =

σ 2 . Se n > 30 então
n Pn !
X . i=1 Xi . σ2
Xi ∼ N (nµ, nσ 2 ), e X = ∼ N µ,
i=1
n n

Aproximação de uma Binomial por uma Normal Se X ∼ Bi(n, p) tal que0.1 ≤

.
p ≤ 0.9, n > 20, np > 5 e n(1 − p) > 5 então X ∼ N (np, np(1 − p))

Aproximação de uma Poisson por uma Normal Se X ∼ P o(λ) e se > 20 então

.
X ∼ N (λ, λ)

Correcção de continuidade Se X é uma v.a. discreta aproximada por uma v.a. Xc

.
contínua, i.e., X ∼ Xc então

P (X = k) = P (k−0.5 ≤ Xc ≤ k+0.5), P (X ≥ k) = P (Xc ≥ k−0.5), P (X ≤ k) = P (Xc ≤ k+0.5)

4 de 4