Você está na página 1de 78

UNIVERSIDADE FEDERAL DA BAHIA

INSTITUTO DE MATEMÁTICA E ESTATÍSTICA


DEPARTAMENTO DE ESTATÍSTICA

Distribuições de Probabilidade
Com uso do R

Profa. Gecynalda Gomes

2 de março de 2021
Sumário

1 Modelos probabilísticos para variáveis aleatórias


Modelos probabilísticos discretos
Distribuição Bernoulli
Distribuição binomial
Distribuição Poisson
Modelos probabilísticos contínuos
Distribuição exponencial
Distribuição gama
Distribuição Weibull
Distribuição normal (ou Gaussiana)

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 1 / 61


Modelos probabilísticos para variáveis aleatórias

Sumário

1 Modelos probabilísticos para variáveis aleatórias


Modelos probabilísticos discretos
Distribuição Bernoulli
Distribuição binomial
Distribuição Poisson
Modelos probabilísticos contínuos
Distribuição exponencial
Distribuição gama
Distribuição Weibull
Distribuição normal (ou Gaussiana)

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 2 / 61


Modelos probabilísticos para variáveis aleatórias

Modelos probabilísticos para variáveis aleatórias

Existem modelos probabilísticos que ocorrem com frequência na prática.

Serão definidos alguns modelos, apresentando as condições que devem


ser satisfeitas e algumas características, tais como, esperança, variância e
como calcular probabilidade.

Principais modelos para variáveis aleatórias discretas: Bernoulli,


binomial e Poisson.

Principal modelo para variáveis aleatórias contínuas: normal (ou


Gaussiana).

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 3 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos discretos

Distribuição Bernoulli

Muitos experimentos são tais que os resultados possíveis apresentam ou


não uma determinada característica.

Exemplos:

Uma peça é escolhida, ao acaso, de um lote contendo 500 peças: esta peça
é defeituosa ou não.

Uma pessoa é escolhida, ao acaso, entre os moradores de uma cidade, e


pergunta-se se ela diz SIM ou NÃO a um projeto governamental.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 4 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos discretos

Distribuição Bernoulli

Em um experimento aleatório com apenas dois resultados possíveis


podemos associar o valor 1, se sucesso ocorre e o valor 0, se fracasso
ocorre.

Um experimento deste tipo é chamado de ensaio de Bernoulli.

Suponha que um sucesso ocorra com probabilidade p.

Seja X uma v.a. definida para este experimento. Então,


x 1 0
P(X = x) p 1−p

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 5 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos discretos

Distribuição Bernoulli

Esperança de X:
E(X) = p

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 6 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos discretos

Distribuição Bernoulli

Esperança de X:
E(X) = p

Variância de X:
V(X) = p(1 − p)

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 6 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos discretos

Distribuição binomial

Consideremos n repetições independentes de ensaios de Bernoulli


(n ≥ 2).

O modelo binomial fundamenta-se nas seguintes hipóteses:

n ensaios independentes e idênticos são realizados;

A probabilidade de “sucesso” é igual a “p” em cada ensaio e q é a


probabilidade de fracasso, sendo p + q = 1.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 7 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Seja a variável aleatória X o número de sucessos nos n ensaios.

Nestas condições dizemos que X tem distribuição binomial com


parâmetros n e p, onde os valores possíveis de x são {0, 1, 2, . . . , n}:

n = número de repetições do experimento

p = probabilidade de sucesso em cada repetição

Notação: X ∼ B(n, p)

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 8 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Exemplo: Jogar 8 vezes um dado.


O experimento consiste em 8 jogadas do dado (ensaios idênticos);

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 9 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Exemplo: Jogar 8 vezes um dado.


O experimento consiste em 8 jogadas do dado (ensaios idênticos);

Cada ensaio resulta em sucesso (sair 6) ou fracasso (não sair 6);

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 9 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Exemplo: Jogar 8 vezes um dado.


O experimento consiste em 8 jogadas do dado (ensaios idênticos);

Cada ensaio resulta em sucesso (sair 6) ou fracasso (não sair 6);

P(sucesso) = P(sair 6) = 1/6

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 9 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Exemplo: Jogar 8 vezes um dado.


O experimento consiste em 8 jogadas do dado (ensaios idênticos);

Cada ensaio resulta em sucesso (sair 6) ou fracasso (não sair 6);

P(sucesso) = P(sair 6) = 1/6

P(fracasso) = P(não sair 6) = 5/6

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 9 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Exemplo: Jogar 8 vezes um dado.


O experimento consiste em 8 jogadas do dado (ensaios idênticos);

Cada ensaio resulta em sucesso (sair 6) ou fracasso (não sair 6);

P(sucesso) = P(sair 6) = 1/6

P(fracasso) = P(não sair 6) = 5/6

Os ensaios são independentes.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 9 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Exemplo: Jogar 8 vezes um dado.


O experimento consiste em 8 jogadas do dado (ensaios idênticos);

Cada ensaio resulta em sucesso (sair 6) ou fracasso (não sair 6);

P(sucesso) = P(sair 6) = 1/6

P(fracasso) = P(não sair 6) = 5/6

Os ensaios são independentes.

Determine a probabilidade de saírem 3 faces 6, em 8 jogadas de um dado.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 9 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Uma das possibilidades é: {s, s, s, f , f , f , f , f }. Portanto,


Ensaios 1 2 3 4 5 6 7 8
Resultados s s s f f f f f
Probabilidade 1/6 1/6 1/6 5/6 5/6 5/6 5/6 5/6
A probabilidade de ocorrer essa possibilidade é dada por
 3  5
1 5
· = 0.173 · 0.835 = 0.0049 · 0.3939 = 0.0019
6 6

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 10 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Se os 3 sucessos caírem em qualquer um dos 8 ensaios, deve-se obter


todas as combinações possíveis de se obter 3 faces 6, em 8 jogadas.

Ensaios 1 2 3 4 5 6 7 8
Resultados s s s f f f f f
Resultados s f s f s f f f
Resultados s f f f s s f f
.. ..
. .

O que resulta em uma combinação de 8, 3 a 3;


 
8 8! 8 · 7 · 6 · 5!
= = = 8 · 7 = 56
3 3! · (8 − 3)! 3 · 2 · 5!

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 11 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Portanto, unindo as duas partes, temos


   3  5
8 1 5
· · = 56 · 0.0019 = 0.1064
3 6 6

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 12 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Fórmula geral
Probabilidade de x sucessos em n ensaios é
 
n
· px · (1 − p)n−x
x

onde  
n n!
=
x x! · (n − x)!

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 13 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial
Visualizando:
Binomial(10, 0.1) Binomial(10, 0.9)
0.4

0.4
0.3

0.3
P(X=x)

P(X=x)
0.2

0.2
0.1

0.1
0.0

0.0
0 2 4 6 8 10 0 2 4 6 8 10

x x

Binomial(10, 0.5) Binomial(20, 0.5)


0.25

0.15
0.20
0.15

0.10
P(X=x)

P(X=x)
0.10

0.05
0.05

0.00
0.00

0 2 4 6 8 10 0 5 10 15 20

x x

Figura: Gráficos da distribuição


Profa. Gecynalda Gomes binomial
Distribuições para valores específicos
de Probabilidade de nde e2021
2 de março p. 14 / 61
Modelos probabilísticos para variáveis aleatórias

# Para a construção do gráfico anterior foram usados


# os comandos abaixo:
par(mfrow = c(2, 2))
n=10;p=0.1;x=seq(0,n,by=1);y=dbinom(x,n,p);
plot(x,y,type="h",ylab = "P(X=x)",
main="Binomial(10, 0.1)")
y=dbinom(x,n,1-p)
plot(x,y,type="h",ylab = "P(X=x)",
main="Binomial(10, 0.9)")
p=0.5;y=dbinom(x,n,p)
plot(x,y,type="h",ylab = "P(X=x)",
main="Binomial(10, 0.5)")
n=20;x=seq(0,n,by=1);y=dbinom(x,n,p)
plot(x,y,type="h",ylab = "P(X=x)",
main="Binomial(20, 0.5)")

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 15 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Esperança de X:
E(X) = np

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 15 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Esperança de X:
E(X) = np

Variância de X:
V(X) = np(1 − p)

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 15 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Exercício 1:
Uma usina hidroelétrica tem 5 geradores que funcionam
independentemente, cada um com probabilidade 0,98 de estar em
operação. Qual a probabilidade de que exatamente dois estejam
em funcionamento em determinado instante?
Resolução:
Y = número de geradores em funcionamento
p = 0,98 = probabilidade de um gerador estar em funcionamento
(a probabilidade de sucesso)
n=5
P(X = 2)?  
5
P(X = 2) = · 0,982 · (1 − 0,98)3 = 10 · 0,982 · 0,023 =
2
0,000077
Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 16 / 61
Modelos probabilísticos para variáveis aleatórias

Distribuição binomial

Exercício 2:
Um fabricante de peças de automóveis garante que uma caixa de
suas peças conterá, no máximo, 2 defeituosas. Se a caixa contém
18 peças, e a experiência tem demonstrado que esse processo de
fabricação produz 5% das peças defeituosas, qual a
probabilidade de que:
(a) nenhuma peça seja defeituosa?

(b) uma peça seja defeituosa?

(c) uma caixa satisfaça a garantia?

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 17 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição Poisson

Em muitos casos, conhece-se o número de sucessos, porém se torna


difícil e, às vezes, sem sentido, determinar o número de fracassos ou o
número total de provas.

Por exemplo: automóveis que passam numa esquina.

A distribuição de Poisson é largamente usada quando de deseja contar o


número de eventos de um certo tipo, que ocorrem em um intervalo de
tempo, superfície, ou volume.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 18 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição Poisson

Aplicações:

número de falhas de um computador em um dia de operação;


número de defeitos num pneu;
número de buracos por quilometro em uma rodovia;
número de clientes que chegam a uma determinada agência bancária
durante o expediente;
número de chegadas em um servidor em 1 hora;
o número de queries que chegam a uma máquina de busca em 1 minuto;
número de pacotes que chegam num roteador em 1 segundo.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 19 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição Poisson

Muito comumente usado para modelar chegada de sessões de usuários


servidores Web, multimídia, banco de dados, ftp, e-mail

Sessões são iniciadas por usuários


Chegada de duas sessões tendem a ser independentes: Poisson é uma boa
aproximação.

Contra-exemplo:
Chegada de requisições em um servidor Web
Premissa de independência não é válida: existe dependência entre
requisições para o arquivo HTML e as imagens embutidas nele.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 20 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição Poisson

Seja a v.a. X o número de eventos de um certo tipo, que ocorrem em um


intervalo de tempo, ou superfície, ou volume. Suponha que estes eventos
ocorrem em instantes aleatórios de tempo ou de espaço e que as
hipóteses abaixo sejam válidas:

o número de ocorrências de um evento em um intervalo de tempo, ou


superfície, ou volume é independente do número de ocorrências do evento
em qualquer outro intervalo disjunto;

a probabilidade de duas ou mais ocorrências simultâneas é praticamente


zero;

o número médio de ocorrências por unidade de tempo, ou superfície, ou


volume, α, é constante ao longo do tempo, ou superfície, ou volume.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 21 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição Poisson

Nestas condições dizemos que X tem distribuição Poisson com


parâmetro λ = αt, com distribuição de probabilidade dada por

e−λ λx
P(X = x) = , x = 0, 1, 2, . . . .
x!

Notação: X ∼ Poisson(λ)

Se X tem distribuição Poisson com parâmetro λ

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 22 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição Poisson
Visualizando:

0.3

λ=1
λ=4
λ = 10
0.2
P(X=x)

0.1
0.0

0 5 10 15 20

x
Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 23 / 61
Modelos probabilísticos para variáveis aleatórias

# Para a construção do gráfico anterior foram usados


# os comandos abaixo:
n=20; lambda = 1;x=seq(0,n,by=1);
y=dpois(x,lambda)
plot(x,y,type="l",ylab = "P(X=x)", col=2)
points(x,y, bg = "red", pch = 21)
lambda = 4
y=dpois(x,lambda)
lines(x,y,type="l",ylab = "P(X=x)", col=3)
points(x,y, bg = "green", pch = 21)
lambda = 10
y=dpois(x,lambda)
lines(x,y,type="l",ylab = "P(X=x)", col=4)
points(x,y, bg = "blue", pch = 21)
legend(15, 0.3, c(expression(lambda==1),
expression(lambda==4), expression(lambda==10)),
border=0, col = c("red","green","blue"),
lwd = c(2,2, 2))
Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 24 / 61
Modelos probabilísticos para variáveis aleatórias

Distribuição Poisson

Esperança de X:
E(X) = λ

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 24 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição Poisson

Esperança de X:
E(X) = λ

Variância de X:
V(X) = λ

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 24 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição Poisson

Exercício 1:
Considere que o número de emails que chegam a um servidor de
emails no intervalo t segundos é distribuído como Poisson com
parâmetro 0,3t. Calcule a seguintes probabilidades:
(a) Exatamente três mensagens chegarão num intervalo de
10 seg.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 25 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição Poisson

Exercício 1:
Considere que o número de emails que chegam a um servidor de
emails no intervalo t segundos é distribuído como Poisson com
parâmetro 0,3t. Calcule a seguintes probabilidades:
(a) Exatamente três mensagens chegarão num intervalo de
10 seg.
e−0,3t (0,3t)x
P(X = x) =
x!

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 25 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição Poisson

Exercício 1:
Considere que o número de emails que chegam a um servidor de
emails no intervalo t segundos é distribuído como Poisson com
parâmetro 0,3t. Calcule a seguintes probabilidades:
(a) Exatamente três mensagens chegarão num intervalo de
10 seg.
e−0,3t (0,3t)x
P(X = x) =
x!
e−0,3·10 (0,3 · 10)3
P(X = 3) = = 0,224
3!

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 25 / 61


Modelos probabilísticos para variáveis aleatórias

Distribuição Poisson

Exercício 1:
Considere que o número de emails que chegam a um servidor de
emails no intervalo t segundos é distribuído como Poisson com
parâmetro 0,3t. Calcule a seguintes probabilidades:
(a) Exatamente três mensagens chegarão num intervalo de
10 seg.
e−0,3t (0,3t)x
P(X = x) =
x!
e−0,3·10 (0,3 · 10)3
P(X = 3) = = 0,224
3!
(b) No máximo 20 mensagens chegarão num período de 20
seg.
(c) O número de mensagens num intervalo de 5 seg está
entre 3 e 7 mails.
Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 25 / 61
Modelos probabilísticos para variáveis aleatórias

Distribuição Poisson

Exercício 2:
Em média há duas chamadas por hora num certo telefone.
Calcule:
(a) a probabilidade de se receber no máximo 3
chamadas em duas horas.

(b) a probabilidade de nenhuma chamada em 90


minutos.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 26 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Modelos probabilísticos contínuos

As distribuições contínuas que veremos são:

Distribuição exponencial

Distribuição Weibull

Distribuição gama

Distribuição normal (ou Gaussiana)

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 27 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Modelos probabilísticos contínuos

As distribuições exponencial, gama e Weibull tem aplicação em “Teoria


de Confiabilidade”.

As funções densidades destas distribuições também são do tipo


assimétrico positivo.

A confiabilidade de um componente na época t, denotada por R(t), é


definida como R(t) = P(T > t), em que T é duração de vida do
componente e R é denominada de função de confiabilidade.

Esta definição simplesmente afirma que a confiabilidade de um


componente é igual à probabilidade de que o componente não falhe
durante o intervalo [0, t].

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 28 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Modelos probabilísticos contínuos


Visualizando:

1.0

1.0
0.8

0.8
gamma(3,3) Weibull(2,1)
gamma(4,3) Weibull(3,2)
gamma(1,1) Weibull(1,1)
0.6

0.6
f(x)

f(x)
0.4

0.4
0.2

0.2
0.0

0.0
0 1 2 3 4 5 0 1 2 3 4 5

x x

Figura: Gráficos das distribuições gama e Weibull para valores específicos de


seus parâmetros.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 29 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

# Para a construção do gráfico anterior foram usados


# os comandos abaixo:
######## Distribuição Gama ########
plot(function(x)dgamma(x,3,3),col=1,0,5,xlab="x",
ylab="f(x)", ylim=c(0,1))
plot(function(x)dgamma(x,4,3),col=2,0,5,add=T)
plot(function(x)dgamma(x,3,1),col=3,0,5,add=T)
legend(3,0.8, c("gamma(3,3)","gamma(4,3)",
"gamma(1,1)"),fill=1:3)
######## Distribuição Weibull ########
plot(function(x)dweibull(x,2,1),col=1,0,5,xlab="x",
ylab="f(x)", ylim=c(0,1))
plot(function(x)dweibull(x,3,2),col=2,0,5,add=T)
plot(function(x)dweibull(x,2,2),col=3,0,5,add=T)
legend(3,0.8, c("Weibull(2,1)","Weibull(3,2)",
"Weibull(1,1)"), fill=1:3)

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 30 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição exponencial

Em geral este modelo probabilístico é também utilizado para modelar:

os tempos de espera entre ocorrências de eventos em um Processo de


Poisson,

tempo de espera em uma fila,

tempo de sobrevivência de um grupo de pacientes após o início de um


tratamento e

tempo de vida de material eletrônico, etc.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 30 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição exponencial
Histogram of x

1e−03
8e−04
6e−04
Density

4e−04
2e−04
0e+00

0 2000 4000 6000 8000

Figura: Gráfico da função densidade da distribuição exponencial com parâmetro


α = 1000.
Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 31 / 61
Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

# Para a construção do gráfico anterior foram usados


# os comandos abaixo:
#grafico de distribuicao exponencial
alpha=1000
c <-rexp(1000,1/alpha)
hist(c,probability=TRUE,
main="Exponencial com media=1000",ylab="Densidade
curve(dexp(x,1/alpha),add=T, col="red",lwd=2)

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 32 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição exponencial

Uma variável aleatória contínua X, que assume valores não-negativos,


terá uma distribuição exponencial com parâmetro α > 0, se sua fdp for
dada por:

1 1

 e− α x ,
 x≥0
f (x) = α


0 , caso contrário

Notação: X ∼ exp(α)

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 32 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição exponencial

Propriedades:
A função de distribuição é dada por:

Z x  0 , x<0
1 − α1 s x
F(x) = P(X ≤ x) = e ds = 1 − e− α , x≥0
0 α 

Portanto, P(X > x) = e−(1/α)x

R∞ 1 −1x
E(X) = 0 xαe
α dx = α

V(X) = E(X 2 ) − E2 (X) = 2α2 − α2 = α2 em que


R∞ 1 1
E(X 2 ) = 0 x2 e− α x dx = 2α2
α
Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 33 / 61
Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição exponencial

Propriedades:
P(X > s + t e X > s) P(X > s + t)
P(X > s + t|X > s) = = =
P(X > s) P(X > s)
1
e− α (s+t) 1
= e− α t
− α1 s
e
para quaisquer s, t > 0.
Este resultado mostra que a distribuição exponencial apresenta a
propriedade de “não possuir memória”.
Isto significa que a probabilidade de “sobreviver” mais t unidades de
tempo é a mesma, quer já se tenham passado s unidades de tempo, ou 0
unidades.
Ou seja, não há envelhecimento. Esta hipótese é frequentemente razoável
para a vida de materiais eletrônicos.
Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 34 / 61
Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição exponencial

Exercício:
Uma lâmpada tem a duração de acordo com a densidade
exponencial com α = 1000. Determinar:
(a) a probabilidade de que essa lâmpada queime antes de
1000 horas;
(b) a probabilidade de que ela queime depois de sua
duração média;
(c) a variância da distribuição do tempo de duração dessa
lâmpada.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 35 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição gama
Uma variável aleatória contínua X, que assume valores não-negativos,
terá uma distribuição gama com parâmetros α > 0 e β > 0, se sua
função densidade de probabilidade for dada por:

1 x

 xβ−1 e− α , x≥0
αβ Γ(β)

f (x) =


0 , caso contrário

Na densidade acima, o símbolo Γ denota a função gama, que é dada por:


Z ∞
Γ(k) = xk−1 e−x dx,
0
definida para k > 0.

Pode-se mostrar que se k for um número inteiro positivo, obtém-se que


Γ(k) = (k − 1)!
Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 36 / 61
Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição gama
Gama(3, 2)

0.6
0.5
0.4
Densidade

0.3
0.2
0.1
0.0

0 1 2 3 4 5

Figura: Gráfico da função densidade da distribuição gama com parâmetros α = 2 e


β = 3.
Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 37 / 61
Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição gama

Notação: X ∼ Gama(β, α)

Propriedades:
1 x
Se β = 1 tem-se f (x) = e− α . Portanto, a distribuição
α
exponencial é um caso particular da distribuição gama.
E(X) = βα
V(X) = βα2
Um caso particular muito importante da distribuição gama será
obtido se β = n/2 e α = 2, em que n é um inteiro positivo. Esta
distribuição é denominada qui-quadrado com n graus de
liberdade.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 38 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição gama

Exercício:
Os tempos de resposta em um terminal de computador online
têm aproximadamente uma distribuição gama com média de 4
segundos e variância de 8 segundos ao quadrado. Escreva a
função de densidade de probabilidade para o tempo de resposta.
Qual a probabilidade de o tempo de resposta exceder 5 segundos?

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 39 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição Weibull

Uma variável aleatória contínua X, que assume valores não-negativos,


terá uma distribuição Weibull com parâmetros α > 0 e β > 0, se sua
função densidade de probabilidade for dada por:

β

x β
 β xβ−1 e−( α )
 , x≥0
f (x) = α


0 , caso contrário

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 40 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição Weibull
Weibull(2, 2)

0.4
0.3
Densidade

0.2
0.1
0.0

0 1 2 3 4 5 6

Figura: Gráfico da função densidade da distribuição Weibull com parâmetros α = 2 e


β = 2.
Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 41 / 61
Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição Weibull

Notação: X ∼ Weibull(β, α)

Propriedades:
1 x
Se β = 1 tem-se f (x) = e− α . Portanto, a distribuição
α
exponencial é também um caso particular da distribuição
Weibull.
 
E(X) = αΓ β1 + 1
   h  i2 
2 2 1
V(X) = α Γ β + 1 − Γ β + 1

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 42 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição Weibull

Propriedades:

 0 , x<0
F(x) = P(X ≤ x) =
x β
1 − e−( α ) , x≥0

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 43 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição Weibull

Exercício:
O tempo de vida, em horas, de um componente eletrônico segue
a distribuição Weibull com α = 0,4 e β = 0,5.
(a) Qual é a vida média do componente?
(b) Calcule a variância do tempo de vida desse
componente.
(c) Qual é a probabilidade do tempo de vida desse
componente ultrapassar 30 horas?

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 44 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal

Existem várias distribuições teóricas que podem ser usadas para


representar fenômenos reais.
Dentre estas, uma das mais importantes é a distribuição normal.
Importância da distribuição normal:
1. Representa com boa aproximação as distribuições de
frequências observadas de muitos fenômenos naturais e
físicos;
2. Distribuições importantes, como por exemplo, a binomial
e Poisson, podem ser aproximadas pela normal,
simplificando o cálculo de probabilidades;
3. A distribuição amostral das médias (e proporções) em
grandes amostras se aproxima da distribuição normal, o
que nos permite fazer estimações e testes estatísticos.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 45 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal

Uma variável aleatória X, que assume valores em R, tem distribuição


normal com parâmetros µ e σ 2 se sua função de densidade probabilidade
é dada por:  
1 1
f (x) = √ exp − 2 (x − µ)2 ,
2πσ 2 2σ
em que −∞ < x < ∞, −∞ < µ < ∞, σ > 0.
Notação: X ∼ N (µ, σ 2 )
O histograma a seguir foi construído a partir de dados provenientes de
uma distribuição normal.
A curva desenhada sobre o histograma representa a função densidade de
uma distribuição normal.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 46 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal
Normal(10, 16)

0.10
0.08
0.06
Densidade

0.04
0.02
0.00

0 5 10 15 20

Figura: Gráfico da função densidade da distribuição normal com parâmetros µ = 10 e


σ 2 = 16.
Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 47 / 61
Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

# Para a construção do gráfico anterior foram usados


# os comandos abaixo:

> mu=10 #parâmetro de escala


> desvio=4 #parâmetro de forma
> b <-rnorm(1000,mu,desvio)
> hist(b,probability=TRUE,main="Normal(10, 16)",
+ ylab="Densidade", xlab = "x")
> curve(dnorm(x,mu,desvio),add=T,col="red", lwd=2)

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 48 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal

Vemos que este gráfico é do tipo simétrico.


É importante ressaltar a diferença que existe entre o histograma e a curva:
o histograma é uma representação da distribuição dos elementos (dados)
de uma amostra extraída de uma população
a curva representa a distribuição teórica que melhor se aproxima do
histograma observado.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 48 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal

Propriedades:
E(X) = µ e V(X) = σ 2 (σ - desvio padrão);
A curva normal é simétrica com relação a sua média µ, ou seja
f (µ + x) = f (µ − x);
P(µ − x ≤ X ≤ µ) = P(µ ≤ X ≤ x + µ);
P(X > µ) = P(X < µ) = 0,5.

A moda e a mediana de X são iguais a µ;


A distância entre µ e os pontos de inflexão da curva é igual a σ;

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 49 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal

Figura: médias diferentes, desvios padrão iguais (σ = 10 cm).

0.05
0.04

µ = 165
µ = 179
0.03
Densidade

0.02
0.01
0.00

100 150 200 250

Altura (em cm)

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 50 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal

Figura: mesma média, desvios padrão distintos (µ = 172 cm).

0.08
0.06

σ = 5
σ = 7
σ = 12
Densidade

0.04
0.02
0.00

100 150 200 250

Altura (em cm)

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 51 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal

Uma aplicação da distribuição normal é mostrar como a média e o


desvio-padrão estão relacionados com a proporção dos dados que se
enquadram em determinados limites.

Cerca de 68% dos valores estão a ±1 desvio-padrão a contar da média;

Cerca de 95% dos valores estão a ±2 desvios-padrão a contar da média;

Cerca de 99,7% dos valores estão a ±3 desvios-padrão a contar da média.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 52 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal

Cálculo das probabilidades de uma distribuição normal:


A probabilidade de uma variável aleatória normal X assumir
valores entre dois números a e b (a < b) é igual à área sob a
curva no intervalo [a, b], isto é,
Z b  
1 1 2
P(a < X < b) = √ exp − 2 (x − µ) dx
a 2πσ 2 2σ

Esta probabilidade pode ser obtida através de uma transformação


na variável aleatória X como veremos a seguir.
A distribuição normal possui um importante propriedade que
permite que qualquer variável aleatória com esta distribuição
possa ser transformada em uma outra variável com distribuição
normal com parâmetros µ = 0 e σ 2 = 1.
Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 53 / 61
Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal

Teorema
X−µ
Se X ∼ N (µ, σ 2 ) então a variável transformada Z = tem distribuição
σ
N (0, 1), isto é,

1
f (z) = √ exp(−z2 /2), −∞ < z < ∞.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 54 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal
 
X−µ a−µ
Portanto, P(X ≤ a) = P ≤ = P(Z ≤ z), com
σ σ
X−µ
Z= .
σ
As probabilidades para a distribuição normal (0,1) também chamada de
Normal Padrão ou Normal Padronizada estão tabeladas.
Pelo exposto, vemos que através da tabela podemos obter as
probabilidades para qualquer outra distribuição normal.
Como a curva normal padrão é uma função simétrica em relação 0:
f (z) = f (−z);
P(−z ≤ Z ≤ 0) = P(0 ≤ Z ≤ z);
P(Z > 0) = P(Z < 0) = 0,5.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 55 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal

Exercício:
Uma enchedora automática de garrafas de refrigerante está
regulada para que o volume médio de líquido em cada garrafa
seja de 1000 cm3 e o desvio padrão de 10 cm3 . Pode-se admitir
que a distribuição da variável seja normal.
(a) Qual a probabilidade de garrafas em que o volume de
líquido é menor que 990 cm3 ?
(b) Qual a probabilidade de garrafas em que o volume de
líquido não se desvia da média em mais que dois
desvios-padrão?

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 56 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal
Veja na Tabela abaixo as principais distribuições no R.
Distribuição Nome no R Argumentos
beta beta shape1, shape2, ncp
binomial binom size, prob
binomial negativa nbinom size, prob
Cauchy cauchy location, scale
qui-quadrado chisq df, ncp
exponencial exp rate
F f df1, df2, ncp
gama gamma shape, scale
geométrica geom prob
hipergeométrica hyper m, n, k
log-normal lnorm meanlog, sdlog
logística logis location, scale
normal norm mean, sd
Poisson pois lambda
t-Student t df, ncp
uniforme unif min, max
Weibull weibull shape, scale
Wilcoxon wilcox m, n

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 57 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Distribuição normal

Prefixe o nome da distribuição por:


d: para avaliar a função densidade de probabilidade;
p: para avaliar a função de distribuição (acumulada);
q: para avaliar os quantis;
r: para gerar números pseudo-aleatórios.

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 58 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Exercícios
Os exercícios abaixo com indicação de página foram retirados de: Magalhães,
M.N. & Lima, A.C.P. (2001) Noções de Probabilidade e Estatística. 3 ed. São
Paulo, IME-USP. 392p.

(Ex 5, pag 77) Sendo X uma variável seguindo o modelo Binomial com
parâmetro n = 15 e p = 0.4, calcule (usando o R):

1 P(X ≥ 14)
2 P(8 < X ≤ 10)
3 P(X < 2 ou X ≥ 11)
4 P(X ≥ 11 ou X > 13)
5 P(X > 3 e X < 6)
6 P(X ≤ 13|X ≥ 11)

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 59 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

Exercícios

(Ex 8, pag 193) Para X N(90, 100), obtenha (usando o R):

1 P(X ≤ 115)
2 P(X ≥ 80)
3 P(X ≤ 75)
4 P(85 ≤ X ≤ 110)
5 P(|X − 90| ≤ 10)
6 O valor de a tal que P(90 − a ≤ X ≤ 90 + a) = γ, γ = 0.95

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 60 / 61


Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos contínuos

OBRIGADA!

Profa. Gecynalda Gomes Distribuições de Probabilidade 2 de março de 2021 61 / 61

Você também pode gostar