Distribuições de probabilidade e variáveis aleatórias

Variáveis aleatórias Algumas Distribuições Discretas de Probabilidade Distribuições Contı́nuas de Probabilidade Inferência Estatı́sti
VARIÁVEIS ALEATÓRIAS
DISTRIBUIÇÕES DE PROBABILIDADE
Prof. Doutor Calisto Manuel Máquina, Ph. D.
Nampula, 10 de Outubro de 2022
Variáveis aleatórias
Uma variável cujos valores referem-se a eventos aleatórios é
chamada variável aleatória;
Seus valores dependem dos resultados de um experimento.
Uma variável aleatória, pode ser discreta ou contı́nua
Exemplo:
Considerando o cruzamento Aa × Aa, este conceito é ilustrado
com um espaço amostral com 4 resultados elementares, ou
seja
onde X denota o número de genes A no genótipo.

Assim definida, X é uma variável aleatória.
Distribuição de probabilidade
Definição: É uma relação dos distintos valores xi de X junto

com as suas respectivas probabilidades p(xi ),
X
p(xi ) = 1
i
.
Exemplo: Considerando os descendentes de Aa × Aa, a
distribuição do número de genes A nos genótipos (X ) é
idêntica à distribuição de genótipos, ou seja
em que: p(xi ) é chamada função de probabilidade, que a

cada valor de xi associa sua probabilidade de ocorrência.
Esperança Matemática
Seja X uma variável aleatória

Se X for uma variável aleatória discreta, a Esperança
Matemática ou bf valor esperado de X é definido como sendo
k
X
E (x) = xi p(xi )
i=0
.
Se X for uma variável aleatória contı́nua, a Esperança
Matemática ou bf valor esperado de X é definido como sendo
Z +∞
E (x) = xf (x)
−∞
, onde f (x) é chamada de função densidade de probabilidade.

Ex: Usando a distribuição de probabilidade dada no Exemplo

1 2 1
E (X ) = 0 × 4 +1× 4 +2× 4 =1
Isto é, o número de genes A nos descendentes de Aa × Aa é
igual a 1.
PROPRIEDADES DA ESPERANÇA MATEMÁTICA
Se a e b são constantes e X uma v.a., então:
1 E (a) = a.
2 E (aX ) = aE (X ).
3 E (X + b) = E (X ) + b.
Variância de uma v.a. X ou a medida de dispersão de sua
distribuição de probabilidade, representada por σX2 , é definida
por σX2 = E (X 2 ) − [E (X )]2 .
Distribuição Binomial
Considere um experimento realizado n vezes, sob as mesmas

condições, e com as seguintes caracterı́sticas:
1 Cada repetição do experimento (ou ensaio), produz um de dois
resultados possı́veis, denominado tecnicamente por sucesso (S)
ou Fracasso (F), isto é, os resultados são dicotômicos.
2 A probabilidade de sucesso, P(S) = p, é a mesma em cada
repetição do experimento. Note que (P(F)=1-p). Os ensaios
são independentes, isto é, o resultado de um ensaio não
interfere no resultado do outro.
As quantidades n e p, são os parâmetros da distribuição
binomial.
O número total X , é uma variável aleatória com distribuição
binomial, cujos os parámetros são n e p,e pode ser denotada
por X ∼ B(n, p)
A probabilidade de X = x, pode ser encontrada da seguinte

forma:
n!
P(X = x) = p x (1 − p)n−x , x = {0, 1, 2, . . .} (1)
x!(n − x)!
Propriedades de uma variável aleatória Binomial
1 Média de X = E [X ] = n × p
2 Variância de X = V [X ] = n × p × q, em que q = 1 − p.
Ex: Suponha que num pedigre humano envolvendo albinismo
(o qual é recessivo), nós encontremos um casamento no qual,
sabe-se que ambos os parceiros são heterozigotos para o gene
albino. De acordo com a Teoria Mendeliana, a probabilidade
de que um filho desse casal seja albino é 41 . (Então, a
probabilidade de não ser albino é 34 ).
Agora considere o mesmo casal com duas crianças, a chance
de que ambas sejam albinas é ( 41 )2 = 161
= 0, 0625.
Da mesma forma, a probalidade de que ambas sejam normais
é ( 43 )2 = 16
9
= 0, 5625.
Usando a equação 1, podemos definir a nossa variável

aleatória X , como o número de crianças albinas, com n = 2 e
p = 14 .
Suponha que pretendemos determinar, a probabilidade de
apenas uma criança ser albina (x = 1). Então teremos:
2! 1 3
P(X = 1) = ( )1 ( )(2−1) = 0.375
1!(2 − 1)! 4 4
Se agora, considerarmos uma famı́lia com n = 5 crianças, as

probabilidades de que existam x = 0, 1, 2, 3, 4, 5 crianças
albinas, em que a probabilidade de albinismo é p = 41 , são
dadas por:
5! 1 3
P(X = 1) = ( )x ( )(5−x)
x!(5 − x)! 4 4
os quais ficam distribuı́das como se segue:

O número esperado (ou média) de crianças em famı́lias com 5

crianças é
1
E [x] = np = 5 × 4 = 1, 25.
E a variância de X é:
1 3
V [x] = npq = 5 × 4 × 4 = 0, 9375.
T.P.C.
Suponha que você leva sua cadela a um viternário e descobre
atravé de um exame de ultrasonografia que ela está grávita,
com uma ninhata de 8 filhotes. Assumindo que a
probabilidade de que um filhote seja macho ou fêmea é 12
Qual é a probabilidade de que exactamente 3 filhotes sejam
fêmeas?
Qual é a probabilidade de que exista um número igual de
machos e fêmeas?
Qual é a probabilidade de que existam mais de 5 machos?
Distribuição Poisson
Considere as seguintes variáveis aleatórias:

X1 : O número de mutações num locus por geração;
X2 : O número de glóbulos vermelhos observados em cada
quadrado de um hemocitômetro;
X3 : O número de bactérias em um litro de água
não-purificada,
onde: Xi = x, x = 0, 1, 2, 3, . . .
O comportamento dessas variáveis aleatórias, as quais
representam o número de ocorrências de eventos em um
intervalo de tempo ou no espaço.
Tal comportamento, pode ser descrito pela chamada

distribuição de Poisson, cuja função de probabilidade é
−λ x
P(X = x) = e x!×λ , x = 0, 1, 2, 3, . . ..
onde: e = 2, 71828 e λ é o parâmetro da distribuição, que
representa o número médio de ocorrências do evento por
unidade de tempo ou espaço.
Esperança e Variância de uma v.a. que segue
distribuição Poisson
Se X é uma v.a. com distribuição Poisson, então
E [X ] = λ e
Variância de X =Var [X ] = λ.
Exemplos
Exemplo 1: Supondo que o número médio de bactérias por

litro de água purificada é 2, qual é a probabilidade que 5 ou
mais bactérias sejam encontradas em uma amostra de 3 litros
de água
Resolução
O número médio de bactérias para 1 litro de água purificada é
λ = 2.
Então, o número médio de bactérias para 1 litro de água
purificada é λ = 3 × 2 = 6.
Logo,
P(X ≥ 5) = 1 − P(X ≤ 4) = 1 − [P(X = 0) + P(X =
−6 x
1) + P(X = 2) + P(X = 3) + P(X = 4)] = 1 − 4x=0 e x!×6
P
P(X ≥ 5) = 1 − P(X ≤ 4) = 1 − 0.2851 = 0.7149

Exemplos
Exemplo 2. Em uma população, seja X o número de

descendentes produzidos por famı́lia/geração. Assumindo que
λ = 2, qual a probabilidade de famı́lias com X = 4
descendentes?
−2 4
P(X = 4) = e 4!×2 = 0, 0902.
Distribuição Normal
1 A Distribuição Normal é a mais familiar das distribuições de
probabilidade e também, umas das mais importantes em
Estatı́stica.
2 É utilizada quando se trabalha com as variáveis contı́nuas. Ex:
Peso de recém-nascidos.
3 Uma variável aleatória X , segue uma distribuição de
probabilidade normal, ou distribuição normal, se sua função
densidade de probilidade é definda como:
onde −∞ < X < +∞

4 Em que µ e σ 2 denotam a média e variância da variável
aleatória X , respectivamente.
A curva da distribuição normal é apresentada da forma

Distribuição normal padronizada
Na prática, ao usarmos a distribução Normal, desejamos

calcular as probablidades, para diferentes valores da média (µ)
e do desvio-padrão (σ).
Para isso, a variável X cuja distribuição é X ∼ N(µ, σ 2 ) é
transformada na forma padronizada, Z , com ditribuição
N(0, 1).
A quantidade Z é definida por
x −µ
Z=
σ
em que Z ∼ N(0, 1).
Ex: A concentração de um poluente em água liberada por uma

fábrica, tem distribuição normal N(8; 2, 25). Qual é a chance
de um dado dia, a concentração do poluente, exceda 10 ppm?
A Solução do problema, resume-se em determinar a proporção
da distribuição do poluente, que está acima de 10 ppm, isto é,
P(X > 10). Onde X denota a concentração de um poluente.
Usando a estatı́stica Z , temos:
P(X > 10) = P(Z > 10−8 1,5 ) = P(Z > 1, 33) = 0, 5 − P(Z <
1, 33) = 0, 09
Tabela de Distribuição Normal

Inferência Estatı́stica
Consiste num conjunto de procedimentos por meio dos quais

as informações obtidas com base em dados amostrais, são
utilizadas para o estabelecimento de conclusões e a tomada de
decisão, sobre a população da qual a amostra foi extraı́da.
Os problemas: Problemas de Estiamção e Teste de
Hipótese
Distribuição Amostral é a distribuição que descreve o
padrão de variação, dos valores de uma estatı́stica, para
diferentes amostras extraı́das na população de interesse.
Amostra Aleatória: As observações X1 , X2 , . . . , Xn
constituem uma amostra aleatória de tamanho n da
população, se cada observação, for obtidas de seleções
independentes dos elementos da população.
Por exemplo: a distribuição da média amostral, variância

amostral
Antes de avançarmos, tomemos os seguintes conceitos

Estimação: é um método estatı́stico utilizado para obtenção
das estatı́sticas representativas da população, calculadas a
partir da amostra.
Parâmetro: é a medida numérica que descreve alguma
caracterı́stica da população.
Estatı́stica: é uma função das observações amostrais, que
não depende dos parâmetros desconhecidos.
PRINCIPAIS ESTATÍSTICAS
1 Média amostral
2 Proporção amostral
3 Variância amostral
Relação da Amostra e População

Estimador: é a função da amostra que corresponde a um

parâmtro populacional.
Estimativa: é o valor do estimador, calculado a partir da
amostra.
Ex:
1 A Média amostral X̄ é um estimador da média populacional µ.
2 Proporção amostral p é um estimador da proporção
populacional P.
3 Variância amostral s 2 é um estimador da variância
populacional σ 2
Exemplo de parâmetros e estatı́sticas

Tipos de Estimação de parâmetros
Estimação Pontual: é usada quando a partir da amostra,

procura-se obter um valor único populacional.
Estimação por Intervalo ou Intervalar: é o intervalo definido
pela estimativa pontual mais/ou menos o erro máximo da
estimativa.
Erro máximo da estimativa: é a diferença máxima entre a
estimativa (por exemplo X̄ ) e o verdadeiro valor do parâmetro
(µ).
Intervalo de confiança
Recorremos ao intervalo de confiança por desconhecimento da

magnitude do erro cometido durante a estimação pontual.
Intervalo de confiança para a Média µ
Intervalo de confiança
Intervalo de confiança para Média µ, com a σ 2 conhecida

σ σ
X̄ − Z α2 √ ≤ µ ≤ X̄ + Z α2 √
n n
Passos:
1 Colete amostra de tamanho n.
2 Determine média amostral X̄
3 Escolha o valor do coeficiente de confiança 100% × (1 − α)
4 Determine o valor de Z α2
5 Determinar os limites do intervalo de confiança
Ex:Para uma amostra de 50 observações de uma populacão

com média µ desconhecida, e desvio padrão σ = 6, seja 20, 5
a média amostral X̄ . Construir um intervalo de 95% de
confiança para a média populacional.
n = 50; X̄ = 20, 5; σ = 6
[20, 5 − 1, 96 √650 ; 20, 5 + 1, 96 √650 ] = [18, 84; 22, 16]
Intervalo de confiança para Média µ, com a σ 2
desconhecida
s s
X̄ − t(n−1; α2 ) √ ≤ µ ≤ X̄ + t(n−1; α2 ) √
n n
Passos:
1 Colete amostra de tamanho n ≤ 30.
2 Determine média amostral X̄ e s.
3 Escolha o valor do coeficiente de confiança 100% × (1 − α).
4 Determine o valor de t(n−1; α2 ) , a partir da tabela de
distribuição t de Student.
5 Determinar os limites do intervalo de confiança.
Distribuição t de Student
Sejam X1 , X2 , . . . , Xn uma amostra aleatória de uma

população normal, com média µ e desvio padrão σ
desconhecido, então a distribuição
X̄ − µ
t=
√s
n
é denominada por estatı́stica t de Student, com n − 1 graus

de liberdade.
Os limites do intervalo de confiança para média µ, recorrendo

a estatı́stica t de Student, é obtido pela equação
X̄ ± t(n−1;α) × √s ,
n
onde t(n−1;α) é o valor obtido na tabela de distribuição
t-Student
Exemplo: Uma amostra de trinta homens sadios com idade
entre 30 e 48 anos, não fumantes e que tinham actividade
fı́sica regular forneceu, em repouso, dados de pressão
diastólica. A média foi de 80mmHg , com desvio padrão
7, 1mmHg .
Solução:
Dados o tamanho da amostra, a média e o desvio padrão,
falta apenas o valor de t0,025 .
É preciso procurar, na Tabela que se segue, o valor de t para
n − 1 = 29 graus de liberdade e nı́vel de confiança de 95%.
Neste caso t = 2, 04 e
7,1 7,1
80 − 2, 04 × √
30
≤ µ ≤ 80 + 2, 04 × √
30
[IC ]µ = [77, 3; 87, 7].
Tabela de distribuição t de Studente

Intervalo de confiança para Proporção (P)
Intervalo de Confiança para Proporção
r r
p̂ × (1 − p̂) p̂ × (1 − p̂)
p̂ − Z α2 ≤ P ≤ p̂ − Z α2
n n
Etapas para a Construção de um Intervalo de de

Confiança para P.
Colete uma amostra aleatória de tamanho n da população de
interesse;
Determine o valor de y ;
Onde y representa o número de elementos na amostra que
possuem a caracterı́stica de interesse;
y
Determine p̂ = n
Escolha o valor do coeficiente de confiança 1 − α;
Determine os valores de Z α2 apartir da tabela da distribuição
normal;
Calcule os limites do intervalo de confiança.
Exemplo
Foi feita entrevista numa cidade com 1.500 pessoas em idade

de trabalho, e constatou-se que 145 estão desempregadas.
1 Estimar a taxa de desempregados com base nos dados.
2 Estabelecer um intervalo de 95% de confiança para a taxa
populacional.
Resolução
145
1 p̂ = 1500 =⇒ p̂ = 9.7%
2 α = 0.05; α2 = 0.025; Z α2 = 1.96
p
3 [0.097 ± 0.097(1 − 0.097)/1500] = [0.082; 0.112]
=⇒ [8.2%; 11.2%]
Assim um intervalo de confiança a 95% para p (taxa
populacional) é dado por (0, 082; 0, 112).

Distribuições de probabilidade e variáveis aleatórias

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

Distribuições de probabilidade e variáveis aleatórias

Enviado por

Direitos autorais:

Formatos disponíveis

Variáveis aleatórias Algumas Distribuições Discretas de Probabilidade Distribuições Contı́nuas de Probabilidade Inferência Estatı́sti

onde X denota o número de genes A no genótipo.

Definição: É uma relação dos distintos valores xi de X junto

em que: p(xi ) é chamada função de probabilidade, que a

Seja X uma variável aleatória

, onde f (x) é chamada de função densidade de probabilidade.

Ex: Usando a distribuição de probabilidade dada no Exemplo

Considere um experimento realizado n vezes, sob as mesmas

A probabilidade de X = x, pode ser encontrada da seguinte

Usando a equação 1, podemos definir a nossa variável

Se agora, considerarmos uma famı́lia com n = 5 crianças, as

os quais ficam distribuı́das como se segue:

O número esperado (ou média) de crianças em famı́lias com 5

Considere as seguintes variáveis aleatórias:

Tal comportamento, pode ser descrito pela chamada

Exemplo 1: Supondo que o número médio de bactérias por

P(X ≥ 5) = 1 − P(X ≤ 4) = 1 − 0.2851 = 0.7149

Exemplo 2. Em uma população, seja X o número de

onde −∞ < X < +∞

A curva da distribuição normal é apresentada da forma

Distribuição normal padronizada

Na prática, ao usarmos a distribução Normal, desejamos

Ex: A concentração de um poluente em água liberada por uma

Tabela de Distribuição Normal

Consiste num conjunto de procedimentos por meio dos quais

Por exemplo: a distribuição da média amostral, variância

Antes de avançarmos, tomemos os seguintes conceitos

Relação da Amostra e População

Estimador: é a função da amostra que corresponde a um

Exemplo de parâmetros e estatı́sticas

Tipos de Estimação de parâmetros

Estimação Pontual: é usada quando a partir da amostra,

Recorremos ao intervalo de confiança por desconhecimento da

Intervalo de confiança para a Média µ

Intervalo de confiança para Média µ, com a σ 2 conhecida

Intervalo de confiança para a Média µ

Ex:Para uma amostra de 50 observações de uma populacão

Intervalo de confiança para a Média µ

Intervalo de confiança para a Média µ

Sejam X1 , X2 , . . . , Xn uma amostra aleatória de uma

é denominada por estatı́stica t de Student, com n − 1 graus

Intervalo de confiança para a Média µ

Os limites do intervalo de confiança para média µ, recorrendo

Intervalo de confiança para a Média µ

Intervalo de confiança para a Média µ

Tabela de distribuição t de Studente

Intervalo de confiança para Proporção (P)

Intervalo de Confiança para Proporção

Intervalo de confiança para Proporção (P)

Etapas para a Construção de um Intervalo de de

Intervalo de confiança para Proporção (P)

Foi feita entrevista numa cidade com 1.500 pessoas em idade

Você também pode gostar