16 Função de Probabilidade

FUNÇÃO DE PROBABILIDADE
Função de Probabilidade
O que é função ou distribuição de probabilidade?
Função ou distribuição de probabilidade de uma experiência aleatória é a função que a cada evento
possível faz corresponder a probabilidade do evento ocorrer.
Exemplo: Vamos construir a distribuição de probabilidade do sexo do grupo de filhos de uma famílias
com 5 filhos.
Sexo do conjunto de filhos Casos Probabilidade

M F possíveis
5 0 1 0,03125
4 1 5 0,15625
3 2 10 0,3125
2 3 10 0,3125
1 4 5 0,15625
0 5 1 0,03125
Total 32 1
Gráfico da distribuição de probabilidade.
O que se entende por Lei dos Grandes Números ?
Quando o número de experimentos aumenta muito, a freqüência relativa de um evento tende a estabi-
lizar-se num valor considerado a probabilidade do evento. Esta é a Lei dos Grandes Números.
O que é a Curva de Gauss ?
A Curva de Gauss é uma curva de distribuição de probabilidades para um grande número de observa-
ções aleatórias.
Cálculo da média em função da probabilidade.
Considere uma distribuição de probabilidades onde a média é x e xn é um valor observado com proba-
bilidade pn .
Cálculo do desvio padrão em função da probabilidade.
Considere uma distribuição de probabilidades onde o desvio padrão é , a média é x e xn é um valor

observado com probabilidade pn.
WWW.DOMINACONCURSOS.COM.BR 1
Qual é o aspecto da Curva de Gauss ?
O aspecto da Curva de Gauss está mostrado na figura.
Quais são as propriedades da Curva de Gauss ?
1- máximo da função corresponde à média x

2- simétrica em relação ao eixo vertical que passa pela média.
3- a área total entre a curva e o eixo horizontal corresponde ao total das observações realizadas ou
seja à probabilidade 1 ou 100%.
4- a área entre a curva e o eixo horizontal no intervalo | x –  ; x +  | corresponde a uma probabili-
dade 0,68 ou 68%.
5- a área entre a curva e o eixo horizontal no intervalo | x – 2 ; x + 2 | corresponde a uma probabili-
dade 0,96 ou 96%.
O que é a zona de normalidade ?
É o conjunto de valores considerados normais correspondentes a 68% dos valores observados e com-
preendidos no intervalo | x – ; x + | .
Qual é a equação da Curva de Gauss ?
A equação da Curva de Gauss em função dos resíduos em relação à média é:
Qual é o gráfico da Curva de Gauss considerando os resíduos em relação à média ?
O gráfico da Curva de Gauss considerando os resíduos em relação à média é:
Como calcular a probabilidade para um determinado resíduo em relação à média ?
O cálculo da probabilidade de ocorrência de um determinado resíduo em relação à média é realizado

utilizando a função mostrada em EST040109.
Exemplos:
Como calcular a probabilidade para um determinado intervalo de resíduos em relação à média?
A probabilidade de ocorrência num determinado intervalo de resíduos corresponde à área entre a curva
e o eixo horizontal sendo calculado pela integral:
Conceitos básicos sobre distribuições de probabilidade
O objetivo desta sessão é mostrar o uso de funções do R em problemas de probabilidade. Exercícios

que podem (e devem!) ser resolvidos analiticamente são usados para ilustrar o uso do programa e
alguns de seus recursos para análises numéricas.
Os problemas nesta sessão foram retirados do livro:

Bussab, W.O. & Morettin, P.A. Estatística Básica. 4a edição. Atual Editora. 1987.
Note que há uma edição mais nova: (5a edição, 2003 - Ed. Saraiva)
EXEMPLO 1 (adaptado de Bussab & Morettin, página 132, exercício 1)

Dada a função
• mostre que está função é uma f.d.p.
• calcule a probabilidade de que X > 1
• calcule a probabilidade de que 0.2 < X < 0.8
Para ser f.d.p. a função não deve ter valores negativos e deve integrar 1 em seu domínio. Vamos
começar definindo esta função como uma função no R para qual daremos o nome de f1. A seguir faze-
mos o gráfico da função. Como a função tem valores positivos para x no intervalo de zero a infinito
temos, na prática, para fazer o gráfico, que definir um limite em x até onde vai o gráfico da função.
Vamos achar este limite tentando vários valores, conforme mostram os comandos abaixo. O gráfico
escolhido e mostrado na Figura 16 foi o produzido pelo comando plot(f1,0,5).
> f1 <- function(x) {

+ fx <- ifelse(x < 0, 0, 2 * exp(-2 * x))
+ return(fx)
+}
> plot(f1)
> plot(f1, 0, 10)
> plot(f1, 0, 5)
Figura 16: Gráfico da função de probabilidade do Exemplo 1.
Para verificar que a a integral da função é igual a 1 podemos usar a função integrate() que efetua
integração numérica. A função recebe como argumentos o objeto com a função a ser integrada e os
limites de integração. Neste exemplo o objeto é f1 definido acima e o domínio da função é [0,∞]. A saída
da função mostra o valor da integral (1) e o erro máximo da aproximação numérica.
> integrate(f1, 0, Inf)
1 with absolute error < 5e-07
Para fazer cálculos pedidos nos itens (b) e (c) lembramos que a probabilidade é dada pela área sob a
curva da função no intervalo pedido. Desta forma as soluções seriam dadas pelas expressões
cuja representação gráfica é mostrada na Figura 17. Os comandos do R a seguir mostram como fazer
o gráfico de função. O comando plot() desenha o gráfico da função. Para destacar as áreas que cor-
respondem às probabilidades pedidas vamos usar a função polygon(). Esta função adiciona a um grá-
fico um polígono que é definido pelas coordenadas de seus vértices. Para sombrear a área usa-se o
argumento density. Finalmente, para escrever um texto no gráfico usamos a função text() com as co-
ordenadas de posição do texto.
> plot(f1, 0, 5)
> polygon(x = c(1, seq(1, 5, l = 20)), y = c(0, f1(seq(1, 5, l = 20))),
+ density = 10)
> polygon(x = c(0.2, seq(0.2, 0.8, l = 20), 0.8), y = c(0, f1(seq(0.2,
+ 0.8, l = 20)), 0), col = "gray")
> text(c(1.2, 0.5), c(0.1, 0.2), c(expression(p[b], p[c])))
Figura 17: Probabilidades pedidas nos itens (b) e (c) do Exemplo 1.
E para obter as probabilidades pedidas usamos integrate().
> integrate(f1, 1, Inf)
0.1353353 with absolute error < 2.1e-05
> integrate(f1, 0.2, 0.8)
EXEMPLO 2 (Bussab & Morettin, página 139, exercício 10)

A demanda diária de arroz em um supermercado, em centenas de quilos, é uma v.a. X com f.d.p.
• Calcular a probabilidade de que sejam vendidos mais que 150 kg.
• Calcular a venda esperada em 30 dias.
• Qual a quantidade que deve ser deixada à disposição para que não falte o produto em 95% dos
dias?
Novamente começamos definindo um objeto do R que contém a função dada em 3.
Neste caso definimos um vetor do mesmo tamanho do argumento x para armazenar os valores de f(x) e
a seguir preenchemos os valores deste vetor para cada faixa de valor de x.
> f2 <- function(x) {

+ fx <- numeric(length(x))
+ fx[x < 0] <- 0
+ fx[x >= 0 & x < 1] <- 2 * x[x >= 0 & x < 1]/3
+ fx[x >= 1 & x <= 3] <- (-x[x >= 1 & x <= 3]/3) + 1
+ fx[x > 3] <- 0
+ return(fx)
+}
A seguir verificamos que a integral da função é 1 e fazemos o seu gráfico mostrado na Figura 18.
> integrate(f2, 0, 3)
1 with absolute error < 1.1e-15
> plot(f2, -1, 4)
1 with absolute error < 1.1e-15
Figura 18: Gráfico da função densidade de probabilidade do Exemplo 2.
Agora vamos responder às questões levantadas. Na questão (a) pede-se a probabilidade de que sejam
vendidos mais que 150 kg (1,5 centenas de quilos), portanto a probabilidade P[X > 1, 5]. A probabili-
dade corresponde à área sob a função no intervalo pedido ou seja P[X > 1, 5] = ∫ 1,5∞f(x)dx e esta inte-
gral pode ser resolvida numericamente com o comando:
> integrate(f2, 1.5, Inf)
A venda esperada em trinta dias é 30 vezes o valor esperado de venda em um dia. Para calcular a
esperança E[X] = ∫ xf(x)dx definimos uma nova função e resolvemos a integral. A função integrate re-
torna uma lista onde um dos elementos ($value) é o valor da integral.
> ef2 <- function(x) {

+ x * f2(x)
+}
> integrate(ef2, 0, 3)
> 30 * integrate(ef2, 0, 3)$value
[1] 40
Na questão (c) estamos em busca do quantil 95% da distribuição de probabilidades, ou seja o valor
de x que deixa 95% de massa de probabilidade abaixo dele. Este valor que vamos chamar de k é dado
por:
Para encontrar este valor vamos definir uma função que calcula a diferença (em valor absoluto) entre
0.95 e a probabilidade associada a um valor qualquer de x. O quantil será o valor que minimiza esta
probabilidade. Este é portanto um problema de otimização numérica e para resolvê-lo vamos usar a
função optimize() do R, que recebe como argumentos a função a ser otimizada e o intervalo no qual
deve procurar a solução. A resposta mostra o valor do quantil x = 2.452278 e a função objetivo com
valor muito próximo de 0, que era o que desejávamos.
> f <- function(x) abs(0.95 - integrate(f2, 0, x)$value)

> optimise(f, c(0, 3))
$minimum
[1] 2.452278
$objective
[1] 7.573257e-08
A Figura 19 ilustra as soluções dos itens (a) e (c) e os comandos abaixo foram utilizados para obtenção
destes gráficos.
> par(mfrow = c(1, 2), mar = c(3, 3, 0, 0), mgp = c(2, 1, 0))
> plot(f2, -1, 4)
> polygon(x = c(1.5, 1.5, 3), y = c(0, f2(1.5), 0), dens = 10)
> k <- optimise(f, c(0, 3))$min
> plot(f2, -1, 4)
> polygon(x = c(0, 1, k, k), y = c(0, f2(1), f2(k), 0), dens = 10)
> text(c(1.5, k), c(0.2, 0), c("0.95", "k"), cex = 2.5)
Figura 19: Gráficos indicando as soluções dos itens (a) e (c) do Exemplo 2.
Finalmente lembramos que os exemplos discutidos aqui são simples e não requerem soluções numé-
ricas, devendo ser resolvidos analiticamente. Utilizamos estes exemplos somente para ilustrar a obten-
ção de soluções numéricas com o uso do R, que na prática deve ser utilizado em problemas mais
complexos onde soluções analíticas não são triviais ou mesmo impossíveis.
O que é a função de densidade de probabilidade (FDP)?
A função de densidade de probabilidade ajuda a identificar regiões de probabilidades superiores e in-

feriores para os valores de uma variável aleatória.
Exemplo de uma FDP discreta
Para uma variável discreta, a FDP fornece os valores de probabilidade para determinados valores de
x. Por exemplo, um fabricante de doces produz um único tipo de doce em várias cores. 30% das balas
são produzidas em amarelo, 10% são laranja, 10% são vermelhas, 20% são verdes e 30% são azuis.
FDP discreta
Este gráfico de barras exibe a FDP para a cor doces. Cada barra representa a probabilidade dos doces
daquela cor expressos como uma porcentagem.
Exemplo de uma FDP contínua
A função de densidade de probabilidade (FDP) é uma equação que representa a distribuição de pro-
babilidade de uma variável aleatória contínua. Por exemplo, uma máquina que corta rolhas para garra-
fas de vinho produz rolhas com diâmetros diferentes. No gráfico de barras a seguir para os diâmetros
das rolhas, cada barra representa a porcentagem de rolhas com o diâmetro correspondente.
FDP contínua
A curva é a FDP para o diâmetro da rolha. Use a FDP para identificar as áreas de probabilidades
superiores e inferiores para os valores de uma variável aleatória. Por exemplo, apenas uma pequena
porcentagem das rolhas (1%) tem um diâmetro inferior a 2,8 cm.
FDP contínua com limites de especificação
Se os limites de especificação para diâmetro de rolha forem de 2,85 cm a 3,15 cm, o FDP pode indicar
valores de densidade de probabilidade de todas as rolhas deste processo que atendam às especifica-
ções.
A forma da FDP é diferente para as diferentes distribuições. A familiar curva em forma de sino repre-
senta a FDP para uma distribuição normal. Enquanto diâmetro da rolha segue uma distribuição normal,
outras medições, como a força necessária para tirar a rolha da garrafa de vinho, pode seguir uma
distribuição diferente. Por exemplo, a FDP para uma distribuição lognormal tem uma cauda direita
longa.
FDP lognormal
Como uma garrafa de vinho ocasionalmente requer uma quantidade incomum de força para a retirada
da rolha, as medidas desta força muitas vezes seguem uma distribuição com uma longa cauda direita
como a distribuição lognormal.
A função de distribuição acumulada nos dá uma maneira de descrever como as probabilidades são
associadas aos valores ou aos intervalos de valores de uma variável aleatória. De forma geral, consi-
dere o espaço de probabilidade .
Definição 2.1.1:
A função de distribuição acumulada de uma variável aleatória X é uma função que a cada número real
x associa o valor
A notação é usada para designar o conjunto , isto é, denota a imagem

inversa do intervalo pela variável aleatória X. Com isso, podemos observar que a função de
distribuição acumulada tem como domínio os números reais e imagem o intervalo .
O conhecimento da função de distribuição acumulada é suficiente para entendermos o comportamento

de uma variável aleatória. Mesmo que a variável assuma valores apenas num subconjunto dos reais,
a função de distribuição é definida em toda a reta. Ela é chamada de função de distribuição acumulada,
pois acumula as probabilidades dos valores inferiores ou iguais a x.
Exemplo 2.1.1:
Consideremos o Exemplo 2.1. Vamos encontrar a função distribuição acumulada de : "número de

caras obtidas nos três lançamentos".
Os valores que pode assumir são e . Portanto,
Portanto,
Desta forma, temos que a função de distribuição acumulada de é dada por
Exemplo 2.1.2:
O tempo de validade, em meses, de um óleo lubrificante num certo equipamento está sendo estudado.
Seja . Uma variável de interesse é o próprio tempo de validade e, nesse
caso, definimos . Por exemplo, podemos tomar a seguinte função de distribuição
acumulada de :
Observe que neste exemplo, definimos diretamente a Função de Distribuição Acumulada (FDA) ao
invés da probabilidade. Na maioria das aplicações, partimos da FDA para definirmos o modelo proba-
bilístico. Como exercício, mostre qe esta FDA nos fornece um modelo probabilístico .
A função de distribuição acumulada de uma variável aleatória têm três propriedades básicas:
1. , e ;
2. é não decrescente.
3. é uma função contínua à direita e tem limite à esquerda.
Demonstração:
(1) Se , então e assim . Se , en-

tão e assim .
(2) não decrescente é equivalente

a
(3) é contínua a direita é equivalente a se , então é um sequência decrescente de
eventos aleatórios e , pois se, e somente se, . Assim,

concluímos que
Exemplo 2.1.3:
Para o lançamento de uma moeda, temos que e que .

Definimos uma variável aleatória da seguinte forma:
Para obter a função de distribuição acumulada da variável aleatória , é conveniente separar os vários
casos, de acordo com os valores da variável.
Para , , uma vez que o menor valor assumido pela variável é . No inter-
valo , temos que . E, para , temos
que . Dessa forma, foi definida para
todo real. Assim, temos
Note que as propriedades de função de distribuição são facilmente verificadas e que é não de-
crescente para todo real e, portanto, vale a propriedade 2. O seguinte resultado, nos diz que qualquer
função que satisfaz as propriedades básicas é uma função de distribuição acumulada de alguma
variável aleatória na reta. A demonstração deste resultado será colocada na próxima subseção, junta-
mente com o conceito de -álgebra de Borel na reta.
Teorema 2.1.1:
Toda função satisfazendo as propriedades básicas é uma função de distribuição acumulada de al-
guma variável aleatória.
Exemplo 2.1.4:
Seja X uma variável aleatória com distribuição de Poisson, parâmetro . Mostre que a função de
distribuição de é
Temos: se ,
usando a integração por partes tomando o que implica que e o que

implica que , então temos que
no qual .
Exemplo 2.1.5:
Seja X uma variável aleatória com densidade
(a) Determine o valor da constante c.
(b) Ache o valor tal que .( é o primeiro quartil da distribuição de X.)
Exemplo 2.1.6:
Uma variável aleatória X tem função de distribuição
Qual é a densidade de X?
quando F for diferenciável em então
Exemplo 2.1.7:
Verifique que a função de Cantor é uma função de distribuição?
A função de cantor é uma função de distribuição, pois

(i) É não-decrescente o que implica que , .
(ii) É contínua a direita o que implica que , .
(iii) ,
toda função que satisfaz (i), (ii) e (iii) é a distribuição de alguma variável aleatória.
Exemplo 2.1.8:
Seja X uma variável aleatória com densidade
Seja , no qual é uma constante .

(a) Ache a função de distribuição de Y.
Vamos dividir em três etapas primeiramente

(a1) isso implica que
(a2) o que implica que
(a3) o que implica que
Assim,
(b) Decomponha em suas partes discreta, absolutamente contínua e singular.
(b1) Parte discreta , temos que
(b2) tal que
então
(b3) Agora como , temos
então .
Exemplo 2.1.9:
Se é uma variável aleatória com distribuição exponencial de parâmetro , qual a distribuição da

variável aleatória ? Faça a decomposição de .
Temos que (para mais detalhes ver 6.12 )%http://www.portalaction.com.br/probabilida-

des/612-distribuicao-exponencial
(a) Distribuição de Y é dada por
(a1) e
(a2) temos que
(a3)
b) Decomposição de
(b1)
(b2) . Então,
Então,
e então, o que implica que para qualquer .
Exemplo 2.1.10:
Determine a densidade de , no qual . É a densidade da distribuição

uniforme em , e escrevemos . Faça o gráfico da função de distribuição de Y.
Agora
Agora , então
e então
Exemplo 2.1.11:
Se X tem densidade , , qual a distribuição de ?
Então temos que .
Exemplo 2.1.12:
Cinco pontos são escolhidos, independentemente e ao acaso, do intervalo . Seja o número de

pontos que pertencem ao intervalo no qual . Qual a distribuição X?
É a repetição de ensaios com mesma probabilidade de sucesso de e independentes, no qual
Então, . (para mais detalhes sobre Binomial veja seção 5.1 )
Exemplo 2.1.13:
Determine a distribuição do tempo de espera até o segundo sucesso em uma sequência de ensaios de
Bernoulli com probabilidade de sucesso.
Seja a variável aleatória que designa o tempo de espera até o segundo sucesso. Note que a proba-
bilidade de ocorrer 2 sucessos em é . Agora o último ensaio ocorre na última
posição então o primeiro ensaio pode ocorrer em qualquer das posições anteriores. Assim,
Exemplo 2.1.14:
Uma massa radioativa emite partículas segundo um processo de Poisson a uma taxa média de 10
partículas por segundo. Um contador é colocado ao lado da massa. Suponha que cada partícula emitida
atinge o contador com probabilidade de , que o contador registra todas as partículas que o atingem,
e que não há iteração entre as partículas(elas se movimentam independentemente).
(a) Qual a distribuição de número de partículas emitidas até o tempo ?
Temos é a probabilidade de Poisson então
(b) Prove que tem distribuições de Poisson, onde é o número de partículas registradas (conta-
das) até o tempo t, . Qual o parâmetro?
Agora
o que implica que
Agora,
Então
Então,
Esta é uma distribuição que se caracteriza por ter uma função de taxa de falha constante. A distribuição
exponencial é a única com esta propriedade. Ela é considerada uma das mais simples em termos
matemáticos. Esta distribuição tem sido usada extensivamente como um modelo para o tempo de vida
de certos produtos e materiais. Ela descreve adequadamente o tempo de vida de óleos isolantes e
dielétricos, entre outros.
Definição 6.12.1:
A variável aleatória tem distribuição Exponencial com parâmetro , , se tiver função densi-
dade de probabilidade dada por:
em que é o parâmetro de taxa da distribuição e deve satisfazer . Neste caso, é o tempo

médio de vida e é um tempo de falha. O parâmetro deve ter a mesma unidade do tempo da falha .
Isto é, se é medido em horas, também será medido em horas.
A função de distribuição acumulada é dada por
Utilizamos a notação .
Observação 6.12.1:
A distribuição Exponencial pode ser parametrizada de uma forma alternativa segundo a função densi-
dade de probabilidade dada por
Neste caso, dizemos que é o parâmetro de escala da distribuição e é o inverso do parâmetro

taxa na definição acima. Neste definição alternativa, a variável aleatória pode ser interpretada como
a duração de tempo em que um sistema mecânico ou biológico sobrevive. Para este caso, denota-
mos e, infelizmente, esta definição alternativa torna-se ambígua. Neste caso, devemos
verificar qual das duas especificações está sendo utilizada quando escrevemos . Ou seja,
devemos sempre verificar se está se referindo ao parâmetro taxa ou ao parâmetro escala da distri-
buição.
Deixamos claro aqui que, a menos que especifiquemos o contrário, sempre que escreve-
mos estamos nos referindo à parametrização em que é o parâmetro taxa.
Notem que a função exponencial, na verdade, é um caso particular da função Gama, pois
se , então
O gráfico abaixo mostra a distribuição exponencial com parâmetros e .
Figura 6.12.1: Gráfico da função densidade para distribuição Exponencial.
Exemplo 6.12.1:
O tempo até a falha do ventilador de motores a diesel tem uma distribuição Exponencial com parâme-
tro horas. Qual a probabilidade de um destes ventiladores falhar nas primeiras 24000 horas
de funcionamento?
Ou seja, a probabilidade de um destes ventiladores falhar nas primeiras horas de funcionamento

é de, aproximadamente, 56,7%.
Exemplo 6.12.2:
Suponha que o tempo de vida de uma determinada espécie de inseto tenha uma distribuição exponen-
cial de parâmetro dia. Suponha também que estes insetos atinjam a maturidade sexual
após dias de seu nascimento. Qual a função densidade de probabilidade, em dias, dos insetos que
conseguem se reproduzir? E qual a probabilidade de que um inseto reprodutor viva mais de dias?
Seja a distribuição do tempo de vida dos insetos, e a distribuição do tempo de vida dos insetos
que chegam a reprodução. Observem que , assim
Portanto, a função densidade de probabilidade de é dada por
Agora falta encontramos qual a probabilidade de que o inseto reprodutor dure mais de 24 dias. Usando
a densidade acima temos que
Exemplo 6.12.3:
Uma fábrica utiliza dois métodos para a produção de lâmpadas. 70% das lâmpadas são produzidas
pelo método e as demais pelo método . A duração da lâmpada depende do método pelo qual ela
foi produzida, sendo que as produzidas pelo método seguem uma distribuição exponencial com pa-
râmetro e as do método seguem uma exponencial de parâmetro . Qual a probabilidade
de que, se escolhermos uma lâmpada ao acaso, ela dure mais de horas?
Sejam e e considere os evento C={Uma lâmpada durar mais

de 100 horas}, A={A lâmpada ter sido fabricada pelo método A} e B={A lâmpada ter sido fabricada pelo
método B}. Assim usando o teorema 1.4.2 obtemos que
e, portanto,
Portanto a probabilidade de que uma lâmpada escolhida ao acaso dure mais de 100 horas é de 31%.
Exemplo 6.12.4:
Sabendo que , qual a função densidade de probabilidade de .
Sabemos que a densidade de é dada por
Assim
e, portanto, concluímos que
Portanto segue uma distribuição uniforme em (0,1).
Função Geradora de Momentos, Valor Esperado e Variância
Seja uma variável aleatória com distribuição exponencial com parâmetro . Então sua função gera-
dora de momentos é dada por:
Temos que o valor esperado e a variância de uma variável aleatória X com distribuição exponencial
com parâmetro λ são dados, respectivamente, por
e, resolvendo esta integral por partes concluímos que
Portanto, o valor esperado de é . Para encontrar a variância de , vamos primeiramente calcular

o valor esperado de .
e, resolvendo a integral por partes, obtemos que
Portanto a variância de é dada por
Assim, o valor esperado e a variância de são dados, respectivamente por:
Podemos calcular também o valor esperado e a variância utilizando a função geradora de momentos
Portanto, o valor esperado e a variância podem ser calculados por
Quando estamos trabalhando com a distribuição exponencial parametrizada com o parâmetro es-
cala temos que
Distribuição Exponencial (ou exponencial negativa)
A distribuição exponencial pode ser associada com a distribuição geométrica. Porém antes de tratar-
mos das similaridades da propriedade dessas duas distribuições avaliaremos as características da va-
riável aleatória.
De uma forma bastante resumida imagine uma variável aleatória Poisson, onde temos a contagem do
número de ocorrências em um intervalo. Suponha agora que estejamos interessados em verificar a
probabilidade do tempo transcorrido entre duas ocorrências consecutivas. Essa última é considerada
uma variável aleatória exponencial.
Essa distribuição contínua que pode ser utilizada para descrever as probabilidades envolvidas no tempo
que decorre para que um determinado evento aconteça. Existe uma conexão muito próxima entre a
distribuição exponencial e a de Poisson. Ou seja, é Utilizada para descrever o tempo entre as ocorrên-
cias de sucessivos eventos de uma distribuição de Poisson.As relações entre as distribuições podem
ser associadas a um processo estocástico, chamado de processo de poisson.
Para simplicar a abordagem imagine um processo de chegada sendo monitorando ao longo do tempo
(sendo o tempo uma variável contínua).
Onde a taxa de chegada é um parâmetro associado λλ por unidade de tempo.
Para esse exemplo podemos estar interessados em algumas quantidades, como o número de chega-
das em um determinado intervalo (contínuo). Essa quantidade é descrita por uma variável aleatória
Poisson. Outra quantidade de interesse poderia ser a distribuição do tempo entre chegadas, onde essa
quantidade é uma variável aleatória Exponencial.
Variável Aleatória Generalizada
Seja XX a distância/tempo entre contagens sucessivas de um processo de Poisson.
Exemplos
Dado um experimento aleatório ee, de acordo com a v.a.d. XX:
• Seja XX o tempo entre as avarias de um equipamento.
• Seja XX o tempo entre as chegadas de táxis a uma interseção movimentada.
• Seja XX o tempo entre as chegadas de aeronaves a um aeroporto específico.
• Seja XX a distância entre duas falhas sucessivas em uma fita magnética.
• Seja XX a distância entre grandes buracos em uma rodovia movimentada.
Função Densidade de Probabilidade
fX(x)=λe−λx0≤x<∞fX(x)=λe−λx0≤x<∞
Sendo λ>0λ>0
Função de Distribuição Cumulativa
FX(x)=P(X≤x)=1−e−λxx≥0FX(x)=P(X≤x)=1−e−λxx≥0
Sendo λ>0λ>0
Valor Esperado e Variância
E[X]=1λV(X)=1λ2E[X]=1λV(X)=1λ2
Seja XX uma variável aleatória exponencial X∼Exp(λ)X∼Exp(λ), a forma da distribuição e determinada

pelo valor de λλ.
Code
A distribuição exponencial permite caracterizar o tempo/distância entre as ocorrências oriundas de um

processo de poisson.
Imagine que estejamos analisando um jogo de futebol e temos interesse em caracterizar o número de
gols por partida, essa variável aleatória é uma Poisson. Podemos ainda caracterizar o tempo entre
essas ocorrências, e essa v.a. é uma Exponencial.
Exemplo - Exponencial 1
Suponha que XX tenha uma distribuição exponencial, com λ=2λ=2. Determine,
a. P(X≤0)P(X≤0)
b. P(X≤1)P(X≤1)
c. P(x≥2)P(x≥2)
d. P(1<X<2)P(1<X<2)
e. Encontre o valor de xx tal que a P(X<x)=0.05P(X<x)=0.05 ***
Solução
Code
a. P(X≤0)P(X≤0)
P(X≤0)=∫00λe−λxdx=0P(X≤0)=∫00λe−λxdx=0
b. P(X≤1)P(X≤1)
P(X≤1)=∫102e−2xdx=−e−2x|10=1−e−2=0.8647
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________

16 Função de Probabilidade

Enviado por

Dados do documento

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

16 Função de Probabilidade

Enviado por

Direitos autorais:

Formatos disponíveis

FUNÇÃO DE PROBABILIDADE

O que é função ou distribuição de probabilidade?

Sexo do conjunto de filhos Casos Probabilidade

Gráfico da distribuição de probabilidade.

O que se entende por Lei dos Grandes Números ?

O que é a Curva de Gauss ?

Cálculo da média em função da probabilidade.

Cálculo do desvio padrão em função da probabilidade.

Considere uma distribuição de probabilidades onde o desvio padrão é , a média é x e xn é um valor

Qual é o aspecto da Curva de Gauss ?

O aspecto da Curva de Gauss está mostrado na figura.

Quais são as propriedades da Curva de Gauss ?

1- máximo da função corresponde à média x

O que é a zona de normalidade ?

Qual é a equação da Curva de Gauss ?

A equação da Curva de Gauss em função dos resíduos em relação à média é:

Qual é o gráfico da Curva de Gauss considerando os resíduos em relação à média ?

O gráfico da Curva de Gauss considerando os resíduos em relação à média é:

Como calcular a probabilidade para um determinado resíduo em relação à média ?

O cálculo da probabilidade de ocorrência de um determinado resíduo em relação à média é realizado

Como calcular a probabilidade para um determinado intervalo de resíduos em relação à média?

Conceitos básicos sobre distribuições de probabilidade

O objetivo desta sessão é mostrar o uso de funções do R em problemas de probabilidade. Exercícios

Os problemas nesta sessão foram retirados do livro:

EXEMPLO 1 (adaptado de Bussab & Morettin, página 132, exercício 1)

• mostre que está função é uma f.d.p.

• calcule a probabilidade de que X > 1

• calcule a probabilidade de que 0.2 < X < 0.8

> f1 <- function(x) {

Figura 16: Gráfico da função de probabilidade do Exemplo 1.

> integrate(f1, 0, Inf)

1 with absolute error < 5e-07

Figura 17: Probabilidades pedidas nos itens (b) e (c) do Exemplo 1.

E para obter as probabilidades pedidas usamos integrate().

> integrate(f1, 1, Inf)

0.1353353 with absolute error < 2.1e-05

> integrate(f1, 0.2, 0.8)

0.4684235 with absolute error < 5.2e-15

EXEMPLO 2 (Bussab & Morettin, página 139, exercício 10)

• Calcular a probabilidade de que sejam vendidos mais que 150 kg.

• Calcular a venda esperada em 30 dias.

Novamente começamos definindo um objeto do R que contém a função dada em 3.

> f2 <- function(x) {

1 with absolute error < 1.1e-15

> plot(f2, -1, 4)

1 with absolute error < 1.1e-15

Figura 18: Gráfico da função densidade de probabilidade do Exemplo 2.

> integrate(f2, 1.5, Inf)

0.3749999 with absolute error < 3.5e-05

> ef2 <- function(x) {

1.333333 with absolute error < 7.3e-05

> 30 * integrate(ef2, 0, 3)$value

> f <- function(x) abs(0.95 - integrate(f2, 0, x)$value)

O que é a função de densidade de probabilidade (FDP)?

A função de densidade de probabilidade ajuda a identificar regiões de probabilidades superiores e in-

Exemplo de uma FDP discreta

Exemplo de uma FDP contínua

FDP contínua com limites de especificação

A notação é usada para designar o conjunto , isto é, denota a imagem

O conhecimento da função de distribuição acumulada é suficiente para entendermos o comportamento

Consideremos o Exemplo 2.1. Vamos encontrar a função distribuição acumulada de : "número de

Os valores que pode assumir são e . Portanto,

Desta forma, temos que a função de distribuição acumulada de é dada por

3. é uma função contínua à direita e tem limite à esquerda.