DISTRIBUIÇÕES

Probabilidade e Estatística
Distribuição das Variáveis

Cálculo Combinatório =
Interessa a ordem? Há repetição Designação Número de

maneiras distintas
de escolher os k
elementos
n!
Sim Não Arranjos n
Ac 
( n  k )!
Sim Sim Arranjos com

repetição n , k
A k
n
Não Não Combinações n

C    
n n!
k
 k  ( n  k )! k!
(n  k  1)!
Não Sim Combinações n
Ck 
,
com repetição (n  1)! k! 2

12/06/2021
Curso:MAT PROBABILIDADE E ESTATÍSTICA
Distribuições discretas
=

Distribuição Uniforme
Definição (Distribuição Uniforme discreta).Dizemos que
a variável aleatória X segue uma distribuição Uniforme
Discreta de parâmetro n e escrevemos , ou
abreviadamente, se a função de probabilidade de X é
dada por:
𝟏𝟐 … 𝒏
{
𝑿= 𝟏 𝟏
𝒏 𝒏
…
𝟏
𝒏
𝒐𝒖 𝑷 ( 𝑿 = 𝒙 ) =
𝟏
𝒏
, 𝒙=𝟏 , … , 𝒏 .
3
12/06/2021
=

A respectiva função de distribuição é:
Proposição (Valor médio e Variância). Considere a v.a

Então,
4
12/06/2021
Distribuições discretas =
Distribuição de Bernoulli
Definição (Prova de Bernoulli). Trata-se de uma
experiência aleatória com apenas dois resultados
possíveis (que costuma designar por “Sucesso” ou
“Insucesso”).
Definição (Distribuição de Bernoulli). É sempre possível

definir uma variável aleatória x que toma o valor 1 se o
resultado da experiência é “Sucesso” e 0 se é
5
“Insucesso”.
12/06/2021
=

Denotando então a função de probabilidade de X é dada por:
Dizemos que a v.a. X segue uma distribuição de Bernoulli, de

parâmetro p, e escrevemos
Proposição: Seja a v.a Então
6
12/06/2021
1 Experiência aleatória: lançamento de um dado equilibrado
X:   R
xx |
1 2 3 4 5 6
X 1
0,2
1 1 1 1 1
6 6 6 6 6 6 0,1
X uma v.a. Uniforme em {1, 2, 3, 4, 5, 6} 0

1 2 3 4 5 6
1 2 3 ... n  1 n

X  1 1 1 1 1
...
n n n n n 7
Curso:MAT XPROBABILIDADE
uma v.a. Uniforme em {1, 2, 3, …, n-1, n}
E ESTATÍSTICA 12/06/2021
2 Experiência aleatória: lançamento de uma moeda equilibrada
X
 R
0,5
0 1

1 X  1 1
0  2 2 0
0 1
X uma v.a. Uniforme em {0, 1}

ou
X uma v.a. de Bernoulli de parâmetro ½.
“INSUCESSO” “SUCESSO” 1
 0 1(0 < p < 1)

X  0,5
1 p p
 0
8
Curso:MAT
X uma v.a. de Bernoulli de parâmetro p.
PROBABILIDADE E ESTATÍSTICA
0
12/06/2021
1
p = 0.3
P(“SUCESSO”) = p P(“INSUCESSO”) = 1-p
Distribuições Discretas
=

Distribuição Binomial
Definição (Distribuição Binomial). Considere-se uma
sucessão de provas de Bernoulli independentes, onde em
cada prova a probabilidade de “Sucesso”, p, é constante. A
v.a segue uma distribuição binomial de parâmetros n e p,
e escrevemos A função de probabilidade é :
Observação: pela definição anterior, temos que
9
12/06/2021
=

Proposição ( Valor médio e Variância). Considere a v.a.
Então,
10
12/06/2021
Função de distribuição (f.d.)
FX : R  R
x  P X  x 
X Binomial (n, p)
(
0,35
(n  1, natural e 0<p<1) 0,3
0,25
i , i  0, ..., n 0,2
 n 
X 
0,15
  p i 1  p 
n i 0,1
 i 
 0,05
0
0 1 2 3 4 5 6 7
0, se x  0
FX  x    n 
  p 0 1  p   1  p  ,
n 0 n
se 0  x  1
0
 
n 0 n
  p 1  p     p1 1  p  , se 1  x  2
n0 n 1
0 1

k
n
  i  p 1  p  11
n i
se k  x  k  1
i
,
i 0  
 n = 7, p = 0.3
Curso:MAT PROBABILIDADE E ESTATÍSTICA 12/06/2021
1, se x  n
• Exemplo:
De uma linha de produção em série, retiram-se 5 peças.

Admitindo que a percentagem de peças defeituosas é
de 10%, calcule,
1) A probabilidades de existir no máximo 1 peça
defeituosa.
2) O valor esperado e a variância.
12
Distribuição Hipergeométrica
Mais geralmente,
Se a população tem um total de N elementos, K dos quais apresentam a
característica S (e N-K apresentam a característica S). Ao extrair ao
acaso e sem reposição n desses elementos, a probabilidade de
exactamente i terem a característica S (e, consequentemente, n-i terem
a característica S) é
 n  K K  1 K   i  1 N  K
    N  K  (n  i  1)
 i  N N  1 N   i  1 N  i N   n  1
N

n! K!  N  K !  N  n !
i! n  i !  K  i !  N  K  n  i ! N !
n
 K  N  K  N 13
K N-K       .
Curso:MAT
 i  n  i 
PROBABILIDADE E ESTATÍSTICA
n 12/06/2021
Distribuição Hipergeométrica (Cont)
A v.a. X que conta o número de sucessos na amostra
acima descrita chama-se hipergeométrica de parâmetros N,
n e p=K/N e  K  N  K 
   Claro que 0 ≤ i ≤ K, e que 0 ≤ n-i ≤ N-K,
 i  n  i 
pi  P X  i   . pelo que se conclui que o número de
N
  sucessos pode tomar valores entre
n
max{0, n+K-N} e min{K, n}.
Resumindo, se X Hipergeométrica(N, n, p) então

(
 max  0, n  N  k   i  min  n, k 
 i
i inteiro
X  K N K 14
   N
    
Curso:MAT  i  n  i E ESTATÍSTICA
PROBABILIDADE n 12/06/2021
(onde K=Np).
=

Proposição (Valor médio e Variância). Seja a v.a. Então:
15
12/06/2021
Distribuição Hipergeométrica
EXEMPLO
Uma empresa pretende contratar 5 gestor; para o efeito
põe um anúncio num jornal, na sequência do qual se
oferecem 20 candidatos. Uma vez que fazer entrevistas e
testes psicotécnicos aos 20 candidatos é muito caro e
demorado, o agente decide testar apenas 10 dos 20
candidatos. Qual a probabilidade de contratar 3 dos 5
melhores?
 5 15   20 
P ( X  3)       .
 3  7   10 
16
=

Distribuição de Poisson
Definição ( Processo de Poisson). Suponha que estamos

interessados em estudar a variável aleatória X que conta o
número de ocorrências de um acontecimento num dado
intervalo de tempo t ( por exemplo, o número de acidentes
rodoviários ocorridos num dia ou número de clientes que
entram numa loja durante 1hora). Temos um processo de
Poisson de parâmetro quando se verificam as seguintes
17
condições:
12/06/2021
=

1. A probabilidade p de ocorrer exactamente um
acontecimento num intervalo de amplitude
arbitrariamente pequena d é proporcional à sua
duração, isto é,
2. A probabilidade de ocorrer mais do que um

acontecimento num intervalo de amplitude
arbitrariamente pequena é aproximadamente igual a
zero. 18
12/06/2021
=
3. O número de acontecimentos que ocorrem em dois
intervalos disjuntos são independentes.
4. O numero de ocorrência em dois intervalos com a

mesma duração, têm a mesma distribuição.
19
12/06/2021
=

Teorema
Sendo então
20
12/06/2021
Distribuições Discretas
• Exemplo: Admita que o número de camiões que,
por hora, atravessam a ponte 25 de Abril segue
uma distribuição de poisson com variância igual a
8.
i) Qual a probabilidade de que, numa hora,

exactamente 4 camiões atravessem a ponte?
ii) Qual a probabilidade de que , numa hora, pelo
menos 4 camiões atravessem a ponte?
21
• Exemplo:
Durante a hora de almoço ( das 12 às 14 horas), o
número médio de automóveis que chegam a um
dado parque de estacionamento é de 360.
Qual será a probabilidade de um minuto,

1) Chegaram 2 automóveis.
2) Chegaram pelo menos 2 automóvel.
22

DISTRIBUIÇÕES

Enviado por

Dados do documento

Descrição 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

Enviado por

Direitos autorais:

Formatos disponíveis

Probabilidade e Estatística

Distribuição das Variáveis

Interessa a ordem? Há repetição Designação Número de

Sim Sim Arranjos com

Não Não Combinações n

com repetição (n  1)! k! 2

Proposição (Valor médio e Variância). Considere a v.a

Definição (Distribuição de Bernoulli). É sempre possível

Dizemos que a v.a. X segue uma distribuição de Bernoulli, de

Proposição: Seja a v.a Então

X uma v.a. Uniforme em {1, 2, 3, 4, 5, 6} 0

X uma v.a. Uniforme em {0, 1}

 0 1(0 < p < 1)

Observação: pela definição anterior, temos que

Proposição ( Valor médio e Variância). Considere a v.a.

(n  1, natural e 0<p<1) 0,3

De uma linha de produção em série, retiram-se 5 peças.

Resumindo, se X Hipergeométrica(N, n, p) então

Definição ( Processo de Poisson). Suponha que estamos

2. A probabilidade de ocorrer mais do que um

4. O numero de ocorrência em dois intervalos com a

i) Qual a probabilidade de que, numa hora,

Qual será a probabilidade de um minuto,

Você também pode gostar