Distribuições de probabilidade

Prof. Dr. Wagner A. Pansera

 V. A.
• Uma V.A. é uma função X que associa um valor
numérico a cada resultado de um
experimento.

• Embora diferentes resultados do experimento

possam compartilhar o mesmo valor
associado a X, há um único valor numérico da
variável aleatória, associado a cada resultado.
 Exemplo
• Considere o lançamento simultâneo de duas
moedas, distinguíveis uma da outra.
• A) Determine o Espaço amostral
• B) Determine a probabilidade de cada evento
• C) X é uma V.A. definida como o numero de
faces, determine as probabilidades dos
eventos elementares
FMP e FAP
 V.A. Discreta

• Assumi apenas valores numéricos inteiros e,

também, pode estar associado a um espaço
amostral finito e numerável.
 V.A. Continua
• Por outro lado, se a variável aleatória X pode
assumir qualquer valor real, ela é do tipo
contínuo e, nesse caso, a função equivalente à
FMP é denominada função densidade de
probabilidade (FDP).
• Essa função não negativa, aqui denotada por
f(x)
FDP
FAP
 FAP
• FAP de uma variável aleatória contínua X, aqui
representada por F(x), fornece a probabilidade
de não superação do argumento x, ou seja,
P(X≤x).
 Considerações
• Como requisito geral, para que se trate de
uma densidade de probabilidades, a função
deve ser não negativa e o resultado de sua
integração, ao longo de todo o domínio de
variação de X, deve ser igual a 1.

• Em particular, a função densidade de

probabilidade de uma variável contínua X
pode ter uma grande variedade de formas.
 Exemplo
• Considere que a variável aleatória ‘vazão
media diária máxima anual’, em m3/s, em uma
certa estação fluviométrica, seja representada
por X e que sua função densidade de
probabilidade seja dada pela Figura a seguir .
Pede-se
• (a) P(X < 100 m3/s)
• (b) P(X > 300 m3/s).
Medidas Descritivas Populacionais
• A população de uma variável aleatória X é
integralmente conhecida, sob o ponto de vista
estatístico, pela completa especificação da
função de probabilidades.

• Analogia com a estatística descritiva amostral

– Inferência
 Valor Esperado (Média populacional)
• O valor esperado de X é o resultado da
ponderação dos valores possíveis da variável
aleatória.
 Propriedades
• O operador esperança matemática apresenta
as seguintes propriedades:
 Exemplo
• A esperança matemática E[X-µ] é
denominado momento central de ordem 1 e
corresponde à média das distâncias de x, em
relação à média µ, ponderada pela FDP ou
pela FMP de X. Use as propriedades do
operador esperança matemática para mostrar
que é nulo o momento central de ordem 1.
 Variância Populacional
• A variância populacional de uma variável
aleatória X, representada por Var[X], ou
σ2, é definida como sendo o momento
central de segunda ordem.
• Corresponde à medida populacional mais
frequentemente empregada para
caracterizar a dispersão das funções de
probabilidade.
 Variância Populacional

• Expandindo usando as propriedades de E[X]

 Exemplo
• Os possíveis valores de uma variável aleatória X
são {0, 1, 2, 3, 4}, com as seguintes
probabilidades:

• P(X=0)=0,6561; P(X=1)=0,2916; P(X=2)=0,0486;

P(X=3)=0,0036; P(X=4)=0,0001

• Determine as medidas descritivas

populacionais.
 Distribuições de probabilidades

• Um modelo de distribuição de probabilidades

é uma forma matemática abstrata, a qual, por
suas características intrínsecas de
variabilidade e conformação, devem ser
capazes de representar, de modo conciso, as
variações possíveis de uma variável aleatória.
 Distribuições de probabilidades

• Um modelo de distribuição de probabilidades

também é uma forma paramétrica, cujos
valores numéricos o definem completamente
e o particularizam para uma certa amostra de
observações de uma variável aleatória.
 Distribuições discretas
• Processos de Bernoulli
– Inclui as distribuições binomial, geométrica e
binomial negativa.

• Processos de Poisson
– Distribuição de Poisson

• Distribuições hipergeométrica e multinomial

 Processos de Bernoulli
• Considere um experimento com somente dois
resultados possíveis e dicotômicos: {S,F}

• Se a probabilidade de ocorrer um sucesso é

igual a p e se associarmos a esse experimento
uma variável aleatória discreta X, cujos valores
possíveis são X = 1 para o resultado S e X = 0
para o resultado F, diz-se que X segue uma
distribuição de Bernoulli.
 Processos de Bernoulli
• Agora, de modo mais geral, suponha que a
escala de tempo de um determinado processo
estocástico tenha sido discretizada em intervalos
de largura definida, indexados por i =1, 2, ...
• Suponha também que, em cada intervalo de
tempo, pode ocorrer um único ‘sucesso’, com
probabilidade p, ou uma única ‘falha’, com
probabilidade (1-p), e que essas probabilidades
não são afetadas pelas ocorrências anteriores.
 Processos de Bernoulli
• i. a variável é dita binomial, quando Y refere-se ao
número de ‘sucessos’ em N repetições
independentes;
• ii. a variável é denominada geométrica, quando Y
refere-se ao número de repetições independentes
necessárias para que um único ‘sucesso’ ocorra;
• iii. a variável é denominada binomial negativa,
quando Y refere-se ao número de repetições
independentes necessárias para que um certo
número r de ‘sucessos’ ocorram.
 Distribuição Binomial
• Considere um experimento composto por uma
sequência de N repetições independentes de
um experimento de Bernoulli.

• A probabilidade de ocorrer um ‘sucesso’,

designado por S, é constante e igual a p, e a
probabilidade de ‘falha’ F é dada por (1-p).
 Distribuição Binomial
• Para cada experimento isolado, a variável de
Bernoulli, denotada por X, pode ter o valor X =
1, se o resultado for um ‘sucesso’, ou X=0, se o
experimento resultar em uma ‘falha’.

• Considere que a variável aleatória discreta Y

representa o número de ‘sucessos’, entre as N
possibilidades.
Distribuição Binomial
 Exemplo
• Suponha que numa linha de produção a probabilidade
de se obter uma peça defeituosa (sucesso) é p = 0,1.
Toma-se uma amostra de 10 peças para serem
inspecionadas. Qual a probabilidade de se obter:

• 1. Uma peça defeituosa?

• 2. Nenhuma peça defeituosa?
• 3. Duas peças defeituosas?
• 4. No mínimo duas peças defeituosas?
• 5. No máximo duas peças defeituosas?
 Distribuição Geométrica
• Considere novamente uma sequência de ensaios de
Bernoulli independentes.
• Suponha agora que o experimento é repetido até que
ocorra sucesso pela primeira vez.
• A variável aleatória X é definida agora como o número de
repetições necessárias para se obter o primeiro sucesso.
• IMPORTANTE: No modelo Binomial o número de
repetições é predeterminado (fixo), ao passo que no
modelo Geométrico o número de repetições é uma
variável aleatória.
 Distribuição Geométrica
• A distribuição de probabilidade do número X
de tentativas de Bernoulli necessárias para
alcançar um sucesso:
 Exemplo

• Um pesquisador está realizando um

experimento no laboratório de química e sabe
que a probabilidade de que cada experimento
apresente uma reação positiva é 0,3. Qual é a
probabilidade de que menos de 5 reações
negativas ocorram antes da primeira positiva?
 Distribuição Binomial Negativa
• Seja X uma variável aleatória que conta o
número de tentativas necessárias para se
obter k sucessos, em n ensaios de Bernoulli
com probabilidade p em cada ensaio.
• Notemos que neste caso o último ensaio será
k-ésimo sucesso.
 Exemplo
• Suponha que, para se ganhar um jogo de
dados seja necessário obter 3 vezes a face
voltada para cima do dado com o número 1.
Sendo que o número de lançamentos devem
ser 6 e devemos obter a face 1 voltada para
cima pela terceira vez no sexto lançamento.
Supondo que o dado seja honesto, qual será a
probabilidade de vencermos o jogo.
 Processos de Poisson
• Estão entre os mais importantes processos
estocásticos.
• Eles podem ser considerados como um caso
limite de um processo de Bernoulli que se
desenvolve em uma escala de tempo, embora
possam ser aplicados ao longo de um
comprimento, ou de uma área, ou de um
volume.
 Processos de Poisson
• Considere um intervalo de tempo de comprimento t, o
qual é subdividido em N subintervalos de comprimento
t / N.
• Suponha que cada subintervalo é suficientemente
pequeno para que a probabilidade de mais de uma
ocorrência de um certo evento S, no tempo t /N, seja
considerada desprezível, quando comparada à
probabilidade p de apenas uma única ocorrência do
evento S nesse intervalo.
• Considere ainda que a probabilidade p é constante para
cada um dos subintervalos.
 Processos de Poisson
• Finalmente, suponha que o número médio de
ocorrências do evento S, em um intervalo de
tempo qualquer, é proporcional ao
comprimento de tal intervalo e que a
constante de proporcionalidade é dada por λ.
 Processos de Poisson
• Se, nessa expressão, fizermos p = λt/N
suficiente pequeno e N suficiente grande, de
modo que Np = λt, é possível demonstrar que
 Distribuição Poisson
• Uma variável aleatória discreta X segue a
distribuição de Poisson com parâmetro λ, se
sua função de probabilidade for dada por
 Exemplo
• Embarcações chegam a uma eclusa à razão
média de 4/hora. Se a chegada de
embarcações é um processo de Poisson,
calcule
• (a) a probabilidade de que 6 barcos cheguem
em 2 horas
• (b) a probabilidade de que o operador da
eclusa possa se ausentar por 15 minutos sem
que nenhum barco chegue nesse intervalo
 Distribuição Hipergeométrica
• Suponha um conjunto com N itens, dos quais
A possuem um certo atributo e (N-A) possuem
o atributo b.
• Considere que uma amostra contendo n itens,
sorteados sem reposição, será retirada do
conjunto de N itens.
• Finalmente, considere que a variável aleatória
discreta Y refere-se ao número de itens com
atributo a, contidos na amostra de n itens.
Distribuição Hipergeométrica
 Exemplo
• Suponha que durante o mês de Fevereiro,
ocorreram 18 dias chuvosos em Ponte Nova do
Paraopeba. Suponha também que a ocorrência de
um dia chuvoso não depende de ter chovido ou não
no dia anterior. Se uma amostra de 10 dias é
selecionada ao acaso, pergunta-se
• (a) qual é a probabilidade de que 7 dias dessa
amostra sejam chuvosos? e
• (b) qual é a probabilidade de que pelo menos 6 dias
dessa amostra sejam chuvosos?