Distribuições discretas, distribuições

contínuas, distribuição amostral e

TCL

Prof. Dr. Wagner A. Pansera

 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?
Distribuições Continuas
 Distribuição Normal
• Utilizada para descrever o comportamento de uma
variável aleatória que flutua de forma simétrica em
torno de um valor central.
• Algumas de suas propriedades matemáticas fazem do
modelo apropriado à modelação de variáveis que
resultam da soma de um grande número de outras
variáveis independentes.
• Está na origem de toda a formulação teórica acerca da
construção de intervalos de confiança, testes estatísticos
de hipóteses, bem como da teoria de regressão e
correlação.
 Propriedades

D  x x  IR

• Forma de sino e simétrica em relação a E[X]=µ

• Var[x]=σ2
Propriedades
Propriedades
 Exemplos

• Suponha que a resistência média a

compressão de um lote de 500 blocos de
concreto seja 28,5MPa com desvio padrão de
2,5MPa. Supondo que a resistência a
compressão dos blocos tenha forma
gaussiana, quantos blocos terão resistência
inferior a 25 MPa.
 Exemplo

• Suponha que o peso médio de 800 porcos de

uma certa fazenda é de 64kg, e o desvio
padrão é de 15kg. Supondo que este peso
seja distribuído de forma normal, quantos
porcos pesarão entre 42kg e 73kg.
 Exemplo
• Suponha que a resistência de um concreto
tenha distribuição normal com média 30 MPa
e desvio padrão de 2,5 MPa.

• A) Calcule P[28 ≤ X ≤ 38]

• B)P[X ≤ a]=0,95 (Determinar a)
• C)P[X ≥ b]=0,10 (Determinar b)
 Exemplo
• O diâmetro de uma haste de metal usada em
uma unidade de disco é normalmente
distribuída com média 0,2508in e desvio
padrão de 0,0005in. As especificações sobre a
haste foram estabelecidas como
0,25±0,0015in.
• Deseja-se saber qual a fração das hastes
produzidas que satisfaz as especificações.
Teorema Central do Limite
 Teorema Central do Limite
• TCL é um dos resultados fundamentais da
teoria da probabilidade.

• Em palavras, o teorema diz que “toda soma de

variáveis aleatórias independentes é
aproximadamente Normal” desde que o
número de termos na soma seja
suficientemente grande.
 Teorema Central do Limite
• Soma de variáveis independentes são
aproximadamente normais

• Médias de variáveis independentes são

aproximadamente normais

• E o mais interessante que NÃO INTERESSA qual

a densidade de probabilidade que estão sendo
somadas
Distribuições Amostrais
 INTRODUÇÃO
• Nos problemas de inferência, estamos interessados
em estimar um parâmetro θ da população através
de uma AAS X1, X2, ..., Xn.
• Para isso, usamos uma estatística T, com base no
valor obtido para T a partir de uma particular
amostra, iremos tomar as decisões que o problema
exige.
• T é uma v.a., uma vez que depende da amostra
sorteada; amostras diferentes fornecerão diferentes
valores para T .
 Introdução

• A função de distribuição amostral de uma

estatística T é a função de distribuição de
probabilidades de T ao longo de todas as
possíveis amostras de tamanho .
Distribuições Amostrais
 Exemplo
• Consideremos o seguinte exemplo, onde
nossa população é o conjunto {1, 3, 6, 8}, isto
é, este é o conjunto dos valores da
característica de interesse da população em
estudo. Determinar E[X] e Var[x]
 Exemplo
• Suponha que dessa população iremos extrair
uma AAS de tamanho 2 e a estatística que
iremos calcular é a média amostral.

• Obter a distribuição da média amostral

 Conclusão
• Podemos ver que a obtenção da distribuição
amostral de qualquer estatística T é um processo
tão ou mais complicado do que trabalhar com a
população inteira.
• Na prática, o que temos é uma única amostra e
com esse resultado é que temos que tomar as
decisões pertinentes ao problema em estudo.
• Esta tomada de decisão, no entanto, será facilitada
se conhecermos resultados teóricos sobre o
comportamento da distribuição amostral.
 Teorema Central do Limite
• A interpretação prática do teorema central do
limite é a seguinte:
• para amostras “grandes” de qualquer
população, podemos aproximar a distribuição
amostral de X por uma distribuição normal
com a mesma média populacional e variância
igual à variância populacional dividida pelo
tamanho da amostra
 Distribuições Amostrais
• Quando as observações são amostradas
aleatoriamente de uma distribuição normal, a
média amostral também tem uma distribuição
normal.
• Isto é, quando n observações são amostradas
aleatoriamente de uma distribuição normal
com média µ e variância σ2, a média amostral
tem distribuição normal com média µ e
variância σ2/n .
 Distribuição Amostral da Média
• Quando a distribuição da população de eventos
não seguem uma distribuição Normal, a
distribuição da média dos dados converge para a
distribuição Normal conforme o tamanho da
amostra aumenta.
• Assim, qualquer que seja a distribuição de seus
dados, para um número suficientemente grande
de observações, a distribuição de probabilidade da
média se aproxima da distribuição Normal com
média μ e variância σ2/n