Aula Variaveis Aleatórias e Distribuições PDF

Variáveis Aleátorias
Marcı́lio Ramos Pereira Cardial
Universidade Federal de Goiás

Instituto de Matemática e Estatı́stica
Goiânia, 2018
Marcı́lio Cardial (UFG) Variáveis Aleátorias 1 / 42

Roteiro
VARIÁVEIS ALEATÓRIAS

Roteiro
DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE

Roteiro
DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE

Roteiro
DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
CONSIDERAÇÕES FINAIS

Variável Aleatória
Uma variável aleatória é definida como sendo uma quantidade associada

a cada possı́vel resultado do espaço amostral;


Caso a variável assuma valores em um conjunto enúmeravel, essa é

denominada variável aleatória discreta;



Mas se o conjunto de valores for qualquer intervalo dos números reais,

que seria um conjunto não enúmeravel, a variável é denominada variável
aleatória contı́nua;



Mas se o conjunto de valores for qualquer intervalo dos números reais,

que seria um conjunto não enúmeravel, a variável é denominada variável
aleatória contı́nua;
Os parâmetros são informações que controlam o comportamento da

variável aleatória.

Relação Variáveis Aleatórias e Distribuições de Probabilidade
Algumas variáveis aleatórias adaptam-se muito bem a uma série de

problemas práticos;


Logo, um estudo pormenorizado dessas variáveis é de grande importância

para a construção distribuições de probabilidade para situações reais e
a consequente estimação de parâmetros;


Logo, um estudo pormenorizado dessas variáveis é de grande importância

para a construção distribuições de probabilidade para situações reais e
a consequente estimação de parâmetros;
A seguir, alguns dessas distribuições vão ser objetos de estudo, pro-

curando enfatizar as condições em que elas são utilizadas tal como as
funções de probabilidades (variáveis discretas) ou de funções de densi-
dade de probabilidade (variáveis contı́nuas).

Distribuições Discretas e Contı́nuas
Distribuições de Probabilidade
Em estatı́stica, uma distribuição de probabilidade descreve a chance

que uma variável pode assumir ao longo de um espaço de valores;


Ela é uma função cujo domı́nio são os valores da variável e cuja imagem
são as probabilidades de a variável assumir cada valor do domı́nio;


O conjunto imagem deste tipo de função está sempre restrito ao inter-

valo entre 0 e 1;



valo entre 0 e 1;
Uma distribuição de probabilidade pode ser discreta (como em um jogo

de dados) ou contı́nua.



valo entre 0 e 1;
Uma distribuição de probabilidade pode ser discreta (como em um jogo

de dados) ou contı́nua.
É comum o uso de funções que se ajustem à distribuição de probabili-

dade.
Pode-se calcular algumas caracterı́sticas da distribuição de probabilidade:
Esperança: Essa quantidade é frequentemente utilizada como resumo

do comportamento da variável e serve como parâmetro para várias
distribuições como Poisson e Normal;


Variância: Existem muitas outras medidas de variabilidade, mas, sem

dúvidas a variância é a mais importante delas. Ela é paramêtro de
algumas distribuições como, por exemplo, a distribuição Normal;


Variância: Existem muitas outras medidas de variabilidade, mas, sem

dúvidas a variância é a mais importante delas. Ela é paramêtro de
algumas distribuições como, por exemplo, a distribuição Normal;
Desvio-Padrão: Tem a mesma unidade de medida da variável original,

e assim é muito útil para avaliar a amplitude dos possı́veis valores da
variàvel.

Distribuições Discretas de Probabilidade
Função de Probabilidade
Ao considerar uma variável aleatória discreta X , a função que atribui a

cada valor da variável aleatória a sua probabilidade é denominada de função
discreta de probabilidade, que é representada por p(xi ). Sendo assim,
p(xi ) = P(X = xi ) deve satisfazer as seguintes condições:
i) 0 ≤ p(xi ) ≤ 1 , i = 0, 1, 2, . . . ;
∞
X
ii) p(xi ) = 1.
i=0

Função Distribuição Acumulada
A função distribuição acumulada (FDA) é a probabilidade da variavel aleatória

X assumir valores menores ou iguais a x, em que x é um número real. A
FDA é representada por F (x) de modo que:
F (x) = P(X ≤ x). (1)

Função Distribuição Acumulada
A função distribuição acumulada (FDA) é a probabilidade da variavel aleatória

X assumir valores menores ou iguais a x, em que x é um número real. A
FDA é representada por F (x) de modo que:
F (x) = P(X ≤ x). (1)
Para variável aleatória discreta, a FDA é:

X
F (x) = p(xi ) (2)
xi ≤x
em que, p(x) é a função de probabilidade de x.

Exemplo 01: Uma população de 1000 crianças foi analisada em um estudo
para determinar a efetividade de uma vacina contra um tipo de alergia. No
estudo, as crianças recebiam uma dose de vacina e após um mês passaram
por novo teste. Caso ainda tivessem alguma reação alergica, recebiam outra
dose da vacina. Ao fim de 5 doses todas as crianças foram consideradas
imunizadas. Os resultados estão abaixo:

P
Doses 1 2 3 4 5
Imunizados 245 288 256 145 66 1000

P
Doses 1 2 3 4 5
Imunizados 245 288 256 145 66 1000
Ao considerar X : “´número de doses necessárias para imunizar crianças”,

tem-se:
P
X 1 2 3 4 5
p(xi ) = P(X = xi ) 0,245 0,288 0,256 0,145 0,066 1

P
Doses 1 2 3 4 5
Imunizados 245 288 256 145 66 1000
Ao considerar X : “´número de doses necessárias para imunizar crianças”,

tem-se:
P
X 1 2 3 4 5
p(xi ) = P(X = xi ) 0,245 0,288 0,256 0,145 0,066 1
a) Qual a probabilidade de uma criança ter recebido duas doses somente.

b) Qual a probabilidade de uma criança ter recebido até duas doses.
Valor Esperado
Seja X uma variável aleatória discreta e p(xi ) = P(X = xi ), i = 1, 2, . . . , n.

Então o valor esperado ou “esperança” de uma v. a. discreta X denotada
por E (X ) é definida como
n
X
E (X ) = xi p(xi ). (3)
i=1

Valor Esperado
Seja X uma variável aleatória discreta e p(xi ) = P(X = xi ), i = 1, 2, . . . , n.

Então o valor esperado ou “esperança” de uma v. a. discreta X denotada
por E (X ) é definida como
n
X
E (X ) = xi p(xi ). (3)
i=1
Exemplo 02: Determine a esperança da variável aleatória (v.a.) X do exem-

plo 01.

Valor Esperado (propriedades)

i) Se X = c com c uma constante real, então E (X ) = c.


ii) Seja c uma constante real e X uma variável aleatória. Então,
E (cX ) = cE (X )


E (cX ) = cE (X )
iii) Sejam X e Y duas variáveis aleatórias quaisquer. Então,

E (X + Y ) = E (X ) + E (Y ).


E (cX ) = cE (X )

E (X + Y ) = E (X ) + E (Y ).
iv ) Sejam n variáveis aleatórias X1 , . . . , Xn . Então,

E (X1 + X2 + . . . + Xn ) = E (X1 ) + E (X2 ) + . . . + E (Xn ).


E (cX ) = cE (X )

E (X + Y ) = E (X ) + E (Y ).
iv ) Sejam n variáveis aleatórias X1 , . . . , Xn . Então,

E (X1 + X2 + . . . + Xn ) = E (X1 ) + E (X2 ) + . . . + E (Xn ).
v ) Sejam X e Y variáveis aleatórias independentes. Então,

E (XY ) = E (X )E (Y ).
Variância
Seja X uma variável aleatória. Define-se a variância de X , denotada

por Var (X ) ou σX2 , da seguinte maneira:
Var (X ) = E [X − E (X )]2
= E (X 2 ) − [E (X )]2 , (4)
n
X
em que, E (X 2 ) = xi2 p(xi ).
i=1

Variância

Var (X ) = E [X − E (X )]2
= E (X 2 ) − [E (X )]2 , (4)
n
X
i=1
A raiz quadrada positiva de Var (X ) é denominada o desvio-padrão de

X , e é denotado por σX .

Variância

Var (X ) = E [X − E (X )]2
= E (X 2 ) − [E (X )]2 , (4)
n
X
i=1
A raiz quadrada positiva de Var (X ) é denominada o desvio-padrão de

X , e é denotado por σX .
Exemplo 03: Determine a variância e o desvio padrão da variável aleatória

(v.a.) X do exemplo 01.
Variância (propriedades)
i) Se c for uma constante, então
Var (X + c) = Var (X ).

Var (X + c) = Var (X ).
ii) Se c for uma constante, então

Var (cX ) = c 2 Var (X )

Var (X + c) = Var (X ).

iii) Se X e Y forem variáveis aleatórias independentes, então

Var (X + Y ) = Var (X ) + Var (Y ).

Var (X + c) = Var (X ).

iii) Se X e Y forem variáveis aleatórias independentes, então

Var (X + Y ) = Var (X ) + Var (Y ).
iv ) Sejam X1 , . . . , Xn variáveis aleatórias independentes. Então,

Var (X1 + . . . + Xn ) = Var (X1 ) + . . . + Var (Xn ).

Distribuição Uniforme Discreta;

Distribuição de Bernoulli;

Distribuição Binomial;

Distribuição Geométrica;

Distribuição Hipergeométrica;

Distribuição Hipergeométrica;
Distribuição de Poisson.

Distribuição Uniforme Discreta
A Distribuição Uniforme Discreta tem esse nome por que todos os seus
valores ocorrem com a mesma probabilidade.
Seja X uma variável aleatória discreta, assumindo valores x1 , . . . , xk , tem
distribuição uniforme, se e somente se,
1
P(X = xj ) = , ∀ j = 1, 2, . . . , k. (5)
k

Distribuição Uniforme Discreta
A Distribuição Uniforme Discreta tem esse nome por que todos os seus
valores ocorrem com a mesma probabilidade.
Seja X uma variável aleatória discreta, assumindo valores x1 , . . . , xk , tem
distribuição uniforme, se e somente se,
1
P(X = xj ) = , ∀ j = 1, 2, . . . , k. (5)
k
Exemplo 04: Uma rifa tem 100 bilhetes numerados de a 1 a 100. Tenho
5 bilhetes consecutivos numerados de 21 a 25 e meu colega tem outros 05
bilhetes, com os números 1, 11, 29, 68, 93. Quem tem a maior probabilidade
de ganhar o prêmio.

Distribuição Bernoulli
Variáveis aleatórias cuja resposta é sim/não seguem uma distribuição de

Bernoulli


Bernoulli
Uma variável aleatória discreta X segue distribuição Bernoulli se atribui 0 ou
1 a ocorrência de fracasso ou sucesso respectivamente. Com p representando
a probabilidade de sucesso, a função de probabilidade é dada por:
P(X = x) = p x (1 − p)1−x , x = 0, 1. (6)


Bernoulli
Uma variável aleatória discreta X segue distribuição Bernoulli se atribui 0 ou
1 a ocorrência de fracasso ou sucesso respectivamente. Com p representando
a probabilidade de sucesso, a função de probabilidade é dada por:
P(X = x) = p x (1 − p)1−x , x = 0, 1. (6)
A esperança e a variância são dadas por:
E (X ) = p e Var (X ) = p(1 − p) (7)

Distribuição Binomial
Muitas vezes, não pretende-se saber apenas se algo ocorre ou não. Mas
pretende-se saber quantas vezes ela ocorre.

Considere a repetição de n ensaios de Bernoulli e todos com a mesma

probabilidade de sucesso p. A variável aleatória que conta o número total
de sucessos é denominada Binomial com parâmetros n e p, se e somente se,
sua função de probabilidade é dada por:

n
P(X = k) = p k (1 − p)n−k , k = 0, 1, . . . , n. (8)
k
A notação utilizada é X ∼ b(n, p).

Considere a repetição de n ensaios de Bernoulli e todos com a mesma

probabilidade de sucesso p. A variável aleatória que conta o número total
de sucessos é denominada Binomial com parâmetros n e p, se e somente se,
sua função de probabilidade é dada por:

n
P(X = k) = p k (1 − p)n−k , k = 0, 1, . . . , n. (8)
k
A notação utilizada é X ∼ b(n, p).

E (X ) = np e Var (X ) = np(1 − p) (9)

Exemplo 05: Se, X ∼ b(12; 0, 4), calcule:

a) P(X = 3)
b) P(2 ≤ X < 4)
c) P(X ≥ 2)


a) P(X = 3)
b) P(2 ≤ X < 4)
c) P(X ≥ 2)
Exemplo 06: A probabilidade do Real Madrid Futebol Clube, campeão da

UEFA Champions League 2017, atualmente vencer um campeonato é de
70%. Nos próximos cinco campeonatos que o Real Madrid irá disputar,
qual a probabilidade dele vencer pelo menos dois?


a) P(X = 3)
b) P(2 ≤ X < 4)
c) P(X ≥ 2)
Exemplo 06: A probabilidade do Real Madrid Futebol Clube, campeão da

UEFA Champions League 2017, atualmente vencer um campeonato é de
70%. Nos próximos cinco campeonatos que o Real Madrid irá disputar,
qual a probabilidade dele vencer pelo menos dois?
Exemplo 07: Uma vacina é eficiente em 80% dos casos. Sorteia-se ao acaso
10 dos pacientes vacinados e pergunta-se a probabilidade de obter:
a) 05 pacientes imunizados.
b) pelo menos 02 pacientes imunizados.
c) determine a esperança e a variância.

Distribuição Geométrica
A variável aleatória que conta o número de fracassos que precedem o

primeiro sucesso é denominda distribuição geométrica


Considere uma sequência infinita de ensaios de Bernoulli, com probabilidade

de sucesso igual a “p” em cada ensaio. Realize os ensaios até que ocorra o
1o sucesso. A sua função de probabilidade tem a forma:
P(X = k) = p(1 − p)k , k = 0, 1, . . . . (10)
A notação utilizada é X ∼ G (p).


Considere uma sequência infinita de ensaios de Bernoulli, com probabilidade

de sucesso igual a “p” em cada ensaio. Realize os ensaios até que ocorra o
1o sucesso. A sua função de probabilidade tem a forma:
P(X = k) = p(1 − p)k , k = 0, 1, . . . . (10)
A notação utilizada é X ∼ G (p).

1−p 1−p
E (X ) = e Var (X ) = (11)
p p2

Exemplo 08: Um banco de sangue necessita de sangue do tipo O + . Seja

0,1 a proporção de indivı́duos com esse tipo de sangue. As pessoas são
escolhidas ao acaso da população para serem examinadas se tem esse tipo
de sangue.
a) Calcule a probabilidade de a 1o pessoa a ser encontrada com esse tipo
de sangue ser a 5o pessoa.
b) Calcule a esperança e a variância.

Distribuição Hipergeométrica
Considere um conjunto de n elementos dos quais m são do tipo I e n − m
são do tipo II . Para um sorteio de r objetos (r < n), feito ao acaso e sem
reposição defina X como sendo o número de objetos de tipo I seleciona-
dos. Uma variável aleatória X segue uma distribuição Hipegeométrica se e
somente se sua função de probabilidade for dada por:

m n−m
k r −k
P(X = k) = , k = max(0, r − (n − m)), . . . , min(r , m).
n
r

Distribuição Hipergeométrica
Considere um conjunto de n elementos dos quais m são do tipo I e n − m
são do tipo II . Para um sorteio de r objetos (r < n), feito ao acaso e sem
reposição defina X como sendo o número de objetos de tipo I seleciona-
dos. Uma variável aleatória X segue uma distribuição Hipegeométrica se e
somente se sua função de probabilidade for dada por:

m n−m
k r −k
P(X = k) = , k = max(0, r − (n − m)), . . . , min(r , m).
n
r

rm r (r − 1)m(m − 1)
E (X ) = e Var (X ) = (12)
n n(m − 1)

Exemplo 09: Ao considerar um jogo de mega-sena, calcule:

a) a probabilidade de ganhar fazendo um jogo simples.
b) a probabilidade de ganhar jogando 07 números.
c) a probabilidade de acertar uma quadra jogando 06 números.

Distribuição de Poisson
Quando há o interesse em contar quantas vezes algo ocorre em um espaço

contı́nuo de tempo pode-se utilizar a distribuição de Poisson.


Uma variável aleatória discreta X tem distribuição de Poisson com parâmetro

λ > 0, sendo este parâmetro usualmente referido como a taxa de ocorrência,
se sua função de probabilidade é dada por:
e −λ λk
P(X = k) = , k = 0, 1, . . . . (13)
k!
A notação utilizada é X ∼ Po(λ).


Uma variável aleatória discreta X tem distribuição de Poisson com parâmetro

λ > 0, sendo este parâmetro usualmente referido como a taxa de ocorrência,
se sua função de probabilidade é dada por:
e −λ λk
P(X = k) = , k = 0, 1, . . . . (13)
k!
A notação utilizada é X ∼ Po(λ).

E (X ) = λ e Var (X ) = λ (14)

Exemplo 10: Se, Y ∼ Po(2), calcule:

a) P(Y < 2)
b) P(2 ≤ Y < 4)
c) P(Y > 0)
e) P(Y = 3)

Exemplo 10: Se, Y ∼ Po(2), calcule:

a) P(Y < 2)
b) P(2 ≤ Y < 4)
c) P(Y > 0)
e) P(Y = 3)
Exemplo 11: O número de petroleiros que chegam a uma refinaria em

cada dia ocorre segundo uma distribuição Poisson, com λ = 2 . As atuais
instalações podem atender, no máximo a 3 petroleiros por dia. Se mais de
03 apontarem em um dia, o excesso enviado para outro porto. Em um dia
qual a probabilidade de se enviar petroleiros para outro porto?

Distribuições Contı́nuas de Probabilidade
Função densidade de probabilidade (f.d.p.)
Ao considerar uma variável aleatória contı́nua X , define-se f (.)

como uma função densidade de probabilidade se a mesma satisfazer as
seguintes condições:
i) f (x) ≥ 0 , para todo x ∈ R;
Z ∞
ii) f (x)dx = 1.
−∞

Função densidade de probabilidade (f.d.p.)
Ao considerar uma variável aleatória contı́nua X , define-se f (.)

como uma função densidade de probabilidade se a mesma satisfazer as
seguintes condições:
i) f (x) ≥ 0 , para todo x ∈ R;
Z ∞
ii) f (x)dx = 1.
−∞
Para variável aleatória contı́nua, a FDA é:

Z x
F (x) = f (x)dx (15)
−∞
em que, f(x) é a função densidade de probabilidade de x.

Exemplo 12: Uma v.a. X tem f.d.p. dada por:

k −x
2e , x ≥0
f (x) =
0 , x <0
a) Determine o valor de k.
b) Encontrado o valor de k. Determine a função distribuição acumulada

(FDA) da variavel aleatória X .

Valor Esperado e Variância
Seja X uma variável aleatória contı́nua com função densidade de probabili-

dade f (.) o valor esperado de X é definido como
Z ∞
E (X ) = xf (x)dx. (16)
−∞

Valor Esperado e Variância
Seja X uma variável aleatória contı́nua com função densidade de probabili-

dade f (.) o valor esperado de X é definido como
Z ∞
E (X ) = xf (x)dx. (16)
−∞
Define-se a variância de X , denotada por Var (X ) ou σX2 , da seguinte ma-

neira:
Var (X ) = E (X 2 ) − [E (X )]2
Z ∞
em que E (X 2 ) = x 2 f (x)dx.
−∞

kx , 0≤x ≤1
Exemplo 13: Seja f (x) = .
0 , x <0 ou x > 1
Determine:
a) k a fim, de que f (x) seja f.d.p.
b) P(0 ≤ X ≤ 21 )
c) E (X )
d) Var (X )
e) F (x)

Distribuição Uniforme Contı́nua;

Distribuição Exponecial;

Distribuição Normal;

Distribuição Normal;
Distribuição t-Student.

Distribuição Uniforme Contı́nua
Uma variável aleatória contı́nua X , tem distribuição uniforme no intervalo

[a, b], com a < b, se sua função densidade de probabilidade é dada por:
1
f (x) = b−a , se a ≤ x ≤ b (17)
0, se x < a e x > b.
A notação utilizada é X ∼ U[a, b]

Distribuição Uniforme Contı́nua
Uma variável aleatória contı́nua X , tem distribuição uniforme no intervalo

[a, b], com a < b, se sua função densidade de probabilidade é dada por:
1
f (x) = b−a , se a ≤ x ≤ b (17)
0, se x < a e x > b.
A notação utilizada é X ∼ U[a, b]

b+a (b − a)2
E (X ) = e Var (X ) = (18)
2 12

Distribuição Exponencial
Uma variável aleatória contı́nua X , assumindo valores não negativos, com

parâmetro α > 0 se sua função densidade de probabilidade é dada por:
αe −αx , se x ≥ 0

f (x) = (19)
0, se x < 0.
A notação utilizada é X ∼ Exp(α)

Uma variável aleatória contı́nua X , assumindo valores não negativos, com

parâmetro α > 0 se sua função densidade de probabilidade é dada por:
αe −αx , se x ≥ 0

f (x) = (19)
0, se x < 0.
A notação utilizada é X ∼ Exp(α)

1 1
E (X ) = e Var (X ) = (20)
α α2

Figura: Densidade da Exponencial com diferente valores de α

Exemplo 14: Uma indústria fabrica lâmpadas especiais que ficam em operação
continuamente. A empresa oferece a seus clientes a garantia de reposição,
caso a lâmpada dure menos que 50 horas. A vida útil dessas lâmpadas é
1
modelada através da distribuição exponencial com parâmetro 8000 . Deter-
mine:
a) a probabilidade de trocas por defeito de fabricação.
b) a duração média dessas lâmpadas.
c) se a indústria fabrica 1000 lâmpadas durante a semana, quantas des-

sas lâmpadas a indústrias espere que volte para ser trocada por defeito de
fabricação.
d) Qual deve ser a garantia para que a indústria reponha no máximo 1% de

sua produção.
Distribuição Normal
Uma variável aleatória contı́nua tem distribuição normal com parâmetros µ

e σ 2 . Se sua função densidade de probabilidade é dada por:
(x − µ)2

1
f (x) = √ exp − , −∞ ≤ x ≤ ∞. (21)
2πσ 2σ 2
A notação utilizada é X ∼ N(µ, σ 2 ).

Principais caracterı́sticas da Distribuição Normal
f (x) é simetrica em relação a µ;

f (x) → 0 quando x → ±∞;

f (x) → 0 quando x → ±∞;
o ponto de máximo de f (x) é a µ;

f (x) → 0 quando x → ±∞;
o ponto de máximo de f (x) é a µ;
E (X ) = µ e Var (X ) = σ 2 .

Teorema Central do Limite
Suponha uma amostra aleatória de tamanho n retirada de uma população

com média µ e variância σ 2 finita. Assim, a amostra (X1 , . . . , Xn ) consiste
de n variáveis aleatórias independentes com mesma distribuição e denotado
sua média por X̄ , tem-se que:
X̄ − µ d
√ → Z, (22)
σ/ n
em que d significa converge em distribuição, com Z ∼ N(0, 1).

→

Distribuição Normal padrão

Exemplo 15: Uma variável X tem distribuição normal, com média 100 e
desvio padrão 10. Calule:

a) P(90 < X < 110);

a) P(90 < X < 110);
b) Se X̄ é a média de uma amostra de 16 elementos retirados

dessa população. Calcule P(90 < X̄ < 110) ;

a) P(90 < X < 110);
b) Se X̄ é a média de uma amostra de 16 elementos retirados

dessa população. Calcule P(90 < X̄ < 110) ;
c) Que tamanho deve ter a amostra para que P(90 < X̄ <
110) = 95%.

Distribuição t-Student
Uma variável aleatória contı́nua tem distribuição t de Student com ν graus

de liberdade. Se sua função densidade de probabilidade é dada por:
ν+1
Γ ν+1 x2 ( 2 )

2
f (x) = √ 1+ , −∞ ≤ x ≤ ∞. (23)
νπΓ ν2 ν
em que Γ é a função gama.

A notação utilizada é X ∼ tν .

A distribuição t de Student é simétrica semelhante a curva normal

padrão porém com caudas mais largas;

A distribuição t de Student é simétrica semelhante a curva normal

padrão porém com caudas mais largas;
Figura: Densidade da Distribuição Normal Padrão e da distribuição t de Student

Considerações Finais
’
As variáveis aleatórias mostram-se como um importante conteúdo em
teoria das probabilidades, pelo fato desta expressar caractéristicas de
uma determinada população;

Considerações Finais
’
As variáveis aleatórias mostram-se como um importante conteúdo em
teoria das probabilidades, pelo fato desta expressar caractéristicas de
uma determinada população;
E as distribuições de probabilidade obtidas a partir das variáveis aleatórias

são de suma importancia pois simplificam a realidade dos dados ao
mesmo tempo que apresentam suas principais caracterı́sticas.

Referências
DANTAS, C. A. B. Probabilidade: Um curso introdutório. São

Paulo - SP: EDUSP, 2013.
MAGALHÃES, M. N. Probabilidade e Variáveis Aleatórias. São

Paulo - SP: EDUSP, 2013.
MAGALHÃES, M. N.; LIMA, A. C. P. Noções de Probabilidade e

Estatı́stica. São Paulo - SP: EDUSP, 2013.
MEYER, P. Probabilidade - Aplicações a Estatı́stica. 2a edição.

Editora LTC, 1982.

Aula Variaveis Aleatórias e Distribuições PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Aula Variaveis Aleatórias e Distribuições PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Variáveis Aleátorias

Marcı́lio Ramos Pereira Cardial

Universidade Federal de Goiás

Marcı́lio Cardial (UFG) Variáveis Aleátorias 1 / 42

Marcı́lio Cardial (UFG) Variáveis Aleátorias 2 / 42

DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE

Marcı́lio Cardial (UFG) Variáveis Aleátorias 2 / 42

DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE

DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE

Marcı́lio Cardial (UFG) Variáveis Aleátorias 2 / 42

DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE

DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE

Marcı́lio Cardial (UFG) Variáveis Aleátorias 2 / 42

Uma variável aleatória é definida como sendo uma quantidade associada

Marcı́lio Cardial (UFG) Variáveis Aleátorias 3 / 42

Uma variável aleatória é definida como sendo uma quantidade associada

Caso a variável assuma valores em um conjunto enúmeravel, essa é

Marcı́lio Cardial (UFG) Variáveis Aleátorias 3 / 42

Uma variável aleatória é definida como sendo uma quantidade associada

Caso a variável assuma valores em um conjunto enúmeravel, essa é

Mas se o conjunto de valores for qualquer intervalo dos números reais,

Marcı́lio Cardial (UFG) Variáveis Aleátorias 3 / 42

Uma variável aleatória é definida como sendo uma quantidade associada

Caso a variável assuma valores em um conjunto enúmeravel, essa é

Mas se o conjunto de valores for qualquer intervalo dos números reais,

Os parâmetros são informações que controlam o comportamento da

Marcı́lio Cardial (UFG) Variáveis Aleátorias 3 / 42

Relação Variáveis Aleatórias e Distribuições de Probabilidade

Algumas variáveis aleatórias adaptam-se muito bem a uma série de

Marcı́lio Cardial (UFG) Variáveis Aleátorias 4 / 42

Relação Variáveis Aleatórias e Distribuições de Probabilidade

Algumas variáveis aleatórias adaptam-se muito bem a uma série de

Logo, um estudo pormenorizado dessas variáveis é de grande importância

Marcı́lio Cardial (UFG) Variáveis Aleátorias 4 / 42

Relação Variáveis Aleatórias e Distribuições de Probabilidade

Algumas variáveis aleatórias adaptam-se muito bem a uma série de

Logo, um estudo pormenorizado dessas variáveis é de grande importância

A seguir, alguns dessas distribuições vão ser objetos de estudo, pro-

Marcı́lio Cardial (UFG) Variáveis Aleátorias 4 / 42

Em estatı́stica, uma distribuição de probabilidade descreve a chance

Marcı́lio Cardial (UFG) Variáveis Aleátorias 5 / 42

Em estatı́stica, uma distribuição de probabilidade descreve a chance

Marcı́lio Cardial (UFG) Variáveis Aleátorias 5 / 42

Em estatı́stica, uma distribuição de probabilidade descreve a chance

O conjunto imagem deste tipo de função está sempre restrito ao inter-

Marcı́lio Cardial (UFG) Variáveis Aleátorias 5 / 42

Em estatı́stica, uma distribuição de probabilidade descreve a chance

O conjunto imagem deste tipo de função está sempre restrito ao inter-

Uma distribuição de probabilidade pode ser discreta (como em um jogo

Marcı́lio Cardial (UFG) Variáveis Aleátorias 5 / 42

Em estatı́stica, uma distribuição de probabilidade descreve a chance

O conjunto imagem deste tipo de função está sempre restrito ao inter-

Uma distribuição de probabilidade pode ser discreta (como em um jogo

É comum o uso de funções que se ajustem à distribuição de probabili-

Pode-se calcular algumas caracterı́sticas da distribuição de probabilidade:

Esperança: Essa quantidade é frequentemente utilizada como resumo

Marcı́lio Cardial (UFG) Variáveis Aleátorias 6 / 42

Pode-se calcular algumas caracterı́sticas da distribuição de probabilidade:

Esperança: Essa quantidade é frequentemente utilizada como resumo

Variância: Existem muitas outras medidas de variabilidade, mas, sem

Marcı́lio Cardial (UFG) Variáveis Aleátorias 6 / 42

Pode-se calcular algumas caracterı́sticas da distribuição de probabilidade:

Esperança: Essa quantidade é frequentemente utilizada como resumo