ESTATSTICA

DISTRIBUIES DE PROBABILIDADE

DISTRIBUIES DISCRETAS

1. DISTRIBUIO DE BERNOULLI.

A distribuio de Bernoulli est associada experincia aleatria, designada por prova de Bernoulli, em que se observa a realizao ou a no realizao de determinado acontecimento A com probabilidade P(A)=. Se A se realiza temos um sucesso, com

O Professor:

Manuel do Carmo

47

ESTATSTICA

P(A)=, se no se realiza temos insucesso com probabilidade P( A )=1-, um insucesso.

Exemplo:
O lanamento de um dado perfeito em que se convenciona a sada de nmero par com sendo um sucesso, e de nmero impar, como um insucesso um exemplo de uma prova de Bernoulli.

Seja X a varivel aleatria que caracteriza a experincia descrita. Assim,

O Professor:

Manuel do Carmo

48

ESTATSTICA

Se X=1, o acontecimento A ocorre, isto , verifica-se um sucesso; Se X=0, o acontecimento A no ocorre, ou seja, verifica-se um insucesso.

A funo probabilidade de X escreve-se,

1 ( x = 0), f(x|)= ( x = 1).

(1)

a que pode dar-se uma forma mais condensada

O Professor:

Manuel do Carmo

49

ESTATSTICA

f(x|)=x (1 - )1-x, x = 0, 1 (0< < 1).

(2)

onde verificamos que a funo probabilidade depende do parmetro ou condicionada por ele.

DEF. 1 Distribuio de Bernoulli Se a varivel aleatria X tem funo probabilidade dada por (2), dizse que X tem distribuio de Bernoulli. Simbolicamente X ~ B (1; ).

Assim os parmetros que caracterizam a distribuio so: E(X)=;

O Professor:

E(X2)=;

Var(X)= (1 - )
50

Manuel do Carmo

ESTATSTICA

2. DISTRIBUIO DE BINOMIAL.

Considere-se

uma

sucesso

de

provas

de

Bernoulli

independentes, isto , uma sucesso de experincias aleatrias independentes em cada uma das quais se observa a realizao ou a no realizao de determinado acontecimento, A, com probabilidade P(A)=, constante de prova para prova. Associado a esta sucesso de provas, aparece muitas vezes o seguinte problema: qual a probabilidade para que, em n provas de

Bernoulli independentes, se obtenham x sucessos (x = 0,1,...,n) seja qual for a ordem em que estes so obtidos?
O Professor:

Manuel do Carmo

51

ESTATSTICA

Considere-se primeiro a probabilidade de x sucessos e n-x insucessos por uma dada ordem sem perda de generalidade podem considerar-se x sucessos seguidos de n-x insucessos. Pretende calcular-se a probabilidade do resultado

A A......A
x

A A......A ,
nx

que, dado tratar-se de provas independentes, P(A....A A.....A ) = P(A) .... P(A) P( A ) .... P( A ) = x (1 - )n-x.
O Professor:

(3)
52

Manuel do Carmo

ESTATSTICA

Se a ordem for outra qualquer, a probabilidade mantm-se desde que a sequncia seja composta por A em nmero de x, e por A em nmero de n-x. Assim, a probabilidade de obter x sucessos, seja qual for a ordem por que estes se realizem, :
n x (1 - )n-x x

(4)

porquanto o coeficiente binomial conta o nmero de sequncias diferentes em que podem ocorrer x sucessos e n-x insucessos ( o nmero de permutaes de objectos no todos distintos dos quais x so iguais a A e n-x so iguais a A .
O Professor:

Manuel do Carmo

53

ESTATSTICA

Exemplo
O gerente de um centro comercial mandou fazer publicidade do centro, na televiso, durante uma semana. Passados 15 dias, sobre a apresentao do anncio, os clientes eram abordados para responderem se a sua visita se devia, ou no, ao anncio. Suponhamos, ainda, que foram questionados 4 clientes, e que o anncio influenciou 25% dos potenciais clientes do Centro Comercial. Ento a probabilidade de um cliente responder que foi influenciado de 0,25 (probabilidade de sucesso), enquanto que a probabilidade do cliente responder que no foi influenciado de 0,75 (probabilidade de insucesso). Se representarmos por X, a v.a. que
O Professor:

Manuel do Carmo

54

ESTATSTICA

d o nmero de clientes que responderam afirmativamente, calcular a sua funo de probabilidade. Ento: =0,25 e 1-=0,75, com n=4.
P ( X = 0 ) = 4C0 (0,25)0 (0,75)4 P ( X = 1) = 4C1(0,25)1(0,75)3

Funo de probabilidade de X:
P ( X = 2 ) = 4C2 (0,25)2 (0,75)2

X = xi 0 pi
81 256

2
27 128

27 64

3 1 64 256

P ( X = 3 ) = 4C3 (0,25)3 (0,75)1

O Professor:

P ( X = 4 ) = 4C4 (0,25)4 (0,75)0

55

Manuel do Carmo

ESTATSTICA

0,45 0,4 0,35 0,3 pi 0,25 0,2 0,15 0,1 0,05 0 x

DEF. 2 Distribuio de Binomial

Se a varivel aleatria X tem funo probabilidade, f(x|) = nCx x (1 - )n-x, x = 0, 1, 2,...., n, (0 < < 1) (5) diz-se que tem distribuio binomial. Simbolicamente, X ~ B (n; ).
O Professor:

Manuel do Carmo

56

ESTATSTICA

O clculo das probabilidades binomiais torna-se, por vezes, laborioso mesmo para valores relativamente pequenos de n. Para facilitar tais clculos, existem tabelas onde se podem encontrar essas probabilidades para alguns valores de n (de 1 a 20) e de (0.05, 0.1, 0.15, ...., 0.5). Se > 0.5, a relao X B (n, ) (n X) B (n, 1 - ) as tabelas construdas para 0 < < 0.50. Por conseguinte, verifica-se que os parmetros que caracterizam a distribuio so: E(X) = n;
O Professor:

(6)

de demonstrao imediata, permite remeter todos os clculos para

E(X2) = n(n-1)2 + n;

Var(X) = n (1 - )
57

Manuel do Carmo

ESTATSTICA

Aplicao da distribuio binomial

O modelo binomial aplica-se, sempre, perante uma situao de n provas repetidas independentes, em que em cada prova se possa verificar um de dois resultados, geralmente chamados de sucesso e insucesso, e em que se mantenha constante a probabilidade de sucesso.

Exemplo

Sabe-se que, com determinado tratamento administrado a pacientes em condies bem definidas, se alcana 30% de cura para certa doena. Se o tratamento for aplicado a 20 pacientes em tais condies, qual a probabilidade de: a) b) c)
O Professor:

Obter 15 curas no mximo; Obter 12 ou mais curas; Obter um nmero de curas no inferior a 10 nem superior a 15.
Manuel do Carmo
58

ESTATSTICA

3. DISTRIBUIO DE POISSON.

Usa-se em situaes em que, alm de conhecermos o tamanho da amostra, sabemos quantas vezes que um acontecimento ocorreu e quantas no ocorreu. Ora, nem sempre isto possvel. Quando ocorre
uma tempestade e resolvemos observar o cu durante uma hora, para contar o nmero de relmpagos, no tem sentido falarmos do nmero de vezes em que no relampejou. Outros exemplos so a contagem dos golos num desafio de futebol, o nmero de erros ortogrficos num livro e o nmero de defeitos numa toalha de renda. Em qualquer

destas situaes estamos interessados no nmero de eventos que

O Professor:

Manuel do Carmo

59

ESTATSTICA

ocorrem durante um dado intervalo temporal ou numa dada regio espacial. Recorremos, nestes casos, distribuio de Poisson, que tem na sua gnese um processo de Poisson, tal como a distribuio binomial tem o processo de Bernoulli Um processo de Poisson refere-se, normalmente, ao nmero de
eventos que ocorrem num intervalo temporal ou numa regio espacial. Tem as seguintes propriedades:

(i) No tem memria (o nmero de eventos que ocorre num intervalo independente do que ocorre noutro intervalo adjunto). (ii) A probabilidade de ocorrer um evento num intervalo muito
pequeno proporcional ao comprimento do intervalo.
O Professor:

Manuel do Carmo

60

ESTATSTICA

(iii)

A probabilidade de ocorrer mais do que um evento num

intervalo muito pequeno nula. A aplicao mais importante a contagem do nmero de eventos que ocorrem num intervalo de tempo ou numa regio espacial, quando os eventos so independentes uns dos outros. Mais concretamente, costuma usar-se a distribuio de Poisson quando estamos interessados no nmero de chamadas telefnicas que chegam a uma central num intervalo de tempo, no nmero de erros que existem num livro, no nmero de peixes que existem num lago, no nmero de artigos encomendados num armazm, ou no nmero de artigos existentes num lote de tamanho aleatrio.
O Professor:

Manuel do Carmo

61

ESTATSTICA

Assim, seja > 0 o nmeros mdio de eventos que ocorrem num dado intervalo de tempo (ou numa dada regio espacial), e seja X uma varivel aleatria que representa o nmero de eventos que ocorrem nesse intervalo de tempo (ou nessa regio), quando os eventos so independentes uns dos outros. Ento, X ~ Poisson() com funo densidade de probabilidade
e x , f (x ) = x! 0,
O Professor:

(7)

x {0,1,2,....}, x {0,1,2,....}.

(8)

Manuel do Carmo

62

ESTATSTICA

Uma outra forma de calcular f(x) = P(X = x) atravs da frmula de recorrncia:

f (0) = e , f ( x ) = f ( x 1) , x

x {0,1,2,....}.

(9)

Onde o nmero e = 2.71828.. o nmero de Neper.

Justificao:Consideremos um processo de Poisson definido num

intervalo de tempo t. divida-se este intervalo em >> 1 sub intervalos muito pequenos, de tal forma que: (i) a probabilidade de ocorrer um evento num desses sub intervalos proporcional ao seu comprimento;
O Professor:

Manuel do Carmo

63

ESTATSTICA

(ii) a probabilidade de ocorrer mais do que um evento num desses sub intervalos desprezvel; e (iii) a probabilidade de ocorrer um evento num desses sub intervalos independente de ter ou no ocorrido um evento noutro qualquer sub intervalo. Suponha-se que (0 < << n) representa o nmero mdio de eventos que ocorrem no intervalo de tempo t. Assim, podemos usar o processo

de Bernoulli X1, X2,., Xn ~ Bernoulli p = , em que Xi = 1 ou n

Xi = 0, i = 1,2,3,.,n, consoante ocorra ou no um evento no i-simo sub intervalo, para calcular P(X1 + X2 +..+ Xn = x), em que X1 + X2
O Professor:

Manuel do Carmo

64

ESTATSTICA

+..+ Xn representa o nmero de eventos que ocorrem no intervalo de tempo t. Neste caso,

X1 + X2 +..+ Xn ~ Bin n, p = n
o que implica que
n x P(X1 + X2 +..+ Xn = x) = p (1 p )n x , x{0, 1, 2,..,n}. x

(10)

Vamos mostrar que, quando n , esta distribuio transforma-se na distribuio de Poisson. Com efeito,
n x n! nx p (1 p ) = n 1 n x x ! ( n x )!
x
O Professor:

nx

n! n 1 n 1 n x ! ( n x )!
x

Manuel do Carmo

65

ESTATSTICA

x n n ( n 1) ..... ( n x + 1) n ( n 1) .... ( n x + 1) x 1 = n 1 n = x! nx x ! 1 n

n 1 n

Quando

n ( n 1) .... ( n x + 1) n
x

1,

1 1 n

e x 1 e . Assim, P(X=x) = lim P ( X1 + X 2 + .... + X n = x ) = . n n + x!

n

Esta justificao sugere que, no caso de Y ~ Bin(n, p) e de n ser suficientemente grande, podemos aproximar P(Y = y) usando a distribuio de Poisson com = np.
O Professor:

Manuel do Carmo

66

ESTATSTICA

Deste modo a funo de distribuio acumulada definida da seguinte forma:

0, x < 0 F ( x ) = x i , e i ! i =0 x0

(11)

O parmetro ]0, +[ representa o nmero mdio de eventos que

ocorrem num intervalo de tempo ou numa regio espacial.

Gama de valores: {0,1,2,} = 0

E(X) = X =

Var(X) =

Pois Var(X) = E(X2) [E(X)]2 = (2 + ) - 2 = .

O Professor:

Manuel do Carmo

67

ESTATSTICA

DISTRIBUIES CONTNUAS

4. DISTRIBUIO NORMAL.

Em consequncia da sua forma e das suas propriedades, a distribuio Normal (ou distribuio de Gauss, como alguns autores e designam para homenagear o matemtico alemo Carl F. Gauss) a que mais frequentemente se utiliza para descrever fenmenos que se traduzem atravs de variveis aleatrias contnuas.

O Professor:

Manuel do Carmo

68

ESTATSTICA

DEF. 3 Distribuio Normal

Diz-se que uma varivel aleatria X tem distribuio normal com parmetros e 2 quando a funo densidade da forma f(x|, ) =
2

1 exp 2 ( x )2 , 2 2 2 1

(12)

- < x < +, - < < +, 0 < 2 < +, Simbolicamente, X ~ N (; 2).

A funo distribuio definida pelo integral F(x|, ) =

2
O Professor:

1 exp 2 (t )2 dt 2 2 2 1

(13)
69

Manuel do Carmo

ESTATSTICA

para o qual no se conhece soluo analtica. Os valores da funo distribuio tm ento de ser calculados utilizando mtodos de anlise numrica. Um caso particular importante obtm-se quando =0 e 2=1. Nesta situao, a funo densidade
z2 2

funo
t2 2

distribuio

so,

respectivamente, (z) =
2

1 2

(z) =

1 2

dt

(14)

Se X N(, ), a varivel Z =

(varivel estandardizada), tem

distribuio N(0, 1). A distribuio N(0, 1) habitualmente designada por distribuio normal estandardizada.
O Professor:

Manuel do Carmo

70

ESTATSTICA

Algumas propriedades, relativamente funo densidade normal:

- simtrica relativamente ao seu valor mdio , de modo que as

duas curvas correspondentes a duas distribuies com o mesmo desvio padro tm a mesma forma, diferindo unicamente na localizao.
- tanto mais achatada, quanto maior for o valor de , de modo

que duas curvas correspondentes a duas distribuies com o mesmo valor mdio, so simtricas, relativamente ao mesmo ponto, diferindo no grau de achatamento.

O Professor:

Manuel do Carmo

71

ESTATSTICA

Em particular, tratando-se da distribuio normal estandardizada,

(x) = (-x), (x) = 1 - (-x)

(15)

Para dar uma ideia da concentrao da distribuio normal, em torno do seu valor mdio, apresenta-se seguidamente algumas

probabilidades:
- P( - X + ) = 0.683 - P( - 2 X + 2) = 0.954 - P( - 3 X + 3) = 0.997

A distribuio normal encontra-se largamente tabelada. O primeiro aspecto a ter em conta, ao consultar as tabelas apresentadas, que
O Professor:

Manuel do Carmo

72

ESTATSTICA

estas se referem sempre ao caso N(0, 1). As tabelas referentes a (z) contm apenas valores no negativos de, no entanto a simetria (em relao a 0) da distribuio normal estandardizada garante que

(z) = 1 - (-z), o que permite determinar imediatamente valores de (z) para valores negativos de z.
Quando X N(, 2), tem-se por exemplo: P(x0 < X < x1) = P ( P(X < x1) = (
x0 X x1 x1 x0

<

<

) = (

) (

x1

) )
73

P(X > x0) = 1 - (

O Professor:

x0

Manuel do Carmo

ESTATSTICA

Existem, ainda, tabelas para a funo inversa (truncada) -1(z), permitindo determinar, para certos valores de (z), a respectiva abcissa z.

Exemplo
Se XN(60,4), calcular P(55 X 63) 55 60 X 60 63 60 ) = (1.5) - (-2.5) = 2 2 2

P(55 X 63) = P (

(1.5) - [1 - (-2.5)] =
= (1.5) + (2.5) - 1 = 0.9332 + 0.9938 - 1 = 0.927
O Professor:

Manuel do Carmo

74

ESTATSTICA

Exemplo
Uma empresa, monopolista do mercado de determinado produto, tem produo constante de 90 toneladas por ms e tem conhecimento de que a procura uma varivel aleatria XN(80, 102). A probabilidade de haver procura excedentria

X 80 90 80 > P(X> 90) = P = P(Z > 1) = 1 - (1) = 1 0.8413 = 10 10

0.1587 Para satisfazer a eventual procura excedentria, a empresa tem possibilidade de importar no princpio do ms um stock de segurana.
O Professor:

Manuel do Carmo

75

ESTATSTICA

Qual deve ser esse stock, S, para que a probabilidade de haver procura insatisfeita baixe para 0.025? Deve ter-se P(X > 90 + S) = 0.025, isto , 10 + S X 90 90 + S 80 10 + S P > = P z > 10 = 1 10 = 0.025 10 10 donde

10 + S 10 + S = 0.975 = 1(0.975) 10 10 10 + S = 1.96 S = 9.6 10

Manuel do Carmo
76

O Professor:

ESTATSTICA

Teorema: Se as v. a. Xi, i=1, 2,...., k, so ind., ento

Xi N(, i) Y =
2

i X i N(Y, 2Y)
i =1

(16)

onde Y =

i i e Y =
2
i =1

i2 i2
i =1

Corolrio: 1

Se as variveis aleatrias Xi, i=1, 2,...., k, so independentes e identicamente distribudas, ento Xi N(, ) Y =
2
k

X i N(k , k 2)
i =1

(17)

O Professor:

Manuel do Carmo

77

ESTATSTICA

Corolrio: 2

Se as variveis aleatrias Xi, i=1, 2,...., k, so independentes e identicamente distribudas, 1 k Xi N(, 2) X = X i N(, 2/k) k i =1 (18)

Como consequncia do teorema do limite central, a distribuio normal com parmetros = n e 2 = n(1-) constitui uma boa aproximao da distribuio binomial, quando n grande e suficientemente elevada (em prtica n 20 e n > 7) PBinomial(X=x) PNormal(x - 0.5 < X < x + 0.5) = PNormal(X < x + 0.5) PNormal(X < x - 0.5)
O Professor:

Manuel do Carmo

78

ESTATSTICA

5. DISTRIBUIO DO QUI-QUADRADO.

DEF. Distribuio do Qui-Quadrado

Diz-se que uma varivel aleatria X tem distribuio do qui-quadrado com n graus de liberdade (n inteiro positivo), simbolicamente X ~ 2 (n), quando a respectiva funo densidade da forma
x 2 n 1 2

f(x|n) =

n 2 2
n 2

, x > 0, n > 0 ,

(19)

O Professor:

Manuel do Carmo

79

ESTATSTICA

O tratamento especial da distribuio do qui-quadrado justifica-se pela maior disponibilidade de tabelas. Nas tabelas, se X ~ 2 (n), a tabela
2 2 permite encontrar o valor n, , tal que P ( X > n, ) = , para alguns

valores de e de n.

Para valores de n>30, que no esto contemplados na tabela, pode utilizar-se o resultado, que se apresenta sem demonstrao,
a

X ~ (n)
2

2 X 2 X 1 N(0, 1),

(20)

onde o smbolo significa distribuio aproximada ou assimpttica.

O Professor:

Manuel do Carmo

80

ESTATSTICA

Tambm podemos demonstrar que: E(X)=n e Var(X)=2n

Teorema:

Seja X uma varivel aleatria. Ento X N(0, 1) Y = X2 2 (1) (21)

Teorema:

Se as variveis aleatrias Xi, i=1, 2,....n, so independentes, ento Xi N(0, 1)

O Professor:

X i2 2 (n)
i =1

(22)
81

Manuel do Carmo

ESTATSTICA

6. DISTRIBUIO t - Student. DEF. Distribuio t de Student

Admita-se que a varivel Z N(0, 1) e a varivel V ~ 2 (n), so independentes. A distribuio da varivel aleatria X obtida calculando o quociente
Z V n

designa-se por distribuio t de Student com n

graus de liberdade, e tem funo densidade de probabilidade dada

por

O Professor:

Manuel do Carmo

82

ESTATSTICA

n + 1 n +1 2 t2 2 1+ f(t) = , -< t < + n n n 2

(23)

Simbolicamente X ~ t(n)

Imediatamente se verifica que existe simetria em torno de t=0, abcissa que corresponde a ordenada mxima, e tem-se:

n E(T) = 0; e Var(T) = (n>2) n2

medida que aumentam os graus de liberdade da distribuio t, esta aproxima-se da distribuio normal padronizada.
O Professor:

Manuel do Carmo

83

ESTATSTICA

7. DISTRIBUIO t - Student.

DEF. Distribuio F de Fisher

Considerem-se duas variveis independentes 2 (n1) e 2 (n2). A

2 n
1

distribuio da varivel aleatria obtida calculando o quociente

2 n

n1 n2

designa-se por distribuio F com n1 e n2 graus de liberdade. Simbolicamente, X F(n1, n2)

O Professor:

Manuel do Carmo

84

ESTATSTICA

Embora sem o demonstrar, indica-se a seguir o valor esperado e a varincia da distribuio X F(n1, n2):
n2 2n2 (n1 + n2 2) E(X) = (n2>2), Var(X) = (n2>4) 2 n2 2 n1(n2 2) (n2 4)

facilmente se demonstra o resultado seguinte:

se X t(n) ento X2 F(1, n)

Com efeito, basta notar que se X t(n), ento X2 o quociente entre uma varivel aleatria 2 (1) e uma varivel aleatria 2 (n), dividida por n.

O Professor:

Manuel do Carmo

85

ESTATSTICA

As tabelas, referentes distribuio F, indicam para alguns pares (n1, n2) e para valores de de emprego frequente 0.05, 0.025 e 0.01 os valores Fn1,n2 , , tais que X F(n1, n2) P(X > Fn1,n2 , ) = (aba direita da distribuio)

para se obterem os valores da aba esquerda da distribuio, isto , valores F * n1,n2 , , tais que X F(n1, n2) P(X < F * n1,n2 , ) =
O Professor:

Manuel do Carmo

86

ESTATSTICA

tem de se atender a uma propriedade da distribuio F, que estabelece 1 X F(n1, n2) F(n2, n1) F(n1, n2)(1-) = 1/ F(n2, n1)() X Assim, para um dado , os valores F * n1,n2 , podem ler-se numa tabela, trocando a ordem dos graus de liberdade: ( F * n1,n2 , )-1 = Fn2 ,n1,

O Professor:

Manuel do Carmo

87