Plano de Aula e Conteúdo - Probabilidade
Plano de Aula e Conteúdo - Probabilidade
Plano de Aula e Conteúdo - Probabilidade
Frederico Monfardini
Bibliografia
• MEYER, Paul L. Probabilidade: aplicações à estatística. In: Probabilidade: aplicações à estatís-
tica. Livro Técnico, 1970.
• ROSS, Sheldon. Probabilidade: um curso moderno com aplicaçoes. Bookman Editora, 2009.
• HAZZAN, Samuel. Fundamentos de matemática elementar 5: combinatória, probabilidade.
São Paulo: Atual, 1993.
Classe do Google
Será utilizado a plataforma do Google classroom, que servirá para a troca de materiais, conteúdos, dúvidas e
listas de exercícios.
Código da sala: pblb7v
Sistema de Avaliação
Para esta disciplina serão dadas listas de exercícios e trabalhos extra-classe.
A nota final será uma média ponderada das listas e trabalhos.
A nota mínima é 7,0 (sete). Notas menores que 7,0 (sete) ou contabilizando 4 dias (completos) de falta,
implicará em reprova.
Planejamento
As aulas ocorrerão todas as segundas-feira, das 19 às 23 horas.
Sendo aulas expositivas, fazendo uso da lousa e projetor.
Além disso, será introduzido para vocês a linguagem de programção R. Então aqueles que quiserem trazer o
computador para acompanhar a explicação em seu computador, fique a vontade.
Demais informações
Para quaisquer dúvidas, por favor, entrar em contato através do e-mail [email protected]
1
INTRODUÇÃO
Introdução
Conjuntos
Um conjunto é uma coleção de objetos. Usuamento, conjuntos são representados por letras maiúsculas A, B
ou letras gregas maiúsculas Ω, Γ. Existem três maneiras de descrever que objetos estão contidos no conjunto
A:
1. Fazer uma lista de A. Por exemplo, A = {1, 2, 3, 4}.
2. Descrever através de palavras. Por exemplo, A é formado por todos os números reais entre 0 e 1,
inclusive.
3. Ou descrever através de notação matemática. Por exemplo, A = {x|0 ≤ x ≤ 1}
Existem três definições importantes a respeito de teoria de conjuntos. Para isso, sejam dois conjuntos A e B,
assim define-se:
• União
– Seja C a união de A e B, da seguinte forma
• Interseção
– Seja D a interseção de A e B, da seguinte forma
D = {x|x ∈ A e x ∈ B}
D =A∩B
– A interseção pode ser representada através de diagramas de Venn conforme mostra a figura abaixo
2
Experimentos Aleatórios INTRODUÇÃO
• Complementar
– Seja E o complementar do conjunto A, da seguinte forma
E = {x|x ∈
/ A}
E = Ā = Ac
– O complementar pode ser representada através de diagramas de Venn conforme mostra a figura
abaixo
Experimentos Aleatórios
Espaço Amostral
Definição: Para cada experimento ε, define-se o espaço amostral como o conjunto de todos os resultados
possíveis de ε. gerealmente representado por S ou Ω. Considerando os exemplos que foram dados acima, será
descrito o espaço amostral Si para cada experimento Ei .
S1 = {1, 2, 3, 4, 5, 6}
S2 = {0, 1, 2, 3, 4}
S3 = {t|t ≥ 0}
3
Eventos INTRODUÇÃO
Eventos
Frequência Relativa
Definição: Seja um experimento ε repetido n vezes e dois eventos A e B, associados a este experimento,
repetidos nA e nB vezes, respectivamente, dentro das n repetições do experimento ε. Assim, define-se jA = nnA
como a frequência relativa do evento A nas n repetições de ε. A frequência relativa jA apresenta as seguintes
propriedades:
1. 0 ≤ jA ≤ 1.
2. jA = 1 se, e somente se, A ocorrer em todas as n repetições.
3. jA = 0 se, e somente se, A nunca ocorrer nas n repetições.
4. Se A e B forem eventos mutamente excludentes, e se fA∪B for a frequência re;ativa associado ao evento
A ∪ B, então fA∪B = fA + fB
5. fA , com base em n repetições do experimento e considerado como uma função de n, “converge” em
certo sentido probabilístico para P (A), quando n → ∞.
Definição: Seja ε um experimento. Seja S um espaço amostral associado a ε. A cada evento A será
associado um número real representado por P (A) e denominado probabilidade de A, que satisfaça às seguinte
propriedades:
1. 0 ≤ P (A) ≤ 1.
2. P (S) = 1
3. Se A e B forem eventos mutamente excludentes, P (A ∪ B) = P (A) + P (B).
Disso, decorre alguns teoremas importantes (que aqui não serão demonstrados).
Teorema 1 Se ∅ for o conjunto vazio, então P (∅) = 0.
Teorema 2 Se Ā for o evento complementar de A, então P (Ā) = 1 − P (A).
Teorema 3 Se A e B forem dois eventos quaisquer, então P (A ∪ B) = P (A) + P (B) − P (A ∩ B).
Teorema 4 Se A ⊂ B, então P (A) ≤ P (B).
4
PRINCÍPIO FUNDAMENTAL DA CONTAGEM
Análise Combinatória
Introdução
A análise combinatória visa desenvolver métodos que permitam contar o número de um conjunto, sendo este
elementos, agrupamentos formados sob certas condições.
Será utlizada a notação #M pra indicar o número de elementos em um conjunto M .
Exemplos
1. A é o conjnunto de núemeros de dois algarismos distintos formados a partir dos dígitos 1, 2 e 3.
A = {12, 13, 21, 23, 31, 32} e #A = 6
2. B é o conjunto das sequências de letras fazendo anagramas da palavra ARI.
B = {ARI, AIR < IRA, IAR, RAI, RIA} e #B = 6.
3. C é o conjunto de números de três algorismos, todos distintos, formados a partir dos dígitos 1, 2, 3, 4,
5, 6, 7 e 8.
$C = {123,124,125, . . . , 875, 876} $ e #C = 256
Muitas vezes é trabalhoso ficar listando todos os elementos de um conjunto, além do risco de omissão ou
repetição desses elementos. Assim, nas próximas sessões serão vistas técnicas de contagem.
Parte 2
Seja o conjunto A = {a1 , a2 , . . . , am }, de forma que #A = m. O número de pares ordenados (ai , aj ) tais que
ai ∈ A e aj ∈ A e ai 6= aj é
m × (m − 1).
m × (m − 1) × · · · × (m − (p − 1))
| {z }
p parcelas
5
Consequências PRINCÍPIO FUNDAMENTAL DA CONTAGEM
Consequências
Através do princípio fundamental da contagem, tem-se algumas consequências que serão listadas abaixo.
Fatorial
Definição: Seja m um número inteiro não negativo. Define-se fatorial de m (denotado por m) através da
relação:
m! = m × (m − 1) × (m − 2) × · · · × 3 × 2 × 1
1! = 1
0! = 1
Seja A um conjunto com m elementos, isto é, A = {a1 , a2 , . . . , am } e denota-se por ARm,r o número de
arranjos de m elementos tomados r a r. Cada arranjo com repetição é uma sequência de r elementos, onde
cada elemento pertence a A. Assim,
ARm,r = m × m × · · · × m = mr
| {z }
r parcelas
Arranjo
Seja A um conjunto com m elementos, isto é, A = {a1 , a2 , . . . , am } e denota-se por Am,r o número de arranjos
de m elementos tomados r a r. Cada arranjo é uma sequência de r elementos, onde cada elemento pertence a
A, e são todos distintos. Assim,
(m − r)! m!
Am,r = m × (m − 1) × · · · × (m − (r − 1)) = m × (m − 1) × · · · × (m − (r − 1)) =
| {z } (m − r)! (m − r)!
r parcelas
Permutação
Combinação
6
Consequências PRINCÍPIO FUNDAMENTAL DA CONTAGEM
Considere a palarva ANA e seus anagramas. Será indicado por A∗ o segundo A. Assim,
∗ ∗ ∗ ∗ ∗
AN
| {zA}, |AA
{z N}, |N AA
{z }, |N A N A}, |A∗{z
{z A}, |A {z AN},
(1) (2) (3) (4) (5) (6)
E os anagramas (1) e (5), (2) e (6), (3) e (4) são iguais. Logo, não existem 3! = 6 permutações distintas, mas
apenas 3.
Assim, Seja A um conjunto com m elementos, isto é, A = {a1 , a2 , . . . , am } , porém m1 elementos são iguais a
n1
a1 e os restantes distintos entre si. Denota-se Pm o número de permutações nessas condições, logo
n1 m!
Pm =
n1 !
Essa expressão pode ser expandida para o caso de vários elementos repetidos. Seja A um conjunto de m
elementos, dos quais:
n1 são iguais a a1
n2 são iguais a a2
..
.
nr são iguais a ar
Assim, tem-se a seguinte expressão
n1 ,n2 ,...,nr m!
Pm =
n1 ! × n2 ! × · · · × nr !
7
PROBABILIDADE
Probabilidade
Relembrando o que já foi escrito
Definição: Seja ε um experimento. Seja S um espaço amostral associado a ε. A cada evento A será
associado um número real representado por P (A) e denominado probabilidade de A, que satisfaça às seguinte
propriedades:
1. 0 ≤ P (A) ≤ 1.
2. P (S) = 1
3. Se A e B forem eventos mutamente excludentes, P (A ∪ B) = P (A) + P (B).
Disso, decorre alguns teoremas importantes (que aqui não serão demonstrados).
Teorema 1 Se ∅ for o conjunto vazio, então P (∅) = 0.
Teorema 2 Se Ā for o evento complementar de A, então P (Ā) = 1 − P (A).
Teorema 3 Se A e B forem dois eventos quaisquer, então P (A ∪ B) = P (A) + P (B) − P (A ∩ B).
Teorema 4 Se A ⊂ B, então P (A) ≤ P (B).
Eventos Equiprováveis
Seja S = {a1 , a2 , . . . , am } o espaço amostral. Diz-se que esse espaço amostral é equiprovável se p1 = p2 =
· · · = pm , isto é, se todos os eventos elementares de S tiverem a mesma probabilidade.
Assim, dado um evento A neste espaço S, onde este evento possua r elementos, a probabildade deste evento
será
#A r
P (A) = = .
#S m
Probabilidade Condicional
Seja S um espaço amostral e considere dois eventos A e B. Denotado por P (A|B) indica-se a probabilidade
do evento A, dado que o evento B ocorreu, isto é, tudo se passa como se B fosse o novo espaço amostral
“reduzido”, dentro do qual se deseja calculdar a probabilidade de A.
Assim, define-se probabilidade do evento A dado que o evento B ocorreu
P (A ∩ B)
P (A|B) =
P (B)
Teorema da Multiplicação
P (A ∩ B)
P (A|B) = → P (A ∩ B) = P (B) × P (A|B)
P (B)
P (A ∩ B)
P (B|A) = → P (A ∩ B) = P (A) × P (B|A)
P (A)
8
Teorema da Probabildiade Total PROBABILIDADE
Seja o espaço amostral S, e n eventos B1 , B2 , . . ., Bn . Diz-se que os eventos formam uma partição do espaço
amostral S, quando
1. P (Bk ) > 0
2. Bi ∩ Bj = ∅ para i 6= j
3.
n
[
Bi = B1 ∪ B2 ∪ · · · ∪ Bn = S
i=1
Seja A um evento nesse mesmo espaço amostral S. ASsim, é possível escrever a seguinte relação A =
(B1 ∩ A) ∪ (B2 ∩ A) ∪ · · · ∪ (Bn ∩ A).
Como os eventos (B1 ∩ A), (B2 ∩ A), . . ., (Bn ∩ A) são dois a dois mutamente excluentes, então
Teorema de Bayes
Considere um espaço amostral S, com uma partição em n eventos B1 , B2 , . . ., Bn e um evento A que também
ocorre nesse espaço amostral. Deseja-se calcular a probabilidade de um evento Bi dado que o evento A
i ∩A)
tenha ocorrido, ou seja, pode ser escrito como P (Bi |A) = P (B
P (A) , portanto, utilizando a consequência da
probabiidade condicional e o teorema de probabilidade total, tem-se que
Esste resultado é conhecido como Teorema de Bayes. A expressão acima nos dá a probabilidade de um
particuclar Bi , dado que o evento A tenha ocorrido.
Independência
Dado dois eventos A e B de um espaço amostral S, diz-se que esses eventos são independentes se, e somente
se,
P (A ∩ B) = P (A) × P (B).
P (A ∩ B) P (A)P (B)
P (A|B) = = = P (A)
P (B) P (B)
e
P (A ∩ B) P (A)P (B)
P (B|A) = = = P (B)
P (A) P (A)
9
VARIÁVEL ALEATÓRIA
Variável Aleatória
Ao descrever um experimento e seu espaço amostral, muitas vezes se trabalha com medidas que não são
um número. Por exemplo, uma peça manufaturada e observar se esta está em boas condições ou é uma
peça defeituosa ou dentro de um período de 24 horas observar a curva de temperatura. Porém, em muitos
experimentos, o interesse se encontra na mensuração e fazer o registro como um número. Assim, para esses
exemplos citados acima, é possível para o caso das peças atribuir 0 para as peças defeituosas e 1 para as
peças boas. Da mesma forma, ao invés de observar a curva, pode-se anotar a temperatura máxima, a mínima
e a média dessas temperaturas.
Assim, em muitas situações experimentais, deseja-se atribuir um número real x a todo elemento de $s4 do
espaço amostral S. Isto é, x = X(s) é o valor de uma função X do espaço amostral no espaço dos números
reais.
Definição: Sejam ε um experimento e S um espaço amostral associado ao experimento. Uma função X, que
associe a cada elemento s ∈ S um número real, X(s) é denominada variável aleatória (va).
Sendo assim, a partir daqui, serão identificadas dois tipos de variáveis aleatórias, que são:
• Variável Aleatória Discreta: São variáveis aleatórias que provêm de contagem. Por exemplo:
– Identificar uma pessoa como da turma A ou B (0 ou 1).
– O número de peças defeituosas dentro de um lote.
– O número de carros que passam dentro de um intervalo de tempo na Rua Vergueiro.
– Comprar um certo produto até que se tire o produto premiado.
• Variável Aleatória Contínua: São variáveis aleatórias que provêm de processos de mensuração. Por
exemplo:
– A altura dos alunos da sala.
– O tempo de duração da lâmpada.
– A inflação do dia.
– A gasto médio da cesta de uma família.
As próximas definições se aplicam a ambos os tipos de VA, porém serão vistas de forma separadas por
facilidade de cálculo.
Além disso, uma VA é representada por letras maiúsculas.
VA Discreta
Conforme já foi dito, variáveis aleatórias discretas são experimentos oriundos a partir de contagem. Assim, o
gráfico de uma VA discreta é disposto de barras individuais em que no eixo X se indica o valor da VA e no
eixo Y se indica a probabilidade que aquele valor assume.
Função de Probablidade
Definição: Seja X uma VA discreta, então o número de valores possíveis de X é enumerável (finito ou
infinito), ou seja, é possível dispor os valores de X em uma lista como x1 , x2 , . . .. A cada possível resultado de
xi é associado um número p(xi ) = P (X = xi ) denominado probabilidade de xi . Os números p(xi ), i = 1, 2, ...
devem satisfazer às seguintes condições:
1. p(xi ) ≥ 0, para todo i,
10
VA Contínua VARIÁVEL ALEATÓRIA
∞
P
2. P (X = xi ) = p(xi ) = 1
i=1
Definição: Dada uma VA discreta X, define-se Função Distribuição Acumulada (fda) o seguinte
X
F (X) = P (X ≤ x) = P (X = xi ), com Ax = i : xi ≤ x
i∈Ax
VA Contínua
Variáveis aletórias contínuas são oriudas de processos de mensuração. Uma VA contínua é expressa através
de uma função matemática e tem seu gráfico representado por histograma ou uma linha contínua.
Definição: Seja X uma VA contínua, então, o contradomínio (RX ) de X é um intervalo ou uma coleção
de intervalos. Assim, existe uma função fX : R → [0, ∞), denominada de função densidade de probabilidade
(fdp), que satisfaz as seguintes condições:
1. f (x) ≥ 0, para todo x ∈ RX ,
R∞
2. f (x)dx = 1
−∞
Zd
P (c ≤ X ≤ d) = P (c < X < d) = f (x)dx
c
Vale a pena notar que, de forma como a probabildiade foi definida, a probabilidade de um ponto isolado é
Rc
sempre zero, ou seja, P (X = c) = f (x)dx = 0. Desta forma, pode-se concluir que, quando X é uma VA
c
contínua, a probablidade de ocorrer um valor específico é zero.
Definição: Dada uma VA contínua X, define-se Função Distribuição Acumulada (fda) o seguinte
Zx
F (X) = P (X ≤ x) = f (x)dx
−∞
11
Esperança VARIÁVEL ALEATÓRIA
Esperança
• Para VA contínua
Z∞
E[X] = xf (x)dx
−∞
Assim, para qualquer função da variável aleatória g(X), a esperança dessa função será dada por:
• Para VA discreta
∞
X ∞
X
E[g(X)] = g(xi )P (X = xi ) = g(xi )p(xi )
i=1 i=1
• Para VA contínua
Z∞
E[g(X)] = g(x)f (x)dx
−∞
Variância
Momentos
• Para VA contínua
Z∞
r
E[X ] = xr f (x)dx
−∞
MX (t) = E[etX ]
Assim, para fgm se for calculado a primeira derivada avaliada no ponto t = 0 tem-se a esperança da VA X,
ou seja,
0
MX (0) = E[X].
12
Vetores Aleatórios VARIÁVEL ALEATÓRIA
Portanto, se deseja-se encontrar o n-ésimo moneto da VA X, basta derivar sua fgm n vezes e avaliar no ponto
t = 0.
(A fgm entra como nota para conhecimento, pois quando se tratar de cálculo entre variáveis, a ideia de fgm
facilita o processo.)
Vetores Aleatórios
Até então foi visto somente para uma variável aleatória. Agora será abordado questões a respeito de
distribuições com mais de uma variável aleatória, que será chamado de vetor aleatório. Assim, considere par
ordenado (X, Y ) um vetor aleatório composto de X e Y variáveis aleatórias.
Definição: Seja X e Y VAs e Z = (X, Y ) um vetor aleatório formado de X e Y . Assim, a distribuição de
probabilidade de Z segue as seguintes condições:
• Para o caso discreto:
1. p(xi , yj ) ≥ 0, qualquer que seja i, j = 1, 2, . . ..
P P
2. p(xi , yj ) = 1
xi ∈RX yj ∈RY
Aqui foi definido um vetor aleatório para o R2 , porém isso se aplica ao mundo do Rn .
Covariância
Definição: Seja X e Y duas VAs e o par ordenado (X, Y ) um vetor aleatório. Define-se convariância de X
e Y o seguinte:
13
Vetores Aleatórios VARIÁVEL ALEATÓRIA
Definição: Seja X e Y duas VAs e o par ordenado (X, Y ) um vetor aleatório. Define-se correlação de X e
Y o seguinte:
Cov(X, Y )
ρ(X, Y ) = p p
V (X) V (Y )
VAs Independentes
Definição: Seja X = (X1 , X2 , . . . , Xn ) um vetor aleatório. Define-se vetor aleatório independente se
n
Y
P(X1 , X2 , . . . , Xn ) = P(X1 ) × P(X2 ×) × · · · × P(Xn ) = P(Xi )
i=1
Distribuição Condicional
Para vetores aleatórios também se define distribuição condicional. Para isso considere X e Y VAs e Z = (X, Y )
um vetor aleatório formado de X e Y . Define-se distribuição condicional da seguinte forma:
• Para o caso discreto
P(X = x, Y = y) p(x, y)
pX|Y (x|y) = P(X = x|Y = y) = =
P(Y = y) pY (y)
• Para o caso contínuo
f (x, y)dxdy
fX|Y (x|y)dx =
fY (y)
14
MODELOS DE PROBABILIDADE
Modelos de Probabilidade
A seguir serão vistos as principais distribuições de probabilidade tanto discretas como contínuas.
Uniforme Discreta
Seja X uma VA com distribuição uniforme discreta de parâmetro n. Denota-se por X ∼ U D(n). Sua fp é
dada por
1
P(X = xi ) = , ∀xi ∈ RX
n
Exemplos: lançamento de uma moeda, lançamento de um dado, retirada de uma carta de um baralho de 52
cartas.
Bernoulli
Seja X uma VA com distribuição de Bernoulli com parâmetro p. Denota-se por X ∼ Bernoulli(p). Sua fp é
dada por (
p, se X = 1
P(X = xi ) = , onde 0 ≤ p ≤ 1
1 − p, se X = 0
Esta distribuição é muito conhecida pois o valor da VA assume 0 ou 1, valores binários, ou seja, aqui se aplica
exemplos de sucesso ou fracasso, verdadeiro ou falso, possui a doença ou não possui a doença, etc.
Se X ∼ Bernoulli(p), então
E[X] = p
e
V ar[X] = p(1 − p)
Binomial
Esta distribuição ve mda realização de n ensaios independentes de Bernoulli, onde se deseja observar o número
de sucessos dentro de n tentativas.
Se X ∼ Bin(n, p), então
E[X] = np
e
V ar[X] = np(1 − p)
15
Modelos para VA Discretas MODELOS DE PROBABILIDADE
Poisson
Seja X uma VA com distribuição de Poisson com parâmetro λ, onde λ > 0. Denotada por X ∼ P oisson(λ).
Sua fp é dada por
λxi
P(X = xi ) = e−λ , onde xi = 0, 1, 2, . . . , n
xi !
Esta distribuição é conhecida por variáveis que são oriundas através de processos de contagem. Por exemplo,
número de erros em uma página de um livro, número de pessoas dentro de uma quadrado de 100 metros
quadrados, número de carros que passam em um determinado cruzamento.
Se X ∼ P oisson(λ), então
E[X] = λ
e
V ar[X] = λ
Hipergeométrica
Geométrica
Seja X uma VA com distribuição geométrica de parâmetro p, onde 0 ≤ p ≤ 1. Denotada por X ∼ Geo(p).
Sua fp é dada por
P (X = xi ) = (1 − p)xi p, onde xi = 0, 1, 2, . . .
Esta distribuição é conhecida por mensurar o número de falhas até que se obtenha o primeiro sucesso.
Binomial Negativa
Seja X uma VA com distribuição Binomial Negativa com parâmetros p e r, onde 0 ≤ p ≤ 1 representa a
probabilidade de sucesso e r representa o número total de sucessos. Denotada por X ∼ BN (r, p). Sua fp é
dada por
xi − 1 r
P(X = xi ) = p (1 − p)xi −r , onde xi = r, r + 1, r + 2, . . . .
r−1
16
Modelos para VA Contínua MODELOS DE PROBABILIDADE
Uniforme
Seja X uma VA com distribuição Uniforme de parâmetros a e b, onde a < b e a, b ∈ R. Denotada por
X ∼ U nif (a, b). Sua fdp é dada por
(
1
f (x) = b−a , onde a ≤ x ≤ b
0, caso contrário
Normal
Se X é uma VA com distribuição Normal com os parâmetros µ e σ, onde µ ∈ R e σ > 0. Denotada por
X ∼ N (µ, σ 2 ). Sua fdp é dada por
1 1 2
f (x) = √ exp (x − µ)
2πσ 2 2σ 2
A distribuição normal é uma das mais conhecidas no meio das distribuições de probabilidade. Esta é uma
distribuição simétrica e que possui muitas propriedades e boa parte das estatísticas e modelos que foram
desenvolvidos é baseado nesta distribuição.
Se X ∼ N (µ, σ 2 ), então
E(X) = µ
e
V ar(X) = σ 2
Seja X uma VA com distribuição normal com média µ e variância σ 2 , se fizer Z = X−µ
σ , diz-se então que Z é
uma VA com distribuição normal padrão, pois sua média será 0 e sua variância será 1, ou seja, Z ∼ N (0, 1).
Qui-Quadrado
Seja X uma VA com distribuição qui-quadrado com ν graus de liberdade. Denotada por X ∼ χ2ν . Sua fdp é
dada por
1
f (x) = ν/2 x(ν/2)−1 exp(−x/2), onde ν > 0, x > 0
2 Γ(ν/2)
Rω
(Γ(ω) = xω−1 exp(−x)dx, ω > 0)
0
17
Modelos para VA Contínua MODELOS DE PROBABILIDADE
T-Student (centralizada)
Seja X uma VA com distribuição T de Student com ν graus de liberdade. Denotada por X ∼ tν . Sua fdp é
dada por
Γ ν+1
2
x 2 − ν+1
2
f (x) = √ 1+ , x ∈ (−∞, ∞)
νπΓ(ν/2) ν
F-Snedecor (centralizada)
Seja X uma VA com distribuição F de Snedecor com n graus de liberdade no numerador e m graus de
liberdade no denominador. Denotada por X ∼ Fm,n . Sua fdp é dada por
m m
Γ( m+n 2 −1
m 2
2 )( n ) x
f (x) = m+n , x ∈ [0, ∞)
Γ( m n m
2 )Γ( 2 )[( n )x + 1]
2
Exponencial
Seja X uma VA com distribuição exponencial com parâmetro λ, λ > 0. Denotada por X ∼ Exp(λ). Sua fdp
é dada por
f (x) = λe−λx , x ≥ 0
Se X ∼ Exp(λ), então
1
E(X) =
λ
e
1
V ar(X) =
λ2
Esta distribuição é conhecida por medir tempo de vida, muito utilizada para análises iniciais em análise de
sobrevivência. Esta distribuição é conhecida por possuir a propriedade de “falta de memória”.
Gama
Seja X uma VA com distribuição Gama com parâmetros α > 0 (conhecido como parâmetro de forma) e
β > 0 (parâmetro de taxa). Denotada por X ∼ Gama(α, β). Sua fdp é dada por
1
f (x) = β α xα−1 e−βx , x ≥ 0
Γ(α)
Beta
Seja X uma VA com distribuição Beta com parâmetros α > 0 e β > 0 . Denotada por X ∼ Beta(α, β). Sua
fdp é dada por
Γ(α + β) α−1
f (x) = x (1 − x)β−1 , x ∈ (0, 1)
Γ(α)Γ(β)
18
Outros modelos de probabilidade MODELOS DE PROBABILIDADE
Weibull
Seja X uma VA com distribuição Weibull com parâmetros α > 0 e β > 0 . Denotada por X ∼ W eibull(α, β).
Sua fdp é dada por
α α−1 x α
f (x) = α x exp − ,x ≥ 0
β β
Acima foram listadas as mais conhecidas, porém existe muitas outras distribuições de variadas formas e
variados domínios para X.
Assim como existem os modelos para duas ou mais variáveis, por exemplo o modelo multinomial, que é uma
generalização do modelo binomial.
19
TEOREMA CENTRAL DO LIMITE
Definição
tende a distribuição normal padrão quando n → ∞. Isto é, para −∞ < a < ∞, quando n → ∞
X + X + · · · + X − nµ Za
1 2 n
1 2
P √ ≤a → √ e−x /2 dx
σ n 2π
−∞
Distribuição Amostral
20