Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
4. DISTRIBUIES TERICAS................................................................................................63
4.1. INTRODUO ...........................................................................................................................63
4.2. DISTRIBUIES TERICAS DISCRETAS......................................................................................64
4.2.1
4.2.2
4.2.3
4.2.4
4.2.5
4.2.6
4.5
D I S T R I B U I E S
T E R I C A S
Captulo
4
4. Distribuies Tericas
4.1. Introduo
Existem variveis aleatrias que tm uma funo de distribuio pertencente a
uma classe de distribuies tericas. As distribuies tericas, que como o nome
indica foram sujeitas a um estudo prvio, tm propriedades conhecidas que nos
permitem numa situao em que a distribuio esteja identificada, tirar partido
desse trabalho terico que j foi efectuado e assim pouparmos tempo na anlise
do problema que estivermos a estudar. As distribuies tericas que ns vamos
estudar so as seguintes:
Caso discreto
Distribuio binomial
Distribuio geomtrica
Distribuio hipergeomtrica
Distribuio de Poisson
Caso contnuo
Distribuio uniforme
Distribuio exponencial
Distribuio normal
63
D I S T R I B U I E S
T E R I C A S
Prova de Bernoulli
A =sucesso;
A =insucesso;
P( A ) = p ;
P( A ) = q = 1 p .
A uma experincia aleatria com as caractersticas anteriores d-se o nome de
prova de Bernoulli.
Sucesso de provas de Bernoulli:
Vamos definir sucesso de provas de Bernoulli como o processo caracterizado por
repetidas provas que tm lugar nas seguintes condies:
1- Em cada prova s estamos interessados em dois acontecimentos, A ou
A.
2- A probabilidade de sucesso, designada por p , mantm-se constante de
prova para prova. A probabilidade de insucesso designa-se por
q = 1 p .
3- As provas so independentes, isto , os resultados obtidos numa
sequncia de provas no influenciam os resultados da(s) prova(s)
subsequente(s).
64
D I S T R I B U I E S
4.2.2
T E R I C A S
Distribuio binomial
x {0,1,..., n} .
Os parmetros n e p so dois valores que necessrio conhecer para que a
distribuio da varivel aleatria fique completamente definida. Os valores que a
varivel pode tomar so representados por x , e pode ser qualquer valor inteiro
desde 0 at n.
A probabilidade da varivel aleatria tomar o valor x dada por:
n
P( X = x ) = b (x ; n ; p ) = p x q n x x = 0, 1, , ..., n
x
(1)
E( X ) = n p
(2)
Var ( X ) = n p q
(3)
4.2.3
65
D I S T R I B U I E S
T E R I C A S
x 1 k x k
P ( X = x ) = bn ( x ; k; p ) =
p q
k 1
x = k , k + 1, ... (4)
E( X ) =
k
p
Var ( X ) =
4.2.4
(5)
kq
p2
(6)
Distribuio geomtrica.
x {1,2,...}.
O parmetro p um valor que necessrio conhecer para que a distribuio da
varivel aleatria fique completamente definida. Os valores que a varivel pode
tomar so representados por x , e pode ser qualquer valor inteiro desde 1 at + .
A probabilidade da varivel aleatria tomar o valor x dada por:
P( X = x ) = g (x ; p ) = p q x 1
x = 1, 2, ...
(7)
E( X ) =
1
p
Var ( X ) =
(8)
(9)
p2
66
D I S T R I B U I E S
4.2.5
T E R I C A S
Distribuio hipergeomtrica.
M N M
x nx
P ( X = x ) = h (x ; N ; M ; n ) =
N
n
(10)
E( X ) = n
M
N
Var ( X ) = n
(11)
M N M N n
N N N 1
67
(12)
D I S T R I B U I E S
4.2.6
T E R I C A S
Distribuio de Poisson.
A distribuio de Poisson (que deve o seu nome ao fsico francs Simon Poisson)
est associada a um grande conjunto de situaes prticas cujos alguns exemplos
so os seguintes:
P ( X = x ) = p (x ; ) =
e x
x!
68
x = 0, 1, 2, ...
(13)
D I S T R I B U I E S
T E R I C A S
4.3
E( X ) =
(14)
Var ( X ) =
(15)
Distribuio uniforme
f ( x) = b a
0
a< x<b
(16)
outros valores
x a
0
x a
F( x ) =
a <x <b
b
x b
1
(17)
E( X ) =
a +b
2
Var ( X ) =
(18)
(b a )2
(19)
12
69
D I S T R I B U I E S
4.3.2
T E R I C A S
Distribuio exponencial
f ( x ) = e x , x > 0
(20)
E( X ) =
Var ( X ) =
(21)
1
2
(22)
Exemplo 4.1:
Consideremos uma varivel aleatria X que representa o nmero de clientes que
chegam a uma certa agncia bancria num perodo de uma hora. Suponhamos
que X P ( 4 ) . Podemos concluir que em mdia chegam 4 clientes por hora.
Consideremos agora uma varivel Y que representa o tempo entre duas
chegadas consecutivas de clientes mesma agncia bancria. Se em mdia
chegam 4 clientes por hora podemos concluir que o tempo mdio entre chegadas
de
1
da hora, ou seja 15 minutos.
4
Como vamos ver a seguir existe um teorema que nos garante que a varivel
aleatria Y tem distribuio exponencial com parmetro 4 . A unidade de tempo
considerada para a varivel Y exactamente o comprimento do perodo de
contagem da varivel aleatria X que lhe est associada.
70
D I S T R I B U I E S
T E R I C A S
Teorema
Consideremos uma varivel aleatria X que tem distribuio de Poisson com
parmetro para um certo intervalo de espao contnuo (tempo, comprimento,
rea ou volume). A varivel aleatria contnua que representa o comprimento de
espao entre duas ocorrncias consecutivas tem distribuio exponencial com o
mesmo parmetro .
Nota: A unidade de medida da varivel Y o comprimento do intervalo de
contagem da varivel X , tornando-se assim importante que este seja do
comprimento de uma unidade do espao contnuo em que estamos a trabalhar.
4.3.3
Distribuio normal
( x )
1
f(x)=
e 2 2 com < x < +
2
(23)
E( X ) =
(24)
Var ( X ) = 2
(25)
f(x)
-5
-4
-3
-2
-1
Valores de x
71
D I S T R I B U I E S
3.
T E R I C A S
Teorema
Seja X uma v.a. com distribuio normal de mdia e desvio padro .
X
. A varivel aleatria Z tem
( x )
1
de:
e 2 2 dx o que no um clculo trivial.
a 2
b
Poderamos construir uma tabela que nos desse o valor da funo de distribuio
para diversos pontos da varivel mas nesse caso teramos de ter um infinito
nmero de tabelas (j que existem infinitas distribuies normais). No entanto,
dado que pelo teorema anterior qualquer distribuio normal pode ser reduzida
distribuio Z N (0; 1 ) ) , existe uma tabela para a funo de distribuio da
varivel Z que tem distribuio normal com mdia 0 e desvio padro 1 . Esta
funo vamos representar por ( z ) = P ( Z z ) .
72
D I S T R I B U I E S
T E R I C A S
a
b
b
a
Z
) =
vamos utilizar a
n
n
n
S = X i N i ; i2
i =1
i =1
i =1
(26)
Se
S = X i N n ; n
(27)
i =1
Corolrio 2
Se X 1 N ( 1 ; 1 ) e X 2 N ( 2 ; 2 ) e forem independentes ento:
(
N (
X 1 + X 2 N 1 + 2 ; 12 + 22
X1 X 2
2 ; 12 + 22
)
)
(28)
(29)
Corolrio 3
n
Xi
Se X i N ( ; ) ento X = i =1
tem distribuio:
X N ;
(30)
73
D I S T R I B U I E S
T E R I C A S
varivel S =
Xi
i =1
n
S = X i N n ; n
(31)
i =1
4.4
Hipergeomtrica
N, M, n
n
0,1
N
p=
M
N
n ( n grande)
Binomial
n, p
Poisson
= np
n
0,1 p 0,9
= np
2
= np(1 p )
> 20
= 2 =
>
Normal
,
74
(32)