Estatística: Aplicação ao Sensoriamento Remoto

SER 204 - ANO 2017

Distribuições de Probabilidade

Camilo Daleles Rennó

camilo@dpi.inpe.br
http://www.dpi.inpe.br/~camilo/estatistica/
 Distribuições de Probabilidade
Considere os seguintes experimentos:

Retiram-se 3 bolas da urna (com reposição). Define-se uma v.a. X cujos

valores representam o número total de bolas vermelhas dentre as 3
escolhidas.

4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 5 4 4 4 4 4 4 4 5 5 5 1 4 4 4 1 1 4 4 4 4 4 4 4 4 4 4 4 3 4 1 1
5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 4 4 4 4 5 5 5 5 1 1 4 4 4 1 1 4 4 4 4 4 3 4 4 3 4 3 4 1 1
5 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5 4 4 5 5 5 5 5 1 1 1 1 1 4 4 4 4 3 3 3 3 3 3 3 3 1 1 1
5 5 5 4 4 5 5 4 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 4 5 5 1 1 1 1 1 1 1 1 1 4 4 4 4 3 3 3 3 3 3 3 3 1 1 1

A partir de um mapa, 10 pontos são sorteados aleatoriamente (com

5 5 5 4 5 5 4 4 2 2 2 5 5 2 5 5 5 5 5 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 4 1 3 3 3 3 3 3 3 3 3 3 3 1 1
5 5 5 5 5 5 5 4 4 4 2 2 5 5 5 5 5 5 5 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3 1 1
5 5 5 5 5 5 4 4 4 2 2 2 2 2 5 5 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3 3 3 1
5 5 5 5 5 5 4 4 2 2 2 2 2 2 5 5 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3 1 1
5 5 5 5 5 5 4 2 2 2 2 2 2 5 5 5 5 5 5 1 1 5 5 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3 3
5 5 5 5 5 5 4 2 2 2 2 2 2 5 5 5 5 5 1 1 1 5 5 5 5 5 1 1 1 1 1 4 4 4 4 4 4 1 1 3 3 3 3 3 3 3 3 3 3 3
5 5 5 5 5 5 4 2 2 2 2 2 2 5 5 5 5 5 1 1 1 5 5 5 5 5 5 5 5 1 4 4 4 4 4 4 4 1 1 3 3 3 3 3 3 3 3 3 3 3
5 5 5 4 4 4 4 2 2 2 2 2 5 5 5 5 1 1 1 1 1 5 5 5 5 5 5 5 5 2 4 4 4 4 4 4 4 4 4 3 3 3 3 3 3 3 3 3 3 3
5 4 4 4 4 4 4 2 2 2 2 2 2 5 5 5 1 1 1 1 5 5 5 5 5 5 5 5 2 2 4 4 4 4 4 4 4 4 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 2 2 2 2 5 5 5 5 1 1 1 1 5 5 5 5 5 2 2 2 2 2 2 3 3 3 3 3 3 4 4 3 3 3 3 3 3 3 3 3 3 3

reposição). Define-se uma v.a. Y cujos valores representam o

4 4 4 4 4 4 4 4 2 2 2 2 5 5 5 1 1 1 1 1 1 5 5 5 5 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 2 2 2 2 5 5 5 1 1 1 1 1 1 5 5 5 5 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4 4 2 5 5 5 5 1 1 1 1 1 1 5 5 5 5 5 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 2 2 2 5 5 5 1 1 1 1 1 1 1 5 2 2 2 5 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 1 3 3 3
4 4 4 4 4 4 4 4 4 2 1 5 5 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 1 1 3 3 1
2 4 4 4 4 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 1 1 3 1
2 4 4 4 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 3 3 2 3 3 3 3 3 3 3 3 3 3 3 1 1 1 1
2 2 4 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 1
2 2 4 4 4 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 1
2 2 4 4 4 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 1 1
2 2 2 3 4 4 1 1 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 1 1

número total de pontos pertencentes à classe floresta dentre os 10

2 2 2 3 4 4 4 4 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 1
2 2 3 3 3 4 4 4 1 1 1 1 1 1 1 1 1 1 1 5 5 1 1 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
2 2 3 3 3 4 4 4 1 1 1 1 1 1 1 1 1 1 5 5 5 2 1 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
2 3 3 2 3 3 3 1 1 1 1 1 1 1 1 1 1 1 5 5 5 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
2 3 3 2 3 3 3 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 5 2 2 2 2 2 2 2 2 2 2 2 2 2 5 5 5 5 3 3 3 3 3 3 3 3 3 3
2 2 2 2 3 3 3 3 3 1 1 1 1 1 1 1 1 1 1 1 5 5 5 2 2 2 2 2 2 2 2 2 2 2 2 5 5 5 5 5 3 3 3 3 3 3 3 3 3 3
2 2 2 2 3 3 3 3 3 3 1 1 1 3 1 3 1 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5 3 3 3 3 5 3 3 3
2 2 2 2 3 3 3 3 3 3 3 1 1 3 3 3 3 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 2 2 2 5 5 5 2 5 5 5 5 3 5 5 5 3 3 3
2 2 2 2 3 3 3 4 3 3 3 3 3 3 3 3 3 5 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 2 5 5 5 5 2 5 5 5 5 2 5 5 5 3 3 3
2 2 2 3 3 4 4 4 4 3 3 3 3 3 3 3 3 5 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 2 5 5 5 5 2 5 5 5 2 2 5 5 5 5 3 3

escolhidos.
2 2 2 3 3 4 4 4 3 3 3 3 5 5 3 3 5 5 5 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 5 5 5 2 2 2 5 5 2 5 5 5 5 5 5 3
2 2 2 2 3 4 4 4 4 3 3 3 5 5 3 5 5 5 5 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 5 5 2 2 2 2 2 5 2 5 5 5 5 5 5 5
2 2 2 2 3 4 4 4 3 3 3 5 5 5 5 5 5 5 5 5 5 4 5 5 5 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5 5
2 2 2 3 3 3 3 4 3 3 4 5 5 5 5 5 5 5 4 5 5 4 4 5 5 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 5 5 5 5 1 1
2 3 2 3 3 3 3 4 4 4 4 4 5 5 5 5 5 5 4 4 4 4 4 5 4 4 4 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 5 5 5 1 1 1
2 3 3 3 3 3 3 4 4 5 5 5 5 5 5 5 5 5 5 4 4 4 4 5 4 4 4 4 4 2 2 2 2 2 2 2 2 2 2 2 2 2 2 5 5 5 5 1 1 1
4 3 4 3 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 1 1 1 1
4 4 4 3 4 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2 2 2 1 1 1 2 2 2 2 2 1 1 1 1 1
4 4 4 4 4 4 4 5 4 5 5 5 5 5 5 5 5 5 5 5 4 4 4 4 4 4 4 4 4 1 1 2 2 2 2 2 1 1 1 1 1 2 2 2 2 1 1 1 1 1
4 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5 5 4 4 4 4 4 4 1 1 1 1 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
4 4 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5 5 4 4 4 4 4 4 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5 4 4 4 4 4 4 4 4 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

O que esse dois experimentos têm em comum?

• Um número fixo de elementos são escolhidos
• A escolha de um elemento não influencia a escolha do próximo (eventos
independentes)
• Cada elemento escolhido pertence ou não ao atributo (cor/classe) de interesse
Dessa forma, pode-se dizer que X e Y têm propriedades semelhantes, ou seja,
seguem a mesma distribuição de probabilidade

2
 Distribuições de Probabilidade
Quantas funções que descrevem
variáveis aleatórias existem?

V.A. Discreta V.A. Contínua

• Uniforme Discreta • Uniforme

• Bernoulli • Normal ou
• Binomial Gaussiana
• Geométrica
• Binomial Negativa
ou Pascal
• Hipergeométrica
Fonte: Leemis e McQueston (2008)

O que é importante saber:

• Tipo de v.a. (discreta ou contínua)
• Escopo da v.a. (mínimo e máximo)
• Função de Distribuição de
Probabilidade e seus parâmetros
• A média (medida de tendência central)
• A variância (medida de dispersão)
3
 Distribuição Uniforme Discreta
Considere uma v.a. X cujos valores são inteiros de 1 a N, equiprováveis, ou seja,
todos os valores têm igual probabilidade de ocorrência.

1
X: {1, 2, ..., N} f ( x) 
N

N 1 N 2 1
E( X )  Var ( X ) 
2 12

Exemplo: Lança-se um dado e define-se uma v.a. X como o valor obtido neste dado.

1
X: {1, 2, ..., 6} f ( x) 
6

6 1 36  1
EX    3,5 Var ( X )   2,92
2 12

4
 Distribuição Uniforme Discreta
Se uma v.a. Y é representada por valores múltiplos de 4, maiores que 10 e
menores que 210, equiprováveis, qual a sua média e variância?

?
Y: {12, 16, ..., 208}  X: {1, 2, ..., N}

N  1 51
Y/4: {3, 4, ..., 52} E( X )    25,5
2 2
N 2  1 2499
Y/4 - 2: {1, 2, ..., 50} Var ( X )    208, 25
12 12
X = Y/4 - 2

Y = 4X + 8

E(Y) = 4E(X) + 8 = 4*25,5 + 8 = 110

Var(Y) = 16Var(X) = 16*208,25 = 3332

5
 Distribuição Bernoulli
Considere uma v.a. X que apresenta apenas 2 valores possíveis, 0 e 1, sendo que
P(X = 1) = p e P(X = 0) = 1 – p = q. Geralmente, associa-se o valor 1 ao sucesso e
0 ao fracasso, sendo assim, p é a probabilidade de sucesso e q de fracasso.

X: {0, 1} f ( x)  p x q1 x

E( X )  p Var ( X )  pq

Exemplo: uma bola da urna é escolhida. Define-se uma v.a. X cujos

valores representam 1 se a bola escolhida for vermelha e 0 caso
contrário.
x 1 x
5 2
X: {0, 1} f ( x)     
7 7
p = 5/7
5 5 2 10
EX  
q = 2/7
 0, 714 Var  X     0, 204
7 7 7 49

6
 Distribuição Binomial
Considere uma v.a. X cujos valores representam o número de eventos favoráveis
(sucessos) obtidos em n tentativas independentes, sendo a probabilidade de
sucesso igual a p para todas as tentativas.

n
X: {0, 1, ...,
{?, ..., ?} n} f ( x)    p x qn x onde q = 1 - p
 x
n n!
 
E ( X )  np Var ( X )  npq  x  x !(n  x)!

Exemplo: retiram-se 3 bolas da urna (com reposição). Define-se uma

v.a. X cujos valores representam o número total de bolas vermelhas
dentre as 3 escolhidas.
3 x
 3 5   2 
x

X: {0, 1, 2, 3} f ( x)      
 x 7   7 
p = 5/7
5 15 5 2 30
E  X   3   2,143
q = 2/7
Var  X   3   0, 612
n=3 7 7 7 7 49

7
 Distribuição Binomial
A v.a. Binomial pode ser entendida como uma somatória de n v.a.
Bernoulli, já que, para cada evento (tirar uma bola), há uma
probabilidade p de sucesso (tirar bola vermelha) e q de
fracasso (tirar bola azul).

n
X   Yi onde cada Yi tem distribuição Bernoulli (0 ou 1)
i 1

Por exemplo, na sequência:

q p p  X = 2 (sucessos)
Y1 = 0 Y2 = 1 Y3 = 1

 n  n n
E ( X )  E  Yi    E (Yi )   p  np
 i 1  i 1 i 1

 n  n n
Var ( X )  Var  Yi   Var (Yi )   pq  npq
 i 1  i 1 i 1

8
 Distribuição Binomial
Exemplo: retiram-se 3 bolas da urna (com reposição). Define-se uma
v.a. X cujos valores representam o número total de bolas vermelhas
dentre as 3 escolhidas.

Qual a probabilidade de se obter 2 ou mais bolas vermelhas?

p = 5/7
X: {0, 1, 2, 3}
q = 2/7
n=3
P(X  2) = P(X = 2) + P(X = 3)

 3 5   2 
2
3! 25 2 6 25 2 150
P( X  2)         
 2   7   7  2!1! 49 7 2 49 7 343
 3   5   2  125
3 0

P( X  3)       
 3   7   7  343
150 125 275
P( X  2)     0,802
343 343 343

9
 Distribuição Geométrica
Considere uma sequência de tentativas independentes onde, para cada tentativa,
ocorram somente 2 possibilidades (sucesso ou fracasso). A probabilidade de
sucesso é igual a p para todas as tentativas. Define-se uma v.a. X cujos
valores representam o número total de fracassos até que ocorra o sucesso.

X: {0, ?} }
1, ...,
{?, ..., f ( x)  pq x

q q
E( X )  Var ( X ) 
p p2
Exemplo: retiram-se bolas da urna (com reposição), até que se consiga
uma bola vermelha. Define-se uma v.a. X cujos valores representam o
número total de bolas azuis (fracassos) retiradas da urna até obter
uma bola vermelha (sucesso). x
 5  2 
X: {0, 1, ..., } f ( x)     
 7  7 
p = 5/7
q = 2/7 q 27 2 q 2 49 14
E( X )     0, 4 Var ( X )     0,56
p 75 5 p 2 7 25 25

10
 Distribuição Geométrica
Exemplo: retiram-se bolas da urna (com reposição), até que se consiga
uma bola vermelha. Define-se uma v.a. X cujos valores representam o
número total de bolas azuis (fracassos) retiradas da urna até obter
uma bola vermelha (sucesso).

Qual a probabilidade de se obter a bola vermelha somente na 3a tentativa?

p = 5/7
X: {0, 1, ..., }
q = 2/7

2
 5  2  5 4 20
2)     
P( X  ?)   0, 058
  
7 7 7 49 343

Importante:
Algumas vezes, esta v.a. refere-se ao número total de tentativas até se conseguir o
sucesso. Nesse caso Y = X + 1
1 q
Y: {1, 2, ..., } f ( y )  pq y 1 E (Y )  Var (Y ) 
p p2
11
Distribuição Binomial Negativa (Pascal)
Considere uma sequência de tentativas independentes, onde cada tentativa
somente ocorram 2 possibilidades (sucesso ou fracasso). A probabilidade de
sucesso é igual a p para todas as tentativas. Define-se uma v.a. X cujos valores
representam o número total de fracassos até que ocorram r sucessos.

 x  r  1 r x
X: {0, ?} }
1, ...,
{?, ..., f ( x)   p q
 x 
rq rq
E( X )  Var ( X ) 
p p2
Exemplo: retiram-se bolas da urna (com reposição), até que se consiga
3 bolas vermelhas. Define-se uma v.a. X cujos valores representam o
número total de bolas azuis (fracassos) retiradas da urna até obter
3 bolas vermelhas (sucesso).
 x  2 5   2 
3 x

X: {0, 1, ..., } f ( x)      
 x  7   7 
p = 5/7
q = 2/7 rq 27 6 rq 2 49 42
E( X )  3   1, 2 Var ( X )   3   1, 68
r=3 p 75 5 p2 7 25 25

12
 Distribuição Binomial Negativa (Pascal)
A v.a. Binomial Negativa pode ser entendida como uma somatória
de r v.a. Geométricas.

r
X   Yi onde cada Yi tem distribuição Geométrica
i 1

Por exemplo, na sequência:

q q p q q q q p q q q p  X = 9 (fracassos)
Y1 = 2 Y2 = 4 Y3 = 3
 r  r r
q rq  r  r r
q
E ( X )  E   Yi    E (Yi )    Var ( X )  Var   Yi    Var (Yi )   2  2
rq
 i 1  i 1 i 1 p p  i 1  i 1 i 1 p p

Importante:
Algumas vezes, esta v.a. refere-se ao número total de tentativas até se conseguir r
sucessos. Nesse caso
 y  1 r y  r r rq
Y: {r, r+1, ..., } f ( y)   p q E (Y )  Var (Y ) 
 r  1  p p2
13
 Distribuição Hipergeométrica
Considere uma v.a. X cujos valores representam o número de eventos favoráveis
(sucessos) obtidos em n tentativas (sem reposição) realizadas sobre uma
população finita de M elementos, sendo K deles favoráveis e M-K não
favoráveis.
 K  M  K 
  
 x  n  x 
X: {?,
{máx(0,n-M+K),
..., ?} ..., mín(n,K)} f ( x) 
M 
 
n
K K M K M n
E( X )  n Var ( X )  n
M M M M 1
Exemplo: retiram-se 3 bolas da urna (sem reposição). Define-se uma
v.a. X cujos valores representam o número total de bolas vermelhas
dentre as 3 escolhidas.  5  2 
  
 x  3  x 
X: {1, 2, 3}
{?, ..., ?} f ( x) 
7
não é possível obter 3 bolas azuis!  
M=7  3
K=5
5 15 5 2 4 120
n=3 E  X   3   2,143 Var  X   3   0, 408
7 7 7 7 6 294
(mesmo que Binomial) (variância da Binomial * fator de correção)
14
 Resumo Distribuições Discretas

n=1

r=1
M 

Na Binomial, o número de sorteios é pré-definido (n) e o número de sucessos é aleatório; na Binomial

Negativa, o número de sucessos é pré-definido (r) e o número de sorteios é aleatório.
Os sorteios são feitos com reposição na Binomial e, sem reposição na Hipergeométrica.
15
 Distribuição Uniforme (Contínua)
Uma variável aleatória X tem distribuição Uniforme no intervalo [a, b] se sua
função densidade de probabilidade for dada por:

 1 f(x) P ( a  X  b)  1
 se a ≤ x ≤ b
f ( x)   b  a 1
 0 caso contrário ba

a b X
ab
E( X ) 
2
(b  a ) 2
Var ( X ) 
12 P(7  X  9)
f(x)
Exemplo: X ~ U (5,10)  5  x  10 1
9 1 5
P (7  X  9)  ? f ( x)dx f ( x) 
5
7
1 2
 (9  7).   0, 4 5 10 X
5 5 16
 Distribuição Normal ou Gaussiana
Uma variável aleatória X tem distribuição Normal se sua função densidade de
probabilidade for dada por: 0,14



0,12

0,1
f ( x )dx  1
1  x 
2
  
1  
0,08
f ( x)  e 2 - ≤ x ≤ +
2 
0,06

0,04

0,02

0
0 - 5 
10 15 + 20

E( X )   
0,14

Var ( X )   2 0,12 P(8  X  11)

0,1

Exemplo: X ~ N (10, 4)    10  0,06

2 0,08
4
11 0,04

P(8  X  11)  ? f ( x)dx 0,02

8 0
0 - 5
10
10 15 + 20

17
 Distribuição Normal ou Gaussiana

a  b, a 2 2 )
Propriedade: se X ~ N (  ,  2 ) e Y  aX  b então Y ~ N ((?,?)

X 
Z


 X  1 1 1
E(Z )  E    E  X      E ( X )          0
     

 X  1 1 2
Var ( Z )  Var    2 Var  X     2 Var  X   2  1
     

Z ~ N (0,1)  Distribuição Normal Padrão

(valores de probabilidade podem ser tabelados!)

18
 Distribuição Normal Padrão
,14

,12

0,1

,08
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
,06
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
,04
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
,02 0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
0 0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
0
- 5
0
10
z 15
+ 20
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
P( Z  z ) 0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379

P( Z  2,17)  ? 1,1
1,2
0,1357
0,1151
0,1335
0,1131
0,1314
0,1112
0,1292
0,1093
0,1271
0,1075
0,1251
0,1056
0,1230
0,1038
0,1210
0,1020
0,1190
0,1003
0,1170
0,0985
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
P( Z  2,17)  0, 0150 1,5
1,6
0,0668
0,0548
0,0655
0,0537
0,0643
0,0526
0,0630
0,0516
0,0618
0,0505
0,0606
0,0495
0,0594
0,0485
0,0582
0,0475
0,0571
0,0465
0,0559
0,0455
1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010

19
 Distribuição Normal Padrão (Exemplos)
P( Z  1,5)  ?

,14 0,14

,12 0,12

0,1 0,1

,08 0,08

,06 0,06 = 0,0668

,04 0,04

,02 0,02

0 0
0
- 5
-1,5 0
10 015
+ - 20
5
0 1,5
10 15
+ 20

P( Z  1,5)  P( Z  1,5)  0, 0668

20
 Distribuição Normal Padrão (Exemplos)
P(0  Z  1,5)  ?

,14 0,14 0,14

,12 0,12 0,12

0,1 0,1 0,5

0,1

,08 0,08 0,08 _

,06 0,06 = 0,06
0,0668
,04 0,04 0,04

,02 0,02 0,02

0 0 0
0
- 5
0 1,5
10 015
+ - 20
5
0
10 0
15
+ - 5
20
0 1,5
10 15
+ 2

P(0  Z  1,5)  0,5  0, 0668  0, 4332

21
 Distribuição Normal Padrão (Exemplos)
P(1  Z  2)  ?

,14 0,14 0,14

,12 0,12 0,12

0,1 0,1
0,1587
0,1

,08 0,08 0,08 _

,06 0,06 = 0,06

,04 0,04 0,04

0,0228
,02 0,02 0,02

0 0 0
0
- 5
0 1 2
10 0
15
+ - 5
20
0 1
10 0
15
+ - 5
20
0
10
2 15
+ 2

P(1  Z  2)  0,1587  0, 0228  0,1359

22
 Distribuição Normal (Exemplos)
X ~ N (10, 4) 0,14

0,12
0,5328 X
0,1

0,08

0,06

P(8  X  11)  ?
0,04

0,02

0
0

- 5

8 10 11
10 15

+ 20

X 
Z ~ N (0,1)


P(8  10  X  10  11  10)  ?

8  10 X  10 11  10
  )?
0,14

P( 0,12
0,5328 Z
2 2 2 0,1

Z 0,08

0,06

P( 1  Z  0,5)  ?0,5328
0,04

0,02

0
0
- 5
-1 0 0,5
10 15
+ 20

23
Distribuição da Soma de Variáveis Aleatórias
X 1 ~ N ( 1 ,  12 )
X 2 ~ N ( 2 ,  22 ) 3 v.a. independentes com distribuições normal
X 3 ~ N ( 3 ,  32 )

Y  X1  X 2  X 3

Qual a distribuição de Y ?

( 1  2  3 , 12   22   32 )
Y ~ N (?,?)

? ( X 1  X 2  X 3 )  E ( X 1 )  E ( X 2 )  E ( X 3 )  1  2  3
E (Y )  E

Var (Y )  
? 12   22   32

24
Distribuição da Soma de Variáveis Aleatórias
X 1 ~ ?( 1 ,  12 )
X 2 ~ ?( 2 ,  22 )
n v.a. independentes com distribuições desconhecidas

X n ~ ?( n ,  n2 )

n
Y  X1  X 2   Xn   Xi
i 1

Qual a distribuição de Y ?

se n for grande:

 n n

Y ~ N   i ,  i2  Teorema do Limite Central
 i 1 i 1 

Esta convergência acontece mais rapidamente quanto maior for n e quanto mais
parecida for a forma da distribuição original (desconhecida) da normal
(ver TLC.xls)
25
 Aproximação da Binomial à Normal
Se Y tem uma distribuição binomial com parâmetros n e p:

n
Y   X i onde cada Xi tem distribuição Bernoulli (Xi: {0, 1}) com  = p e 2 = pq
i 1

Então, se n for grande, pelo TLC, Y tende a uma Normal, ou seja,

0,25
0,6
0,09
Y ~ N ((?,?)
np, npq)
0,08 n  100
15
3
0,5
0,2
E (Y )  ?np 0,07 p  0, 42
0,4
0,06
Var (Y )  ?npq 0,15
0,05
0,3
0,04
0,1
OBS: Se p = 0,5, a distribuição 0,2
0,03

Binomial é simétrica e, portanto, 0,02

0,05
0,1
0,01
rapidamente converge para 0
00
Normal. 00 0 1 0 2 203 4 5 140
6 7 8 60
9 210 11 12
60 80 13 314 15
80 100
100

26
 Aproximação da Binomial à Normal
Exemplo
Considere o experimento: retiram-se 100 bolas da urna (com reposição).
Define-se uma v.a. X cujos valores representam o número total de bolas
vermelhas dentre as 100 escolhidas.
Calcule: P(30  X  51)

0,09
2
n  100 p  0, 4
0,08

5 0,07
0,06
0,05
 100
n  x n x 100 x
f ( x )    p 0,
q 4 0,6 0,04

  
xx 0,03
0,02

 100 
51 0,01
P(30  X  51)     0, 4 x0,6100 x 0
x 30  x  0 20 40 60 80 100

(valor exato)

Aproximando-se à Normal...
27
 Aproximação da Binomial à Normal
Exemplo
Considere o experimento: retiram-se 100 bolas da urna (com reposição).
Define-se uma v.a. X cujos valores representam o número total de bolas
vermelhas dentre as 100 escolhidas.
Calcule: P(30  X  51)

0,09
2
n  100 p  0, 4
0,08

5 0,07

E ( X )  np  100 * 0, 4  40
0,06
0,05
Var ( X )  npq  100 * 0, 4 * 0,6  24 0,04
0,03
0,02

Pelo TLC: X ~ N (40, 24) 0,01

0
00 20 40
30 60
60 80
80 100
100
P(30 
(29,5 X X 51)  ?  ? (correção de continuidade)
 51,5)

 29,5  40 51,5  40 
P Z   P  2,143  Z  2,347   0,9745
 24 24  (valor exato para Binomial  0,9752)

28