Estatística 2022-2023

Licenciatura em Economia

Distribuições de Probabilidade

Patrícia Filipe e Jorge Sinval

Distribuições de Probabilidade Discretas

2 / 38
Distribuição uniforme

Diz-se que uma variável aleatória X tem uma distribuição uniforme

discreta se assume todos os seus valores com igual probabilidade.
Se X é uma variável aleatória que toma valores x1 , x2 , ..., xn , diz-se que
esta variável aleatória tem distribuição uniforme, e escreve-se X ∼ U(n),
se a sua função de probabilidade for dada por

1


 x = x1 , x2 , ..., xn
f (x) = P [X = x] = n .


0 caso contrário

O parâmetro caracterizador desta distribuição é o n (n ∈ N).

Exemplo X -número de pintas obtidas no lançamento de um dado

honesto. X ∼ U(6).

3 / 38
Distribuição uniforme

Se X é uma v.a. discreta com distribuição uniforme,

n n
1 1 2
Var [X ] = σ 2 =
X X
E [X ] = µ = xi e (xi − µ)
n n
i=1 i=1

No caso particular em que a variável aleatória assume os valores

1, 2, ..., n, tem-se

n+1 n2 − 1
E [X ] = µ = e Var [X ] = σ 2 =
2 12

4 / 38
Distribuição de Bernoulli

Consideremos uma experiência aleatória na qual se observa a realização

ou não de um determinado acontecimento A. A realização de A
designamos por sucesso sendo a realização do acontecimento
complementar, Ā, designada por insucesso. Esta experiência tem apenas
dois resultados possíveis.

 
P [A] = p e P Ā = q = 1 − p .
A uma experiência aleatória com as características descritas

anteriormente chamamos prova de Bernoulli.

5 / 38
Distribuição de Bernoulli

Seja X uma v.a. associada ao resultado de uma prova de Bernoulli, i.e.,

toma o valor 1, com probabilidade p , se o resultado da prova for sucesso
e o valor 0, com probabilidade q = 1 − p , se se vericar o insucesso.
Diz-se que X tem distribuição de Bernoulli e

 1−x
p x . (1 − p) , x = 0, 1
f (x) = P [X = x] = .
0 caso contrário

Esta distribuição tem um só parâmetro p (p ∈ [0, 1]) e escrevese

X ∼ B (1, p) para indicar que X tem distribuição de Bernoulli de
parâmetro p e

E [X ] = µ = p e Var [X ] = σ 2 = p (1 − p) = p.q

X -número
Exemplo de vezes que sai cara no lançamento de uma moeda.


1
X ∼ B 1, .
2

6 / 38
Distribuição Binomial

Considere-se agora uma sucessão de provas de Bernoulli independentes.

Em cada prova observa-se a ocorrência ou a não ocorrência de um
determinado acontecimento A, com probabilidade P [A] = p , constante
prova a prova.
X− número de sucessos em n repetições da experiência

n n−x
f (x) = P [X = x] = Cx p x (1 − p) , x = 0, 1, 2, ..., n

é a sua f.m.p., que nos dá a probabilidade de obter x sucessos, seja qual

for a ordem por que estes se realizem.
X tem distribuição binomial de parâmetros n (n ∈ N) e p (0 < p < 1).
Simbolicamente X ∼ B (n, p).

E [X ] = µX = np e Var [X ] = σX2 = np (1 − p) = npq

7 / 38
Distribuição Binomial

Grácos da função massa de probabilidade (à esq.) e da função de

distribuição (à dir.) da B(10,0.5).

Exemplo X -número de vezes que sai cara no lançamento de 10 moedas.

X ∼ B (10, 0.5).

8 / 38
Distribuição Binomial

https://www.statsref.com/HTML/binomial.html
9 / 38
Distribuição Binomial

Seja (X1 , . . . , Xn ) uma sequência de v.a.'s i.i.d.

Teorema n
Se Xi ∼ Ber(p), i = 1, . . . , n, então
P
Xi ∼ B(n, p)
i=1

Teorema n
 n

Se Xi ∼ B(ni , p), i = 1, . . . , n, então
P P
Xi ∼ B ni , p
i=1 i=1

10 / 38
Distribuição Binomial

Exemplo Sejam X e Y duas variáveis aleatórias independentes que

seguem uma distribuição binomial com parâmetros (nX = 10, pX = 0.7) e
(nY = 15, pY = 0.7), respectivamente. Calcule:

a) E [X + Y ] e Var [X + Y ];
b) a probabilidade de X ser no máximo 4;

c) a probabilidade de X +Y ser superior a 22.

11 / 38
Distribuição de Poisson

Seja X o número de sucessos que ocorrem num dado intervalo de

tempo ou domínio especíco, diz-se que X segue uma distribuição de
Poisson de parâmetro λ, em que λ representa o número médio de
sucessos que ocorrem no intervalo de tempo ou domínio especicado.
Simbolicamente X ∼ P(λ). A função de probabilidade de X é

e −λ λx
f (x) = P [X = x] = , x = 0, 1, 2, ....
x!
e
E [X ] = µX = λ e Var [X ] = σX2 = λ

12 / 38
Distribuição de Poisson

A distribuição de Poisson constitui um modelo matemático de fenómenos

aleatórios sse são vericadas as seguintes condições:

I o número de sucessos que ocorre num dado intervalo de tempo ou

domínio é independente do número de sucessos que ocorre em
qualquer outro intervalo ou domínio disjunto dos anteriores;

I a probabilidade de que um acontecimento se realize uma vez em

qualquer intervalo muito curto é proporcional à amplitude do
intervalo e não depende do número de sucessos que ocorrem fora
desse intervalo;

I a probabilidade de que o acontecimento se realize mais do que uma

vez num intervalo de amplitude muito pequena é desprezável.

13 / 38
Distribuição de Poisson

Se X representa o número de sucessos num determinado intervalo de

tempo, sob certas condições, X ∼ P(λ). Sendo, este parâmetro λ, o

valor esperado de X, pode interpretar-se como o ritmo médio a que

ocorrem os sucessos por intervalo unitário. Se as condições se mantêm e

o intervalo considerado, em vez de se unitário, tem amplitude h, a

variável aleatória Y, que representa o número de sucessos no novo

intervalo, tem distribuição de Poisson com parâmetro λh

14 / 38
Distribuição Poisson

Seja (X1 , . . . , Xn ) uma sequência de v.a.'s i.i.d.

Teorema n
P n
P
Se Xi ∼ P(λi ), i = 1, . . . , n, então Xi ∼ P( λi )
i=1 i=1

Teorema n
P
Se Xi ∼ P(λ), i = 1, . . . , n, então Xi ∼ P(nλ)
i=1

15 / 38
Distribuição Binomial

Exemplo O número de viaturas que atestam o depósito de gasolina numa

pacata vila numa manhã (5h), de um certo dia, é bem representado por
uma distribuição de Poisson de média 5.1. Considere também que o
número de viaturas que atestam o depósito de gasolina na mesma vila
numa tarde (5h), de um certo dia, é bem representado por uma
distribuição de Poisson de média 8.4. Considere ainda que as viaturas
que atestam o depósito de manhã não o fazem à tarde.

1. Qual a probabilidade de, em duas horas da parte da manhã, quanto

muito uma viatura atestar o depósito de gasolina?

2. Em média, quantas viaturas atestam o depósito de gasolina na

pacata vila durante todo o dia (10h)?

3. Qual a probabilidade de, num dia (10h), 15 viaturas atestarem o

depósito de gasolina na vila?

16 / 38
Distribuições de Probabilidade Contínuas

17 / 38
Distribuição uniforme

Diz-se que uma variável aleatória contínua X tem distribuição

uniforme no intervalo ]a, b[, com a < b , escrevendo-se
X ∼ U (a, b) quando a sua f.d.p. é da forma
1

a<x <b

f (x) = b−a .
 0 c.c.
A correspondente função distribuição é

 0x − a

 x ≤a
F (x) = a<x <b
 b−a

1 x ≥b
Se X ∼ U (a, b), então
a+b (b − a)2
E [X ] = µ = e Var [X ] = σ 2 = .
2 12
18 / 38
Distribuição uniforme

Exemplo (lembram-se!?) O plafond atribuído a um certo tipo de

cartão de crédito pressupõe que o respetivo titular apresente um
saldo médio da sua conta bancária de 5000 euros. No entanto,
verica-se que o saldo efetivo, que é uma variável aleatória, X ,
varia entre 4000 e 5250 euros. Esta variável aleatória, X , tem a
seguinte função densidade de probabilidade
( 1
4000 ≤ x ≤ 5250
f (x) = 1250 .
0 caso contr ário

19 / 38
Distribuição exponencial

A distribuição exponencial tem a sua origem associada ao processo

de Poisson, muito embora a sua utilização na modelação estatística
seja bastante ampla, aplicando-se, para além do tempo de espera
entre eventos originados por um processo de Poisson, a fenómenos
como o tempo de vida de equipamentos, montantes de
indemnizações.

Se a sucessão de eventos constitui um processo de Poisson e a

contagem é iniciada em 0, o tempo de espera pela chegada do
primeiro evento é uma variável aleatória, T , com distribuição
exponencial.

20 / 38
Distribuição exponencial

Se T segue uma distribuição exponencial com parâmetro λ, que

denotamos por T ∼ Exp(λ), a sua função densidade de
probabilidade é dada por

f (t) = λe −λt , t > 0

e a correspondente função distribuição é

F (t) = P [T ≤ t] = 1 − e −λt , t > 0.

1 1
E [T ] = µT = e Var [T ] = σT2 = .
λ λ2
Exemplo Qual a probabilidade de, durante uma qualquer manhã, após

um carro atestar o depósito de gasolina, demorar mais de 30min até uma

nova viatura atestar o depósito de gasolina na pacata vila?

21 / 38
Distribuição normal

Diz-se que uma variável aleatória, X , segue uma distribuição

normal (ou gaussiana) com parâmetros µ e σ e representa-se por
X ∼ N (µ, σ), se a sua função densidade de probabilidade é dada
por
1 x −µ 2
"  #
1

f (x) = √ exp − ,
2πσ 2 σ
−∞ < x < +∞, −∞ < µ < +∞, 0 < σ < +∞.

Os parâmetros da distribuição normal, µ e σ , correspondem,

respetivamente à média e desvio-padrão da variável aleatória.

22 / 38
Distribuição normal

I A curva normal é
simétrica
relativamente a x = µ;
I A curva da normal é
unimodal, em que a
moda é x = µ;
I A curva da normal
tem pontos de inexão
Curvas da N (−1, 0.5), N (−0.6, 0.8), N (0, 1),
N (2, 1.5) e N (2, 0.7) (da esquerda para a direita).
em x = µ + σ e
x = µ − σ.

23 / 38
Distribuição normal

P(µ − σ ≤ X ≤ µ + σ) = 0, 6827;
P(µ − 2σ ≤ X ≤ µ + 2σ) = 0, 9545;
P(µ − 3σ ≤ X ≤ µ + 3σ) = 0, 9973.

24 / 38
Distribuição normal

A função distribuição de uma variável aleatória com distribuição N (µ, σ)

é denida pelo integral

Zx "  2 #
1 1 t −µ
F (x) = √ exp − dt,
2πσ 2 σ
−∞

para o qual não se consegue solução analítica. Sendo necessário recorrer

a métodos numéricos.
Existem valores tabelados da função distribuição da variável aleatória
normal com µ=0 e σ = 1, diz-se que esta variável aleatória (também
designada por normal reduzida) tem distribuição normal padrão,
N (0, 1), e usualmente representa-se por Z. Nesta situação, a função
distribuição é dada por

Zz  2
1 t
Φ (z) = √ exp − dt.
2π 2
−∞

25 / 38
Distribuição normal

Podemos transformar uma variável aleatória normal qualquer numa

variável aleatória normal reduzida. Com efeito,

X −µ
X ∼ N (µ, σ) ⇒ Z = ∼ N (0, 1)
σ

A consulta da tabela da distribuição normal padrão, permite obter os

valores da função de distribuição da normal padrão para pontos não
negativos, ou seja, a tabela apresenta os valores de Φ (z) = P [Z ≤ z],
para z ≥ 0.

Como consequência da simetria, temos Φ (−z) = 1 − Φ (z).

26 / 38
Distribuição Normal Padrão: Consulta de valores da função de distribuição da

Normal Padrão disponíveis numa tabela!

P(Z ≤ −z) = P(Z ≥ z) =

= 1 − P(Z < z) = 1 − Φ(z);

P(Z ≥ −z) = P(Z ≤ z) = Φ(z);

P(Z > z) = 1 − P(Z ≤ z) = 1 − Φ(z);

P(z1 < X < z2 ) = Φ(z2 ) − Φ(z1 )

27 / 38
Distribuição Normal Padrão: Consulta de valores de probabilidade através de

outros recursos

Ver vídeos disponibilizados em moodle22.iscte-iul.pt

28 / 38
Distribuição normal

Teorema da aditividade
Sejam X1 , X2 , ..., Xn , variáveis aleatórias normais independentes, tais que

X1 ∼ N (µ1 , σ1 ) , X2 ∼ N (µ2 , σ2 ) , ..., Xn ∼ N (µn , σn ) .

Então,
v
n n u n
σi2 .
X X uX
X = Xi ∼ N (µ, σ) , com µ= µi e σ=t
i=1 i=1 i=1

29 / 38
Aproximações à distribuição normal

Aproximação da distribuição Binomial pela normal

Se X ∼B (n, p), com n grande (n > 50), np ≥ 5 e nq ≥ 5, então

√
X − np
X ∼N
˙ µ = np, σ = npq , logo √ ∼N
˙ (0, 1)
npq

Aproximação da distribuição Poisson pela normal:

 √ 
Se X ∼Pλ , com λ grande (λ > 20), então X ∼N
˙ µ = λ, σ = λ ,
X −λ
logo √ ∼N ˙ (0, 1)
λ

30 / 38
Aproximações à Normal

B(n,0.2), para n = 4 (à esq.) e n = 50 (à dir.).

P(λ = 0.8) (à esq.) e P(λ = 30) (à dir.).

31 / 38
Distribuição t-student

A fd.p. de uma variável aleatória T com distribuição t-student com n

graus de liberdade, é dada por

− n+21
Γ n+1 t2


f (t) = √ 2 n
1 + , −∞ < t < +∞.
nπΓ 2 n

Esta função é simétrica em torno de t = 0.

Uma v.a. T, em que T ∼ tn , tem valor médio µT = 0 e variância
n
σT2 = (n > 2).
n−2
À medida que n, o número de graus de liberdade, aumenta a distribuição

t -student tende para a distribuição normal padrão, N (0, 1).

32 / 38
Função Densidade de Probabilidade da t-student

33 / 38
Distribuição qui-quadrado

Diz-se que uma v.a. X tem distribuição qui-quadrado com n graus de

liberdade, e representa-se por X ∼ χ2n , se a sua f.d.p. for dada por

e − 2 x 2 −1
x n

f (x) = n n , x > 0, n > 0

22 Γ
2

+∞
e −y y α−1 dy (α > 0)
R
onde Γ (α) = é a função gama.
0
Se X ∼ χ2n então E [X ] = µX = n e Var [X ] = σX2 = 2n.

34 / 38
Função Densidade de Probabilidade da qui-quadrado

35 / 38
Distribuição qui-quadrado

Teorema da aditividade:
Sejam X1 , X2 , ..., Xk variáveis aleatórias independentes tais que Xi ∼ χ2ni ,
para i = 1, 2, ..., k . Então
k k
Xi ∼ χ2n ,
X X
Y = com n= ni .
i=1 i=1

Teorema:
Se Z ∼ N (0, 1) , então, X = Z 2 ∼ χ21

36 / 38
Propriedades da distribuição qui-quadrado

Generalização, resultante dos teoremas anteriores:

Dadas Z1 , Z2 , ..., Zn variáveis aleatórias independentes normais reduzidas,

a variável aleatória

X = Z12 + Z22 + ... + Zn2 ∼ χ2n .

Outra propriedade...

Sejam X e Y duas v.a.'s independentes. X ∼ N(µ, σ) e Y ∼ χ2(n) . Então,

( X −µ )
T = qσ ∼ t(n)
Y
n

37 / 38
Distribuição F-Snedecor

Dadas U ∼ χ2m e V ∼ χ2n v.a. independentes,

U/m
X =
V /n
tem distribuição F com m e n graus de liberdade, X ∼ Fm,n
m−2
Γ m+n

 m
2 m 2 x 2
f (x) =  m+n , 0 < x < +∞
Γ m2 Γ n2



n 
1+
m
x 2 n

n
E [X ] = µX = (n > 2)
n−2

2n
2 (m + n − 2)
Var [X ] = σX2 = 2 (n > 4) .
m (n − 2) (n − 4)

Teoremas:
1
Se X ∼ Fm,n , então Y = ∼ Fn,m .
X
Se X ∼ tn , então
2
Y = X ∼ F1,n .
38 / 38