Prévia do material em texto
QUADRO RESUMO DAS DISTRIBUIÇÕES DE PROBABILIDADE DE VARIÁVEIS ALEATÓRIAS DISCRETAS (v.a.d.) 1) Distribuição Variável aleatória (v.a.) Definida no espaço de probabilidade ( ),, PAΩ , por AxXxXRX Xx ∈≤Ω∈=≤⇔→Ω = })(/{][: )( ωω ωω a Definição de v.a. discreta: AxXxXRX iiii xxxXx niii ∈≤Ω∈=≤⇔→Ω ∈= })(/{][ : ,...},...,,{ )( 21 ωω ωω a Notação Parâmetros Esperança (v.a.d.) ∑= x xpxXE )(.)( onde p(x)=P(X=x) Variância 22 )]([)()( XEXEXV −= onde, para v.a.d., ∑= x xpxXE )(.)( 22 Uniforme X: cada um dos n valores equiprováveis de 1 a n. X ~ Ud(1,n) n E(X) = 2 1+n V(X) = 12 12 −n Bernoulli X: nº de sucessos em uma única tentativa de um experimento aleatório. X ~ Be(p) p E(X) = p V(X) = p(1 - p) = p.q Binomial X: nº de sucessos em n ensaios de Bernoulli X ~ b(n,p) n, p E(X) = n.p V(X) = n.p(1 - p) =n.p.q Hipergeométrica X: nº de sucessos em uma amostra de tamanho n retirada de uma população de tamanho N, dos quais K têm a característica em estudo X ~ H(N,K,n) N, K, n E(X) = N K n. V(X) = = 1 ... − −− N nN N KN N K n Poisson X: nº de sucessos num determinado intervalo contínuo X ~ P(λ ) λ E(X) = λ V(X) = λ Geométrica X: nº de ensaios de Bernoulli necessários para obter o primeiro sucesso X ~ G(p) p E(X) = p 1 V(X) = 2 1 p p− = 2p q Pascal ou binomial negativa X: nº de ensaios de Bernoulli necessários para se obter o k-ésimo sucesso X ~ Pa(k, p) ou X ~ BN(k, p) k, p E(X) = pk 1 . V(X) = 2 1 . p pk − = 2 . p qk Multinomial (um modelo para distribuição conjunta de v.a.’s discretas) Esse modelo é uma extensão multivariável da distrib. binomial. Xi: nº de sucessos do tipo i em n tentativas independentes do mesmo experimento aleatório. X = [X1, X2, ..... ,Xk] ~ ~Mk(n, p1, p2, ... , pk), onde ),(~ ii pnbX n, p1, p2, ... , pk E(Xi) = n.pi V(Xi) = n.pi..(1-pi) = =n.pi..qi e Cov(Xi, Xj) = -n.pi..pj Notas: 1) No espaço de probabilidade ( ),, PAΩ , A é a sigma-álgebra dos eventos aleatórios de Ω . 2) Ensaios de Bernoulli = tentativas sucessivas e independentes de um experimento aleatório, e cada tentativa admite como resultado apenas sucesso (com probabilidade p) ou fracasso (com probabilidade q=1 – p). 3) X = [X1, X2, ..... ,Xk] é um vetor aleatório, isto é, um vetor cujas componentes são v.a.’s. 2) Distribuição Função de probabilidade (f.p.) Definição: )()( 21 ]1,0[ ,...},...,,{: xXPxpx nX RxxxP == →⊂ a , com 1)( =∑ x xp Função distribuição (f.d.) Definição p/ v.a.d.: ∑ → ≤ =≤= xix iX xpxXPxFx X RRF )()()( : a Função geradora de momentos (f.g.m.) Definição p/ v.a.d.: )( : tMt X X RRM a → , )(.)()( xXPeeEtM x txtx X === ∑ com Rt∈ e se )( txeE existe. Função característica (f.c.) Definição p/ v.a.d.: )( : ww X X CR ϕ ϕ a → , )()()( iwxXX eEiwtMw ===ϕ = = )(. xXPe x iwx =∑ , com Rwi ∈−= e 1 Uniforme n xXP 1)( == , ∀ x = 1, 2, ..., n tab ee tM atbt X ).()( − − = Bernoulli xx qpxXP −== 1.)( , x = 0, 1 ; 0 < p < 1 e q= 1-p qeptM tX += .)( .)( qepw iwX +=ϕ Binomial xnx xn qpCxXP − == ..)( , , x = 0, 1, 2, ...,n, e 0 < p < 1 , q= 1-p, *Nn∈ . Obs.: Bernoulli distr.1⇒=n nt X qeptM ).()( += ( ) )( niwX qpew +=ϕ Hipergeométrica nN xnKNxK C CC xXP , )(),(, .)( −−== N = 1, 2, 3,... K = 0, 1, 2, ..., N , n = 1, 2, ... N, x = máx{0, n+K-N}, ..., min(K,n), Kx ≤ Não é útil Poisson ! .)( x e xXP x λλ − == , x = 0, 1, 2, 3 ..., λ > 0 onde λ = n.p e n e p são os parâmetros da distribribuição binomial. )1.()( −= teX etM λ ) 1.( iw)( −= eX ew λϕ Geométrica 1 .)( −== xqpxXP , x = 1, 2, ... e 0 < p < 1, q = 1 - p t t X qe ep tM − = 1 .)( Pascal ou binomial negativa kxk kx qpCxXP − −− == ..)( )1(),1( , x = k, k+1, k+2, ... com kx ≥ ; 0 < p < 1 , q= 1-p e *Nk ∈ k t t X qe ep tM − = 1 .)( Notas: 1) Série de Taylor para a f.g.m.: ... ! ).(... !3 ).( !2 ).().(1)( 3 3 2 2 ++++++= k tXEtXEtXEtXEtM k K X ⇒ 0 )()( = = t Xk k K tM dt dXE . 2) Se Xi são v.a.’s independentes, então )().....().()(, é isto ,)()( 2121 1 ... 1 tMtMtMtMtMtM nni n i i XXXXXX n i XX == ∑ +++ = ∏ = . 3) )(.)()( atMetM XbtbaX =+ , com RbRa ∈∈ ,* . 4) A f.c. sempre existe, enquanto a f.g.m. pode não existir. 5) A f.c. de uma v.a. contínua X representa a transformada de Fourier da f.d.p. de X. Desta forma, através da transformada inversa de Fourier (ou fórmula da inversão) pode-se determinar a f.d.p. de X. Se X for uma v.a.discreta, a função de probabilidade (f.p.) de X pode ser obtida mediante o emprego de séries de Fourier. (Cf. SPIEGEL, M. Probabilidade e estatística. Coleção Schaum, 1978). 3) Modelo para distribuição conjunta de v.a.’s discretas: Distribuição Função mássica de probabilidades conjuntas Definição: )...,( 2211,...,, 21 kkXXX xXxXxXP k ===== = p(x1,x2, ... xn) Multinomial )...,( 2211,...,, 21 kkXXX xXxXxXP k ===== = p(x1,x2, ... xn) = k x k xx k ppp xxx n . ... . !!...! ! 21 21 21 , 0 < pi< 1 , com ∑ = = k i ip 1 1 , xi = 0, 1, 2, ..., n e independentes e ∑ = = k i i nx 1 Obs.: binomial distr.2⇒=k