Baixe o app para aproveitar ainda mais
Prévia do material em texto
ENG 1500 - TEORIA DA PROBABILIDADE - PROFA. FLÁVIA CESAR TEIXEIRA MENDES FOLHA DE CONSULTA – G2 Distribuição binomial: X ~ bin (n, p) X = nº de vezes que um evento A ocorre em n tentativas independentes, onde p = P(A) em qualquer tentativa. 1 n xx n P X x p p x , x = 0, 1, ..., n E(X) = np, V(X) = np(1 – p). Aprox. pela distr. de Poisson: X ~ bin (n, p) X ~ Poisson (α = np). Distribuição de Poisson: X ~ Poisson (α) X = nº de ocorrências independentes em uma determinada quantidade de tempo (ou quantidade de produto analisada). , 0,1, ... ! xe P X x x x E(X) = α, V(X) = α. Distribuição geométrica: X ~ geom(p) X = nº de repetições independentes necessárias para obter-se, com prob. p, o 1º sucesso. P(X = x) = (1 - p)x-1p, x = 1, 2, ... E(X) = 1/p, V(X) = (1 – p)/p2. Distribuição de Pascal: X ~ Pascal(p, r) X = nº de repetições independentes necessárias até ocorrerem exatamente r sucessos. 1 1 , , 1, ... 1 x rr x P X x p p x r r r E(X) = r/p, V(X) = r(1 – p)/p2. Distr. hipergeométrica: X ~ hipergeom(N, d, n) X = nº de ocorrências de interesse encontradas em uma amostra de n itens retirada sem reposição de um grupo de N itens (n ≤ N), das quais d são de interesse. , d N d x n x P X x N n 0x máx ,n d N , ,mín d,n E(X) = np, com p = d/N, e V(X) = np(1 – p)[(N–n)/(N–1)]. Aprox. pela distr. binomial: X ~ hipergeom(N, d, n) X ~ bin(n, p = d/N). Distribuição Uniforme: X ~ unif[a, b] bxa, ab 1 xf 12 e 2 2 ab XV ba XE Distribuição Exponencial: X ~ expo(λ) xf x e , x > 0. E(X) = 1 e V(X) = 2 1 . Distribuição Normal: X ~ N(, 2) 2 2 1 2 1 σ μx exp σπ xf , - < x < +, onde - < < + e > 0. E(X) = e V(X) = 2 Se X ~ N(, 2), e se Z = (X - )/, então Z terá a distribuição normal padronizada: Z ~ N(0, 1). Aproximação Normal da Distr. Binomial Seja X ~ bin(n, p); para n grande, Z ~ N(0,1), onde 1 X np Z np p . Teorema do Limite Central (TLC) Sejam X1, X2, ..., Xn independentes, com E(Xi) = i e V(Xi) = i 2, i = 1, 2, ..., n. Se X = X1 + X2 + ... + Xn, então para n suficientemente grande, teremos que 1 2 1 n ii n ii X Z ~ N(0, 1). Aproximação Normal da Distr. de Poisson Seja W a soma de n v. a.’s Xi independentes, onde cada Xi ~ Poisson(αi); pelo TLC, W ~ Poisson 1 n ii , e, portanto, W Z ~ N(0,1). Correções de Continuidade Sempre que aproximarmos uma distribuição de probabilidade de variável aleatória discreta por uma distribuição de probabilidade de variável aleatória contínua, deveremos usar correção de continuidade: (a) 2 1 2 1 kXkPkXP (b) 2 1 2 1 bXaPbXaP Função Geratriz de Momentos (fgm) tXX eEtM ; então: todo tx X x M t e p x , caso discreto; todo tx X x M t e f x dx , caso contínuo. Exemplos: X ~ bin(n, p): ntX ppetM 1 . X ~ Poisson (α): 1te X M t e . X ~ geom(p): pq qe pe tM t t X 1onde, 1 X ~ unif[a, b]: atbtX ee tab tM 1 , t 0. X ~ expo(): XM t t , t < . X ~ N(, 2): 2/tσtμX 22 etM . Propriedades da fgm XE'M X 0 e 20 XE"M X . 222 00 'M"MXEXEXV XX . Seja X com fgm MX. Seja Y = X + . Então, αtMetM X βt Y . Sejam X com fgm MX(t) e Y com fgm MY(t). Se MX(t) = MY(t) para todos os valores de t, então X e Y terão a mesma distribuição de probabilidade. Sejam X com fgm MX(t) e Y com fgm MY(t); X e Y são independentes. Façamos Z = X + Y. Então, tMtMtM YXZ . Somas de variáveis aleatórias independentes e identicamente distribuídas Sejam X1, X2, ..., Xn independentes com distribuição N(i, i 2), i = 1, 2, ..., n. Se W = X1 + X2 + ...+ Xn, então W terá a distribuição N( n i i n i i σ,μ 1 2 1 ). Sejam X1, X2, ..., Xn independentes com distr. de Poisson(αi), i = 1, 2, ..., n. Se W = X1 + X2 + ...+ Xn, então W terá a distribuição Poisson(α), onde 1 2 ... n .
Compartilhar