Estatística e Probabilidade Aulas - 10 - 13

Probabilidade: permutações e combinações
Atividades para casa
Aula 1:
Ler e resolver exercı́cios: generalizadas
Seção 3.4 do Larson. Seção 5.3 do Rosen.
Prof. Crı́ston Souza
Universidade Federal do Ceará

Campus Quixadá
2016.1
Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas
Permutações com repetição

Permutações com repetição Quando objetos podem ser repetidos, o número de r -permutações
de um conjunto com n elementos vale nr (regra do produto).
Ex.: Quantas palavras podem ser formadas utilizando 5 letras
minúsculas? Ex.: Quantas palavras podem ser formadas utilizando 5 letras
minúsculas?
265 .
Ex.: Um broche utiliza 4 pedras preciosas, podendo ser diamante, rubi ou

esmeralda. Dispomos de pelo menos 4 unidade de cada tipo de pedra.
Combinações com repetição De quantas maneiras podemos montar um broche?
Note que as pedras podem ser repetidas.

Ex.: Um broche utiliza 4 pedras preciosas, podendo ser diamante, rubi ou
esmeralda. Dispomos de pelo menos 4 unidade de cada tipo de pedra. Podemos representar cada situação com separadores:
De quantas maneiras podemos montar um broche? ∗ | ∗ ∗|∗ = 1 diamante, 2 rubis, 1 esmeralda
∗ ∗ ∗ ∗|| = 4 diamantes
4d, 4r, 4e * | * | * *
3d1r, 3d1e, 3r1d, 3r1e, 3e1d, 3e1r 1 2 3 4 5 6
2d2r, 2d2e, 2d1r1e, 2r2e, 2r1d1e, 2e1d1r
Ou seja, temos as posições de 1 até 6, e queremos saber todas as
possı́veis posições dos asteriscos.
Portanto, contamos os conjuntos possı́veis de 4 posições, em um universo
de 6 posições: C (6, 4) = C (6, 2) = 15.
Número de combinações com repetição (r objetos de n tipos)
(n + r − 1)! Ex.: Quantas soluções tem a equação x1 + x2 + x3 = 11, onde

C (r + n − 1, r ) = C (r + n − 1, n − 1) = . x1 , x2 e x3 são inteiros não negativos?
r !(n − 1)!
Ex.: Exemplo anterior, com as restrições x1 ≥ 1, x2 ≥ 2, x3 ≥ 3.

Ex.: Quantas maneiras de selecionar 5 cédulas, se existem cédulas
de $1, $2, $5, $10, $20, $50 e $100?
C (11, 5)
Ex.: Quantas palavras são permutações de MISSISSIPI?
10! está errado, pois temos letras repetidas.

Permutações com objetos idênticos Por exemplo, trocar os 2 primeiros S’s não produz uma nova
permutação.
Ex.: Quantas palavras são permutações de MISSISSIPI? Como temos 4 S’s, 4! permutações formam uma mesma
palavra. Logo, devemos dividir por 4!.
O mesmo vale para a letra I. Logo, o total de palavras vale
10!
.
4!4!
Ex.: Quantas palavras são permutações de MISSISSIPI?

Outra maneira de resolver, usando a regra do produto:
Temos C (10, 1) posições possı́veis para a letra M.
Uma vez definidas as letras anteriores, temos C (9, 4) conjuntos de Número de permutações com objetos idênticos
posições possı́veis para a letra I. (k tipos, quantidades n1 , n2 , . . . , nk , soma igual a n)
Uma vez definidas as letras anteriores, temos C (5, 4) conjuntos de
posições possı́veis para a letra S. n!
n1 !n2 ! · · · nk !
Uma vez definidas as letras anteriores, temos C (1, 1) conjuntos de
posições possı́veis para a letra P.
No total:
10! 9! 5! 1! 10!
C (10, 1)C (9, 4)C (5, 4)C (1, 1) = = .
1!9! 4!5! 4!1! 1!0! 4!4!
Na contagem de combinações com repetição, podemos interpretar

os asteriscos e separadores como objetos idênticos.
Ex.: 4 asteriscos e 2 separadores (prob. do broche).
Distribuição de objetos DISTINTOS em caixas distintas
n1 = 4 asteriscos repetidos, n2 = 2 separadores repetidos,
n = n1 + n2 = 6. Ex.: De quantas maneiras podemos distribuir 5 cartas para cada
um dos 4 jogadores distintos, utilizando um baralho com 52 cartas?
Ex.: * * | * | *
n! 6! 6·5
= = = 15.
n1 !n2 ! 4!2! 2
Distribuição de objetos DISTINTOS em caixas distintas

Ex.: De quantas maneiras podemos distribuir 5 cartas para cada
Ex.: De quantas maneiras podemos distribuir 5 cartas para cada um dos 4 jogadores distintos, utilizando um baralho com 52 cartas?
um dos 4 jogadores distintos, utilizando um baralho com 52 cartas? Outra maneira de resolver:
Ordene as 52 cartas, de modo que cada posição de 1 até 52 corresponde
Utilizando a regra do produto, temos C (52, 5) conjuntos de 5 cartas a uma carta.
para o 1o jogador. Realize a permutação de 52 objetos, com as repetições: 5, 5, 5, 5 e 32.
Para cada conjunto de cartas do jogador anterior, temos C (47, 5) Nas posições onde aparecem os objetos do tipo 1, temos as cartas do 1o
conjuntos para o 2o. jogador. O mesmo p/ os tipos 2, 3 e 4.
No total:
Para cada conjunto de cartas dos jogadores anteriores, temos 52!
.
C (42, 5) conjuntos para o 3o. 5!5!5!5!32!
Da mesma forma, C (37, 5) conjuntos para o 4o. Podemos interpretar como 52 objetos distintos e 4 caixas distintas, onde
vamos colocar 5 objetos nas primeiras 4 caixas, e 32 objetos na última.
No total: C (52, 5)C (47, 5)C (42, 5)C (37, 5) distribuições de cartas.
Distribuição de objetos IDÊNTICOS em caixas distintas
Distribuição de objetos IDÊNTICOS em caixas distintas

Ex.: De quantas maneiras podemos distribuir 10 bolas idênticas
em 8 caixas distintas?
Ex.: De quantas maneiras podemos distribuir 10 bolas idênticas
em 8 caixas distintas? Utilizando combinações com repetição: as bolas são os
asteriscos e as caixas determinam os separadores.
No total: C (17, 10).
Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações

E para o caso de caixas idênticas? Ler e resolver exercı́cios:

Não existe fórmula fechada, geralmente é necessário enumerar ou
Seção 5.5 do Rosen.
determinar o valor de expressões com somatórios.

Exercı́cios
1) Quantas peças tem um dominó com valores de 0 até 6? E de 0 até 15?
Aula 2:
2) Uma prova tem 10 questões, cada uma valendo pelo menos 5.
Quantas maneiras de atribuir valores às questões se a soma deve ser 100? Variáveis aleatórias e distribuições de
probabilidade
3) Quantas permutações distintas da palavra ABRACADABRA?
4) Quantas cadeias com 4 bits 1, 12 bits 0, iniciando com 1, e pelo Prof. Crı́ston Souza
menos dois 0’s após cada 1?
Campus Quixadá
5) Quantas maneiras de colocar n livros em k prateleiras distintas, se
(i) os livros são idênticos, ou 2016.1
(ii) os livros são distintos e as posições são relevantes?
Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade
Variável aleatória discreta

Conjunto de valores possı́veis é finito, ou infinito contável (tem
Variável aleatória bijeção com os inteiros).
Associa um número a cada resultado possı́vel no espaço amostral.
Ex.: X é o número de caras no lançamento de 2 moedas.

Resultado X
HH 2
HT 1 Ex.: X é o número de caras no lançamento de 2 moedas.
TH 1
TT 0 Ex.: X é o número de clientes que chegam em um dado dia.
Ex.: X é a receita de um loja em um dado dia.

Número racional: duas casas decimais.
Distribuição de probabilidade (discreta)

Variável aleatória contı́nua
Conjunto de valores possı́veis contém intervalos reais.
Ex.: X é o tempo do ônibus de casa até a universidade.
Ex.: X é o volume de chuva em abril (em mm).
f (2) = P(X = 2) = 0,0486
Distribuição de probabilidade (discreta)

Se X pode assumir os valores x1 , x2 , . . . , xn , então
(i) 0 ≤ f (xi ) ≤ 1, para todo i.
(ii) ni=1 f (xi ) = 1.
P
Ex.: X é a soma de dois dados. Distribuição de probabilidade?
Distribuição acumulada: F (x) = P(X ≤ x)
Distribuição acumulada (discreta)

X
F (x) = P(X ≤ x) = P(X = y )
Ex.: X é o número de caras no lançamento de 2 moedas. y ≤x
Distribuição de probabilidade?
Distribuição de probabilidade (contı́nua)

A distribuição contı́nua é aproximada pelo histograma.
(lei dos grandes números)
Z b
P(a < X < b) = f (x)dx
a
R +∞
P(X = a) = 0 para qualquer a, pois X é contı́nua. −∞
f (x)dx = 1.
Distribuição acumulada: F (x) = P(X ≤ x) Conhecendo a acumulada F (x) é fácil calcular P(a < X < b):
P(a < X < b) = F (b) − F (a)

Distribuição acumulada (contı́nua)
Z x
F (x) = P(X ≤ x) = f (y )dy
−∞
Valor esperado (média) de variável aleatória

Discreta: X
µ = E(X ) = x · f (x)
x
Contı́nua: Ex.: X é a soma de dois dados. E(X )?

Z +∞
µ = E(X ) = x · f (x) dx
−∞
Ex.: X é valor de um dado. E(X )?

E(X ) = 1 · (1/6) + 2 · (1/6) + 3 · (1/6) + 4 · (1/6) + 5 · (1/6) + 6 · (1/6) =
21/6 = 3,5.
Ex.: Jogo de lançamento de 3 moedas. Ganha 5 se sair 3 caras ou 3

Ex.: X é o número de caras no lançamento de 2 moedas. E(X )?
coroas, e perde 3 caso contrário. Qual o ganho esperado?
Variância de variável aleatória

Valor esperado de função de variável aleatória Discreta:
X
Discreta: X σ 2 = V(X ) = E((X − µ)2 ) = (x − µ)2 · f (x)
E(g (X )) = g (x) · f (x) x
x
Contı́nua:
Contı́nua: Z +∞ Z +∞
E(g (X )) = g (x) · f (x) dx σ 2 = V(X ) = E((X − µ)2 ) = (x − µ)2 · f (x) dx
−∞ −∞
√
Ex.: E(2 · X )? Desvio padrão: σ = σ2.
P P
E(2X ) = x 2x · f (x) = 2 x x · f (x) = 2E(X ). Ex.: X é valor de um dado. V(X )?
Já calculamos µ = 3,5. V(X ) = (1 − 3,5)2 · (1/6) + (2 − 3,5)2 · (1/6)+
(3 − 3,5)2 · (1/6) + (4 − 3,5)2 · (1/6) + (5 − 3,5)2 · (1/6) + (6 − 3,5)2 · (1/6) ≈ 2,9.
Fórmula alternativa:
X X
σ2 = (x − µ)2 · f (x) = (x 2 − 2xµ + µ2 ) · f (x)
x x
X X X
= x 2 · f (x) − 2µ x · f (x) + µ2 f (x)
x x x Ex.: X é o número de caras no lançamento de 2 moedas. Desvio padrão?
X X
= x 2 · f (x) − 2µ2 + µ2 = x 2 · f (x) − µ2
x x
Ex.: X é valor de um dado. V(X )?

Já calculamos µ = 3,5. V(X ) = 12 · (1/6) + 22 · (1/6) + 32 · (1/6) + 42 · (1/6)+
52 · (1/6) + 62 · (1/6) − 3,52 ≈ 2,9.
Ex.: Jogo de lançamento de 3 moedas. Ganha 5 se sair 3 caras ou 3 Ex.: Uma rifa custa 2, possui 1500 bilhetes, e oferece 4 prêmios de 500,
coroas, e perde 3 caso contrário. Qual o desvio padrão do ganho? 250, 150 e 75, cada um obtido em um único bilhete. Ganho esperado?
Acumular ganho de 7 em uma sequência é comum (use z-score)? Faixa de ganhos considerados normais?
Distribuição uniforme (discreta)

Ex.: E(X )?
Mesma probabilidade para os inteiros consecutivos a, a + 1, . . . , b. Pb Pb
Ou seja, f (x) = 1/(b − a + 1) para x de a até b. E(X ) = x=a x · (1/(b − a + 1)) = (1/(b − a + 1)) x=a x =
(1/(b − a + 1)) · (b + a)(b − a + 1)/2 = (a + b)/2.
b 2
(b − a + 1)2 − 1

X 1 b+a
V(X ) = x2 · − =
x=a
b−a+1 2 12
n
X n(n + 1)(2n + 1)
i2 =
6
i=1
Ex.: E(X )?
Distribuição uniforme (contı́nua)
1 Ex.: E(X )? V(X )?

f (x) = , para a ≤ x ≤ b.
b−a
b
x 2 b b 2 − a2
Z
1 a+b

E(X ) = xf (x)dx = = =
a b−a 2 a 2(b − a) 2
b
(x − µ)3 b (b − µ)3 (a − µ)3
Z
1

V(X ) = (x − µ)2 dx = = −
a b−a 3(b − a) a 3(b − a) 3(b − a)
3 3 !
(b − a)3 (b − a)2

1 b−a b−a
= + =2· =
3(b − a) 2 2 8 · 3(b − a) 12
Ex.: E(X )? V(X )?

Distribuição uniforme (contı́nua) Ex.: Acumulada F (x)? P(a ≤ X ≤ µ)?
x x
x −a
Z
1 1 1
f (x) = , para a ≤ x ≤ b. F (x) = dx = · x =
b−a a b−a b−a a b−a
(b + a)/2 − a 1
P(a ≤ X ≤ µ) = F (µ) − F (a) = −0=
Ex.: Acumulada F (x)? P(a ≤ X ≤ µ)? b−a 2
Variáveis aleatórias e distribuições de probabilidade

Aula 3:
Distribuição Binomial
Ler e resolver exercı́cios:
Seção 4.1 do Larson. Seções 3.1, 3.2, 3.3, 4.1 e 4.2 do Walpole.

Campus Quixadá
2016.1
Distribuição Binomial Distribuição Binomial
Variável aleatória binomial

Número de sucessos em n experimentos de Bernoulli
Experimento de Bernoulli independentes.
Apenas 2 resultados possı́vels: sucesso ou falha.
Ex.: Número de caras em 3 lançamentos de moeda.
Variável aleatória de Berloulli
Vale 1 se houve sucesso, ou 0 se houve falha. HHH THH
HHT THT
Ex.: Cara no lançamento de uma moeda. HTH TTH
HTT TTT
Probabilidade de sucesso: 1/2.
x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
Ex.: Cirurgia tem 3/4 de chance de sucesso. Chance 2 sucessos em 3 cirurgias?

9
3· ≈ 0,422
64
Distribuição binomial com parâmetros n e p

x: número de sucessos em n experimentos de Bernoulli
independentes com prob. de sucesso p.
Ex.: Uma caixa tem 5 bolas vermelhas, 9 azuis e 6 verdes. Você retira
f (x) = C (n, x) · p x · (1 − p)n−x uma bola e a recoloca na caixa, repetindo 3 vezes. Distribuição da v.a.
n! que conta o número de vezes que vermelha foi selecionada?
= · p x · (1 − p)n−x
x!(n − x)!
Ex.: E se as bolas não forem recolocadas na caixa?
2 1
3 1
f (2) = C (3, 2) · · ≈ 0,422
4 4
Forma da distribuição binomial Média e variância de v.a. binomial com parâmetros n e p
µ = E(X ) = np
σ 2 = V (X ) = np(1 − p)
Ex.: Cirurgia tem 3/4 de chance de sucesso. Número esperado de sucessos em

100 cirurgias? Faixa de sucessos considerados “comuns” (z-score)?
n = 100, p = 3/4.
√ · 3/4
µ = 100 p= 75.
σ = σ 2 = 100 · (3/4) · (1/4) ≈ 4,3.
xmin = 75 − 2 · 4,3 = 66,4
xmax = 75 + 2 · 4,3 = 83,6
Distribuição Binomial
Aula 4:
Distribuição Geométrica. Distribuição de Poisson.
Ex.: Em uma cidade, 56% dos dias de junho são nublados. Quais
quantidades de dias nublados são comuns de ocorrer em junho?

Campus Quixadá
2016.1
Distribuição Geométrica Distribuição Geométrica
Distribuição geométrica com parâmetro p

Variável aleatória geométrica
x: número de experimentos de Bernoulli independentes, com prob.
Número de experimentos de Bernoulli independentes até obter o de sucesso p, até obter o 1o sucesso.
1o sucesso.
f (x) = (1 − p)x−1 · p
Ex.: Sucesso na cirurgia: 3/4. Chance de precisar realizar 4 cirurgias p/
obter o 1o sucesso?
Regra do produto: falha, falha, falha, sucesso. Ex.: Sucesso na cirurgia: 3/4. Distribuição das tentativas até sucesso?
f (4) = (1/4) · (1/4) · (1/4) · (3/4) ≈ 0,012.
f (1) = 3/4, f (2) = (1/4)(3/4) = 3/16, f (3) = (1/4)2 (3/4) = 3/64,
f (4) = (1/4)3 (3/4) = 3/256, ...
Distribuição Geométrica Distribuição Geométrica
Forma da distribuição geométrica
Ex.: A chance de fechar uma venda por telefone é 0,23. Chance de

precisar fazer 4 ligações? Chance de precisar fazer pelo menos 5?
Distribuição Geométrica Distribuição de Poisson
Seja X uma v.a. binomial. Considere aumentar o número n de

Média e variância de v.a. geométrica com parâmetro p experimentos de Bernoulli, mantendo E(X ) = np = λ constante.
x
λ n−x

λ
µ = E(X ) = 1/p f (x) = C (n, x) · p x · (1 − p)n−x = C (n, x) · · 1−
n n
σ 2 = V (X ) = (1 − p)/p 2
É possı́vel mostrar que
Ex.: A chance de fechar uma venda por telefone é 0,23. Número esperado de
ligações até a 1a venda? Desvio padrão?
e −λ λx
lim f (x) = , para x inteiro não negativo.
n→∞ x!
Distribuição de Poisson Distribuição de Poisson
Distribuição de Poisson com parâmetro λ
x n−x
x: número de sucessos em um dado intervalo, dado que o número
n! λ λ médio de sucessos neste intervalo é λ.
f (x) = lim · · 1−
n→∞ x!(n − x)! n n
n −x e −λ λx
λx n n − 1 n − x + 1 λ λ f (x) = .
= lim · ··· · 1− · 1− x!
x! n→∞ n n n n n
e −λ λx
=
x! Ex.: Um cruzamento tem em média 3 acidentes por mês. Chance de
ocorrer 4 acidentes em um dado mês?
λ = 3. f (4) = (2,71828)−3 · 34 /4! ≈ 0,168.
Distribuição de Poisson Distribuição de Poisson
Forma da distribuição de Poisson
e −λ λx
f (x) =
x!
Ex.: Um cruzamento tem em média 3 acidentes por mês. Chance de

ocorrer 4 acidentes em DOIS meses?
Distribuição de Poisson Distribuições binomial, geométrica e de Poisson
Média e variância de v.a. de Poisson com parâmetro λ
µ = E(X ) = λ Ler e resolver exercı́cios:

σ 2 = V (X ) = λ Seção 4.2 e 4.3 do Larson. Seções 5.3, 5.5 e 5.6 do Walpole.
Ex.: Um cruzamento tem em média 3 acidentes por mês. Desvio padrão dos
acidentes mensais?
√
σ = 3 ≈ 1,7.
Distribuições binomial, geométrica e de Poisson Apêndice: cálculo das médias e variâncias
r -ésimo momento em torno da origem da v.a. X

1) Teste de poluição dá positivo se pelo menos 4 de 18 amostras contêm
poluente. 10% das amostras contém poluente. Chance de teste positivo?
X
µ0r = E(X r ) = x r f (x)
2) Um fio tem em média 0,3 imperfeições por m. Chance de pelo menos 1 x
imperfeição em 4m?
Portanto, µ = µ01 e σ 2 = E(X 2 ) − E(X )2 = µ02 − µ0 21 .
Apêndice: cálculo das médias e variâncias Apêndice: cálculo das médias e variâncias
Ex.: Distribuição binomial com parâmetros n e p
Função geratriz de momentos de uma v.a. X ! !

n n
X n x X n
MX (t) = e tx p (1 − p)n−x = (pe t )x (1 − p)n−x
X x x
MX (t) = E(e tX ) = e tx f (x) x=0 x=0
x
= (pe t + (1 − p))n
Binômio de Newton: !
n
X n i n−i
(a + b)n = ab
d r MX (t) X tx r i
= e x f (x) i=0
dt r x Logo,
d r MX (t)
µ01 = n(pe t + (1 − p))n−1 · pe t |t=0 = np
r
= µ0r µ02 = np[(pe t + (1 − p))n−1 · e t + (n − 1)(pe t + (1 − p))n−2 pe t · e t ]|t=0
dt
t=0
= np[1 + (n − 1)p]
σ 2 = np[1 + (n − 1)p] − (np)2 = np(1 + (n − 1)p − np) = np(1 − p)
Apêndice: cálculo das médias e variâncias
Ex.: Distribuição geométrica com parâmetro p
∞ ∞
X p X pe t
MX (t) = e tx (1 − p)x−1 p = ((1 − p)e t )x =
x=1
1 − p x=1 1 − (1 − p)e t
Logo,
pe t (1 − (1 − p)e t ) − pe t · (−(1 − p)e t ) pe t

1
µ01 =

= =
(1 − (1 − p)e t )2
t=0 (1 − (1 − p)e t )2
t=0 p
pe t (1 − (1 − p)e t )2 − pe t · 2(1 − (1 − p)e t )(−(1 − p)e t )

2−p
µ02 = =
(1 − (1 − p)e t )4
t=0 p2
2 2−p 1 1−p
σ = − 2 =
p2 p p2

Estatística e Probabilidade Aulas - 10 - 13

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Estatística e Probabilidade Aulas - 10 - 13

Загружено:

Авторское право:

Доступные форматы

Probabilidade: permutações e combinações

Atividades para casa

Universidade Federal do Ceará

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Permutações com repetição

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Ex.: Um broche utiliza 4 pedras preciosas, podendo ser diamante, rubi ou

Note que as pedras podem ser repetidas.

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Número de combinações com repetição (r objetos de n tipos)

(n + r − 1)! Ex.: Quantas soluções tem a equação x1 + x2 + x3 = 11, onde

Ex.: Exemplo anterior, com as restrições x1 ≥ 1, x2 ≥ 2, x3 ≥ 3.

Ex.: Quantas palavras são permutações de MISSISSIPI?

10! está errado, pois temos letras repetidas.

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Ex.: Quantas palavras são permutações de MISSISSIPI?

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Na contagem de combinações com repetição, podemos interpretar

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Distribuição de objetos DISTINTOS em caixas distintas

Distribuição de objetos IDÊNTICOS em caixas distintas

Distribuição de objetos IDÊNTICOS em caixas distintas

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações

E para o caso de caixas idênticas? Ler e resolver exercı́cios:

Probabilidade: permutações e combinações

1) Quantas peças tem um dominó com valores de 0 até 6? E de 0 até 15?

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Variável aleatória discreta

Ex.: X é o número de caras no lançamento de 2 moedas.

Ex.: X é a receita de um loja em um dado dia.

Distribuição de probabilidade (discreta)

Ex.: X é o tempo do ônibus de casa até a universidade.

Ex.: X é o volume de chuva em abril (em mm).

f (2) = P(X = 2) = 0,0486

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Distribuição de probabilidade (discreta)

Ex.: X é a soma de dois dados. Distribuição de probabilidade?

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Distribuição acumulada: F (x) = P(X ≤ x)

Distribuição acumulada (discreta)

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Distribuição de probabilidade (contı́nua)

P(a < X < b) = F (b) − F (a)

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Valor esperado (média) de variável aleatória

Contı́nua: Ex.: X é a soma de dois dados. E(X )?

Ex.: X é valor de um dado. E(X )?

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Ex.: Jogo de lançamento de 3 moedas. Ganha 5 se sair 3 caras ou 3

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Variância de variável aleatória

Ex.: X é valor de um dado. V(X )?

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Distribuição uniforme (discreta)

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Distribuição uniforme (contı́nua)

1 Ex.: E(X )? V(X )?

Ex.: E(X )? V(X )?

Distribuição uniforme (contı́nua) Ex.: Acumulada F (x)? P(a ≤ X ≤ µ)?

Variáveis aleatórias e distribuições de probabilidade

Universidade Federal do Ceará

Distribuição Binomial Distribuição Binomial