Professional Documents
Culture Documents
n
v.a discreta → E ( X ) = µ x = ∑ xi ⋅ p ( xi ) = µ
i =1
Expectância:
v.a. contínua → E ( X ) = µx = ∫ x ⋅ p( x)dx = µ
Rx
Variância: [ ]
V ( X ) = E ( X − E ( X ) ) = σ x2 ; Desvio Padrão: σ = V ( X ) = E[( X − E ( X ) ) 2 ]
2
V ( X ) σ x2 V (X ) σx
Variância Relativa: γ x2 = = ; Coeficiente de Variação: γ x = =
E ²( X ) µ x2 E( X ) µx
∞ t −1 1 p −1
Função Gama: Γ( p ) = ∫x
0
⋅ e −x dx ,x>0; Função Beta: β( p, q ) = ∫ x
0
⋅ (1 − x ) q −1 dx
Distribuição Binomial: v.a. X representa o n° de vezes que ocorre o sucesso do evento em “n“
realizações do experimento.
n−x
X ~ Binomial (n,p) → P ( X = x ) = p ( x ) = C n ⋅ p ⋅ q , x=0,1,2,...,n.
x x
Além disso: E ( X ) = µ x = n ⋅ p e V ( X ) = σ x2 = n ⋅ p ⋅ q
Distribuição de Pascal (ou Binomial Negativa): v.a. X representa o n° eventual de vezes que um
experimento é realizado até que ocorra o evento pela última vez “r”.
r −1 x −r
X ~ Pascal (r,p) → P ( X = x ) = p ( x ) = C x −1 ⋅ p ⋅ q
r
, onde x = r,r+1,r+2,..., com r = 1,2,3,...
e 0<p<1.
Além disso: E ( X ) = µx = r p e V ( X ) = σ x2 = r ⋅ q p 2
1 de 4
Formulário de Estatística – Distribuições de Probabilidade
Distribuição de Poisson: v.a. X representa o n° de vezes que ocorre o sucesso do evento em
determinado experimento, porém sem determinar o n° de fracassos ou total de provas. É uma
aproximação de X ~ Binomial (n,p), quando “n” é muito grande e “p” muito pequeno.
e −α ⋅ α x
X ~ Poisson ( α ), onde α =λ ⋅t → P ( X = x) = p( x) = , x = 0,1,2,...
x!
Além disso: E ( X ) = µ x = α e V ( X ) = σ x2 = α
Distribuição Uniforme:
1 a +b
X ~ Uniforme (a,b) → f ( x ) = , a<x<b ; E ( X ) = µ x = e
b −a 2
(b − a ) 2
V ( X ) = σ x2 =
12
d
1 d −c
Além disso: P (c < x < d ) = ∫ dx =
c
b −a b −a
Distribuição Exponencial:
1 1
X ~ Exponencial ( α ) → f ( x) = α ⋅ e −α⋅x , x>0 e α >0; E ( X ) = µ x = e V (X ) = σ x = 2
2
α α
∞
Distribuição Gama:
αp p
X ~ Gama(p, α )→ f ( x) = ⋅ x p −1 ⋅ e −α⋅x , x,p, α >0; E ( X ) = µ x = e
Γ( p ) α
p
V ( X ) = σ x2 =
α2
d
2 de 4
∞
X ~ Weibull ( α ,β) → f ( x ) = α ⋅ β ⋅ t β −1
⋅e −α⋅t β
, t, α , β>0 ; P ( X < r ) = ∫ f ( x)dx . Além
r
1
2
−2 β 2
disso: E ( X ) = µ x = α
−1 β
⋅ Γ(1 β + 1) e V ( X ) = σ x = α
2
Γ + 1 − Γ + 1
β β
3 de 4
Formulário de Estatística – Distribuições de Probabilidade
Distribuição Normal:
1
X ~ N ( µ, σ ) → f ( x) = ⋅ e −( x −µ)² 2⋅σ , - ∞ <x<+ ∞ , - ∞ < μ <+ ∞ e σ>0;
2
2 ⋅ π ⋅σ
E ( X ) = µ , V ( X ) =σ2 e σ = V ( X ) .
Temos v.a. Z quando μ = 0 e σ = 1 → Z n ~ N (0,1) ⇒
b
1
P ( a ≤ X ≤ b) = ∫
2
⋅ e −Z 2
dz = FZ (b) − FZ ( a ) .
a 2 ⋅π
Sejam X e Y duas v.a’s normais independentes e seja W = aּX + bּY. Temos que:
W~N
( µ S , σ S ) , onde µW = a ⋅ µ X + b ⋅ µY e σ W = a ² ⋅ σ X2 + b ² ⋅ σ Y2 .
µi = µ σi = σ µW = n ⋅ a ⋅ µ σW = .n ⋅ a ² ⋅ σ 2
Se e , então: e .
n
→ Soma: S = ∑ xi ⇒ S ~ N ( µ S , σ S ) , onde µ S = n ⋅ µ e σ S = σ ⋅ n .
i =1
1 n σ
→ Média Aritmética: X = ⋅ ∑ xi ⇒ X ~ N ( µ X , σ X ) , onde µ X = µ e σ X = .
n i =1 n
4 de 4