Distribuições de
Probabilidade Discretas
Who? Paulo Inácio K.L. Prado e João L.F. Batista
From? BIE-5781 Modelagem Estatística em Ecologia e Recursos Naturais
Conceitos
Variável aleatória
Distribuição de Probabilidade Função de densidade probabilística
Função de distribuição ou probabilidade acumulada Distribuição Bernoulli
Distribuição Binomial Distribuição Poisson Distribuição Geométrica Distribuição Binomial Negativa
Conceitos
Variável aleatória
Distribuição de Probabilidade Função de densidade probabilística
Função de distribuição ou probabilidade acumulada Distribuição Bernoulli
Distribuição Binomial Distribuição Poisson Distribuição Geométrica Distribuição Binomial Negativa
Conceitos
Variável aleatória
Distribuição de Probabilidade
Função de densidade probabilística
Função de distribuição ou probabilidade acumulada Distribuição Bernoulli
Distribuição Binomial Distribuição Poisson Distribuição Geométrica Distribuição Binomial Negativa
Conceitos
Variável aleatória
Distribuição de Probabilidade Função de densidade probabilística
Função de distribuição ou probabilidade acumulada
Distribuição Bernoulli Distribuição Binomial Distribuição Poisson Distribuição Geométrica Distribuição Binomial Negativa
Conceitos
Variável aleatória
Distribuição de Probabilidade Função de densidade probabilística
Função de distribuição ou probabilidade acumulada Distribuição Bernoulli
Distribuição Binomial Distribuição Poisson Distribuição Geométrica Distribuição Binomial Negativa
Uma teoria da variabilidade
Variável aleatória:
Qualquer resultado que possa variar entre observações.
Exemplo: Número de fêmeas em ninhadas de Callithrix jacchus : zero, uma ou duas.
Probabilidade: medida da incerteza/chance de se observar um resultado.
Distribuição de
Probabilidades x = 0 → 1 4
x = 1 → 12 x = 2 → 14
Uma teoria da variabilidade
Variável aleatória:
Qualquer resultado que possa variar entre observações.
Exemplo: Número de fêmeas em ninhadas de Callithrix jacchus : zero, uma ou duas.
Probabilidade: medida da incerteza/chance de se observar um resultado.
Distribuição de
Probabilidades x = 0 → 1 4
x = 1 → 12 x = 2 → 14
Uma teoria da variabilidade
Variável aleatória:
Qualquer resultado que possa variar entre observações.
Exemplo: Número de fêmeas em ninhadas de Callithrix jacchus : zero, uma ou duas.
Probabilidade: medida da incerteza/chance de se observar um resultado.
Distribuição de
Probabilidades x = 0 → 1 4
x = 1 → 12 x = 2 → 14
Uma teoria da variabilidade
Variável aleatória:
Qualquer resultado que possa variar entre observações.
Exemplo: Número de fêmeas em ninhadas de Callithrix jacchus : zero, uma ou duas.
Probabilidade: medida da incerteza/chance de se observar um resultado.
Distribuição de
Probabilidades x = 0 → 1 4
x = 1 → 12 x = 2 → 14
Uma teoria da variabilidade
Variável aleatória:
Qualquer resultado que possa variar entre observações.
Exemplo: Número de fêmeas em ninhadas de Callithrix jacchus : zero, uma ou duas.
Probabilidade: medida da incerteza/chance de se observar um resultado.
Distribuição de
Probabilidades x = 0 → 1 4
x = 1 → 12 x = 2 → 14
Distribuição de Probabilidades
Função
Uma Distribuição de Probabilidades é uma função matemática.
Esquema
INTERVALO
0
1
x x x 1 2 3 N i x x4 p p p p 1 2 3 4 i N pAMOSTRAL
ESPACO
x pDistribuição de Probabilidades
Função
Uma Distribuição de Probabilidades é uma função matemática.
Esquema
INTERVALO
0
1
x x x 1 2 3 N i x x4 p p p p 1 2 3 4 i N pAMOSTRAL
ESPACO
x pDistribuição de Probabilidades
Função
Uma Distribuição de Probabilidades é uma função matemática.
Esquema
INTERVALO
0
1
x x x 1 2 3 N i x x4 p p p p 1 2 3 4 i N pAMOSTRAL
ESPACO
x pDistribuição de Probabilidades
Função
Uma Distribuição de Probabilidades é uma função matemática.
Esquema
INTERVALO
0
1
x x x 1 2 3 N i x x4 p p p p 1 2 3 4 i N pAMOSTRAL
ESPACO
x pClasses de Variáveis Quantitativas
Variáveis Discretas
Os valores possíveis estão no conjunto dos NÚMEROS INTEIROS.
O tamanho do conjunto é:
finito se for um sub-conjunto dos números interios. infinito contável se todos números interios.
Variáveis obtidas por:
enumeração, contagem.
Classes de Variáveis Quantitativas
Variáveis Discretas
Os valores possíveis estão no conjunto dos NÚMEROS INTEIROS.
O tamanho do conjunto é:
finito se for um sub-conjunto dos números interios. infinito contável se todos números interios.
Variáveis obtidas por:
enumeração, contagem.
Classes de Variáveis Quantitativas
Variáveis
Discretas Os valores possíveis estão no conjunto dos
NÚMEROS INTEIROS.
O tamanho do conjunto é:
finito se for um sub-conjunto dos números interios. infinito contável se todos números interios.
Variáveis obtidas por:
enumeração, contagem.
Classes de Variáveis Quantitativas
Variáveis
Discretas Os valores possíveis estão no conjunto dos
NÚMEROS INTEIROS. O tamanho do conjunto é:
finito se for um sub-conjunto dos números interios. infinito contável se todos números interios.
Variáveis obtidas por:
enumeração, contagem.
Classes de Variáveis Quantitativas
Variáveis
Discretas Os valores possíveis estão no conjunto dos
NÚMEROS INTEIROS. O tamanho do conjunto é:
finito se for um sub-conjunto dos números interios.
infinito contável se todos números interios.
Variáveis obtidas por:
enumeração, contagem.
Classes de Variáveis Quantitativas
Variáveis
Discretas Os valores possíveis estão no conjunto dos
NÚMEROS INTEIROS. O tamanho do conjunto é:
finito se for um sub-conjunto dos números interios. infinito contável se todos números interios.
Variáveis obtidas por:
enumeração, contagem.
Classes de Variáveis Quantitativas
Variáveis
Discretas Os valores possíveis estão no conjunto dos
NÚMEROS INTEIROS. O tamanho do conjunto é:
finito se for um sub-conjunto dos números interios. infinito contável se todos números interios.
Variáveis obtidas por:
enumeração, contagem.
Classes de Variáveis Quantitativas
Variáveis
Discretas Os valores possíveis estão no conjunto dos
NÚMEROS INTEIROS. O tamanho do conjunto é:
finito se for um sub-conjunto dos números interios. infinito contável se todos números interios.
Variáveis obtidas por: enumeração,
Classes de Variáveis Quantitativas
Variáveis
Discretas Os valores possíveis estão no conjunto dos
NÚMEROS INTEIROS. O tamanho do conjunto é:
finito se for um sub-conjunto dos números interios. infinito contável se todos números interios.
Variáveis obtidas por: enumeração,
Classes de Variáveis Quantitativas
Variáveis Contínuas
Os valores possíveis estão no conjunto dos NÚMEROS REAIS.
O tamanho do conjunto dos valores possíveis é sempre infinito incomensurável.
Variáveis obtidas por:
medição.
Espaço Amostral
Tanto para variáveis discretas quanto contínuas, Chama-se o conjunto de valores possíveis de Espaço Amostral.
Classes de Variáveis Quantitativas
Variáveis Contínuas
Os valores possíveis estão no conjunto dos NÚMEROS REAIS.
O tamanho do conjunto dos valores possíveis é sempre infinito incomensurável.
Variáveis obtidas por:
medição.
Espaço Amostral
Tanto para variáveis discretas quanto contínuas, Chama-se o conjunto de valores possíveis de Espaço Amostral.
Classes de Variáveis Quantitativas
Variáveis
Contínuas Os valores possíveis estão no conjunto dos
NÚMEROS REAIS.
O tamanho do conjunto dos valores possíveis é sempre infinito incomensurável.
Variáveis obtidas por:
medição.
Espaço Amostral
Tanto para variáveis discretas quanto contínuas, Chama-se o conjunto de valores possíveis de Espaço Amostral.
Classes de Variáveis Quantitativas
Variáveis
Contínuas Os valores possíveis estão no conjunto dos
NÚMEROS REAIS.
O tamanho do conjunto dos valores possíveis é sempre infinito incomensurável.
Variáveis obtidas por:
medição.
Espaço Amostral
Tanto para variáveis discretas quanto contínuas, Chama-se o conjunto de valores possíveis de Espaço Amostral.
Classes de Variáveis Quantitativas
Variáveis
Contínuas Os valores possíveis estão no conjunto dos
NÚMEROS REAIS.
O tamanho do conjunto dos valores possíveis é sempre infinito incomensurável.
Variáveis obtidas por:
medição.
Espaço Amostral
Tanto para variáveis discretas quanto contínuas, Chama-se o conjunto de valores possíveis de Espaço Amostral.
Classes de Variáveis Quantitativas
Variáveis
Contínuas Os valores possíveis estão no conjunto dos
NÚMEROS REAIS.
O tamanho do conjunto dos valores possíveis é sempre infinito incomensurável.
Variáveis obtidas por: medição.
Espaço Amostral
Tanto para variáveis discretas quanto contínuas, Chama-se o conjunto de valores possíveis de Espaço Amostral.
Classes de Variáveis Quantitativas
Variáveis
Contínuas Os valores possíveis estão no conjunto dos
NÚMEROS REAIS.
O tamanho do conjunto dos valores possíveis é sempre infinito incomensurável.
Variáveis obtidas por: medição.
Espaço Amostral
Tanto para variáveis discretas quanto contínuas, Chama-se o conjunto de valores possíveis de Espaço Amostral.
Classes de Variáveis Quantitativas
Variáveis
Contínuas Os valores possíveis estão no conjunto dos
NÚMEROS REAIS.
O tamanho do conjunto dos valores possíveis é sempre infinito incomensurável.
Variáveis obtidas por: medição.
Espaço
Amostral Tanto para variáveis discretas quanto contínuas,
Chama-se o conjunto de valores possíveis de Espaço Amostral.
Classes de Variáveis Quantitativas
Variáveis
Contínuas Os valores possíveis estão no conjunto dos
NÚMEROS REAIS.
O tamanho do conjunto dos valores possíveis é sempre infinito incomensurável.
Variáveis obtidas por: medição.
Espaço
Amostral Tanto para variáveis discretas quanto contínuas,
Chama-se o conjunto de valores possíveis de
Classes de Variáveis Quantitativas
Variáveis
Contínuas Os valores possíveis estão no conjunto dos
NÚMEROS REAIS.
O tamanho do conjunto dos valores possíveis é sempre infinito incomensurável.
Variáveis obtidas por: medição.
Espaço
Amostral Tanto para variáveis discretas quanto contínuas,
Chama-se o conjunto de valores possíveis de Espaço Amostral.
Exemplos de Espaços Amostrais
V. Discretas
Número de caras no lançamento de duas moedas: S = {0, 1, 2}
Número de plântulas numa parcela: S = N = {0, 1, 2, 3, . . .}
V. Contínuas
Peso de peixe: S = {w} | w ∈ [0, +∞)
Diâmetro de árvores em levantamento com diâmetro mínimo de medição de 5 cm:
Exemplos de Espaços Amostrais
V. Discretas
Número de caras no lançamento de duas moedas: S = {0, 1, 2}
Número de plântulas numa parcela: S = N = {0, 1, 2, 3, . . .}
V. Contínuas
Peso de peixe: S = {w} | w ∈ [0, +∞)
Diâmetro de árvores em levantamento com diâmetro mínimo de medição de 5 cm:
Exemplos de Espaços Amostrais
V. Discretas
Número de caras no lançamento de duas moedas: S = {0, 1, 2}
Número de plântulas numa parcela: S = N = {0, 1, 2, 3, . . .}
V. Contínuas
Peso de peixe: S = {w} | w ∈ [0, +∞)
Diâmetro de árvores em levantamento com diâmetro mínimo de medição de 5 cm:
Exemplos de Espaços Amostrais
V. Discretas
Número de caras no lançamento de duas moedas: S = {0, 1, 2}
Número de plântulas numa parcela: S = N = {0, 1, 2, 3, . . .}
V. Contínuas
Peso de peixe: S = {w} | w ∈ [0, +∞)
Diâmetro de árvores em levantamento com diâmetro mínimo de medição de 5 cm:
Exemplos de Espaços Amostrais
V. Discretas
Número de caras no lançamento de duas moedas: S = {0, 1, 2}
Número de plântulas numa parcela: S = N = {0, 1, 2, 3, . . .}
V. Contínuas
Peso de peixe: S = {w} | w ∈ [0, +∞)
Diâmetro de árvores em levantamento com diâmetro mínimo de medição de 5 cm:
Exemplos de Espaços Amostrais
V. Discretas
Número de caras no lançamento de duas moedas: S = {0, 1, 2}
Número de plântulas numa parcela: S = N = {0, 1, 2, 3, . . .}
V. Contínuas
Peso de peixe: S = {w} | w ∈ [0, +∞)
Diâmetro de árvores em levantamento com diâmetro mínimo de medição de 5 cm:
Exemplos de Espaços Amostrais
V. Discretas
Número de caras no lançamento de duas moedas: S = {0, 1, 2}
Número de plântulas numa parcela: S = N = {0, 1, 2, 3, . . .}
V. Contínuas
Peso de peixe: S = {w} | w ∈ [0, +∞)
Diâmetro de árvores em levantamento com diâmetro mínimo de medição de 5 cm:
Distribuição de Probabilidades
Função Matemática
Para uma variável discreta,
a Distribuição de Probabilidades associa:
cada (e todos) elemento do Espaço Amostral com um número real no intervalo [0, 1].
Probabilidade
Para uma variável discreta,
a Distribuição de Probabilidades associa:
cada valor possível da variável
Distribuição de Probabilidades
Função
Matemática Para uma variável discreta,
a Distribuição de Probabilidades associa:
cada (e todos) elemento do Espaço Amostral com um número real no intervalo [0, 1].
Probabilidade
Para uma variável discreta,
a Distribuição de Probabilidades associa:
cada valor possível da variável
Distribuição de Probabilidades
Função
Matemática Para uma variável discreta,
a Distribuição de Probabilidades associa:
cada (e todos) elemento do Espaço Amostral com um número real no intervalo [0, 1].
Probabilidade
Para uma variável discreta,
a Distribuição de Probabilidades associa:
cada valor possível da variável
Exemplo de Distribuição de Probabilidades
Situação
Uma ninhada de 2 filhotes de sagui.
Cada filhote tem chance de 50% de ser fêmea.
Variável Discreta
X = número de fêmeas na ninhada.
Espaço Amostral
Exemplo de Distribuição de Probabilidades
Situação
Uma ninhada de 2 filhotes de sagui.
Cada filhote tem chance de 50% de ser fêmea.
Variável Discreta
X = número de fêmeas na ninhada.
Espaço Amostral
Exemplo de Distribuição de Probabilidades
Situação
Uma ninhada de 2 filhotes de sagui.
Cada filhote tem chance de 50% de ser fêmea.
Variável Discreta
X = número de fêmeas na ninhada.
Espaço Amostral
Exemplo de Distribuição de Probabilidades
Situação
Uma ninhada de 2 filhotes de sagui.
Cada filhote tem chance de 50% de ser fêmea.
Variável Discreta
X = número de fêmeas na ninhada.
Espaço Amostral
Exemplo de Distribuição de Probabilidades
Situação
Uma ninhada de 2 filhotes de sagui.
Cada filhote tem chance de 50% de ser fêmea.
Variável Discreta
X = número de fêmeas na ninhada.
Espaço Amostral
Exemplo de Distribuição de Probabilidades
Situação
Uma ninhada de 2 filhotes de sagui.
Cada filhote tem chance de 50% de ser fêmea.
Variável Discreta
X = número de fêmeas na ninhada.
Espaço Amostral
Exemplo de Distribuição de Probabilidades
Função
Função de densidade probabilística ou Função de massa probabilística (Rice, 1995):
f (x) = P (X = x) x = 0, 1, 2
Probabilidades
x = 0 → f (0) = P (X = 0) = 14 = 0, 25 x = 1 → f (1) = P (X = 1) = 12 = 0, 50 x = 2 → f (2) = P (X = 2) = 14 = 0, 25
Exemplo de Distribuição de Probabilidades
Função
Função de densidade probabilística ou Função de massa probabilística (Rice, 1995):
f (x) = P (X = x) x = 0, 1, 2
Probabilidades
x = 0 → f (0) = P (X = 0) = 14 = 0, 25 x = 1 → f (1) = P (X = 1) = 12 = 0, 50 x = 2 → f (2) = P (X = 2) = 14 = 0, 25
Exemplo de Distribuição de Probabilidades
Função
Função de densidade probabilística ou
Função de massa probabilística (Rice, 1995): f (x) = P (X = x) x = 0, 1, 2
Probabilidades
x = 0 → f (0) = P (X = 0) = 14 = 0, 25 x = 1 → f (1) = P (X = 1) = 12 = 0, 50 x = 2 → f (2) = P (X = 2) = 14 = 0, 25
Exemplo de Distribuição de Probabilidades
Função
Função de densidade probabilística ou Função de massa probabilística (Rice, 1995):
f (x) = P (X = x) x = 0, 1, 2
Probabilidades
x = 0 → f (0) = P (X = 0) = 14 = 0, 25 x = 1 → f (1) = P (X = 1) = 12 = 0, 50 x = 2 → f (2) = P (X = 2) = 14 = 0, 25
Exemplo de Distribuição de Probabilidades
Função
Função de densidade probabilística ou Função de massa probabilística (Rice, 1995):
f (x) = P (X = x) x = 0, 1, 2
Probabilidades
x = 0 → f (0) = P (X = 0) = 14 = 0, 25 x = 1 → f (1) = P (X = 1) = 12 = 0, 50 x = 2 → f (2) = P (X = 2) = 14 = 0, 25
Exemplo de Distribuição de Probabilidades
Função
Função de densidade probabilística ou Função de massa probabilística (Rice, 1995):
f (x) = P (X = x) x = 0, 1, 2
Probabilidades
x = 0 → f (0) = P (X = 0) = 14 = 0, 25
x = 1 → f (1) = P (X = 1) = 12 = 0, 50 x = 2 → f (2) = P (X = 2) = 14 = 0, 25
Exemplo de Distribuição de Probabilidades
Função
Função de densidade probabilística ou Função de massa probabilística (Rice, 1995):
f (x) = P (X = x) x = 0, 1, 2
Probabilidades
x = 0 → f (0) = P (X = 0) = 14 = 0, 25 x = 1 → f (1) = P (X = 1) = 12 = 0, 50
Exemplo de Distribuição de Probabilidades
Função
Função de densidade probabilística ou Função de massa probabilística (Rice, 1995):
f (x) = P (X = x) x = 0, 1, 2
Probabilidades
x = 0 → f (0) = P (X = 0) = 14 = 0, 25 x = 1 → f (1) = P (X = 1) = 12 = 0, 50 x = 2 → f (2) = P (X = 2) = 14 = 0, 25
Função de Densidade Probabilística
Função Função de densidade probabilística:
f (x) = P (X = x), x ∈ S (espaço amostral)
Propriedades
Valores no intervalo [0, 1]:
0 ≤ f (x) ≤ 1 para x ∈ S. A soma das probabilidades é igual a 1:
X
x∈S
Função de Densidade Probabilística
Função Função de densidade probabilística:
f (x) = P (X = x), x ∈ S (espaço amostral)
Propriedades
Valores no intervalo [0, 1]:
0 ≤ f (x) ≤ 1 para x ∈ S. A soma das probabilidades é igual a 1:
X
x∈S
Função de Densidade Probabilística
Função Função de densidade probabilística:
f (x) = P (X = x), x ∈ S (espaço amostral)
Propriedades
Valores no intervalo [0, 1]:
0 ≤ f (x) ≤ 1 para x ∈ S. A soma das probabilidades é igual a 1:
X
x∈S
Função de Densidade Probabilística
Função Função de densidade probabilística:
f (x) = P (X = x), x ∈ S (espaço amostral)
Propriedades
Valores no intervalo [0, 1]:
0 ≤ f (x) ≤ 1 para x ∈ S.
A soma das probabilidades é igual a 1: X
x∈S
Função de Densidade Probabilística
Função Função de densidade probabilística:
f (x) = P (X = x), x ∈ S (espaço amostral)
Propriedades
Valores no intervalo [0, 1]:
0 ≤ f (x) ≤ 1 para x ∈ S. A soma das probabilidades é igual a 1:
X
x∈S
A Soma das Probabilidades no Espaço
Amostral
Exemplo da Ninhada x = 0 → f (0) = P (X = 0) = 1 4 = 0, 25 x = 1 → f (1) = P (X = 1) = 1 2 = 0, 50 x = 2 → f (2) = P (X = 2) = 1 4 = 0, 25 2 X x=0 f (x) = (1/4) + (1/2) + (1/4) = 1, 000A Soma das Probabilidades no Espaço
Amostral
Exemplo da Ninhada x = 0 → f (0) = P (X = 0) = 1 4 = 0, 25 x = 1 → f (1) = P (X = 1) = 1 2 = 0, 50 x = 2 → f (2) = P (X = 2) = 1 4 = 0, 25 2 X x=0 f (x) = (1/4) + (1/2) + (1/4) = 1, 000Gráfico da Função de Densidade
Probabilística
Exemplo da Ninhada 0 1 2 Número de Fêmeas Probabilidade 0.0 0.1 0.2 0.3 0.4 0.5Gráfico da Função de Densidade
Probabilística
Exemplo da Ninhada 0 1 2 Número de Fêmeas Probabilidade 0.0 0.1 0.2 0.3 0.4 0.5Função de Distribuição
Outra Função Outra forma de representar a distribuição de probabilidades é a Função de Distribuição ou probabilidade acumulada
A Função de Distribuição de x informa a probabilidade “acumulada até x”
F (x) = P (X ≤ x), x ∈ S V. Discreta: sequência ordenada (crescente) de x = {x1, x2, . . . , xn, . . .}: F (xn) = n X i=0 P (X = xi) = n X i=0 f (xi), xi ∈ S
Função de Distribuição
Outra Função Outra forma de representar a distribuição de probabilidades é a Função de Distribuição ou probabilidade acumulada
A Função de Distribuição de x informa a probabilidade “acumulada até x”
F (x) = P (X ≤ x), x ∈ S V. Discreta: sequência ordenada (crescente) de x = {x1, x2, . . . , xn, . . .}: F (xn) = n X i=0 P (X = xi) = n X i=0 f (xi), xi ∈ S
Função de Distribuição
Outra Função Outra forma de representar a distribuição de probabilidades é a Função de Distribuição ou probabilidade acumulada
A Função de Distribuição de x informa a probabilidade “acumulada até x”
F (x) = P (X ≤ x), x ∈ S V. Discreta: sequência ordenada (crescente) de x = {x1, x2, . . . , xn, . . .}: F (xn) = n X i=0 P (X = xi) = n X i=0 f (xi), xi ∈ S
Função de Distribuição
Outra Função Outra forma de representar a distribuição de probabilidades é a Função de Distribuição ou probabilidade acumulada
A Função de Distribuição de x informa a probabilidade “acumulada até x”
F (x) = P (X ≤ x), x ∈ S
V. Discreta: sequência ordenada (crescente) de x = {x1, x2, . . . , xn, . . .}: F (xn) = n X i=0 P (X = xi) = n X i=0 f (xi), xi ∈ S
Função de Distribuição
Outra Função Outra forma de representar a distribuição de probabilidades é a Função de Distribuição ou probabilidade acumulada
A Função de Distribuição de x informa a probabilidade “acumulada até x”
F (x) = P (X ≤ x), x ∈ S V. Discreta: sequência ordenada (crescente) de x = {x1, x2, . . . , xn, . . .}: F (xn) = n X i=0 P (X = xi) = n X i=0 f (xi), xi ∈ S
Propriedades da Função de Distribuição
Propriedades
Valores no intervalo [0, 1]:
0 ≤ F (x) ≤ 1 para x ∈ S. Função monotonicamente crescente:
x1 < x2< x3 ⇒ F (x1) ≤ F (x2) ≤ F (x3)
Valor unitário para o maior valor no espaço amostral: F (max{x ∈ S}) = 1
Propriedades da Função de Distribuição
Propriedades
Valores no intervalo [0, 1]:
0 ≤ F (x) ≤ 1 para x ∈ S. Função monotonicamente crescente:
x1 < x2< x3 ⇒ F (x1) ≤ F (x2) ≤ F (x3)
Valor unitário para o maior valor no espaço amostral: F (max{x ∈ S}) = 1
Propriedades da Função de Distribuição
Propriedades
Valores no intervalo [0, 1]:
0 ≤ F (x) ≤ 1 para x ∈ S.
Função monotonicamente crescente:
x1 < x2< x3 ⇒ F (x1) ≤ F (x2) ≤ F (x3)
Valor unitário para o maior valor no espaço amostral: F (max{x ∈ S}) = 1
Propriedades da Função de Distribuição
Propriedades
Valores no intervalo [0, 1]:
0 ≤ F (x) ≤ 1 para x ∈ S. Função monotonicamente crescente:
x1 < x2< x3 ⇒ F (x1) ≤ F (x2) ≤ F (x3)
Valor unitário para o maior valor no espaço amostral: F (max{x ∈ S}) = 1
Propriedades da Função de Distribuição
Propriedades
Valores no intervalo [0, 1]:
0 ≤ F (x) ≤ 1 para x ∈ S. Função monotonicamente crescente:
x1 < x2< x3 ⇒ F (x1) ≤ F (x2) ≤ F (x3)
Valor unitário para o maior valor no espaço amostral: F (max{x ∈ S}) = 1
Gráfico da Função de Distribuição
Exemplo da Ninhada 0 1 2 Número de Fêmeas Probabilidade acum ulada 0.0 0.2 0.4 0.6 0.8 1.0Gráfico da Função de Distribuição
Exemplo da Ninhada 0 1 2 Número de Fêmeas Probabilidade acum ulada 0.0 0.2 0.4 0.6 0.8 1.0Esperança e Variância
Propriedades
Há duas propriedades das distribuições de probabilidade que são importantes na inferência estatística:
Esperança ou Valor Esperado Variância
Esperança
A esperança pode ser interpretada como o “valor médio” da variável. Variável discreta X: E[X] =X x∈S x f (x) =X x∈S x P (X = x)
Esperança e Variância
Propriedades
Há duas propriedades das distribuições de probabilidade que são importantes na inferência estatística:
Esperança ou Valor Esperado Variância
Esperança
A esperança pode ser interpretada como o “valor médio” da variável. Variável discreta X: E[X] =X x∈S x f (x) =X x∈S x P (X = x)
Esperança e Variância
Propriedades
Há duas propriedades das distribuições de probabilidade que são importantes na inferência estatística:
Esperança ou Valor Esperado Variância
Esperança
A esperança pode ser interpretada como o “valor médio” da variável. Variável discreta X: E[X] =X x∈S x f (x) =X x∈S x P (X = x)
Esperança e Variância
Propriedades
Há duas propriedades das distribuições de probabilidade que são importantes na inferência estatística:
Esperança ou Valor Esperado Variância
Esperança
A esperança pode ser interpretada como o “valor médio” da variável. Variável discreta X: E[X] =X x∈S x f (x) =X x∈S x P (X = x)
Esperança e Variância
Propriedades
Há duas propriedades das distribuições de probabilidade que são importantes na inferência estatística:
Esperança ou Valor Esperado Variância
Esperança
A esperança pode ser interpretada como o “valor médio” da variável. Variável discreta X: E[X] =X x∈S x f (x) =X x∈S x P (X = x)
Esperança e Variância
Variância
A variância pode ser interpretada como a dispersão dos valores ao redor da esperança.
Variável discreta X: Var[X] = X x∈S (x − E[X])2f (x) = X x∈S (x − E[X])2P (X = x) = E[(X − E[X])2] = E[X2] − (E[X])2
Esperança e Variância
Variância
A variância pode ser interpretada como a dispersão dos valores ao redor da esperança.
Variável discreta X: Var[X] = X x∈S (x − E[X])2f (x) = X x∈S (x − E[X])2P (X = x) = E[(X − E[X])2] = E[X2] − (E[X])2
Esperança e Variância
Variância
A variância pode ser interpretada como a dispersão dos valores ao redor da esperança.
Variável discreta X: Var[X] = X x∈S (x − E[X])2f (x) = X x∈S (x − E[X])2P (X = x) = E[(X − E[X])2] = E[X2] − (E[X])2
Esperança e Variância
Variância
A variância pode ser interpretada como a dispersão dos valores ao redor da esperança.
Variável discreta X: Var[X] = X x∈S (x − E[X])2f (x) = X x∈S (x − E[X])2P (X = x) = E[(X − E[X])2] = E[X2] − (E[X])2
Exemplo da Ninhada: Número de Machos
Esperança E[X] = 2 X x=0 x f (x) = 0(1/4) + 1(1/2) + 2(1/4) = 1, 0 Variância Var[X] = 2 X x=0 (x − E[X])2f (x) = (0 − 1)2(1/4) + (1 − 1)2(1/2) + +(2 − 1)2(1/4) = 0, 50Exemplo da Ninhada: Número de Machos
Esperança E[X] = 2 X x=0 x f (x) = 0(1/4) + 1(1/2) + 2(1/4) = 1, 0 Variância Var[X] = 2 X x=0 (x − E[X])2f (x) = (0 − 1)2(1/4) + (1 − 1)2(1/2) + +(2 − 1)2(1/4) = 0, 50Exemplo da Ninhada: Número de Machos
Esperança E[X] = 2 X x=0 x f (x) = 0(1/4) + 1(1/2) + 2(1/4) = 1, 0 Variância Var[X] = 2 X x=0 (x − E[X])2f (x) = (0 − 1)2(1/4) + (1 − 1)2(1/2) + +(2 − 1)2(1/4) = 0, 50Exemplo da Ninhada: Variância 2
Variância 2
Var[X] = E[X2] − (E[X])2
E[X] = 1, 0 E[X2] = 2 X x=0 x2f (x) = 02(1/4) + 12(1/2) + 22(1/4) = 1, 5 Var[X] = 1, 5 − 12 = 0, 50
Exemplo da Ninhada: Variância 2
Variância 2
Var[X] = E[X2] − (E[X])2
E[X] = 1, 0 E[X2] = 2 X x=0 x2f (x) = 02(1/4) + 12(1/2) + 22(1/4) = 1, 5 Var[X] = 1, 5 − 12 = 0, 50
Exemplo da Ninhada: Variância 2
Variância 2
Var[X] = E[X2] − (E[X])2
E[X] = 1, 0 E[X2] = 2 X x=0 x2f (x) = 02(1/4) + 12(1/2) + 22(1/4) = 1, 5 Var[X] = 1, 5 − 12 = 0, 50
Distribuição Bernoulli
Ensaio
Bernoulli é a distribuição de probabilidades mais simples dentre as variáveis discretas.
Mais que uma distribuição, é interessante vê-la como um ensaio com resultado estocástico.
A partir desse ensaio aleatório pode se conceituar diversas distribuições de probabilidades de variáveis discretas.
Variável Binária
Dois resultados possíveis:
fracasso (X = 0): o evento não ocorre. sucesso (X = 1): o evento ocorre.
Distribuição Bernoulli
Ensaio
Bernoulli é a distribuição de probabilidades mais simples dentre as variáveis discretas.
Mais que uma distribuição, é interessante vê-la como um ensaio com resultado estocástico.
A partir desse ensaio aleatório pode se conceituar diversas distribuições de probabilidades de variáveis discretas.
Variável Binária
Dois resultados possíveis:
fracasso (X = 0): o evento não ocorre. sucesso (X = 1): o evento ocorre.
Distribuição Bernoulli
Ensaio
Bernoulli é a distribuição de probabilidades mais simples dentre as variáveis discretas.
Mais que uma distribuição, é interessante vê-la como um ensaio com resultado estocástico.
A partir desse ensaio aleatório pode se conceituar diversas distribuições de probabilidades de variáveis discretas.
Variável Binária
Dois resultados possíveis:
fracasso (X = 0): o evento não ocorre. sucesso (X = 1): o evento ocorre.
Distribuição Bernoulli
Ensaio
Bernoulli é a distribuição de probabilidades mais simples dentre as variáveis discretas.
Mais que uma distribuição, é interessante vê-la como um ensaio com resultado estocástico.
A partir desse ensaio aleatório pode se conceituar diversas distribuições de probabilidades de variáveis discretas.
Variável Binária
Dois resultados possíveis:
fracasso (X = 0): o evento não ocorre.
sucesso (X = 1): o evento ocorre.
Distribuição Bernoulli
Ensaio
Bernoulli é a distribuição de probabilidades mais simples dentre as variáveis discretas.
Mais que uma distribuição, é interessante vê-la como um ensaio com resultado estocástico.
A partir desse ensaio aleatório pode se conceituar diversas distribuições de probabilidades de variáveis discretas.
Variável Binária
Dois resultados possíveis:
fracasso (X = 0): o evento não ocorre. sucesso (X = 1): o evento ocorre.
Distribuição Bernoulli
Ensaio
Bernoulli é a distribuição de probabilidades mais simples dentre as variáveis discretas.
Mais que uma distribuição, é interessante vê-la como um ensaio com resultado estocástico.
A partir desse ensaio aleatório pode se conceituar diversas distribuições de probabilidades de variáveis discretas.
Variável Binária
Dois resultados possíveis:
fracasso (X = 0): o evento não ocorre. sucesso (X = 1): o evento ocorre.
Distribuição Bernoulli: Apresentação Formal
Descrição Função de Densidade:
f (x) = px(1 − p)1−x, x = 0, 1. Resultados Fracasso: f (0) = P (X = 0) = (1 − p) Sucesso: f (1) = P (X = 1) = p Função de Distribuição F (x) = (1 − p)1−x, x = 0, 1 Propriedades Esperança: E[X] = p Variância: Var[X] = p (1 − p)
Distribuição Bernoulli: Apresentação Formal
Descrição Função de Densidade:
f (x) = px(1 − p)1−x, x = 0, 1. Resultados Fracasso: f (0) = P (X = 0) = (1 − p) Sucesso: f (1) = P (X = 1) = p Função de Distribuição F (x) = (1 − p)1−x, x = 0, 1 Propriedades Esperança: E[X] = p Variância: Var[X] = p (1 − p)
Distribuição Bernoulli: Apresentação Formal
Descrição Função de Densidade:
f (x) = px(1 − p)1−x, x = 0, 1. Resultados Fracasso: f (0) = P (X = 0) = (1 − p) Sucesso: f (1) = P (X = 1) = p Função de Distribuição F (x) = (1 − p)1−x, x = 0, 1 Propriedades Esperança: E[X] = p Variância: Var[X] = p (1 − p)
Distribuição Bernoulli: Apresentação Formal
Descrição Função de Densidade:
f (x) = px(1 − p)1−x, x = 0, 1. Resultados Fracasso: f (0) = P (X = 0) = (1 − p) Sucesso: f (1) = P (X = 1) = p Função de Distribuição F (x) = (1 − p)1−x, x = 0, 1 Propriedades Esperança: E[X] = p Variância: Var[X] = p (1 − p)
Distribuição Bernoulli: Apresentação Formal
Descrição Função de Densidade:
f (x) = px(1 − p)1−x, x = 0, 1. Resultados Fracasso: f (0) = P (X = 0) = (1 − p) Sucesso: f (1) = P (X = 1) = p Função de Distribuição F (x) = (1 − p)1−x, x = 0, 1 Propriedades Esperança: E[X] = p Variância: Var[X] = p (1 − p)
Distribuição Binomial
Situação
Uma série de n de ensaios Bernoulli independentes Parâmetro tamanho da série: n
Parâmetro probabilidade de sucesso constante: p
Variável
X = o número de sucessos nos n ensaios espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
N de caras em 10 lançamentos de moeda N de mulheres em famílias de 5 filhos
Distribuição Binomial
Situação
Uma série de n de ensaios Bernoulli independentes Parâmetro tamanho da série: n
Parâmetro probabilidade de sucesso constante: p
Variável
X = o número de sucessos nos n ensaios espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
N de caras em 10 lançamentos de moeda N de mulheres em famílias de 5 filhos
Distribuição Binomial
Situação
Uma série de n de ensaios Bernoulli independentes
Parâmetro tamanho da série: n
Parâmetro probabilidade de sucesso constante: p
Variável
X = o número de sucessos nos n ensaios espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
N de caras em 10 lançamentos de moeda N de mulheres em famílias de 5 filhos
Distribuição Binomial
Situação
Uma série de n de ensaios Bernoulli independentes Parâmetro tamanho da série: n
Parâmetro probabilidade de sucesso constante: p
Variável
X = o número de sucessos nos n ensaios espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
N de caras em 10 lançamentos de moeda N de mulheres em famílias de 5 filhos
Distribuição Binomial
Situação
Uma série de n de ensaios Bernoulli independentes Parâmetro tamanho da série: n
Parâmetro probabilidade de sucesso constante: p
Variável
X = o número de sucessos nos n ensaios espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
N de caras em 10 lançamentos de moeda N de mulheres em famílias de 5 filhos
Distribuição Binomial
Situação
Uma série de n de ensaios Bernoulli independentes Parâmetro tamanho da série: n
Parâmetro probabilidade de sucesso constante: p
Variável
X = o número de sucessos nos n ensaios espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
N de caras em 10 lançamentos de moeda N de mulheres em famílias de 5 filhos
Distribuição Binomial
Situação
Uma série de n de ensaios Bernoulli independentes Parâmetro tamanho da série: n
Parâmetro probabilidade de sucesso constante: p
Variável
X = o número de sucessos nos n ensaios espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
N de caras em 10 lançamentos de moeda N de mulheres em famílias de 5 filhos
Gráfico: Distribuição Binomial
Função de densidade 0 2 4 6 8 10 12 14 16 18 20 p = 0,1 x Probabilidade 0.00 0.05 0.10 0.15 0.20 0.25 0.30Gráfico: Distribuição Binomial
Função de densidade 0 2 4 6 8 10 12 14 16 18 20 p = 0,5 x Probabilidade 0.00 0.05 0.10 0.15 0.20 0.25 0.30Gráfico: Distribuição Binomial
Função de densidade 0 2 4 6 8 10 12 14 16 18 20 p = 0,9 x Probabilidade 0.00 0.05 0.10 0.15 0.20 0.25 0.30Distribuição Binomial: Apresentação Formal
Descrição Função de densidade: f (x) =n
x
px(1 − p)n−x, x = 0, 1, 2, . . . , n
Parâmetros
Tamanho da amostra: n (número de ensaios); Probabilidade de sucesso em cada ensaio: p.
Função de Distribuição F (x) = x X k=0 n k pk(1 − p)n−k, x = 0, 1, 2, . . . , n Propriedades Esperança: E[X] = n p Variância: Var[X] = n p (1 − p)
Distribuição Binomial: Apresentação Formal
Descrição Função de densidade: f (x) =n
x
px(1 − p)n−x, x = 0, 1, 2, . . . , n
Parâmetros
Tamanho da amostra: n (número de ensaios); Probabilidade de sucesso em cada ensaio: p.
Função de Distribuição F (x) = x X k=0 n k pk(1 − p)n−k, x = 0, 1, 2, . . . , n Propriedades Esperança: E[X] = n p Variância: Var[X] = n p (1 − p)
Distribuição Binomial: Apresentação Formal
Descrição Função de densidade: f (x) =n
x
px(1 − p)n−x, x = 0, 1, 2, . . . , n
Parâmetros
Tamanho da amostra: n (número de ensaios); Probabilidade de sucesso em cada ensaio: p.
Função de Distribuição F (x) = x X k=0 n k pk(1 − p)n−k, x = 0, 1, 2, . . . , n Propriedades Esperança: E[X] = n p Variância: Var[X] = n p (1 − p)
Distribuição Binomial: Apresentação Formal
Descrição Função de densidade: f (x) =n
x
px(1 − p)n−x, x = 0, 1, 2, . . . , n
Parâmetros
Tamanho da amostra: n (número de ensaios);
Probabilidade de sucesso em cada ensaio: p.
Função de Distribuição F (x) = x X k=0 n k pk(1 − p)n−k, x = 0, 1, 2, . . . , n Propriedades Esperança: E[X] = n p Variância: Var[X] = n p (1 − p)
Distribuição Binomial: Apresentação Formal
Descrição Função de densidade: f (x) =n
x
px(1 − p)n−x, x = 0, 1, 2, . . . , n
Parâmetros
Tamanho da amostra: n (número de ensaios); Probabilidade de sucesso em cada ensaio: p.
Função de Distribuição F (x) = x X k=0 n k pk(1 − p)n−k, x = 0, 1, 2, . . . , n Propriedades Esperança: E[X] = n p Variância: Var[X] = n p (1 − p)
Distribuição Binomial: Apresentação Formal
Descrição Função de densidade: f (x) =n
x
px(1 − p)n−x, x = 0, 1, 2, . . . , n
Parâmetros
Tamanho da amostra: n (número de ensaios); Probabilidade de sucesso em cada ensaio: p.
Função de Distribuição F (x) = x X k=0 n k pk(1 − p)n−k, x = 0, 1, 2, . . . , n Propriedades Esperança: E[X] = n p Variância: Var[X] = n p (1 − p)
Distribuição Binomial: Apresentação Formal
Descrição Função de densidade: f (x) =n
x
px(1 − p)n−x, x = 0, 1, 2, . . . , n
Parâmetros
Tamanho da amostra: n (número de ensaios); Probabilidade de sucesso em cada ensaio: p.
Função de Distribuição F (x) = x X k=0 n k pk(1 − p)n−k, x = 0, 1, 2, . . . , n Propriedades Esperança: E[X] = n p Variância: Var[X] = n p (1 − p)
Distribuição Binomial: Apresentação Formal
Descrição Função de densidade: f (x) =n
x
px(1 − p)n−x, x = 0, 1, 2, . . . , n
Parâmetros
Tamanho da amostra: n (número de ensaios); Probabilidade de sucesso em cada ensaio: p.
Função de Distribuição F (x) = x X k=0 n k pk(1 − p)n−k, x = 0, 1, 2, . . . , n Propriedades Esperança: E[X] = n p Variância: Var[X] = n p (1 − p)
Distribuição Binomial: Apresentação Formal
Descrição Função de densidade: f (x) =n
x
px(1 − p)n−x, x = 0, 1, 2, . . . , n
Parâmetros
Tamanho da amostra: n (número de ensaios); Probabilidade de sucesso em cada ensaio: p.
Função de Distribuição F (x) = x X k=0 n k pk(1 − p)n−k, x = 0, 1, 2, . . . , n Propriedades Esperança: E[X] = n p Variância: Var[X] = n p (1 − p)
Distribuição Poisson
Situação
Contagem de eventos independentes.
A contagem é por unidade de tempo e/ou espaço. Os eventos ocorrem a uma taxa constante por unidade. Esta taxa é o único parâmetro, λ.
Variável
X = o número de eventos em cada unidade. espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
N de árvores por parcela
N de capturas por unidade de tempo N bombas V1 por área em Londres1
1
Distribuição Poisson
Situação
Contagem de eventos independentes.
A contagem é por unidade de tempo e/ou espaço. Os eventos ocorrem a uma taxa constante por unidade. Esta taxa é o único parâmetro, λ.
Variável
X = o número de eventos em cada unidade. espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
N de árvores por parcela
N de capturas por unidade de tempo N bombas V1 por área em Londres1
1
Distribuição Poisson
Situação
Contagem de eventos independentes.
A contagem é por unidade de tempo e/ou espaço. Os eventos ocorrem a uma taxa constante por unidade. Esta taxa é o único parâmetro, λ.
Variável
X = o número de eventos em cada unidade. espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
N de árvores por parcela
N de capturas por unidade de tempo N bombas V1 por área em Londres1
1
Distribuição Poisson
Situação
Contagem de eventos independentes.
A contagem é por unidade de tempo e/ou espaço. Os eventos ocorrem a uma taxa constante por unidade. Esta taxa é o único parâmetro, λ.
Variável
X = o número de eventos em cada unidade. espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
N de árvores por parcela
N de capturas por unidade de tempo N bombas V1 por área em Londres1
1
Distribuição Poisson
Situação
Contagem de eventos independentes.
A contagem é por unidade de tempo e/ou espaço. Os eventos ocorrem a uma taxa constante por unidade. Esta taxa é o único parâmetro, λ.
Variável
X = o número de eventos em cada unidade. espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
N de árvores por parcela
N de capturas por unidade de tempo N bombas V1 por área em Londres1
1
Gráfico: Distribuição Poisson
Função de densidade 0 1 2 3 4 5 6 7 8 9 11 13 15 λ =1 x Probabilidade 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35Gráfico: Distribuição Poisson
Função de densidade 0 1 2 3 4 5 6 7 8 9 11 13 15 λ =3 x Probabilidade 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35Gráfico: Distribuição Poisson
Função de densidade 0 1 2 3 4 5 6 7 8 9 11 13 15 λ =6 x Probabilidade 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35Distribuição Poisson: Apresentação Formal
Função de
densidade f (x) = λxe−λ
x! , x = 0, 1, 2, . . .
Parâmetro λ: valor esperado da contagem
Função de distribuição F (x) =Xx k=0 λke−λ k! , x = 0, 1, 2, . . . Propriedades Esperança: E[X] = λ Variância: Var[X] = λ
Distribuição Poisson: Apresentação Formal
Função de
densidade f (x) = λxe−λ
x! , x = 0, 1, 2, . . .
Parâmetro λ: valor esperado da contagem
Função de distribuição F (x) =Xx k=0 λke−λ k! , x = 0, 1, 2, . . . Propriedades Esperança: E[X] = λ Variância: Var[X] = λ
Distribuição Poisson: Apresentação Formal
Função de
densidade f (x) = λxe−λ
x! , x = 0, 1, 2, . . .
Parâmetro λ: valor esperado da contagem
Função de distribuição F (x) =Xx k=0 λke−λ k! , x = 0, 1, 2, . . . Propriedades Esperança: E[X] = λ Variância: Var[X] = λ
Distribuição Poisson: Apresentação Formal
Função de
densidade f (x) = λxe−λ
x! , x = 0, 1, 2, . . .
Parâmetro λ: valor esperado da contagem
Função de distribuição F (x) =Xx k=0 λke−λ k! , x = 0, 1, 2, . . . Propriedades Esperança: E[X] = λ Variância: Var[X] = λ
Distribuição Poisson: Apresentação Formal
Função de
densidade f (x) = λxe−λ
x! , x = 0, 1, 2, . . .
Parâmetro λ: valor esperado da contagem
Função de distribuição F (x) =Xx k=0 λke−λ k! , x = 0, 1, 2, . . . Propriedades Esperança: E[X] = λ Variância: Var[X] = λ
Distribuição Poisson: Apresentação Formal
Função de
densidade f (x) = λxe−λ
x! , x = 0, 1, 2, . . .
Parâmetro λ: valor esperado da contagem
Função de distribuição F (x) =Xx k=0 λke−λ k! , x = 0, 1, 2, . . . Propriedades Esperança: E[X] = λ Variância: Var[X] = λ
Exemplo de Distribuição Poisson
Situação Número de bombas V1 que caíram no sul de Londres durante a II Guerra:
λ = 535 bombas/576 quadrículas ' 0, 929/quadr.
0 1 2 3 4 5 6
Obs Poisson
λ = 535/576
N de bombas
Proporção das quadr
ículas
0.0 0.1 0.2 0.3
Exemplo de Distribuição Poisson
Situação Número de bombas V1 que caíram no sul de Londres durante a II Guerra:
λ = 535 bombas/576 quadrículas ' 0, 929/quadr.
0 1 2 3 4 5 6
Obs Poisson
λ = 535/576
N de bombas
Proporção das quadr
ículas
0.0 0.1 0.2 0.3
Caso Limite A Poisson é um caso limite da distribuição binomial quando:
o tamanho da amostra (n) tende a infinito (n → ∞). a probabilidade de sucesso (p) tende a zero (p → 0). Mas o valor esperado permanece constante: n p = λ.
0 1 2 3 4 5 6 7 Binomial, N = 200, p = 0,01 Poisson, λ = 2 Binomial x Poisson x Probabilidade 0.00 0.05 0.10 0.15 0.20 0.25 Formalmente: lim n→∞ p→0 f (x) = lim n→∞ p→0 n x px(1 − p)n−x= λ xe−λ x!
Caso Limite A Poisson é um caso limite da distribuição binomial quando:
o tamanho da amostra (n) tende a infinito (n → ∞). a probabilidade de sucesso (p) tende a zero (p → 0). Mas o valor esperado permanece constante: n p = λ.
0 1 2 3 4 5 6 7 Binomial, N = 200, p = 0,01 Poisson, λ = 2 Binomial x Poisson x Probabilidade 0.00 0.05 0.10 0.15 0.20 0.25 Formalmente: lim n→∞ p→0 f (x) = lim n→∞ p→0 n x px(1 − p)n−x= λ xe−λ x!
Caso-limite lim n→∞ p→0 f (x) = lim n→∞ p→0 n x px(1 − p)n−x= λ xe−λ x! 0 1 2 3 4 5 6 7 Binomial, N = 200, p = 0,01 Poisson, λ = 2 Binomial x Poisson x Probabilidade 0.00 0.05 0.10 0.15 0.20 0.25
Distribuição Geométrica
Situação Sequência de ensaios Bernoulli independentes. O único parâmetro é a probabilidade de sucesso por ensaio (p, constante).
Variável
X =número de fracassos até o primeiro sucesso espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
Tempo de vida em unidades discretas N de inspeções até encontrar algo N de carnavais até o divórcio
Distribuição Geométrica
Situação Sequência de ensaios Bernoulli independentes. O único parâmetro é a probabilidade de sucesso por ensaio (p, constante).
Variável
X =número de fracassos até o primeiro sucesso espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
Tempo de vida em unidades discretas N de inspeções até encontrar algo N de carnavais até o divórcio
Distribuição Geométrica
Situação Sequência de ensaios Bernoulli independentes. O único parâmetro é a probabilidade de sucesso por ensaio (p, constante).
Variável
X =número de fracassos até o primeiro sucesso espaço amostral: x = 0, 1, 2, . . . , n
Exemplos:
Tempo de vida em unidades discretas N de inspeções até encontrar algo N de carnavais até o divórcio
Gráfico: Distribuição Geométrica
Função de densidade 0 2 4 6 8 11 14 17 20 23 26 29 p = 0,2 x Probabilidade 0.0 0.1 0.2 0.3 0.4Gráfico: Distribuição Geométrica
Função de densidade 0 2 4 6 8 11 14 17 20 23 26 29 p = 0,3 x Probabilidade 0.0 0.1 0.2 0.3 0.4Gráfico: Distribuição Geométrica
Função de densidade 0 2 4 6 8 11 14 17 20 23 26 29 p = 0,4 x Probabilidade 0.0 0.1 0.2 0.3 0.4Distribuição Geométrica: Apresentação
Formal
Função de densidade f (x) = p(1 − p)x, x = 0, 1, 2, . . . Função de distribuição F (x) = 1 − (1 − p)x+1, x = 0, 1, 2, . . . Propriedades Esperança: E[X] = 1 p Variância: Var[X] = 1 − p p2Distribuição Geométrica: Apresentação
Formal
Função de densidade f (x) = p(1 − p)x, x = 0, 1, 2, . . . Função de distribuição F (x) = 1 − (1 − p)x+1, x = 0, 1, 2, . . . Propriedades Esperança: E[X] = 1 p Variância: Var[X] = 1 − p p2Distribuição Geométrica: Apresentação
Formal
Função de densidade f (x) = p(1 − p)x, x = 0, 1, 2, . . . Função de distribuição F (x) = 1 − (1 − p)x+1, x = 0, 1, 2, . . . Propriedades Esperança: E[X] = 1 p Variância: Var[X] = 1 − p p2Exemplo de Distribuição Geométrica
Situação Tabela de vida de uma coorte de Vanellus vanellus (Haldane 1953)
593 aves anilhadas, recontadas a cada ano Tempo médio de vida: 2,77 anos
p = 2, 77−1 = 0, 65782 1 2 3 4 5 6 7 8 9 10 12 14 Obs Geométrica p = 0,658 Anos Proporção sobre viv ente 0.0 0.1 0.2 0.3 0.4 0.5 0.6
Exemplo de Distribuição Geométrica
Situação Tabela de vida de uma coorte de Vanellus vanellus (Haldane 1953)
593 aves anilhadas, recontadas a cada ano Tempo médio de vida: 2,77 anos
p = 2, 77−1 = 0, 65782 1 2 3 4 5 6 7 8 9 10 12 14 Obs Geométrica p = 0,658 Anos Proporção sobre viv ente 0.0 0.1 0.2 0.3 0.4 0.5 0.6
Distribuição Binomial Negativa
Situação Sequência de ensaios Bernoulli independentes (generaliza a geométrica).
Variável X = número de fracassos até o nésimosucesso.
Parâmetros
n: número de sucessos
p: probabilidade de sucesso (constante)
Exemplos:
N de tentativas até conseguir duas caras
N de tentativas até seu personagem morrer no game Em biologia mais usada para descrever agregações (em breve)
Distribuição Binomial Negativa
Situação Sequência de ensaios Bernoulli independentes (generaliza a geométrica).
Variável X = número de fracassos até o nésimosucesso.
Parâmetros
n: número de sucessos
p: probabilidade de sucesso (constante)
Exemplos:
N de tentativas até conseguir duas caras
N de tentativas até seu personagem morrer no game Em biologia mais usada para descrever agregações (em breve)
Distribuição Binomial Negativa
Situação Sequência de ensaios Bernoulli independentes (generaliza a geométrica).
Variável X = número de fracassos até o nésimosucesso.
Parâmetros
n: número de sucessos
p: probabilidade de sucesso (constante)
Exemplos:
N de tentativas até conseguir duas caras
N de tentativas até seu personagem morrer no game Em biologia mais usada para descrever agregações (em breve)
Distribuição Binomial Negativa
Situação Sequência de ensaios Bernoulli independentes (generaliza a geométrica).
Variável X = número de fracassos até o nésimosucesso.
Parâmetros
n: número de sucessos
p: probabilidade de sucesso (constante)
Exemplos:
N de tentativas até conseguir duas caras
N de tentativas até seu personagem morrer no game Em biologia mais usada para descrever agregações (em breve)
Distribuição Binomial Negativa
Situação Sequência de ensaios Bernoulli independentes (generaliza a geométrica).
Variável X = número de fracassos até o nésimosucesso.
Parâmetros
n: número de sucessos
p: probabilidade de sucesso (constante)
Exemplos:
N de tentativas até conseguir duas caras
N de tentativas até seu personagem morrer no game Em biologia mais usada para descrever agregações (em breve)
Gráfico: Distribuição Binomial Negativa
Função de densidade 0 1 2 3 4 5 6 7 8 9 10 p = 0,5 n = 2 N ensaios Probabilidade 0.0 0.1 0.2 0.3 0.4 0.5Gráfico: Distribuição Binomial Negativa
Função de densidade 0 1 2 3 4 5 6 7 8 9 10 p = 0,7 n = 2 N ensaios Probabilidade 0.0 0.1 0.2 0.3 0.4 0.5Gráfico: Distribuição Binomial Negativa
Função de densidade 0 1 2 3 4 5 6 7 8 9 10 p = 0,7 n = 4 N ensaios Probabilidade 0.0 0.1 0.2 0.3 0.4 0.5Distribuição Binomial Negativa:
Apresentação Formal
Função de densidade f (x) =n + x − 1 x pn(1 − p)x, x = 0, 1, 2, . . . Função de distribuição F (x) = x X k=0 n + k − 1 k pn(1 − p)k, x = 0, 1, 2, . . .Distribuição Binomial Negativa:
Apresentação Formal
Função de densidade f (x) =n + x − 1 x pn(1 − p)x, x = 0, 1, 2, . . . Função de distribuição F (x) = x X k=0 n + k − 1 k pn(1 − p)k, x = 0, 1, 2, . . .Distribuição Binomial Negativa:
Apresentação Formal
Propriedades Esperança: E[X] = n(1 − p) p Variância: Var[X] = n(1 − p) p2Binomial Negativa × Geométrica
Caso Particular A distribuição geométrica é um caso particular da distribuição binomial negativa.
Função de densidade quando n = 1: f (x) =n + x − 1
x
Binomial Negativa × Geométrica
Caso Particular A distribuição geométrica é um caso particular da distribuição binomial negativa.
Função de densidade quando n = 1: f (x) =n + x − 1
x
Binomial Negativa × Geométrica
Caso Particular A distribuição geométrica é um caso particular da distribuição binomial negativa.
Função de densidade quando n = 1: f (x) =n + x − 1
x
Binomial Negativa:
Parametrização Alternativa
Situação Dados de contagem de eventos agregados
Agregação: variância maior que a média Exemplos:
número de árvores por parcela número de plântulas por parcela capturas por armadilha
Parâmetros
valor esperado (contagem média) E[X] = µ parâmetro de dispersão: k Relações n = k ; p = k k + µ ⇐⇒ k = n ; µ = n(1 − p) p
Binomial Negativa:
Parametrização Alternativa
Situação Dados de contagem de eventos agregados Agregação: variância maior que a média Exemplos:
número de árvores por parcela número de plântulas por parcela capturas por armadilha
Parâmetros
valor esperado (contagem média) E[X] = µ parâmetro de dispersão: k Relações n = k ; p = k k + µ ⇐⇒ k = n ; µ = n(1 − p) p
Binomial Negativa:
Parametrização Alternativa
Situação Dados de contagem de eventos agregados Agregação: variância maior que a média Exemplos:
número de árvores por parcela número de plântulas por parcela capturas por armadilha
Parâmetros
valor esperado (contagem média) E[X] = µ parâmetro de dispersão: k Relações n = k ; p = k k + µ ⇐⇒ k = n ; µ = n(1 − p) p
Binomial Negativa:
Parametrização Alternativa
Situação Dados de contagem de eventos agregados Agregação: variância maior que a média Exemplos:
número de árvores por parcela número de plântulas por parcela capturas por armadilha
Parâmetros
valor esperado (contagem média) E[X] = µ parâmetro de dispersão: k Relações n = k ; p = k k + µ ⇐⇒ k = n ; µ = n(1 − p) p