Formulário de Estatística – Distribuições de Probabilidade

n
v.a discreta → E ( X )   x   x i  p ( xi )  
i 1
Expectância:
v.a. contínua → E ( X )   x   x  p( x)dx  
Rx


Variância: V  X   E  X  E  X  
2
 2
x ; Desvio Padrão:   V  X   E[ X  E  X   ]
2

V ( X )  x2 V (X )  x
Variância Relativa:   
2
x ; Coeficiente de Variação:  x  
E ²( X )  x2 E( X ) x

t 1 1 p 1


x  ( p, q )  x  (1  x ) q 1 dx
x
Função Gama: ( p )  e dx ,x>0; Função Beta:
0 0

Distribuições Discretas de Probabilidade

Distribuição de Bernoulli: v.a. X representa a probabilidade “p” de sucesso ou fracasso de um

experimento.
P ( X  x1 )  p ( x1 )  p
X ~ Bernoulli (p) → , onde x1 =1=sucesso e x2=0=fracasso.
P( X  x 2 )  p( x2 )  1  p  q
Além disso: E ( X )   x  p e V ( X )   x2  p  q

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 )   x  n  p e V ( X )   x2  n  p  q

Distribuição Hipergeométrica: v.a. X representa o n° eventual de elementos que possuem um

dado atributo “a” entre os “n” elementos selecionados numa dada amostra “N”.
C ax  C Nn xa
X ~ Hipergeométrica (N,a,n) → P ( X  x)  p( x)  , x=0,1,2,...,n.
C Nn
Distribuição Geométrica: v.a. X representa o n° de vezes que um experimento aleatório é
realizado até que ocorra o evento.
X ~ Geométrica (p) → P ( X  x)  p ( x)  p  q x 1 , onde x=1,2,3,... e 0<p<1 e q  1  p .
Além disso: E ( X )   x  1 p e V ( X )   x2  q p 2

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 , onde x = r,r+1,r+2,..., com r = 1,2,3,... e
r

0<p<1.
Além disso: E ( X )   x  r p e V ( X )   x2  r  q p 2

1 de 3
 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    x
X ~ Poisson (  ), onde  =   t → P( X  x)  p( x)  , x = 0,1,2,...
x!
Além disso: E ( X )   x   e V ( X )   x2  

Distribuições Contínuas de Probabilidade

Distribuição Uniforme:
1 ab (b  a ) 2
X ~ Uniforme (a,b) → f ( x)  , a<x<b ; E ( X )   x  e V ( X )   x2 
ba 2 12
d
1 d c
Além disso: P (c  x  d )   dx 
c
ba ba

Distribuição Exponencial:
1 1
X ~ Exponencial (  ) → f ( x)    e   x , x>0 e  >0; E ( X )   x  e V (X )   x  2
2
 


Além disso: P ( X  t  h | X  t )  P ( X  h)   f ( x)dx

h

Distribuição Gama:
p p
X ~ Gama(p,  )→ f ( x)   x p 1  e   x , x,p,  >0; E ( X )   x  e
( p) 
p
V ( X )   x2 
2
d

Além disso: P(c  X  d )   f ( x)dx

c
Distribuição Beta:
( p  q) p
X ~ Beta (p,q) → f ( x )   x p 1  (1  x) q 1 , 0<x<1 e p,q>0; E ( X )   x 
 ( p )  ( q ) pq
pq d

e V (X )   x   f ( x)dx
2
. Além disso: P(c  X  d ) 
( p  q )  ( p  q  1)
2
c
Distribuição de Rayleigh:
2  x  x2   
X ~ Rayleigh (  ) → f ( x )  e , x,  >0; E( X )   x  e
 2
  
V ( X )   x2    1   . Além disso: P ( X  r ) 
 4  f ( x)dx
r
Distribuição de Weibull:


X ~ Weibull (  ,β) → f ( x)      t  1  e  t , t,  , β>0 ;  f ( x)dx . Além


P( X  r ) 
r

   1  
2
1  2    2 
disso: E ( X )   x    (1   1) e V ( X )   x2     
  1    1 
   
 
  

2 de 3
 Formulário de Estatística – Distribuições de Probabilidade
Distribuição Normal:
1
X ~ N   ,   → f ( x) 
2   
 e ( x   )² 2 2
,-  <x<+  , -  < μ <+  e σ>0;

E( X )   , V ( X )   2 e   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 

Teorema das Combinações Lineares Independentes

Sejam X e Y duas v.a’s normais independentes e seja W = aּX + bּY. Temos que:

W~N   S ,  S  , onde  W  a   X  b  Y e  W  a ²   X2  b ²   Y2
.
  n  a   e  W  .n  a ²  
Se  i   e  i   , então: W
2
.
n
→ Soma: S   xi  S ~ N   S ,  S  , onde  S  n   e  S    n .
i 1

1 n 
→ Média Aritmética: X    xi  X ~ N   X ,  X  , onde  X   e  X  .
n i 1 n

3 de 3