Questionário prático de Distribuições Discretas e Contínuas II com aula interativa passo a passo
Use a série de perguntas mais abaixo na página para praticar distribuições de probabilidade discretas e contínuas com os fatos e fórmulas mais cobrados: funções de massa de probabilidade (PMF) e funções de densidade de probabilidade (PDF), funções de distribuição acumulada (CDF) e funções de sobrevivência, valor esperado \(E[X]\) e variância \(\mathrm{Var}(X)\), modelos discretos como a distribuição de Poisson \((\lambda)\), distribuição geométrica \((p)\) e distribuição hipergeométrica \((N,K,n)\), a aproximação de Poisson para a binomial (grande \(n\), pequeno \(p\), \(\lambda=np\)), modelos contínuos como a distribuição exponencial (taxa \(\lambda\), escala \(1/\lambda\), tempos de espera), distribuições gama e qui-quadrado \((\chi^2)\) (graus de liberdade e formas assimétricas à direita), a distribuição F (razões de variâncias) e casos especiais como a distribuição logística (CDF sigmoide, \(\mathrm{Var}(X)=\pi^2 s^2/3\)) e a distribuição de Cauchy (média e variância indefinidas). Se quiser revisar, clique em Iniciar aula para abrir um guia passo a passo com exemplos resolvidos e verificações rápidas.
Responda à série de perguntas e revise seus erros no final.
Como esta prática de Distribuições II funciona
1. Faça a série de prática: responda às perguntas de Distribuições Discretas e Contínuas II mais abaixo na página.
2. Abra a aula (opcional): revise PMF/PDF, CDF, suporte, significado de parâmetros e fórmulas de média/variância com exemplos claros.
3. Tente novamente: volte à série de perguntas e aplique imediatamente as regras de distribuições.
O que você vai aprender na aula de Distribuições Discretas e Contínuas II
Objetivo: Construir uma compreensão clara e pronta para prova de Distribuições Discretas e Contínuas II. Você vai praticar identificar uma distribuição a partir de um enunciado, ler o suporte, usar a PMF/PDF e a CDF corretas e calcular fatos essenciais como valor esperado e variância para modelos discretos comuns (Poisson, geométrica, hipergeométrica) e modelos contínuos (exponencial, qui-quadrado, F, logística, Cauchy).
Critérios de sucesso
Identificar se um modelo é discreto (PMF) ou contínuo (PDF/CDF).
Usar suporte corretamente (por exemplo, valores de Poisson \(0,1,2,\dots\); valores exponenciais \(x\ge 0\)).
Escrever a PMF de Poisson \(P(X=k)=e^{-\lambda}\dfrac{\lambda^k}{k!}\) e lembrar que \(E[X]=\mathrm{Var}(X)=\lambda\).
Reconhecer quando usar uma distribuição geométrica (ensaios até o primeiro sucesso) e seu suporte \(1,2,3,\dots\).
Calcular um valor esperado hipergeométrico: \(E[X]=n\cdot\frac{K}{N}\) (amostragem sem reposição).
Usar a CDF exponencial \(F(x)=1-e^{-\lambda x}\) e sobrevivência \(P(X>x)=e^{-\lambda x}\) para \(x\ge 0\).
Interpretar a taxa exponencial \(\lambda\) (eventos por unidade de tempo) e a escala \(1/\lambda\).
Saber fatos centrais de \(\chi^2\): \(\chi^2_k\) nunca é negativa, \(E[\chi^2_k]=k\), \(\mathrm{Var}(\chi^2_k)=2k\), e \(k\) (graus de liberdade) controla a forma.
Usar a distribuição F \(F(d_1,d_2)\) como razão de variáveis qui-quadrado escaladas e saber que \(E[F]=\dfrac{d_2}{d_2-2}\) quando \(d_2>2\).
Lembrar distribuições especiais: variância da logística \(\mathrm{Var}(X)=\dfrac{\pi^2 s^2}{3}\) e Cauchy tem média e variância indefinidas.
Vocabulário essencial
Suporte: o conjunto de valores que uma variável aleatória pode assumir.
PMF: \(P(X=k)\) para \(X\) discreta.
PDF: \(f(x)\) para \(X\) contínua (probabilidade usa área sob a curva).
CDF: \(F(x)=P(X\le x)\).
Taxa / escala: interpretações comuns de parâmetros (por exemplo, taxa exponencial \(\lambda\), escala \(1/\lambda\)).
Graus de liberdade: parâmetro das famílias \(\chi^2\), \(t\) e \(F\) que controla a forma.
Caudas pesadas: valores extremos incomumente grandes são mais prováveis (exemplo clássico: Cauchy).
Verificação rápida
Pré-verificação 1: Quais valores uma variável aleatória de Poisson pode assumir?
Dica: Poisson modela contagens, então os resultados são \(0,1,2,\dots\).
Pré-verificação 2: Para uma variável aleatória exponencial com taxa \(\lambda\), qual é a CDF em \(0\), \(F(0)\)?
Dica: Para \(x\ge 0\), \(F(x)=1-e^{-\lambda x}\). Então \(F(0)=1-e^0=0\).
Distribuições discretas
Poisson, geométrica e hipergeométrica (e uma aproximação essencial)
Objetivo de aprendizagem: Associar uma situação de contagem à distribuição discreta correta e calcular fatos rápidos como suporte, PMF e \(E[X]\) sem confusão.
Ideia principal
Para variáveis aleatórias discretas, as probabilidades vêm de uma PMF \(P(X=k)\). Três modelos muito frequentes:
Poisson \(\mathrm{Poisson}(\lambda)\): contagens de eventos em um intervalo (com taxa média constante).
Suporte: \(k=0,1,2,\dots\)
PMF: \(P(X=k)=e^{-\lambda}\dfrac{\lambda^k}{k!}\)
Média/variância: \(E[X]=\mathrm{Var}(X)=\lambda\)
Regra do parâmetro: \(\lambda\ge 0\) (normalmente \(\lambda>0\) na prática)
Geométrica \(\mathrm{Geom}(p)\) (ensaios até o primeiro sucesso):
Observação: \(E[X]\) é finito para todo \(p>0\) válido, mas pode ser muito grande se \(p\) for pequeno.
Hipergeométrica \(\mathrm{Hypergeometric}(N,K,n)\): amostragem sem reposição de \(N\) itens totais com \(K\) "sucessos", retirando \(n\) itens.
Média: \(E[X]=n\cdot\frac{K}{N}\)
Aproximação que você precisa saber
Se \(X\sim \mathrm{Binomial}(n,p)\) com \(n\) grande e \(p\) pequeno, de modo que \(\lambda=np\) seja moderado, então \[\mathrm{Binomial}(n,p)\ \approx\ \mathrm{Poisson}(\lambda=np).\] Este é um dos fatos de "aproximação rápida" mais comuns em questionários e provas.
Exemplo resolvido
Exemplo: Seja \(X\sim\mathrm{Hypergeometric}(N=10,K=4,n=3)\). Encontre \(E[X]\).
Use a média hipergeométrica: \[E[X]=n\cdot\frac{K}{N}=3\cdot\frac{4}{10}=\frac{12}{10}=1.2.\]
Pratique
Pratique 1: Seja \(X\sim\mathrm{Hypergeometric}(N=10,K=4,n=3)\). Quanto é \(E[X]\)?
Dica: \(E[X]=n\cdot\frac{K}{N}\).
Pratique 2: Para \(p\) pequeno e \(n\) grande, qual distribuição aproxima \(\mathrm{Binomial}(n,p)\) (com \(\lambda=np\))?
Dica: Se \(n\) é grande e \(p\) é pequeno, \(\mathrm{Bin}(n,p)\approx \mathrm{Poisson}(\lambda=np)\).
Resumo
Poisson conta eventos: \(k=0,1,2,\dots\), \(E[X]=\mathrm{Var}(X)=\lambda\).
Geométrica (ensaios até o primeiro sucesso): \(k=1,2,3,\dots\), \(P(X=k)=(1-p)^{k-1}p\).
Média hipergeométrica: \(E[X]=n\cdot\frac{K}{N}\).
Aproximação: \(\mathrm{Bin}(n,p)\approx \mathrm{Poisson}(\lambda=np)\) para \(n\) grande, \(p\) pequeno.
Exponencial
Distribuição exponencial: taxa, escala, CDF e tempos de espera
Objetivo de aprendizagem: Usar corretamente a PDF/CDF exponencial, interpretar \(\lambda\) e calcular probabilidades com a função de sobrevivência.
Ideia principal
A distribuição exponencial modela um tempo de espera até o próximo evento quando eventos chegam a uma taxa média constante. Se \(X\sim\mathrm{Exponential}(\lambda)\), então:
Suporte: \(x\ge 0\)
PDF: \(f(x)=\lambda e^{-\lambda x}\) para \(x\ge 0\)
CDF: \(F(x)=P(X\le x)=1-e^{-\lambda x}\) para \(x\ge 0\)
Parâmetro de escala: \(\theta=\dfrac{1}{\lambda}\)
Regra do parâmetro: \(\lambda>0\)
A distribuição exponencial também é sem memória: \[P(X>s+t\mid X>s)=P(X>t).\]
Exemplo resolvido
Exemplo: Se \(X\sim\mathrm{Exponential}(\lambda)\), quanto é \(P(X>t)\)?
Use a função de sobrevivência: \[P(X>t)=1-F(t)=1-(1-e^{-\lambda t})=e^{-\lambda t}.\]
Pratique
Pratique 1: Em uma distribuição exponencial, o que o parâmetro \(\lambda\) representa?
Dica: Um \(\lambda\) maior significa que eventos ocorrem com mais frequência, então o tempo de espera é menor.
Pratique 2: Qual é o parâmetro de escala da distribuição exponencial com taxa \(\lambda\)?
Dica: A média exponencial é \(E[X]=1/\lambda\), e o parâmetro de escala é igual à média.
Resumo
CDF exponencial: \(F(x)=1-e^{-\lambda x}\) para \(x\ge 0\); em particular \(F(0)=0\).
Taxa/escala: \(\lambda>0\), escala \(=1/\lambda\), média \(=1/\lambda\), variância \(=1/\lambda^2\).
Modelo de tempo de espera: \(P(X>t)=e^{-\lambda t}\).
Qui-quadrado
Gama e qui-quadrado: graus de liberdade, forma e fatos essenciais
Objetivo de aprendizagem: Reconhecer uma distribuição \(\chi^2\), interpretar graus de liberdade e usar rapidamente as propriedades mais importantes.
Ideia principal
Uma distribuição qui-quadrado com \(k\) graus de liberdade é escrita \(\chi^2_k\). Ela aparece naturalmente como soma de quadrados: \[Z_1^2+\cdots+Z_k^2 \sim \chi^2_k \quad \text{quando } Z_i\sim N(0,1)\text{ são independentes.}\]
Suporte: \(x\ge 0\) (então nunca pode ser negativa)
Forma: assimétrica à direita para \(k\) pequeno; fica mais simétrica à medida que \(k\) aumenta
Parâmetro que controla a forma: \(k\) (graus de liberdade)
Conexão com a distribuição gama
Qui-quadrado é um caso especial da distribuição gama: \[\chi^2_k \sim \mathrm{Gamma}\!\left(\alpha=\frac{k}{2},\ \theta=2\right),\] onde \(\alpha\) é a forma e \(\theta\) é a escala.
Exemplo resolvido
Exemplo: Se \(X\sim \chi^2_{12}\), quais são \(E[X]\) e \(\mathrm{Var}(X)\)?
Use os momentos padrão: \[E[X]=12,\qquad \mathrm{Var}(X)=2\cdot 12=24.\]
Pratique
Pratique 1: Qual parâmetro determina a forma de uma distribuição qui-quadrado \((\chi^2)\)?
Dica: Distribuições \(\chi^2\) são indexadas pelos graus de liberdade.
Pratique 2: Qual é a probabilidade de uma variável aleatória \(\chi^2\) ser negativa?
Dica: O suporte de \(\chi^2\) é \(x\ge 0\).
Resumo
\(\chi^2_k\) é sempre \(\ge 0\) e geralmente é assimétrica à direita para \(k\) pequeno.
\(E[\chi^2_k]=k\), \(\mathrm{Var}(\chi^2_k)=2k\).
Graus de liberdade \(k\) controlam a forma.
Distribuição F
Distribuição F: razões de variâncias e existência da média
Objetivo de aprendizagem: Reconhecer uma distribuição F, entender seus parâmetros \((d_1,d_2)\) e usar corretamente a fórmula principal da média.
Ideia principal
A distribuição F surge da razão de duas variáveis qui-quadrado independentes divididas por seus graus de liberdade: \[F=\frac{(\chi^2_{d_1}/d_1)}{(\chi^2_{d_2}/d_2)} \sim F(d_1,d_2).\] Ela é muito usada em ANOVA e em testes/estimativas de razões de variâncias.
Suporte: \(x>0\) (nunca negativa)
Parâmetros: \(d_1>0\), \(d_2>0\) (graus de liberdade)
Média: \(E[F]=\dfrac{d_2}{d_2-2}\) se \(d_2>2\) (caso contrário, a média não existe)
Exemplo resolvido
Exemplo: Seja \(F\sim F(d_1=5,d_2=10)\). Quanto é \(E[F]\)?
Como \(d_2=10>2\), a média existe: \[E[F]=\frac{d_2}{d_2-2}=\frac{10}{10-2}=\frac{10}{8}=1.25.\]
Pratique
Pratique 1: Seja \(F\sim F(d_1=5,d_2=10)\). Quanto é \(E[F]\)?
Dica: \(E[F]=\dfrac{d_2}{d_2-2}\) quando \(d_2>2\).
Pratique 2: Para \(F(d_1,d_2)\), quando a média \(E[F]\) existe?
Dica: Os graus de liberdade do denominador controlam se \(E[F]\) existe.
Resumo
\(F(d_1,d_2)\) é positiva: suporte \(x>0\).
\(E[F]=\dfrac{d_2}{d_2-2}\) existe apenas quando \(d_2>2\).
Distribuições F aparecem em razões de variâncias e ANOVA.
Logística e Cauchy
Variância logística e a armadilha da "média indefinida" de Cauchy
Objetivo de aprendizagem: Reconhecer distribuições logística e Cauchy e lembrar quais momentos existem (e quais não existem).
Distribuição logística
Uma variável aleatória logística \(X\sim \mathrm{Logistic}(\mu,s)\) tem uma CDF suave em forma de S (sigmoide): \[F(x)=\frac{1}{1+e^{-(x-\mu)/s}},\] onde \(\mu\) é um parâmetro de localização e \(s>0\) é um parâmetro de escala.
Por que importa: CDFs logísticas aparecem em regressão logística e em modelagem de "probabilidade como limiar suave".
Distribuição de Cauchy
A distribuição de Cauchy é uma distribuição clássica de cauda pesada. Para \(X\sim \mathrm{Cauchy}(x_0,\gamma)\), as caudas são tão pesadas que a média e a variância são indefinidas. Um caso especial comum é a Cauchy padrão \(\mathrm{Cauchy}(0,1)\) com PDF: \[f(x)=\frac{1}{\pi(1+x^2)}.\]
Exemplo resolvido
Exemplo: Se \(X\sim\mathrm{Logistic}(\mu,s)\), quanto é \(\mathrm{Var}(X)\)?
Use a fórmula padrão: \[\mathrm{Var}(X)=\frac{\pi^2 s^2}{3}.\]
Pratique
Pratique 1: Seja \(X\sim\mathrm{Logistic}(\mu,s)\). Quanto é \(\mathrm{Var}(X)\)?
Dica: A variância logística tem \(\pi^2\): \(\pi^2 s^2/3\).
Pratique 2: Qual distribuição tem média e variância indefinidas?
Dica: As caudas de Cauchy são pesadas o suficiente para que as integrais usuais de média/variância não convirjam.
Cauchy: média e variância são indefinidas (não existem).
Escolha o modelo
Como escolher a distribuição certa (identificação rápida)
Objetivo de aprendizagem: Associar palavras-chave de uma pergunta à distribuição correta e evitar erros comuns (suporte errado, regras de parâmetro erradas, significado errado de \(\lambda\)).
Atalhos história → distribuição
Contagens em intervalo de tempo/área (chegadas, defeitos, chamadas, e-mails): Poisson\((\lambda)\).
Tempo de espera até o próximo evento: Exponencial\((\lambda)\).
Ensaios até o primeiro sucesso (primeiro sucesso no ensaio \(k\)): Geométrica\((p)\).
Amostragem sem reposição de uma população finita: Hipergeométrica\((N,K,n)\).
Soma de quadrados de normais padrão: \(\chi^2_k\).
Razão de variâncias (razão de qui-quadrados escalados): \(F(d_1,d_2)\).
Verificações de parâmetros (sanidade rápida)
Poisson: \(\lambda\ge 0\) e resultados são \(0,1,2,\dots\).
Exponencial: \(\lambda>0\) e resultados satisfazem \(x\ge 0\).
Geométrica: \(0<p\le 1\) e resultados são \(1,2,3,\dots\) (versão ensaios-até-sucesso).
\(\chi^2\), F: graus de liberdade são positivos; valores são não negativos (e F é estritamente positiva).
Exemplo resolvido (conexão Poisson ↔ exponencial)
Exemplo: Eventos ocorrem a uma taxa média de \(\lambda\) por unidade de tempo.
A contagem de eventos em uma unidade de tempo pode ser modelada por \(N\sim\mathrm{Poisson}(\lambda)\).
O tempo de espera até o próximo evento pode ser modelado por \(X\sim\mathrm{Exponential}(\lambda)\).
É por isso que perguntas de Poisson e exponencial costumam aparecer juntas em "Distribuições II".
Pratique
Pratique 1: Qual cenário poderia ser modelado com uma distribuição exponencial?
Dica: Exponencial é um modelo de tempo de espera.
Pratique 2: Qual valor uma variável aleatória com distribuição de Poisson nunca pode assumir?
Dica: Resultados de Poisson são contagens: \(0,1,2,\dots\) (sem frações).
Resumo
Exponencial modela tempo de espera; Poisson modela contagens.
Sempre verifique o suporte: Poisson é \(0,1,2,\dots\); exponencial é \(x\ge 0\); \(\chi^2\) é \(x\ge 0\); F é \(x>0\).
O significado do parâmetro importa: \(\lambda\) exponencial é uma taxa; \(\lambda\) de Poisson é a contagem média por intervalo.
Visão geral
Por que essas distribuições importam (e uma verificação final)
Objetivo de aprendizagem: Conectar fórmulas de distribuições a tarefas estatísticas reais e terminar com uma verificação final para fixar os fatos mais cobrados.
Onde Distribuições II aparece
Filas e confiabilidade: contagens de Poisson e tempos de espera exponenciais (chamadas, chegadas, falhas).
Controle de qualidade: defeitos por unidade (Poisson), ensaios passa/falha (geométrica).
Amostragem e genética: amostragem hipergeométrica sem reposição.
Testes de hipótese: testes qui-quadrado (aderência, independência) e testes F (razões de variância, ANOVA).
Modelagem de dados: logística para curvas de probabilidade em S; Cauchy como lembrete de que nem toda distribuição tem média.
Exemplo resolvido: geométrica "sucesso no primeiro ensaio"
Exemplo: Se \(X\sim\mathrm{Geom}(p)\) conta o número de ensaios até o primeiro sucesso, quanto é \(P(X=1)\)?
"Primeiro sucesso no ensaio 1" significa que o primeiro ensaio é um sucesso: \[P(X=1)=p.\]
Pratique
Pratique 1: Se a probabilidade de sucesso é \(p\), qual é a probabilidade de que o primeiro ensaio seja um sucesso em uma distribuição geométrica (ensaios até o primeiro sucesso)?
Dica: "Sucesso no primeiro ensaio" é exatamente um sucesso imediato, então é apenas \(p\).
Pratique 2: Qual é o menor valor que uma variável aleatória de Poisson pode assumir?
Dica: Poisson é uma distribuição de contagem, então começa em \(0\).
Geométrica (ensaios até o primeiro sucesso): suporte \(k=1,2,3,\dots\), \(P(X=k)=(1-p)^{k-1}p\), \(E[X]=1/p\).
Hipergeométrica: amostragem sem reposição, \(E[X]=n\cdot\frac{K}{N}\).
Exponencial: \(f(x)=\lambda e^{-\lambda x}\), \(F(x)=1-e^{-\lambda x}\) para \(x\ge 0\), média \(1/\lambda\), variância \(1/\lambda^2\).
\(\chi^2_k\): não negativa, \(E[\chi^2_k]=k\), \(\mathrm{Var}(\chi^2_k)=2k\), forma controlada por \(k\).
F(d\(_1\),d\(_2\)): positiva, \(E[F]=\dfrac{d_2}{d_2-2}\) para \(d_2>2\).
Logística: \(\mathrm{Var}(X)=\dfrac{\pi^2 s^2}{3}\). Cauchy: média e variância são indefinidas.
Próximo passo: Feche esta aula e tente seu questionário novamente. Se errar uma pergunta, reabra o livro e revise a página que corresponde à distribuição (Poisson, geométrica, hipergeométrica, exponencial, \(\chi^2\), F, logística, Cauchy) e ao fato essencial de que você precisa (suporte, significado do parâmetro, CDF, média/variância).
Série de prática
Perguntas de prática de Distribuições Discretas e Contínuas II com pontuação instantânea
Responda às 10 perguntas abaixo e receba sua pontuação final com uma revisão de erros para saber exatamente o que melhorar.
0/10respondidas
Pergunta 1Não respondida
Se uma variável aleatória \(X\) segue uma distribuição de Poisson com parâmetro \(\lambda = 4\), qual é a média de \(X\)?
Resposta correta: A. \(4\)
Explicação: Para uma distribuição de Poisson, a média é igual a \(\lambda\).
Pergunta 2Não respondida
Qual das seguintes afirmações é verdadeira sobre a distribuição qui-quadrado (\(\chi^2\)) com \(k\) graus de liberdade?
Resposta correta: C. Sua média é \(k\)
Explicação: A média de uma distribuição \(\chi^2\) com \(k\) graus de liberdade é \(k\).
Pergunta 3Não respondida
Qual é a variância de uma distribuição de Poisson com parâmetro \(\lambda\)?
Resposta correta: D. \(\lambda\)
Explicação: A variância de uma distribuição de Poisson é igual a \(\lambda\).
Pergunta 4Não respondida
Que valor uma variável aleatória com distribuição de Poisson nunca pode assumir?
Resposta correta: B. -1
Explicação: Uma variável aleatória de Poisson não pode ser negativa; os valores são inteiros não negativos.
Pergunta 5Não respondida
Qual é a média de uma distribuição geométrica com probabilidade \(p\)?
Resposta correta: B. \(1/p\)
Explicação: A média de uma distribuição geométrica é \(1/p\).
Pergunta 6Não respondida
Quais são os valores possíveis de uma variável aleatória geométrica?
