Baixe o app para aproveitar ainda mais
Prévia do material em texto
VARIÁVEIS ALEATÓRIAS DISCRETAS SEUS PRINCIPAIS MODELOS – PARTE 1 1 VARIÁVEL ALEATÓRIA Vamos incorporar o conceito de probabilidade ao estudo de variáveis associadas a características em uma população. 2 Variável Aleatória (v.a.): Uma função X que associa a cada elemento do espaço amostral um valor num conjunto enumerável de pontos da reta é denominada variável aleatória discreta. Se o conjunto de valores é qualquer intervalo de números reais, X é denominada variável aleatória contínua. 3 Exemplos: 1) Observar o sexo das crianças em famílias com três filhos. 2) Observar o tempo de reação a um certo medicamento. ={(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM),(FFF)} Defina X: nº. de crianças do sexo masculino (M). Então X é uma v.a. discreta que assume valores no conjunto {0, 1, 2, 3}. Defina X: tempo de reação ao medicamento. X é uma v.a. contínua que assume qualquer valor real positivo. 4 O termo aleatório indica que a cada possível valor da v.a. atribuímos uma probabilidade de ocorrência. 1 )xP(X e 1 )xP(X 0 n 1i ii = === Uma função de probabilidade deve satisfazer: VARIÁVEL ALEATÓRIA DISCRETA Função de probabilidade( f.p.): É a função que atribui a cada valor xi da v. a. discreta X sua probabilidade de ocorrência e pode ser apresentada pela tabela: 5 ●Exemplos de variáveis aleatórias Moeda honesta lançada 3 vezes = {(C,C,C), (C,C,K), (C,K,C), (K,C,C), (K,K,C), (K,C,K), (C,K,K), (K,K,K)} X : número de caras observadas xi 0 1 2 3 P(Xi) 6 ●Exemplos de variáveis aleatórias Moeda honesta lançada 3 vezes = {(C,C,C), (C,C,K), (C,K,C), (K,C,C), (K,K,C), (K,C,K), (C,K,K), (K,K,K)} X = número de caras x 0 1 2 3 P(X=x) 1/8 3/8 3/8 1/8 função de massa de probabilidade (fmp) de X 7 O Departamento de Estatística é formado por 35 professores, sendo 21 homens e 14 mulheres. Uma comissão de 3 professores será constituída sorteando, ao acaso, três membros do departamento. (a) Determine a distribuição de Probabilidade. (b) Qual é a probabilidade da comissão ser formada por pelo menos duas mulheres? Vamos definir a v.a. X: nº de mulheres na comissão. Exemplo 1: 8 9 = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1), (5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}. Qual é a probabilidade de cada ponto wi de ? Exemplo 2: Um dado é lançado duas vezes de forma independente. Qual é a probabilidade da soma dos pontos ser menor do que 6? Admitindo que o dado é perfeitamente homogêneo e sendo os lançamentos independentes, então P(wi) = 1/36 , wi . 10 Defina X: soma dos pontos. Então, P (X < 6) = P(X=5) + P(X=4) + P(X=3) + P(X=2) = 4/36 + 3/36 + 2/36 + 1/36 = 10/36 = 0,278 Função de probabilidade de X: 11 Podemos estar interessados em outras v.a.’s. Y: valor máximo obtido dentre os dois lançamentos Z: diferença entre os pontos do 2º e do 1º lançamento U: pontos do 2º lançamento 12 A função de distribuição ou função de distribuição acumulada de uma variável aleatória discreta (ou continua) X é definida, para qualquer valor real x, pela seguinte expressão: Função de Distribuição Acumulada (f.d.a.) )()( xXPxF = Observe que o domínio de F é todo o conjunto dos números reais, ao passo que o contradomínio é o intervalo [0,1] 13 Considere o experimento que consiste no lançamento independente de uma moeda duas vezes. Seja a v.a. X: nº de caras obtidas. Encontre a f.d.a. da v.a. X. 2 s ,1 21 se ,75,0 10 se ,25,0 0 e ,0 )()( == xe x x xs xXPxF Gráficar ! Exemplo 3 14 No exemplo 1 usando a tabela da f.p. de X: nº de mulheres na comissão. 3 s ,1 32 se ,975,0 21 se ,684,0 10 se ,203,0 0 e ,0 )( = xe x x x xs xF Gráficar ! a f.d.a. de X será dada por Exemplo 4 15 Da relação anterior se estamos interessados na probabilidade de se ter até duas mulheres na comissão a resposta é imediata: 975,0)2()2( == XPF 0 1 32 0.203 0.684 0.975 1 x F(x) 16 Função de Distribuição Acumulada Exemplo: x 0 1 2 3 P(X=x) 1/8 3/8 3/8 1/8 1 2 3 1/8 1/2 7/8 1 Se x < 0: P(X≤x) = 0 Se 0 ≤ x <1: P(X≤x) = P(X=0) = 1/8 Se 1 ≤ x <2: P(X≤x) = P(X=0 ou X=1) = 1/8 + 3/8 = 1/2 17 Função de Distribuição Acumulada Roleta numerada continuamente de 0 a 10 X = prêmio ganho 0, se x < 0 P(X ≤ x) = x/10, se 0 ≤ x ≤ 10 1, se x > 10 10 1 18 ●Função de Distribuição Acumulada Lança moeda honesta; se tirar cara, gira roleta numerada continuamente de 0 a 10 X = prêmio ganho 19 ●Função de Distribuição Acumulada Lança moeda honesta; se tirar cara, gira roleta numerada continuamente de 0 a 10 X = prêmio ganho 0, se x < 0 P(X ≤ x) = ½ + ½ x/10, se 0 ≤ x ≤ 10 1, se x > 10 10 1 20 MÉDIA E VARIÂNCIA (v.a. discretas) Qual é o valor médio da soma dos pontos no lançamento de dois dados? Valor Esperado (média): Dada a v. a. X, assumindo os valores x1, x2, ..., xn, chamamos de valor médio ou valor esperado ou esperança matemática de X o valor No exemplo, E(X) = 2.(1/36) + 3. (2/36) + ... + 11. (2/36) + 12. (1/36) = 252/36 = 7 ou seja, em média, a soma dos pontos no lançamento dos dois dados é 7. E(X) μ =Notação: = ===++== n 1i iinn11 )x.P(Xx)x.P(Xx...)x.P(Xx E(X) 21 MÉDIA E VARIÂNCIA (v.a. discretas) O Departamento de Estatística é formado por 35 professores, sendo 21 homens e 14 mulheres. Uma comissão de 3 professores será constituída sorteando, ao acaso, três membros do departamento. (a) Determine a distribuição de Probabilidade. (b) Qual é a probabilidade da comissão ser formada por pelo menos duas mulheres? Vamos definir a v.a. X: nº de mulheres na comissão. 22 Variância: É o valor esperado da v.a. (X – E(X))2, ou seja, se X assume os valores x1, x2, ..., xn, Da relação acima, segue que .Var(X)DP(X) = Desvio Padrão: É definido como a raiz quadrada positiva da variância, isto é, Notação: Var(X).σ2 = Notação: DP(X).σ = )xP(X .E(X)] - [x Var(X) i n 1i 2 i == = .[E(X)] – )E(X Var(X) 22 = 23 83.,5 36 210 36 1 7)-(12 36 2 7)-(11... 36 2 7)-(3 36 1 7)-(2Var(X) 2222 == .+.++.+.= No exemplo, 83,54 36 1974 36 1 12 36 2 11... 36 2 3 36 1 2)E(X 22222 == .+.++.+.= Alternativamente, poderíamos calcular e, portanto, Var(X) = 54,83 – 7 2 = 5,83. 24 1) Se Y = aX + b, onde a e b são constantes, então E(Y) = E(aX + b) = aE(X) + b e Var(Y) = Var(aX + b) = a2 Var(X). 2) Se X1, X2, ..., Xn são n variáveis aleatórias, então E(X1 + ... + Xn) = E(X1) + E(X2) + ... + E(Xn). Propriedades: Se X1, X2, ..., Xn são independentes, então Var(X1 + ... + Xn) = Var(X1) + Var(X2) + ... + Var(Xn). 25 Propriedades da Média 1) A média de uma constante é a própria constante: E(K) = K. 2) Multiplicando uma variável aleatória X por uma constante, sua média fica multiplicada por essa constante: E(KX) = KE(X). 3) A média da soma ou da diferença de duas variáveis aleatórias é a soma ou diferença das médias: E(X Y) = E(X) E(Y). 4) Somando ou subtraindo uma constante a uma variável aleatória, a sua média fica somada ou subtraída da mesma constante: E(X K) = E(X) K. 5) A média de uma variável aleatória centrada é zero: E(X - x) = E(X) - E(x) = x - x = 0. 6) A média do produto de duas variáveis aleatórias independentes é o produto das médias: E(XY) = E(X).E(Y). 26 Propriedades da Variância 27 V(aX ± bY) = a2V(X) + b2V(Y) ± 2abCov(X,Y) Exercícios 28 Exercícios 29 VARIÁVEIS ALEATÓRIAS DISCRETAS BIDIMENSIONAIS Existem casos em que há interesse por dois resultados simultâneos. Por exemplo, estatura H e peso P de pessoas. Para tanto, precisa-se da seguinte definição: Sejam: E um experimento aleatório e S o espaço amostra, associado a E. Sejam: X = X(s) e Y = Y(s), duas funções, cada uma associandoum número real a cada resultado s S, denomina-se (X, Y) uma variável aleatória bidimensional, que pode ser discreta ou contínua. Seja (X, Y) uma variável aleatória bidimensional discreta. A Função de Probabilidade é uma função que associa um número p(xi, yj) representado por P (X = xi, Y = yj) satisfazendo as condições: •p(xi, yj) ≥ 0 = = = 1 1 1),( j i ji yxp Como no caso da variável unidimensional, a distribuição poderá ser representado por uma tabela, gráfico ou fórmula. 30 Função de probabilidade conjunta da VA (X, Y) VARIÁVEIS ALEATÓRIAS DISCRETAS Tem Cancro Não tem Cancro Fumador 0,5 0,2 0,7 Não Fumador 0,1 0,2 0,3 0,6 0,4 1 X Y Fu n çã o d e p ro b ab ili d ad e m ar gi n al d e X Função de probabilidade marginal de Y 31 VARIÁVEIS ALEATÓRIAS DISCRETAS BIDIMENSIONAIS Considere a seguinte distribuição conjunta de X e Y x y -2 -1 4 5 1 0,10 0,20 0,00 0,30 2 0,20 0,10 0,10 0,00 a) Achar as distribuições marginais de X e Y; b) Calcular E(X), E(Y) e E(XY); c) Calcular DP(x) e DP(y); d) Calcular COV(XY); e) Calcular coeficiente e correlação entre X e Y. 32 VARIÁVEIS ALEATÓRIAS DISCRETAS BIDIMENSIONAIS Considere a seguinte distribuição conjunta de X e Y: x y -2 -1 4 5 1 0,10 0,20 0,00 0,30 2 0,20 0,10 0,10 0,00 a) Determinar as distribuições marginais de X e Y; 33 Distribuição Marginal de X: Distribuição Marginal de Y: X -2 -1 4 5 P(X) 0,1+ 0,2 = 0,3 0,2 + 0,1 = 0,3 0,0 + 0,1 = 0,1 0,3 + 0,0 = 0,3 Y 1 2 P(Y) 0,1+ 0,2 + 0,0 + 0,3 = 0,5 0,2 + 0,1 + 0,1 + 0,0 = 0,5 VARIÁVEIS ALEATÓRIAS DISCRETAS BIDIMENSIONAIS b) Calcular E(X), E(Y) e E(X,Y); 34 Considere a seguinte distribuição conjunta de X e Y: x y -2 -1 4 5 1 0,10 0,20 0,00 0,30 2 0,20 0,10 0,10 0,00Seja E(X) Seja E(Y) Seja E(X,Y) X -2 -1 4 5 P(X) 0,1+ 0,2 = 0,3 0,2 + 0,1 = 0,3 0,0 + 0,1 = 0,1 0,3 + 0,0 = 0,3 Y 1 2 P(Y) 0,1+ 0,2 + 0,0 + 0,3 = 0,5 0,2 + 0,1 + 0,1 + 0,0 = 0,5 VARIÁVEIS ALEATÓRIAS DISCRETAS BIDIMENSIONAIS c) Calcular DP(x) e DP(y); 35 Considere a seguinte distribuição conjunta de X e Y: x y -2 -1 4 5 1 0,10 0,20 0,00 0,30 2 0,20 0,10 0,10 0,00 Calcular DP(x): Para Calcular DP(y), temos que primeiro determinar VAR(Y) = E(Y2) – [E(Y)]2 : 1- Calcular VAR(x) = E(X2) – [E(X)]2 : VARIÁVEIS ALEATÓRIAS DISCRETAS BIDIMENSIONAIS d) Calcular COV(X,Y); 36 Considere a seguinte distribuição conjunta de X e Y: x y -2 -1 4 5 1 0,10 0,20 0,00 0,30 2 0,20 0,10 0,10 0,00 O valor da COV(X,Y) = -0,6 indica que existe relação inversamente proporcional entre X e Y, ou seja, enquanto X cresce, Y decresce; e assim sucessivamente. VARIÁVEIS ALEATÓRIAS DISCRETAS BIDIMENSIONAIS e) Calcular coeficiente e correlação entre X e Y. 37 Considere a seguinte distribuição conjunta de X e Y: x y -2 -1 4 5 1 0,10 0,20 0,00 0,30 2 0,20 0,10 0,10 0,00 Portanto, como o valor de rx,y = -0,38 indica que existe uma correlação negativa fraca entre X e Y, ou seja, enquanto X cresce, Y decresce; e assim sucessivamente. 1) O coeficiente de correlação pode variar em termos de valor de -1 a +1. Quanto maior for o valor absoluto do coeficiente, mais forte é a relação entre as variáveis. 2) Dancey e Reidy (2005) apontam a seguinte classificação para o coeficiente de correlação: r = 0,10 até 0,39 (fraco); r = 0,40 até 0,6 (moderado); r = 0,61 até 1 (forte). DANCEY, Christine & REIDY, John. (2006). Estatística Sem Matemática para Psicologia: Usando SPSS para Windows. Porto Alegre: Artmed. Principais modelos probabilísticos discretos 1. Modelo Uniforme Discreto Seja X uma variável aleatória cujos possíveis valores são representados por x1, x2...,xk. Dizemos que X segue o modelo Uniforme discreto se atribui a mesma probabilidade( 1/k) a cada um desses k valores, isto é sua f.p. é dada por Exemplo 5: Considere o experimento que consiste no lançamento de um dado, e estamos interessados na v.a. X: No da face obtida. Neste caso todos os possíveis resultados ocorrem com a mesma probabilidade e, assim, podemos dizer que a probabilidade se distribui uniformemente entre os diversos resultados, ou seja, podemos escrever a seguinte f.p. : Distribuição de uma v.a. Uniforme Discreta contrario caso 0, k.1,2,...,i 1/k, )xP(X i = == X 1 2 3 4 5 6 P(X=xi) 1/6 1/6 1/6 1/6 1/6 1/6 38 Notação: X~Ud(x1,..,xk) Se X~Ud(x1,..,xk), pode-se mostrar que: = = k i ix k XE 1 1 )( = =−= k i n i i i k x x k XVar 1 2 12 } )( { 1 )( No exemplo 5, temos que: 5,3)654321( 6 1 )( =+++++=XE 9,2}6/21)362516941{( 6 1 )( 2 =−+++++=XVar Obter a f.d.a. ! 39 2. Modelo Bernoulli Na prática muitos experimentos admitem apenas dois resultados Exemplo: 1. Uma peça é classificada como boa ou defeituosa; 2. O resultado de um exame médico para detecção de uma doença é positivo ou negativa. 3. Um entrevistado concorda ou não com a afirmação feita; 4. No lançamento de um dado ocorre ou não face 6; 5. No lançamento de uma moeda ocorre cara ou coroa. Estas situações tem alternativas dicotômicas e podem ser representadas genericamente por resposta do tipo sucesso-fracasso. Esses experimentos recebem o nome de Ensaios de Bernoulli e originam uma v.a. com distribuição de Bernoulli. 40 Distribuição de uma v.a. de Bernoulli Uma V.A. (X) de Bernoulli é aquela que assume apenas dois valores 1 se ocorrer sucesso (S) e 0 se ocorrer fracasso (F), com probabilidade de sucesso p, 0 < p <1. Isto é, se X(S)=1 e X(F)=0. Logo a função de probabilidade é dada por: x P(X=x) 0 1 1-p p Notação: X~Bernoulli (p), indica que a v.a. X tem distribuição de Bernoulli com parâmetro p Se X~Bernoulli(p) pode-se mostrar que: E(X)=p Var(X)=p(1-p). Repetições independentes de um ensaio de Bernoulli dão origem ao modelo Binomial. =− === − cc xpp xXPxf xx .;0 1,0;)1( )()( 1 41 3. Modelo Binomial Exemplo 1: Suponha que uma moeda é lançada 3 vezes e probabilidade de cara seja p em cada lançamento. Determinar a distribuição de probabilidade da variável X, número de caras nos 3 lançamentos. Denotemos, S: sucesso, ocorrer cara (c) e F:fracasso, ocorrer coroa(k). O espaço amostral para o experimento de lançar um moeda 3 vezes é: ={FFF.FFS, FSF,SFF,FSS, SFS, SSF,SSS} Seja, Xi é uma variável aleatória Bernoulli (i=1,2,3). Então a variável X=X1+X2+X3, representa o número de caras nos 3 lançamentos. Probabilidade X1 X2 X3 X=X1+X2+X3 FFF (1-p) 3 0 0 0 0 FFS (1-p) 2 p 0 0 1 1 FSF (1-p) 2 p 0 1 0 1 SFF (1-p) 2 p 1 0 0 1 FSS (1-p)p 2 0 1 1 2 SFS (1-p)p 2 1 0 1 2 SSF (1-p)p 2 1 1 0 2 SSS P 3 1 1 1 3 42 3 2 2 3 })({)3( )1(3}),,({)2( )1(3}),,({)1( )1(})({)0( pSSSPXP ppSSFSFSFSSPXP ppSFFFSFFFSPXP pFFFPXP === −=== −=== −=== Daí temos que: A função de probabilidade da v.a. X é dada por: 3223 )1(3)1(3)1()()( 3210 ppppppxXPxf x −−−== O comportamento de X , pode ser representado pela seguinte função: )!3(! !33 .,0 3,2,1,0,)1( 3 )( 3 xxx onde cc xpp xxf xx − = =− = − 43 Distribuição de uma v.a. Binomial Considere a repetição de n ensaios de Bernoulli independentes e todos com a mesma probabilidade de sucesso p. A variável aleatória que conta o número total de sucessos nos n ensaios de Bernoulli é denominada de variável aleatória Binomial com parâmetros n e p e sua função de probabilidade é dada por: Binomial. ecoeficient o representa, )!(! ! .,0 ,,1,0,)1( )( xnx n x n onde cc nxpp x n xf xnx − = =− = − Notação, X~B(n,p), para indicar que v.a. X tem distribuição Binomial com parâmetros n e p. Se X~Bernoulli(p) pode-se mostrar que: E(X)=np Var(X)=np(1-p). 44 0 2 4 6 8 0 .0 0 .2 0 .4 x P (X = x ) p=0,1 0 2 4 6 8 0 .0 0 0 .2 0 x P (X = x ) p=0,3 0 2 4 6 8 0 .0 0 0 .1 5 x P (X = x ) p=0,5 0 2 4 6 8 0 .0 0 0 .2 0 x P (X = x ) p=0,8 Distribuição Binomial com parâmetros n=10 e p 450 5 10 15 20 0 .0 0 0 .2 0 x P (X = x ) p=0,1 0 5 10 15 20 0 .0 0 0 .1 5 x P (X = x ) p=0,3 0 5 10 15 20 0 .0 0 0 .1 0 x P (X = x ) p=0,5 0 5 10 15 20 0 .0 0 0 .1 5 x P (X = x ) p=0,8 Distribuição Binomial com parâmetros n=20 e p 46 0 10 20 30 0 .0 0 0 .1 5 x P (X = x ) p=0,1 0 10 20 30 0 .0 0 0 .1 0 x P (X = x ) p=0,3 0 10 20 30 0 .0 0 0 .1 0 x P (X = x ) p=0,5 0 10 20 30 0 .0 0 0 .1 5 x P (X = x ) p=0,8 Distribuição Binomial com parâmetros n=30 e p 47 O professor da disciplina de Estatística elaborou um prova de múltipla escolha, consistente em 10 questões, cada uma com 5 alternativas. Suponha que nenhum dos estudantes que vão a fazer a prova vão as aulas e não estudaram para a prova (o que é muito frequente). O professor estabeleceu que para aprovar deve contestar corretamente pelo menos 6 questões. Qual a probabilidade de um aluno aprovar?. S: “questão respondida corretamente” F:”questão respondida incorretamente” A probabilidade se sucesso é constante e c/ estudante responde independentemente a questão Solução:Seja a v.a. X: número de questões respondidas corretamente nas 10 questões. Então o evento de interesse é: P(S)=1/5 e P(F)=4/5. Logo, X~B(10,p). = = − cc x xxf xx .,0 10,,1,0, 5 4 5 110 )( 10 A probabilidade de um aluno aprovar é: 0,00636 006369,0)6(1)6( =−= XPXP Exemplo 2. 48 Suponha uma urna com 20 bolas brancas e 15 bolas pretas, extraímos da urna consecutivamente e com reposição 12 bolas. Encontre a probabilidade de se obter 5 bolas brancas. Exemplo 3. S: “obter uma bola branca em cada extração” F:” obter uma bola preta em cada extração” A probabilidade se sucesso é constante em c/ extração e os resultado são independentes em cada extração. Solução:Seja a v.a. X: número de bolas brancas (sucessos) nas 12 extrações da urna. Então o evento de interesse é: P(S)=4/7 e P(F)=3/7. Logo, X~B(12,4/7). = = − cc x xxf xx .,0 12,,1,0, 7 3 7 412 )( 12 0.12)5()5( === XPf A probabilidade de obter 5 bolas brancas é: 49 DISTRIBUIÇÃO MULTINOMIAL É uma generalização da Binomial. Assim, considere a possibilidade de k alternativas, isto é, repartirmos o espaço amostral em k eventos A1, A2, ... ,An, mutuamente exclusivos com probabilidade de que A1 ocorra X1 vezes, A2 ocorra X2 vezes, ... , An ocorra Xn vezes, é igual a: nx n xx n n ppp XXX n XXXP .... !!...! ! ),...,,( 21 21 21 21 = 50 Distribuição Multinomial UM DADO É LANÇADO 10 VEZES. QUAL É A PROBABILIDADE DE TEREM APARECIDO DUAS VEZES O Nº 2, DUAS VEZES O Nº 5, TRÊS VEZES O Nº 1 E UMA VEZ OS DEMAIS RESULTADOS? AS LÂMPADAS COLORIDAS PRODUZIDAS POR UMA FÁBRICA SÃO 60% VERDES, 30% AZUIS E 10% AMARELAS. EM 5 LÂMPADAS, ENCONTRE A PROBABILIDADE DE QUE 2 SEJAM VERDES, 1 AZUL E 2 AMARELAS. 51 DISTRIBUIÇÃO GEOMÉTRICA a. UMA TENTATIVA É REPETIDA ATÉ QUE O SUCESSO OCORRA; b. AS TENTATIVAS REPETIDAS SÃO INDEPENDENTES UMAS DAS OUTRAS; c. A PROBABILIDADE DE SUCESSO P É CONSTANTE PARA CADA TENTATIVA. A PROBABILIDADE DE QUE O PRIMEIRO SUCESSO OCORRERÁ NA TENTATIVA NÚMERO “K” É: 1)( −== kpqkxP 52 E(X) = (1-p)/p VAR(X) = (1-p)/p2 Distribuição GEOMÉTRICA POR EXPERIÊNCIA, VOCÊ SABE QUE A PROBABILIDADE DE QUE IRÁ CONSEGUIR UMA VENDA EM QUALQUER CHAMADA TELEFÔNICA DADA É DE 0,23. OBTENHA A PROBABILIDADE DE QUE SUA PRIMEIRA VENDA EM UM DADO DIA OCORRA NA QUARTA OU NA QUINTA CHAMADA TELEFÔNICA. UM FABRICANTE DE CEREAIS COLOCOU UMA PEÇA PREMIADA NAS EMBALAGENS DE SEU PRODUTO. A PROBABILIDADE DE GANHAR UM PRÊMIO É DE UM PARA QUATRO. DETERMINE A PROBABILIDADE DE QUE VOCÊ: 53 4. Modelo Hipergeométrico Suponha uma população finita de N elementos, dividida em duas classes. Uma classe com M (M<N) elementos (sucessos) e a outra com N-M elementos (fracasso). Por exemplo, no caso particular de N peças produzidas, podem ser consideradas as classes: M artigos defeituosos e (N-M) artigos não defeituosos. Uma amostra aleatória de tamanho n (n<N) é sorteada sem reposição é sorteada dessa população. A v.a. X definida como, o número de elementos com a característica de interesse (sucesso) na amostra de tamanho n. A função de probabilidade da v.a. X, é dada por: = − − = cc Mnx n N xn MN x M xf X .,0 ),min(,0, )( Notação, X~H(N,M, n), para indicar que v.a. X tem distribuição Hipergeométrica parâmetros N, M e n. N M p N nN pnpXVarnpXE = − − −== com ), 1 )(1()( ,)( 54 Observação: Se X~H(N,M,n) e n/N< 0,10. Então X~B(n, M/N). Exemplo. Foram colocados em uma caixa 100 peças, 40 dos quais foram fabricados pela indústria B e as outras pela indústria A. Foram sorteadas aleatoriamente, sem reposição, 8 peças, qual é a probabilidade de que 4 sejam da indústria A? Seja X: número de peças da industria A na amostra. Então X~H(100,40,8). Utilizando a Binomial, temos que a probabilidade de sucesso é peça da fábrica A é p = 60/100 = 0,6 e n = 8, então, X~B(8, 60/100). Solucionamos da seguinte forma: ( ) ( ) .2322,04,06,0 4 8 )4( 44 = ==XP 55 Exemplo 3. Em um Departamento de inspeção de recebimento, lotes de eixo de bomba são recebidos periodicamente. Os lotes contêm 100 unidades, e o seguinte plano de amostragem de aceitação é usado. Seleciona-se uma amostra aleatória de 10 unidades sem reposição. O lote é aceito se a amostra tiver, no máximo, um defeituoso. Suponha que um lote seja recebido e que 5% é defeituoso. Qual é probabilidade que seja aceito o lote? X: Número de defeituosos na amostra X~H(100,95,10) 56 5. Modelo Poisson Na prática muitos experimentos consistem em observar a ocorrência de eventos discretos em um intervalo contínuo (unidade de medida) Exemplo: 1. Número de consultas a uma base de dados em um minuto. 2. Número de casos de Dengue por kilometro quadrado no estado de SP 3. Número de machas (falhas) por metro quadrado no esmaltado de uma geladeira. 4. Número de chamadas que chegam a uma central telefônica de uma empresa num intervalo de tempo (digamos das 8,0 a.m. às 12,0 a.m.). 5. Número de autos que chegam ao Campus entre 7,0 a.m. a 10,0 a.m. 57 Onde: k: número de eventos discretos em t unidades de medida, : média de eventos discretos em uma unidade de medida, Uma variável discreta X tem distribuição de Poisson com parâmetro se sua função de probabilidade é dada por: Distribuição de uma v.a. Poisson 58 0 40 80 0 .0 0 0 .1 5 x P (X = x ) P(4) 0 40 80 0 .0 0 0 .0 8 x P (X = x ) P(10) 0 40 80 0 .0 0 0 .0 6 x P (X = x ) P(20) 0 40 80 0 .0 0 0 .0 4 x P (X = x ) P(50) 59 Exemplo 4. Suponha que a central telefônica de uma empresa de grande porte recebe em média 3 chamadas cada 4 minutos. a) Qual é a probabilidade que a central recepcione 2 ou menos chamadas em um intervalo de 2 minutos? Se X: número de chamadas que recebe a central telefônica da empresa em 2 minutos, então, necessitamos utilizar uma regra de três simples para determinar o novo valor do parâmetro x .Assim, temos que x = 1,5 chamadas em 2 minutos. Portanto, 60 a) Qual é a probabilidade que a central recepcione mais de 2 chamadas em um intervalo de 2 minutos? 61 UM FÁBRICA DE PNEUS VERIFICOU QUE AO TESTAR SEUS PNEUS NAS PISTAS, HAVIA EM MÉDIA UM ESTOURO A CADA 5.000 KM. Seja = um estouro de pneu a cada 5000 Km. A DISTRIBUIÇÃO POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL A distribuição Binomial para x sucessos em n ensaios de Bernoulli é dada por: .,,0,)1()( nxpp x n xXP xnx =− == − Se =np, p=/n, substituindo p na função probabilidade temos x n xxnx n n xn x nnnnx n xXP − − + − − −= − == − 1 1 ! 1 1 2 1 1 11)( ! )(, x e xXPtemosnFazendo x − ==→ 62 Exemplo 5. A probabilidade de um rebite particular na superfície da asa de uma aeronave seja defeituosa é 0,001. Há 4000 rebites na asa. Qual é a probabilidade de que seja instalados não mais de seis rebites defeituosos? Se X: número de rebites defeituosos na asa da aeronave. Então, X~B(400,0,001) ( ) ( ) = = = − 6 0 400 .8894,0999,0001,0 4000 )6( x xx x XP Usando a aproximação de Poisson, =4000(0,001)=4 X~P(4) = − == 6 0 4 .889,0 ! 4 )6( x x x e XP A DISTRIBUIÇÃO POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL 63 Teorema: Se n XX ,, 1 são variáveis aleatórias independentes, com distribuição de Poisson com parâmetros, n ,, 1 , respectivamente, então a variável aleatória, n XXY += 1 tem distribuição de Poisson com parâmetro, n += 1 . Exemplo 6. Em uma fábrica foram registradas em três semanas a média de acidentes: 2,5 na primeira semana, 2 na segunda semana e 1,5 na terceira semana. Suponha que o número de acidentes por semana segue um processo de Poisson. Qual é a probabilidade de que haja 4 acidentes nas três semanas? Seja a variável aleatória, i X : número de acidentes na i-ésima semana, i=1,2,3. )(~ ii PX , então, a v.a. , 321 XXXY ++= tem distribuição de Poisson com parâmetro, 65,125,2 =++= .(y~P(6)) 1339,0 !4 6 )4( 46 === −e YP A DISTRIBUIÇÃO POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL 64
Compartilhar