Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
* MODELOS PROBABILÍSTICOS Prof. José Fletes U F S C * Introdução Modelos discretos: - Bernoulli e Binomial; - Poisson; - Aproximação da Binomial pela Poisson. Modelo contínuo: - Uniforme - Exponencial - Normal (Curva DeMoivre-Laplace-Gauss); - Aproximação da Binomial pela Normal * Modelo Bernoulli a: observação da ocorrência numa situação dicotômica (BINÁRIA) S (Sucesso) X = 1 P(X=1) = p ou S’ (Insucesso) X = 0 P(X=0) = q = 1-p * Modelo Bernoulli a: observação da ocorrência numa situação dicotômica (BINÁRIA) X = 1 se ocorre SUCESSO ..... ( S ) X = 0 se ocorre INSUCESSO ..... ( S’ ) P (X =1) = p e P (X = 0) = 1- p = q Exemplos: lançamento da moeda uma única vez. lançamento do dado uma única vez. * Modelo Bernoulli Considere uma prova Bernoulli Observe que a soma das probabilidades é igual à unidade: (p + q) = 1 * Modelo Bernoulli Modelo Matemático P ( X = x ) = px * ( 1 – p ) 1 – x COMPROVAÇÃO: P ( X = 1 ) = p1 * ( 1 – p ) 1 – 1 = p P ( X = 0 ) = p0 * ( 1 – p ) 1 – 0 = q * Modelo Bernoulli Propriedades: 1- O valor esperado da distribuição bernoulli é: E(X) = p 2-A variância é: V(X) = p* (1- p) = p*q Tarefa individual: demonstre os valores acima para o Valor esperado e a Variância. * Modelo Binomial a: número de sucessos que ocorrem em n experiências tipo Bernoulli. Y = {n° de sucessos em n provas tipo Bernoulli} n Y = { 1; 2; 3; ......; n } = Xi i = 1 onde cada Xi é binário ( 0; 1) * Modelo Binomial a: observação da ocorrência em n=2 provas tipo Bernoulli (X1;X2) Eventos Variáveis Prob. S SS (1;1) p*p=p2 p S p q S’ SS’ (1;0) p*q=pq q p S S’S (0;1) q*p=pq S’ q S’ S’S’ (0;0) q*q=q2 * Modelo Binomial Considere duas provas Bernoulli: n=2 Observe que a soma das probabilidades sendo igual à unidade reproduz o binômio: (p + q) 2 = p 2 + 2*pq + q 2 * Modelo Binomial Cada termo do binômio representa a probabilidade de um determinado número de sucessos e pode ser calculada utilizando a expressão abaixo que define a função massa de probabilidade, p(y): P(Y=y) = p(y) = (y n) *py * q(n-y) * Modelo Binomial A função massa de probabilidade binomial dá a probabilidade para um número exato de "sucessos" em n ensaios independentes, onde a probabilidade de sucesso p em uma única tentativa é constante. P(Y=y) = p(y) = (y n)*py * q(n-y) em que: (y n) = n!/[y!*(n-y)!] * Modelo Binomial Propriedades: 1- O valor esperado da distribuição binomial é: E(Y) = n*p 2-A variância é: V(Y) = n*p*(1- p) = n*p*q Obs. Importante: Parâmetros característicos do Modelo Binomial n e p * Modelo Binomial - Simulações Nas figuras acima, simulam-se duas situações que nos permite concluir que: - a distribuição binomial é assimétrica quando p se aproxima de 0 ou 1 e - simétrica quando p =0,5. * Problema 1 Registros mostram que há uma probabilidade de 0,33 de uma pessoa, ao fazer compras em um supermercado, adquirir uma promoção especial de creme dental. Determine a probabilidade de que, dentre dez (10) pessoas que estão fazendo compras no supermercado, três (3) adquiram a promoção. Dados: n = 10 e p = 0,33 Aplicando o modelo binomial, se obtém a probabilidade para P(Y=3) = 0,26014 ou aproximadamente 26%. * Problema 2 Uma grande remessa de peças de uma compra é recebida em um armazém e uma amostra de 10 peças é retirada para o controle de qualidade. O fabricante declara que haverá no máximo 3% de peças defeituosas. Qual a probabilidade de encontrar no máximo uma (1) peças defeituosas na amostra? Dados: n = 10 e p 0,05 Aplicando o modelo binomial, se obtém a probabilidade para P(Y 1) = 0, 96549 ou aproximadamente 96,5%. * Modelo DeMoivre-Laplace-Gauss (Modelo da Curva Normal) Conceito A Distribuição Normal ou Gaussiana é um modelo matemático para variáveis que têm um comportamento simétrico em torno da média, com distribuição de freqüência na forma de um sino (figura abaixo). * Modelo DeMoivre-Laplace-Gauss (Modelo da Curva Normal) Função Densidade de Probabilidade – f(x) Onde: π = constante matemática (pi =3,141592654); exp = base dos logaritmos naturais (Є = 2,71828); μ = média da população; σ = desvio-padrão. * Modelo DeMoivre-Laplace-Gauss (Modelo da Curva Normal) X ~ (; 2) = 2 Os dois parâmetros que especificam completamente a posição e a forma de uma curva normal são dados pela média ( ) que identifica o centro, enquanto o desvio-padrão () fornece a dispersão dos dados. * Modelo DeMoivre-Laplace-Gauss (Modelo da Curva Normal) Transformação linear de X: Objetivos: 1) Reduzir a magnitude dos valores originais de X; 2) Tornar adimensional a variável transformada, obtendo a distribuição normal padrão com parâmetros μ = 0 e σ2 = 1. Z ~ (0; 1) * Modelo DeMoivre-Laplace-Gauss (Modelo da Curva Normal) A variável Z tem distribuição Normal com média zero e desvio-padrão unitário, sendo denominada de distribuição normal padrão e sua função densidade de distribuição f(z) é: Obs.: Na calculadora do SestatNet, se não for especificado a média e desvio-padrão ela assume respectivamente valores 0 e 1 gerando probabilidades de uma distribuição normal padrão. * Modelo DeMoivre-Laplace-Gauss (Modelo da Curva Normal) Propriedades: O valor esperado da distribuição normal é E(X) = μ e a variância é V(X) = σ2. Restrição: Valores de probabilidade estão associados a intervalos de valores da variável e estes intervalos são definidos em números de desvios-padrão conforme mostrado nas tabelas 1 e 2. Essas tabelas apresentam valores de probabilidade considerando a variável Z (distribuição normal padrão). * Modelo DeMoivre-Laplace-Gauss (Modelo da Curva Normal) Tabela 1 - Probabilidade para o intervalo de valores máximos (menores ou iguais) a z. Tabela 2 - Probabilidade para a faixa de valores entre z1 e z2. * Modelo DeMoivre-Laplace-Gauss (Regra Empírica da Curva Normal) 99,73% 95,45% 68,27% * Modelo DeMoivre-Laplace-Gauss (Modelo da Curva Normal) Problema 3: Se uma variável aleatória tem distribuição normal com μ = 10 e σ = 5, qual é a probabilidade de ela assumir um valor no intervalo de 12 a 15 utilizando a distribuição normal padrão? Transformando x=12 e x=15 em unidades padronizadas, obtém-se: z = (12 - 10)/5 = 0,40 e z = (15 - 10)/5 = 1,00 Utilizando a tabela normal padrão (Tabela E.2) para esses valores se obtém Z0,40 = 0,1554 e Z1,00 = 0,3413. Assim, a probabilidade procurada é: 0,3413 – 0,1554 = 0,1859 * Modelo DeMoivre-Laplace-Gauss (Modelo da Curva Normal) * Modelo DeMoivre-Laplace-Gauss (Modelo da Curva Normal) Há problemas em que são fornecidas as áreas sob a curva normal e devemos encontrar os valores correspondentes de z. Problema 4: Verificou-se o peso( X ) de 450 latas de tinta, aproximando-o do modelo gaussiano conforme a tabela ao lado. - Calcule a média () e o desvio padrão (). * Modelo DeMoivre-Laplace-Gauss (Modelo da Curva Normal) Solução do Problema 4: Utilizando o conceito de probabilidade experimental e o fato de que X ~ (=?; =?), pode-se calcular a partir das probabilidades os valores de z que permitem a obtenção dos parâmetros, média e desvio padrão, como segue: P(0 Z1-z1) = P[0 Z1 -(20-/)]=0,244 P(0 Z2 z2) = P[0 Z2(20,5-/)]=0,445 Obtendo-se os valores de: z1 ≈ -0,655 z2 = 1,60 * Modelo DeMoivre-Laplace-Gauss (Modelo da Curva Normal) Solução do Problema 4: Com os valores de: z1 ≈ - 0,655 e z2 = 1,60 Pode-se compor o sistema de equações que permite a obtenção da média e do desvio-padrão: -0,655 -(20-/) -0,655* -20 + 1,60 (20,5-/) 1,60 * 20,5 - 0,945 * = 0,5 = 0,53 Kg Substituindo, obtém-se a média = 20,35 Kg * LEI DOS GRANDES NÚMEROS Definição: Se um evento de probabilidade p é observado repetidamente em ocasiões independentes, a proporção da frequência observada deste evento em relação ao número total de repetições converge em direção a p a medida que o numero de repetições se torna arbitrariamente grande. * LEI DOS GRANDES NÚMEROS Lei Fraca dos Grandes Números Dada uma variável aleatória X, a sua média amostral converge em probabilidade para o seu valor esperado. Lei Forte dos Grandes Números Dada uma variável aleatória X, a sua media amostral converge quase certamente para o seu valor esperado. Obs.: Se a variável aleatória não tem média, a Lei dos Grandes Números não se aplica! * TEOREMA CENTRAL DO LIMITE Os Xi têm que ser variáveis aleatórias independentes; As variáveis aleatórias Xi não precisam ser necessariamente identicamente distribuídas; Formalmente o TCL só é aplicado quando n tende a infinito. Na prática n é finito e deve ser grande suficiente para que a parte central da distribuição seja aproximadamente Gaussiana; O TCL não diz nada sobre as caudas da distribuição de X mas somente que a região central da distribuição poder ser bem descrita por uma Gaussiana. A região central é uma região com pelo menos n. em torno da média de X. A largura da região que pode ser bem aproximada pela Gaussiana depende da distribuição de X. * TEOREMA CENTRAL DO LIMITE EXEMPLO Suponha que determinada empresa fabrique parafusos cujo diâmetro segue uma distribuição uniforme de média igual a 5,00 mm e desvio padrão igual a 0,01 mm. Qual é a probabilidade de se obter uma amostra de 100 parafusos com diâmetro médio maior que 5,001 mm? * APROXIMAÇÕES DA BINOMIAL POR GAUSS 1) Sendo X B(n,p), desejamos calcular P(a < X < b), com a e b inteiros e 0 (a, b) n. 2) Para n suficientemente grande, a aproximação será feita através da variável Y N(=np, 2 =npq). 3) Em geral, essa aproximação é aceitável sempre que np 5 e npq 5 (alguns autores consideram o limite igual a 10). * EXEMPLO DA BINOMIAL POR GAUSS Suponha que 25% de todos os motoristas habilitados de SC não possuam seguro. Em uma amostra de 50 motoristas, qual a probabilidade de no máximo 5 terem seguro? * APROXIMAÇÕES DA POISSON POR GAUSS 1) Sendo X P( ), desejamos calcular P(a < X < b), com a e b inteiros e 0 (a, b) n. 2) Para n suficientemente grande, a aproximação será feita através da variável Y N(= , 2 = ). 3) Em geral, essa aproximação é aceitável sempre que 5 * EXEMPLO DA POISSON POR GAUSS * PROBLEMA 1 Uma loja recebe em média 16 clientes por dia com desvio padrão de 4 clientes. Calcule aproximadamente a probabilidade de num período de 30 dias a loja receber mais do que 500 clientes. Calcule também a probabilidade aproximada de nesse mesmo período a média de clientes ultrapassarem a 18 clientes. * PROBLEMA 2 Sabe-se que numa corrida de revezamento de 42 km com 8 atletas (cada um correndo 5,25 km) o tempo que cada atleta demora para completar o percurso tem distribuição aproximadamente normal de média 30 minutos e desvio padrão de 8 minutos. Se 8 atletas são escolhidos ao acaso para uma prova, qual a probabilidade da equipe completar o percurso em menos de 3 horas? E em mais de 4 horas? Qual é tempo que apenas 5% das equipes farão abaixo dele? * REFERÊNCIA NASSAR, OHIRA & REIS. SEstat - Sistema Especialista de Apoio ao Ensino de Estatística. UFSC, 2009. * * * * * * * * * * * * * * * * *
Compartilhar