Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Variáveis aleatórias discretas Variáveis aleatórias discretas O resultado do lançamento de uma moeda pode ser utilizado para tomar decisões, por exemplo: � O árbitro de uma partida de futebol sorteia quem inicia o primeiro tempo do jogo e ainda o ganhador do sorteio escolhe a metade do campo onde sua equipe iniciará o jogo. � Um experimento é aleatório se não for possível antecipar seu resultado, apesar de conhecer todos os resultados possíveis que definem o espaço amostral do experimento. � Cada vez que o experimento for repetido, seu resultado pertencerá a esse espaço amostral. Variáveis aleatórias discretas � Uma Variável Aleatória (VA) é uma função formada por valores numéricos definidos sobre o espaço amostral de um experimento: � Uma VA é 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. Variáveis aleatórias discretas � Dependendo dos valores numéricos, a variável aleatória poderá ser discreta ou contínua. � Se os valores numéricos da VA se referem a contagens, então a VA será uma variável aleatória discreta. Exemplo: o número de peças rejeitadas por lote numa linha de produção. � Se os valores numéricos da VA pertencem ao conjunto dos números reais, então a VA será uma variável aleatória contínua. Exemplo: o lucro líquido mensal de uma empresa. Variáveis aleatórias discretas 1) Observar o sexo das crianças em famílias com três filhos. � Defina X: nº. de crianças do sexo masculino (M). � Então X é uma VA discreta que assume valores no conjunto {0, 1, 2, 3}. 2) Observar o tempo de reação a um certo medicamento. � Defina X: tempo de reação ao medicamento. � Então X é uma VA contínua que assume qualquer valor real positivo. � O termo aleatório indica que a cada possível valor da VA atribuímos uma probabilidade de ocorrência. Variáveis aleatórias discretas � Considere a distribuição frequências relativa ao numero de acidentes diários em uma rodovia de Alagoas, durante o período de um mês: Acidentes 0 1 2 3 4 Frequências 17 6 4 2 1 Probabilidades 17/30 0,57 6/30 0,20 4/30 0,13 2/30 0.07 1/30 0.03 2 Variáveis aleatórias discretas � Função de probabilidade (fp): É a função que atribui a cada valor xi da VA discreta X, sua probabilidade de ocorrência e pode ser apresentada pela tabela: � Uma função de probabilidade deve satisfazer: a)a)a)a) � � ��� �) � � b) ∑ ��� �) � � ��� Variáveis aleatórias discretas � Exemplo 1 : Um dado é lançado duas vezes de forma independente. Qual é a probabilidade da soma dos pontos ser menor do que 6? � Defina X: soma dos pontos. Função de probabilidade de X: P (X � 6) = P(X=5)+P(X=4)+P(X=3)+P(X=2) = � �� + � �� + � �� + � �� = �� �� � 2 3 4 5 6 7 8 9 10 11 12 ��� �) 1 36 2 36 3 36 4 36 5 36 6 36 5 36 4 36 3 36 2 36 1 36 Variáveis aleatórias discretas � Podemos estar interessados em outras VAs: � Defina Z: diferença entre os pontos do 2º e do 1º lançamento � Defina Y: valor máximo obtido dentre os dois lançamentos Função de probabilidade de X: -5 -4 -3 -2 -1 0 1 2 3 4 5 ��! ") 1 36 2 36 3 36 4 36 5 36 6 36 5 36 4 36 3 36 2 36 1 36 y 1 2 3 4 5 6 P(Y=y) 1 36 3 36 5 36 7 36 9 36 11 36 Variáveis aleatórias discretas Exemplo 2 : 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. � Qual é a probabilidade da comissão ser formada por pelo menos duas mulheres? Variável Aleatória: X: nº de mulheres na comissão Variáveis aleatórias discretas Espaço amostral Probabilidade X {HHH} �� �% . �� �� . �' �� = 0,203 0 {HHM} �� �% . �� �� . �� �� = 0,150 1 {HMH} �� �% . �� �� . �� �� = 0,150 1 {MHH} �� �% . �� �� . �� �� = 0,150 1 {HMM} �� �% . �� �� . �� �� = 0,097 2 {MHM} �� �% . �� �� . �� �� = 0,097 2 {MMH} �� �% . �� �� . �� �� = 0,097 2 {MMM} �� �% . �� �� . �� �� = 0,056 3 � 0 1 2 3 � � = � 0,203 0,450 0,291 0,056 ( ) ≥ + = ( ) = + + ( ) = - = �,+/� + �,�01 = �, -23 Variáveis aleatórias discretas Esperança Matemática � Dada a VA X, assumindo os valores x1, x2, ..., xn, chamamos de valor médio ou valor esperado ou esperança matemática de X, o valor: 4 ) = 5�. P(X=5�) + ... + 56. P(X=56) = ∑ 57. P(X=57) 6 7�� � Qual é o valor médio da soma dos pontos no lançamento de dois dados? E(X) = 2. � -1 + 3. + -1 + ... + 11. + -1 + 12. � -1 = +0+ -1 = 7nção de probabilidade de X: 3 Variáveis aleatórias discretas Variância � A variância de uma variával aleatória é uma medida da sua dispersão estatistica, indicando quão longe em geral os seus valores se encontram do valor esperado. � É a medida que fornece o grau de dispersão ou de concentração de probabilidade em torno da média, dado pelas fórmulas: � 89: ) = ∑ 57 − 4 ) + . P(X=57) 6 7�� � 89: ) = < )+ - 4 ) + Variáveis aleatórias discretas Desvio Padrão � O desvio padrão é a medida mais comum da dispersão estatística. � E definido como a raiz quadrada positiva da Variância. � =( ) = < )+ − 4 ) + � =( ) = 89: ()) � Uma medida da dispersão que: � É sempre um número não-negativo; � Tem a mesma unidade de medida dos dados fornecidos inicialmente. Variáveis aleatórias discretas Considerando o exemplo da soma dos pontos de lançamento de dois dados: 89: ) = +− 3 +. � -1 + - − 3 +. + -1 + ...+ �� − 3 +. + -1 + �+ − 3 +. � -1 = +�� -1 = 0, >- � Alternativamente, poderíamos calcular: 89: ) + +. � -1 + - +. + -1 + ...+ �� +. + -1 + �+ +. � -1 - 3 + = �/32 -1 ; 2/ 0, >- =( ) 0, >- = 2,4145 Distribuição Binomial É um modelo de distribuição discreta de probabilidade baseada no processo de amostragem de Bernoulli. Premissas de um experimento binomial: � O experimento é repetido n vezes, e os n resultados do experimento são independentes; � O experimento tem apenas dois possíveis resultados (sucesso ou fracasso); � A probabilidade de sucesso do experimento é p e se mantem constante durante os n repetições. A probabilidade de falha do experimento é (1 – p). Distribuição Binomial Utilizada quando o enfoque é a determinação da probabilidade de se obter k sucessos em “n” tentativas. Existem apenas dois resultados possíveis ? “sucesso” e @ “fracasso”. A � = � � = B = C B DEFGHE Sendo: � p = a probabilidade de sucesso � q = a probabilidade de fracasso���� q = 1 – p � n = número total de tentativas independentes � K = número de vezes que ocorreu sucesso Distribuição Binomial Exemplo 1 – Um gerente de uma loja estima que de dez vendas realizadas, três são microcomputadores e sete equipamentos eletrônicos. Qual a probabilidade de que uma das próximas quatro vendas seja um microcomputador? P(M=1) = P (EEEM)+ P (EEME) + P (EMEE) + P (MEEE) 0,7 . 0,7. 0,7 . 0,3 + 0,7 . 0,7. 0,3 . 0,7 + 0,7 . 0,3. 0,7 . 0,7 + 0,3 . 0,7. 0,7 . 0,7 = 0,4116 0,7 . 0,7. 0,7 . 0,3 . 4 = 0,4116 � 4 x 0,3� . 0,7� = 0,4116 � � = 1 = C B DEFGHE � 4 1 0,3�. 0,7�= 0,4116 4 Distribuição Binomial Exemplo 2 – Vasco e Botafogo jogam entre si 6 vezes. Encontre a probabilidadedo Vasco ganhar 4 jogos? � n = 6; � p= � - ; � q = + - ; � k = 4 ���� número de sucessos. P (x = 4) = 1 2 . � - 2 . + - + = P (x = 4) = 1 .0 .2! +! .2! . � >� . 2 / +� +2- 0,0823 Distribuição Binomial Usando Excel X P( x = ) P ( x < = ) 0 0,0878 0,0878 1 0,2634 0,3512 2 0,3292 0,6804 3 0,2195 0,8999 4 0,0823 0,9822 5 0,0165 0,9986 6 0,0014 1,0000 Probabilidade acumulada – número máximo de sucessos Distribuição Binomial Exemplo 3 – Uma moeda é lançada 6 vezes, encontre a probabilidade de: a) Ocorrer 4 coroas; b) Ocorrer pelo menos 2 coroas; c) Ocorrer no máximo 3 coroas. � Tem-se: n = 6; p=1/2; q = ½ e k = número de coroas (sucessos) a) P (x = 4) = 1 2 . � + 2 . � + + = �0 12 b) P (x ≥ +) = P(x=2)+P(x=3)+P(x=4)+P(x=5)+P(x=6) P (x ≥ 2) = 6 2 . 1 2 � . 1 2 � + 6 3 . 1 2 � . 1 2 � + 6 4 . 1 2 � . 1 2 � + 6 5 . 1 2 % . 1 2 � + 6 6 . 1 2 � . 1 2 � = 03 12 = 0,890625 c) P (x ≤ -) = P(x=0)+P(x=1)+P(x=2)+P(x=3) P (x ≤ 3) = 6 0 . 1 2 � . 1 2 � + 6 1 . 1 2 � . 1 2 % + 6 2 . 1 2 � . 1 2 � + 6 3 . 1 2 � . 1 2 � = 2+ 12 = 0,65625 Distribuição Binomial b) P (x≥ +) = P(x=2)+P(x=3)+P(x=4)+P(x=5)+P(x=6) P (x ≥ 2) = 6 2 . 1 2 � . 1 2 � + 6 3 . 1 2 � . 1 2 � + 6 4 . 1 2 � . 1 2 � + 6 5 . 1 2 % . 1 2 � + 6 6 . 1 2 � . 1 2 � = 03 12 = 0,890625 c) P (x≤ -) = P(x=0)+P(x=1)+P(x=2)+P(x=3) P (x ≤ 3) = 6 0 . 1 2 � . 1 2 � + 6 1 . 1 2 � . � � % + 6 2 . 1 2 � . 1 2 � + 6 3 . 1 2 � . 1 2 � = 2+ 12 = 0,65625 X P( x = ) P ( x < = ) 0 0,0156 0,01563 1 0,0938 0,10938 2 0,2344 0,34375 3 0,3125 0,65625 4 0,2344 0,89063 5 0,0938 0,98438 6 0,0156 1,00000 0,890625 Usando Excel Distribuição Binomial Média, variância e desvio padrão Média = n . p Var = n . p. q DP = n . p. q Distribuição Poisson � È aplicada nos casos em que interessa o número de vezes em que um determinado evento pode ocorrer durante um intervalo de tempo ou espaço, ou em um ambiente físico denominado de área de oportunidade. � Interessa o número de durante um intervalo contínuo e não o número de sucessos em n tentativas como ocorre com a distribuição binomial.. Exemplos: � Número de acidentes de carros por dia, em uma determinada cidade; � Números de chamadas telefônicas; � Números de defeitos; � Mortes por ataque de coração por ano, numa cidade. � È caracterizado apenas pelo parâmetro K, que se refere ao número médio de sucessos por área de oportunidade. � As estatísticas da distribuição (média e variância) apresentam o mesmo valor, ou seja, são iguais a K. 5 Distribuição Poisson � � = LHM KN �! � Sendo: � λ − números esperado de sucesos; � x − é número de sucessos; � e = 2,7182 � Média μ = λ � Variância σ� = λ Distribuição Poisson � ExemploExemploExemploExemplo 1111:::: Numa central telefônica chegam 300 telefonemas por hora. Qual a probabilidade de que: o) Num minuto não haja nenhum chamado? � X: Números de chamados por minuto� λ = ��� �� = 5 � � = 0 = tuv . %w �! = 0,006738 x) Em dois haja chamados? 2 minutos� λ = 10 � � = 2 = tuyw . ��z �! = 0,002270 c) Em t minutos não haja chamados? t minutos� λ = 5t � � = 0 = tuv{ . (%|)w �! = LH%| Distribuição Poisson � Exemplo 2: Chegam caminhões a um depósito à razão de 2,8 caminhões/hora, segundo uma distribuição de Poisson. Determine a probabilidade de chegarem dois ou mais caminhões. a) em um período de 0,5 horas; b) em um período de 1 horas; c) em um período de 2 horas. λ = 1,4 � � ≥ 2 = 1 − � � = 0 + � � = 1 Distribuição Poisson � Exemplo 3: O número de mortes por afogamento em fins de semana, numa cidade praiana, é de 2 para cada 50.000 habitantes. Qual a probabilidade de que em: o) 200.000 habitantes ocorram 5 afogamentos? X: Números de afogamentos por habitantes � λ 8 � � 5 tu} . ~v %! = 0,091603 b� 112.500 habitantes ocorram pelo menos 3 afogamentos? λ 4,5 � � * 3 1 ; � � � 3 1 ; 0,011109 , 0,049990 , 0,112479 1 – 0,1735780 0,826422 = 2 � 50.000 � � 200.000 �� 8
Compartilhar