Baixe o app para aproveitar ainda mais
Prévia do material em texto
Probabilidade II Variáveis Aleatórias Discretas Diana Maia UEPB - CCT - DMEC 2014 Diana Maia Probabilidade II Variáveis Aleatórias Queremos tratar estatisticamente os experimentos aleatórios. Mas a estatística lida com números e então surge a necessidade de se associar os resultados do experimento a valores numéricos. Além disso, mesmo quando o resultado é numérico, algumas vezes estamos interessados em alguma fução dos valores possíveis do experimento. Diana Maia Probabilidade II Variáveis Aleatórias Queremos tratar estatisticamente os experimentos aleatórios. Mas a estatística lida com números e então surge a necessidade de se associar os resultados do experimento a valores numéricos. Além disso, mesmo quando o resultado é numérico, algumas vezes estamos interessados em alguma fução dos valores possíveis do experimento. Diana Maia Probabilidade II Variáveis Aleatórias Queremos tratar estatisticamente os experimentos aleatórios. Mas a estatística lida com números e então surge a necessidade de se associar os resultados do experimento a valores numéricos. Além disso, mesmo quando o resultado é numérico, algumas vezes estamos interessados em alguma fução dos valores possíveis do experimento. Diana Maia Probabilidade II Variáveis Aleatórias Definição Definição Uma variável aleatória é uma função que associa um número a cada ponto do espaço amostral. Denotaremos a variável aleatória por letras maiúsculas e os valores possíveis por letras minúsculas. Diana Maia Probabilidade II Variáveis Aleatórias Exemplos Exemplo 1 Considere o experimento que consiste em lançar três moedas e observar as faces obtidas. Vamos definir a variável aleatória X = número de caras nas três repetições do experimento. Neste caso, quais são os valores que tal variável assume? Diana Maia Probabilidade II Variáveis Aleatórias Exemplos Exemplo 2 Seja o experimento de lançar um dado honesto e observar a face obtida. Vamos definir a variável Y = { 0, se o número obtido for par 1, se o número obtido for ímpar que assume valores no conjunto {0,1}. Diana Maia Probabilidade II Variáveis Aleatórias Exemplos Exemplo 3 Semana passada, foi o período de matrículas para os alunos veteranos da UEPB. Defina a variável aleatória Z : Número de tentativas até conseguir fazer a matrícula. Aqui podemos perceber que Z assume valores no conjunto {1,2,3, . . . }. Diana Maia Probabilidade II Variáveis Aleatórias Exemplos Exemplo 3 Semana passada, foi o período de matrículas para os alunos veteranos da UEPB. Defina a variável aleatória Z : Número de tentativas até conseguir fazer a matrícula. Aqui podemos perceber que Z assume valores no conjunto {1,2,3, . . . }. Diana Maia Probabilidade II Variáveis Aleatórias Exemplos Exemplo 4 Agora o nosso experimento é observar o tempo de vida de uma lâmpada. Se definirmos a variável T : tempo de vida da lâmpada (em dias), então, a variável T pode assumir valores em [0,∞). Diana Maia Probabilidade II Variáveis Aleatórias Como podemos ver, as variáveis X , Y e Z assumem valores em conjuntos enumeráveis, o que não ocorre com a variável T . Também, o conjunto de valores possíveis de uma variável aleatória pode ser finito ou não, limitado ou não. Diana Maia Probabilidade II Variáveis Aleatórias Definição Se uma variável aleatória assume valores em um conjunto enumerável (finito ou infinito), ela é dita discreta. Se o conjunto dos valores possíveis da variável for o conjunto dos números reais R ou um intervalo de R, dizemos que a variável é contínua. Diana Maia Probabilidade II Variáveis Aleatórias Vamos denotar por S o conjunto dos valores que a variável aleatória pode assumir. Tal conjunto é chamado suporte. Diana Maia Probabilidade II Variáveis Aleatórias Como fizemos quando estávamos lidando com os eventos, queremos associar a cada valor x ∈ S uma probabilidade, a qual deve representar as chances de tal resultado ocorrer. Frequentemente, para indicar a variável a qual se refere o conjunto S, usamos também a notação de S com a variável em questão em subscrito. Por exemplo, a variável X assume valores em SX . Diana Maia Probabilidade II Variáveis Aleatórias Inicialmente, vejamos como lidar com as voriáveis aleatórias discretas. Diana Maia Probabilidade II Variáveis Aleatórias Discretas Distribuição de Probabilidade Definição Uma distribuição de probabilidade de uma variável aleatória discreta X é uma função que associa a cada valor x ∈ SX a sua correspondente probabilidade P(X = x). Diana Maia Probabilidade II Variáveis Aleatórias Discretas Distribuição de Probabilidades Exemplo 5 Considere o experimento e a variável X definidos no Exemplo 1. Qual é a distribuição de Probabilidades de X? Diana Maia Probabilidade II Variáveis Aleatórias Discretas Distribuição de Probabilidades Exemplo 6 Considere o experimento e a variável Y definidos no Exemplo 2. Qual é a distribuição de Probabilidades de Y? Diana Maia Probabilidade II Variáveis Aleatórias Discretas Distribuição de Probabilidades Exemplo 7 Dois dados foram lançados e observou-se as faces obtidas. Seja: X : soma das faces obtidas. Qual é a distribuição de probabilidades de X? Diana Maia Probabilidade II Variáveis Aleatórias Discretas Distribuição de probabilidades Vale também salientar que, como estamos falando de probabilidades, devemos ter SEMPRE P(X = x) ≥ 0, ∀x ∈ SX∑ SX P(X = x) = 1. Diana Maia Probabilidade II Variáveis Aleatórias Discretas Distribuição de Probabilidades Exemplo 8 Seja X uma variável aleatória assumindo valores em SX = {1,2,3}. Qual é o valor de c de modo que a tabela abaixo represente uma distribuição de probabilidades? x 1 2 3 P(X = x) 1/3 2c c Diana Maia Probabilidade II Variáveis Aleatórias Discretas Distribuição de Probabilidades Exemplo 9 Uma v.a. Y , com SY = {0,1,2} tem distribuição de probabilidades p(Y = y) = y + 1 2 K y , ∀y ∈ SY . 1 Calcule K . 2 Calcule a probabilidade Y assumir um número par. Diana Maia Probabilidade II Variáveis Aleatórias Discretas Função de Distribuição Acumulada Muitas vezes estamos interessados em calcular probabilidades do tipo P(X ≥ x). Assim, definimos a seguinte função. Diana Maia Probabilidade II Variáveis Aleatórias Discretas Função de Distribuição Acumulada Definição A função de distribuição acumulada de uma variável aleatória X é definida por F (x) = P(X ≤ x). No caso das variáveis discretas, F (x) = ∑ a∈S:a≤x P(X = a). Diana Maia Probabilidade II Variáveis Aleatórias Discretas Função de Distribuição Acumulada Propriedades da Função de Distribuição Acumulada a) 0 ≤ F (x) ≤ 1 b) F (x) é não decrescente e contínua à direita, isto é, a < b ⇒ F (a) < F (b) e lim x→a+ F (x) = F (a) c) limx→−∞ F (x) = 0 e limx→+∞ F (x) = 1 Diana Maia Probabilidade II Variáveis Aleatórias Discretas Distribuição de Probabilidades Exemplo 10 Encontre a função de distribuição acumulada da X variável aleatória assumindo valores em SX = {1,2,3}, com distribuição de probabilidades x 1 2 3 P(X = x) 13 4 9 2 9 e esboce seu gráfico. Diana Maia Probabilidade II Variáveis Aleatórias Discretas Distribuição de Probabilidades Exemplo 11 Uma v.a. Y , com SY = {0,1,2} tem distribuição de probabilidades p(Y = y) = y + 1 2 ( 1 3 )y , ∀y ∈ SY . Encontre FY (y) e esboce seu gráfico. Diana Maia Probabilidade II Variáveis Aleatórias Discretas Função de Distribuição Acumulada Exemplo 12 Calcule a função de distribuição acumulada da v.a. X com distribuição de probabilidade dada por P(X = x) = ( n x ) 0,4x0,6n−x , para x ∈ {0,1,2, . . .6}e 0 caso contrário. Diana Maia Probabilidade II Variáveis Aleatórias Discretas Esperança Agora vamos definir uma importante quantidade associada às variáveis aleatórias: a esperança matemática. Diana Maia Probabilidade II Variáveis Aleatórias Discretas Definição A esperança matemática de uma variável aleatória discreta X assumindo valores em um conjunto S é dada por . E(X ) = ∑ x∈S x P(X = x). Diana Maia Probabilidade II Variáveis Aleatórias Discretas Esperança Propriedades Se c é uma constante, então E(cX ) = cE(X ) Se as esperanças das variáveis aleatórias X e Y existem, então existe a esperança de X + Y e E(X + Y ) = E(X ) + E(Y ). De maneira geral, se as esperanças das variáveis aleatórias X1,X2, . . . ,Xn existem, então existe a esperança de X1 + X2 + · · ·+ Xn e E(X1 + X2 + · · ·+ Xn) = E(X1) + E(X2) + · · ·+ E(Xn). Diana Maia Probabilidade II Variáveis Aleatórias Discretas Esperança Propriedades Se c é uma constante, então E(cX ) = cE(X ) Se as esperanças das variáveis aleatórias X e Y existem, então existe a esperança de X + Y e E(X + Y ) = E(X ) + E(Y ). De maneira geral, se as esperanças das variáveis aleatórias X1,X2, . . . ,Xn existem, então existe a esperança de X1 + X2 + · · ·+ Xn e E(X1 + X2 + · · ·+ Xn) = E(X1) + E(X2) + · · ·+ E(Xn). Diana Maia Probabilidade II Variáveis Aleatórias Discretas Esperança Propriedades Se c é uma constante, então E(cX ) = cE(X ) Se as esperanças das variáveis aleatórias X e Y existem, então existe a esperança de X + Y e E(X + Y ) = E(X ) + E(Y ). De maneira geral, se as esperanças das variáveis aleatórias X1,X2, . . . ,Xn existem, então existe a esperança de X1 + X2 + · · ·+ Xn e E(X1 + X2 + · · ·+ Xn) = E(X1) + E(X2) + · · ·+ E(Xn). Diana Maia Probabilidade II Variáveis Aleatórias Discretas Esperança Exemplo 13 Considere a variável aleatória X assumindo valores em SX = {1,2,3}, com distribuição de probabilidades x 1 2 3 P(X = x) 13 4 9 2 9 Calcule E(X ). Diana Maia Probabilidade II Variáveis Aleatórias Discretas Esperança Exemplo 14 Uma v.a. Y , com SY = {0,1,2} tem distribuição de probabilidades p(Y = y) = y + 1 2 ( 1 3 )y , ∀y ∈ SY . Calcule E(X ), E(2X ), E(X + 1) e E(X 2). Diana Maia Probabilidade II Variáveis Aleatórias Discretas Esperança No Exemplo 14, calculamos a esperança de algumas funções da variável aleatória. Muitas vezes temos interesse em modelar funções de variáveis aleatórias, mas não faremos isso ainda. Mas, vamos ver como calcular esperança de tais funções. Diana Maia Probabilidade II Variáveis Aleatórias Discretas Esperança No Exemplo 14, calculamos a esperança de algumas funções da variável aleatória. Muitas vezes temos interesse em modelar funções de variáveis aleatórias, mas não faremos isso ainda. Mas, vamos ver como calcular esperança de tais funções. Diana Maia Probabilidade II Variáveis Aleatórias Discretas Esperança No Exemplo 14, calculamos a esperança de algumas funções da variável aleatória. Muitas vezes temos interesse em modelar funções de variáveis aleatórias, mas não faremos isso ainda. Mas, vamos ver como calcular esperança de tais funções. Diana Maia Probabilidade II Variáveis Aleatórias Discretas Esperança Lema Sejam X uma variável aleatória discreta, g é uma função real e Y = g(X ). Então E(Y ) = ∑ x g(x)P(X = x). Diana Maia Probabilidade II Variáveis Aleatórias Discretas Momentos Um caso especialmente importante de funções de variáveis aleatórias é quando calculamos esperança das potências da variável aleatória. Definição A esperança de X k é denominada momento de ordem k da variável aleatória X , para k = 1,2,3, . . . Se X for discreta, então E(X k ) = ∑ x xkP(X = x) Diana Maia Probabilidade II Variáveis Aleatórias Discretas Variância Exemplo 15 Eu recebi duas propostas de emprego de duas empresas diferentes. Vamos definir S1 como sendo o salário da primeira empresa e S2 o salário da segunda empresa. Sabendo que E(S1) = 1000 e E(S2) = 800, qual dos dois empregos paga melhor? Seria melhor escolher o emprego cuja média salarial é maior? Essa informação sobre as esperanças é suficiente para tomar uma decisão? Diana Maia Probabilidade II Variáveis Aleatórias Discretas Variância Supondo que ambas as empresas tenham apenas três valores de salários com as seguintes distribuições s P(S1 = s) t P(S2 = t) 100 15 700 2 5 200 35 800 1 5 4300 15 900 2 5 Neste caso, qual das duas opções seria melhor? Diana Maia Probabilidade II Variáveis Aleatórias Discretas Variância O exemplo acima nos mostra a necessidade de alguma medida que indique quanto a variável varia em relação à média. Definição A variância de uma variável aleatória X é dada por Var(X ) = E [X − E(X )]2. Diana Maia Probabilidade II Variáveis Aleatórias Discretas Variância Observação Alternativamente, podemos calcular a variância como Var(X ) = E(X 2)− [E(X )]2. Diana Maia Probabilidade II Variáveis Aleatórias Varância Exemplo 16 Considere a variável aleatória X assumindo valores em SX = {1,2,3}, com distribuição de probabilidades x 1 2 3 P(X = x) 13 4 9 2 9 Calcule os dois primeiros momentos da variável X e Var(X ). Diana Maia Probabilidade II Variáveis Aleatórias Variância Exemplo 17 Uma v.a. Y , com SY = {0,1,2} tem distribuição de probabilidades p(Y = y) = y + 1 2 ( 1 3 )y , ∀y ∈ SY . Calcule Var(X ). Diana Maia Probabilidade II Modelos Probabilísticos Discretos Nas aulas passadas, vimos que a cada variável aleatória discreta atribuímos uma distribuição de probabilidades. Agora, vamos definir famílias de distribuições de probabilidades, as quais dependem de um ou mais parâmetros e que são usadas para modelar fenômenos com características particulares. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Um modelo probabilístico discreto é uma coleção de distribuições de probabilidade indexada por um parâmetro. O conjunto dos valores que o parâmetro pode assumir é chamado Espaço paramétrico e será denotado por Θ. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Uniforme Discreta Dizemos que uma variável aleatória X tem distribuição Uniforme Discreta em {1,2,3, . . . ,N}, N > 0, se sua distribuição de probabilidades for da forma P(X = x) = 1 N , ∀x = 1,2, . . . ,N, onde N é o parâmetro da distribuição. Esta distribuição surge quando temos uma variável aleatória assumindo valores no conjunto S = {1,2, . . . ,N} e cada valor de S tem exatamente a mesma probabilidade de acontecer, ou seja, são equiprováveis. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Uniforme Discreta Dizemos que uma variável aleatória X tem distribuição Uniforme Discreta em {1,2,3, . . . ,N}, N > 0, se sua distribuição de probabilidades for da forma P(X = x) = 1 N , ∀x = 1,2, . . . ,N, onde N é o parâmetro da distribuição. Esta distribuição surge quando temos uma variável aleatória assumindo valores no conjunto S = {1,2, . . . ,N} e cada valor de S tem exatamente a mesma probabilidade de acontecer, ou seja, são equiprováveis. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Uniforme Discreta Características da Distribuição 1 Notação - X ∼ Unif (N). 2 Suporte - S = {1,2, . . . ,N}. 3 Variação do parâmetro - N ∈ {1,2, . . . }. 4 Esperança - E(X ) = N+12 . 5 Variância - Var(X ) = N 2−1 12 Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Uniforme Discreta Exemplo 18 Considerando o experimento de lançar um dado honesto e observar a face obtida, defina: X : Número daface observada. Neste caso, X ∼ Unif (6). Qual a esperança e a variância de X? Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Uniforme Discreta Exemplo 19 Em um curso de culinária, o professor resolveu sortear um brinde entre seus 20 alunos. Os alunos foram enumerados de 1 a 20 e então o professor sorteou ao acaso um desses alunos. Se definirmos X : Número do aluno sorteado Qual a distribuição de X neste caso? Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Bernoulli Dizemos que uma variável aleatória X tem distribuição Bernoulli se sua distribuição é dada por P(X = 1) = p e P(X = 0) = 1− p, onde o parâmetro p assume valores em (0,1). Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Bernoulli Esta distribuição é usada para modelar situações em que o experimento tem apenas dois resultados possíveis. Ao resultado que estamos interessados em observar, chamamos SUCESSO e ao outro resultado, chamamos FRACASSO. Tal tipo de experimento é chamado Ensaio de Bernoulli. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Bernoulli A distribuição Bernoulli modelará uma variável X = { 1, se observou-se SUCESSO 0, se observou-se FRACASSO, sendo que P(SUCESSO) = p. Vale salientar que sucesso, neste caso, não quer dizer um resultado “bom”, mas aquilo que se quer observar. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Bernoulli Características da Distribuição 1 Notação - X ∼ Bernoulli(p). 2 Suporte - S = {0,1}. 3 Variação do Parâmetro - p ∈ (0; 1). 4 Esperança- E(X ) = p. 5 Variância - Var(X ) = p(1− p). Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Bernoulli Exemplo 20 Considere esta sala de aula de Probabilidade 2. Para um aluno escolhido ao acaso, defina a variável: X = { 1, se o aluno tem mais de 20 anos 0, caso contrário. Qual a distribuição de X? Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Bernoulli Exemplo 21 Considere esta sala de aula de Probabilidade 2. Para um aluno escolhido ao acaso, defina a variável: X = { 1, se o aluno mora em Campina Grande 0, caso contrário. Qual a distribuição de X agora? Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Binomial Considere o seguinte contexto: repetimos n vezes, independentemente, um ensaio de Bernoulli, com probabilidade p de sucesso a cada repetição. Se definirmos, para este experimento, a variável X : número de sucessos nas n repetições então X tem Distribuição Binomial com parâmetros n e p. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Binomial Se definirmos para cada uma das repetições dos ensaios de Bernoulli Yi = { 1, se observou-se SUCESSO no i-ésimo ensaio 0, se observou-se FRACASSO no i-ésimo ensaio, então a variável X = n∑ i=1 Yi , tem distribuição binomial com parâmetros n e p. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Binomial Dizemos que uma variável aleatória X tem distribuição binomial com parâmetros n e p se sua distribuição de probabilidade é dada por P(X = x) = ( n x ) px(1− p)n−x , sendo que n é o número de repetições e p é a “probabilidade de sucesso”. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Binomial Características da Distribuição 1 Notação - X ∼ B(n,p) ou X ∼ Bin(n,p) (o que usaremos) ou X ∼ Binom(n,p) ou X ∼ Binomial(n,p). 2 Suporte - S = {0,1,2, . . . ,n}. 3 Variação dos Parâmetros - n ∈ {1,2,3, . . . } e p ∈ (0; 1). 4 Esperança- E(X ) = np. 5 Variância - Var(X ) = np(1− p). Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Binomial Exemplo 22 Numa criação de coelhos, 40% dos nascimentos são de coelhos do sexo masculino. Num certo dia, nasceram 20 coelhos. 1 Qual a probabilidade de que nasçam pelo menos dois coelhos machos neste dia? 2 Qual o número esperado de machos que nasceram neste dia? Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Binomial Exemplo 23 A probabilidade de que um paciente se recupere de uma doença sanguínea rara é de 0,3. Se 15 pessoas contraíram essa doença, qual é a probabilidade de que 1 Pelo menos 10 sobrevivam. 2 Exatamente 5 pessoas sobrevivam. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Geométrica Considere o experimento de repetir um ensaio de Bernoulli, sendo que as repetições independentes e a cada repetição tem-se probabilidade p de sucesso. Repete-se tais ensaios até que o primeiro sucesso ocorra. Se definirmos a variável X : número de tentativas até o primeiro sucesso, então X tem uma distribuição Geométrica com parâmetro p, 0 < p < 1. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Geométrica Se uma variável aleatória X tem Distribuição Geométrica com parâmetro p, 0 < p < 1, sua distribuição de probabilidade é dada por P(X = x) = (1− p)x−1p, x ∈ {1,2, . . . }. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Geométrica Características da Distribuição 1 Notação - X ∼ geom(p). 2 Suporte - S = {1,2, . . . }. 3 Variação do parâmetro - p ∈ (0; 1). 4 Esperança - E(X ) = 1p . 5 Variância - Var(X ) = 1−pp2 Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Geométrica Muitas vezes, em lugar de definir a distribuição geométrica como sendo aquela que conta o número de tentativas até o primeiro sucesso, considera-se como sendo o número de fracassos até o primeiro sucesso. Isso é um parametrização diferente da distribuição geométrica e acarreta algumas mudanças que veremos a seguir. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Geométrica De acordo com a nova parametrização, se uma variável aleatória X tem Distribuição Geométrica com parâmetro p, 0 < p < 1, sua distribuição de probabilidade é dada por P(X = x) = (1− p)xp, x ∈ {0,1,2, . . . }. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Geométrica Características da Distribuição 1 Notação - X ∼ geom(p). 2 Suporte - S = {0,1,2, . . . }. 3 Variação do parâmetro - p ∈ (0; 1). 4 Esperança - E(X ) = 1−pp . 5 Variância - Var(X ) = 1−pp2 Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Geométrica Exemplo 24 Numa criação de coelhos, 40% dos nascimentos são de coelhos do sexo masculino. 1 Qual a probabilidade de que o primeiro macho a nascer seja o quinto filhote nascido? 2 Qual é o número médio de nascimentos até que nasça o primeiro coelho macho? Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Geométrica Exemplo 25 A probabilidade de que um paciente seja diagnosticado com uma determinaa doença sanguínea rara é de 0,3. Em um certo laboratório, cada pessoa que chega é examinada para detectar se ela tem ou não tal doença. 1 Qual é a probabilidade de que o primeiro paciente diagnosticado com essa doença seja o primeiro? 2 Qual é a probabilidade de que o primeiro paciente diagnosticado com essa doença apareçe até o quinto paciente? 3 Qual é a probabilidade de que o primeiro paciente diagnosticado com essa doença não apareça até a terceira tentativa? Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Binomial Negativa Considere o seguinte experimento: repetimos, independentemente, ensaios de Bernoulli até que o r -ésimo sucesso ocorra. Neste caso, a variável aleatória X : número de tentativas até o r -ésimo sucesso tem distribuiçãoBinomial Negativa ou Pascal. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Binomial Negativa Se uma variável aleatória X tem distribuição binomial negativa (Pascal), então sua distribuição de probabilidade é da forma P(X = x) = ( x − 1 r − 1 ) pr (1− p)x−r , onde x ∈ {r , r + 1, . . . }. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Binomial Negativa Para as demonstrações que faremos, relacionadas à distribuição binomial negativa, precisaremos das seguintes definições: Podemos definir, de forma mais geral, o coeficiente binomial para números negativos como(−a b ) = (−a)(−a− 1) . . . (−a− b + 1) b! . Alternativamente,(−a b ) = (−1)b (a + b − 1)! b!(a− 1)! = (−1) b ( a + b − 1 b ) Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Binomial Negativa Temos ainda que, para qualquer n ∈ R, desde que |q| < 1, (1− q)−r = ∞∑ k=0 (−r k ) (−q)k = ∞∑ k=0 ( k + r − 1 r − 1 ) qk . Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Binomial Negativa Características da Distribuição 1 Notação - X ∼ Binneg(r ,p). 2 Suporte - S = {r , r + 1, r + 2, . . . }. 3 Variação dos parâmetros - p ∈ (0; 1) e r ≥ 1. 4 Esperança - E(X ) = rp . 5 Variância - Var(X ) = r(1−p)p2 Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Binomial Negativa Exemplo 26 Sabe-se que 30% de certa população tem diabetes. Um pesquisador deseja estudar certa característica dos diabéticos. 1 Qual o número médio de pessoas que o pesquisador deve abordar até encontrar a quinta pessoa que tem diabetes? 2 Qual a probabilidade que ele tenha que abordar exatamente 10 pessoas? Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Binomial Negativa Exemplo 27 60% das pessoas que entram em certa loja acabam comprando alguma coisa. Em certo dia, a loja faz uma promoção em que o décimo cliente que comprar, ganhará um desconto de 50% no valor a pagar. 1 Qual é a probabilidade de que o cliente premiado seja exatamente o décimo a entrar na loja? 2 Qual é o número médio de clientes que entra na loja até que haja um premiado? Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Hipergeométrica Considere um grupo com N itens, sendo que k desses tem uma determinada característica e os demais não a tem. Então colhe-se uma amostra de n itens (sem reposição) entre os N do grupo. Se definirmos X : número de elementos da amostra de tamanho n que tem a tal característica citada, então X tem distribuição hipergeométrica com parâmetros N, k e n. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Hipergeométrica Se X tem distribuição hipergeométrica com parâmetros N, k e n, então P(X = x) = (k x )(N−k n−x )(N n ) , para max{0,n − (N − k)} ≤ x ≤ min{k ,n}. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Hipergeométrica A distribuição hipergeométrica representa um modelo para amostragem sem reposição de uma população com um número finito de elementos, em que cada elemento pode ser de um de dois tipos. Se tal amostragem fosse com reposição, teríamos uma distribuição binomial. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Hipergeométrica Características da Distribuição 1 Notação - X ∼ hipergeom(N, k ,n). 2 Suporte - max{0,n − (N − k)} ≤ x ≤ min{k ,n} 3 Variação dos parâmetros - N ≥ 1, 0 < K ≤ N e 0 < n < N. 4 Esperança - E(X ) = knN 5 Variância - Var(X ) = k nN N−k N ( 1− n−1N−1 ) Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Hipergeométrica Exemplo 28 De um baralho com 52 cartas, retiram-se 8 cartas ao acaso, sem reposição. Qual é a probabilidade de que 4 sejam figuras? Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Hipergeométrica Exemplo 29 Pequenos motores elétricos são expedidos em lotes de 50 unidades. Antes que uma remessa seja aprovada, um inspetor escolhe 5 desses motores e os inspeciona. Se nenhum dos motores inspecionados for defeituoso, o lote é aprovado. Se um ou mais forem detectados defeituosos, todos os outros motores da remessa são inspecionados. Supondo que existam, de fato, três motores defeituosos no lote, qual é a probabilidade de que seja necessário inspecionar todo o lote? Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Poisson Se uma variável aleatória X tem Poisson com parâmetro λ > 0, sua distribuição de probabilidade é dada por P(X = x) = e−λλx x! , para x ∈ {0,1,2, . . . }. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Poisson A distribuição Poisson é especialmente associada a contagens. Em outras palavras, a distribuição Poisson é apropriada para contar o números de ocorrências de um certo evento em um dado intervalo de tempo ou região específica, sendo que tais eventos ocorrem a uma taxa λ. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Poisson Características da Distribuição 1 Notação - X ∼ Poisson(λ). 2 Suporte - S = {0,1,2,3, . . . } 3 Variação do parâmetro- λ > 0. 4 Esperança - E(X ) = λ 5 Variância - Var(X ) = λ Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Poisson Exemplo 30 Se o número de acidentes que ocorre por dia em uma determinada rodovia tem distribuição Poisson com parâmetro λ = 3, qual é a probabilidade de que não ocorram acidentes hoje? Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Poisson Exemplo 31 Numa central telefônica chegam, em média, 30 telefonemas por hora. Qual é a probabilidade de que em uma hora hajam exatamente 10 chamadas? Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Poisson A distribuição Poisson pode ser vista como uma aproximação da distribuição binomial quando o número de repetições tende a infinito, com a condição de que npn = λ permaneça constante. Diana Maia Probabilidade II Modelos Probabilísticos Discretos Distribuição Poisson Exemplo 32 Em certa instalação industrial, acidentes ocorrem com baixa frequência. Sabe-se que a probabilidade de que haja acidente em certo dia é de 0,005, e os acidentes são independentes uns dos outros. Qual é a probabilidade de que em um período de 400 dias haja apenas um dia em que houve acidente? Diana Maia Probabilidade II
Compartilhar