Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade Tecnolo´gica Federal do Parana´ Francisco Beltra˜o - PR Profa Naimara Vieira do Prado Notas de aula Probabilidade e Estat´ıstica Distribuic¸o˜es de varia´veis aleato´rias discretas Versa˜o 0.1.0 2015 Probabilidade e Estat´ıstica Profa Naimara Prado 1 Distribuic¸o˜es de probabilidades para varia´veis discretas Existem diversas situac¸o˜es reais que podem ser descritas com certa precisa˜o por modelos estat´ısticos. Assim podemos “prever” o comportamento de determinada varia´vel aleato´ria discreta conhecendo o modelo que descreve o seu comportamento baseado no comportamento da populac¸a˜o infinita. Para as varia´veis aleato´rias discretas, os principais modelos sa˜o: • distribuic¸a˜o Uniforme discreta • distribuic¸a˜o de Bernoulli • disbribuic¸a˜o Binomial • distribuic¸a˜o Poisson 1.1 Distribuic¸a˜o uniforme discreta E´ a mais simples de todas as distribuic¸o˜es discretas de probabilidades. Caracteriza- se por assumir a mesma probabilidade para o conjunto de valores. Definic¸a˜o: Seja X uma varia´vel aleato´ria cujos poss´ıveis valores sa˜o representados por x1, x2, . . . xn, dizemos que X segue uma distribuic¸a˜o uniforme discreta se sua func¸a˜o de probabilidade (f.p.) for dada por: f(x) = P (X = xi) = 1 n , para i = 1, 2, . . . , n Notac¸a˜o: X ∼ Ud(1, n), leˆ-se: a varia´vel aleato´ria X possui distribuic¸a˜o Uniforme dis- creta no intervalo de 1 a n. Exemplo 1: No lanc¸amento de um dado, a varia´vel aleato´ria X assume os seguintes valores: X = {1, 2, 3, 4, 5, 6} com f(x) = P (X = x) = 1 6 2 UTFPR Probabilidade e Estat´ıstica Profa Naimara Prado De forma gra´fica, temos: Figura 1: Func¸a˜o de probabilidade Uniforme Discreta para n = 1, 2, . . . , 6 1 2 3 4 5 6 0. 10 0. 14 0. 18 0. 22 x f(x ) = P (X = x) Exemplo 2: Uma rifa tem 100 bilhetes numerados de 1 a 100. Tenho 5 bilhetes consecutivos numerados de 21 a 25. Meu colega tem outros 5 bilhetes com os nu´meros: 1, 11, 29, 68 e 93. Quem tem a maior probabilidade de ser sorteado? Qual o valor dessa probabilidade? Os dois tem a mesma probabilidade de serem sorteados. Probabilidade de ser sorteado = 5× 1 100 = 5 100 = 1 20 = 5% Deste modo, as chances de ser sorteado esta´ baseado na quantidade de bilhetes adquiridos e na˜o na nu´merac¸a˜o dos bilhetes. 1.2 Distribuic¸a˜o Bernoulli Corresponde a qualquer experimento que realizado uma u´nica vez produza apenas dois resultados: “0” ou “fracasso” e “1” ou “sucesso”. A probabilidade de ocorrer sucesso e´ p e a probabilidade de fracasso e´ q = (1−p). Definic¸a˜o: Seja X uma varia´vel aleato´ria em que X = {0, 1} . X ∼ Bernoulli(p), sua func¸a˜o de probabilidade e´ dada por: f(x) = P (X = x) = { p se x = 1: sucesso q = 1− p se x = 0: fracasso ou de outra forma: 3 UTFPR Probabilidade e Estat´ıstica Profa Naimara Prado f(x) = P (X = x) = px(1− p)1−x para X = {0, 1} Exemplo 3: Suponha que um aparelho e´ submetido a um teste e possui 10% de probabilidade de ser rejeitado no teste. Seja X = no de aparelhos rejeitados no teste. Determine a func¸a˜o de probabilidade de X. Sabendo que apenas um u´nico teste sera´ realizado, X ∼ Bernoulli(p = 0, 10). Deste modo: f(x) = P (X = x) = 0, 10x0, 901−x para X = {0, 1} Neste caso, assumimos como “sucesso” ou “1” a probabilidade do aparelho ser rejei- tado no teste. Propriedades: Seja a v.a. X com distribuic¸a˜o de Bernoulli e chance de sucesso p. (X ∼ Bernoulli(p)). • Me´dia: µ(X) = p • Variaˆncia: σ2(X) = p(1− p) = pq • p+ q = 1 Exemplo 4: Uma urna conte´m 30 bolas brancas e 20 bolas verdes. Retira-se uma bola da urna. Seja X =no de bolas verdes. Encontrar a func¸a˜o de probabilidade, me´dia e variaˆncia da varia´vel aleato´ria X. Como sa˜o 20 bolas verdes no total de 50 bolas da urna, p = 20 50 = 2 5 f(x) = P (X = x) = ( 2 5 )x( 1− 2 5 )1−x = ( 2 5 )x( 3 5 )1−x Me´dia: µ(X) = p = 2 5 e Variaˆncia: σ2(X) = p× q = 2 5 × 3 5 = 6 25 1.3 Distribuic¸a˜o Binomial Consiste em n repetic¸o˜es de um experimento Bernoulli de forma independente e, apresenta como resultado: “sucesso” ou “1” com probabilidade p e “fracasso” ou “0” com probabilidade q = (1− p). 4 UTFPR Probabilidade e Estat´ıstica Profa Naimara Prado Definic¸a˜o: Seja X uma varia´vel aleato´ria discreta, X = {0, 1} resultados de n experimentos de Bernoulli independentes, dizemos que X tem distribuic¸a˜o Binomial com func¸a˜o de probabilidade dada por: X ∼ Bin(n, p) ⇒ f(x) = P (X = x) = ( n x ) px(1− p)n−x em que: ( n x ) = n! x!(n− x)! = C n x . Exemplo 5: A obtenc¸a˜o de “caras” no lanc¸amento consecutivos de 5 moedas inde- pendentes. Encontre a probabilidade de sair 3 caras. X = no de caras, em que: X ∼ Bin(n = 5, p = 0, 5). f(x) = P (X = x) = ( 5 x ) 0, 5x × 0, 55−x = ( 5 x ) 0, 55 Para encontrar a probabilidade de sair exatamente 3 caras, devemos encontrar P (X = 3): P (X = 3) = ( 5 3 ) 0, 53 × 0, 52 = 5! 3!2! (0, 5)5 = 0, 3125 = 31, 25% Propriedades: • Me´dia: µ(X) = np • Variaˆncia: σ2(X) = n(pq) • A probabilidade de sucesso e´ a mesma a cada repetic¸a˜o do experimento. Exemplo 6: Seis parafusos sa˜o escolhidos ao acaso da produc¸a˜o de certa ma´quina que produz 14% de pec¸as defeituosas. Qual a probabilidade de escolher 2 defeituosos? X = no de parafusos defeituosos, com p = 0, 14 ⇒ X ∼ Bin(n = 6, p = 0, 14) f(x) = P (X = x) = ( 6 x ) 0, 14x0, 866−x = P (X = 2) = ( 6 2 ) 0, 1420, 866−2 = 0, 1608 = 16, 08% Exemplo 7: Sendo X uma varia´vel aleato´ria com distribuic¸a˜o Binomial com paraˆ- metros n = 15 e p = 0, 4, pergunta-se: 5 UTFPR Probabilidade e Estat´ıstica Profa Naimara Prado a) P (X ≤ 2) = b) P (8 < X ≤ 10) = c) P (X < 1 ou X ≥ 14) = Soluc¸a˜o: a) P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2) = = ( 15 0 ) 0, 400, 615 + ( 15 1 ) 0, 410, 614 + ( 15 2 ) 0, 420, 613 = = 4, 7018× 10−4 + 4, 7018× 10−3 + 4, 7018× 10−4 + 0, 0219 = 0, 02707 b) P (8 < X ≤ 10) = P (X = 9) + P (X = 10) = = ( 15 9 ) 0, 490, 66 + ( 15 10 ) 0, 4100, 65 = = 0, 0612 + 0, 0244 = 0, 0852 c) P (X < 1 ou X ≥ 14) = P (X = 0) + P (X = 14) + P (X = 15) = = ( 15 0 ) 0, 400, 615 + ( 15 14 ) 0, 4140, 61 + ( 15 15 ) 0, 4150, 60 = = 4, 7018× 10−4 + 2, 4159× 10−5 + 1, 0737× 10−6 = 4, 9541× 10−4 1.4 Distribuic¸a˜o Poisson Distribuic¸a˜o de probabilidade usada para uma varia´vel aleato´ria que registra o nu´- mero de ocorreˆncias em um intervalo de tempo ou espac¸o espec´ıficos, representa a “taxa” de ocorreˆncia de um evento em um intervalo pre´-fixado. E´ utilizada como uma alternativa para a distribuic¸a˜o Binomial para os casos em que n (nu´mero de ocorreˆncias) e´ muito grande e a probabilidade de sucesso p e´ muito pequena. Exemplos de casos que podem ser aplicados a distribuic¸a˜o Poisson: • Nu´mero de usua´rios de computador ligados a` internet; • Nu´mero de acidentes em determinada rodovia; 6 UTFPR Probabilidade e Estat´ıstica Profa Naimara Prado • Nu´mero de falhas por unidade de tempo; • Nu´mero de chamadas telefoˆnicas por hora em uma central telefoˆnica; Resumindo: A varia´vel aleato´riaX e´ o nu´mero de ocorreˆncias do evento no intervalo; O intervalo pode ser tempo, distaˆncia, volume, a´rea ou qualquer outra unidade ana´loga. Definic¸a˜o: Seja X uma varia´vel aleato´ria, em que X representa o nu´mero de ocor- reˆncias em um determinado intervalo, cuja taxa de ocorreˆncia e´ dada por λ, isto e´, X ∼ Poisson(λ), a func¸a˜o de probabilidade e´ dada por: f(x) = P (X = x) = λxe−λ x! em que: e ≈2, 71828 (constante natural ou nu´mero de Euler). Exemplo 8: Uma central telefoˆnica recebe em me´dia 4 chamadas por minuto, qual a probabilidade de na˜o receber nenhuma chamada no intervalo de 1 minuto? X = nu´mero de chamadas telefoˆnicas por minuto; X ∼ Poisson(λ), com λ = 4. Desta forma: f(x) = P (X = x) = 4xe−4 x! Enta˜o: P (X = 0) = 40e−4 0! = 0, 08131 = 1, 831% Qual a probabilidade de receber 5 chamadas em 1 minuto? P (X = 5) = 45e−4 5! = 0, 1562 = 15, 62% Propriedades: • Me´dia = µ(X) = λ; • Variaˆncia = σ2(X) = λ Observac¸o˜es: 1) O nu´mero de ocorreˆncias num intervalo de tempo na˜o depende do nu´mero de ocor- reˆncias em qualquer outro intervalo de tempo; 2) O nu´mero me´dio de ocorreˆncias por tempo e´ constante; 3) O nu´mero de ocorreˆncias durante qualquer intervalo depende somente da durac¸a˜o do intervalo, quanto maior o intervalo, maior o nu´mero de ocorreˆncias; 7 UTFPR Probabilidade e Estat´ıstica Profa Naimara Prado 4) A distribuic¸a˜o Poisson DIFERE da distribuic¸a˜o Binomial nos seguintes aspectos: i) a distribuic¸a˜o Binomial e´ afetada (ou depende) do tamanho da amostra n e da probabilidade de sucesso p, enquanto a Poisson e afetada apenas pela taxa de ocorreˆncias (λ). ii) em uma distribuic¸a˜o os poss´ıveis valores da varia´vel aleato´riaX sa˜o 0, 1, 2, . . . , n (n e´ o limite ma´ximo). A distribuic¸a˜o de Poisson foi desenvolvida supondo n → ∞, enta˜o os poss´ıveis valores paa a varia´veis aleato´ria X neste caso sa˜o 0, 1, 2, . . . (sem limite superior). 5) Podemos utilizar a distribuic¸a˜o Poisson como uma aproximac¸a˜o da distribuic¸a˜o Bi- nomial quando: n e´ grande (n ≥ 100) e p e´ pequeno (com np < 10) - (regra emp´ırica!). 6) Ao utilizarmos a Poisson como aproximac¸a˜o da Binomial, podemos encontrar o valor de λ pela seguinte fo´rmula: λ = np. Exemplo 9: Considere um processo de fabricac¸a˜o que tem uma taxa de 0,2 defeitos por unidade. Qual a probabilidade de uma unidade qualquer apresentar 2 defeitos? E 1 defeito apenas? X = nu´mero de defeitos por processo de fabricac¸a˜o, X ∼ Poisson(λ = 0, 2). Probabilidade de apresentar 2 defeitos: P (X = 2) = 0, 22e−0,2 2! = 0, 0654 = 6, 54% Probabilidade de apenas 1 defeito: P (X = 1) = 0, 21e−0,2 1! = 0, 1637 = 16, 37% Exemplo 10: Em momentos de pico, a chegada de avio˜es a um aeroporto se da´ segundo o modelo Poisson com taxa de 1 por minuto. a) Determine a probabilidade de chegar 3 avio˜es em um minuto qualquer do hora´rio de pico. Y = nu´mero de avio˜es que chegam no aeroporto no hora´rio de pico. Y ∼ Poisson(λ)⇒ P (X = x) = λ xe−λ x! Probabilidade chegar 3 avio˜es = P (X = 3) = 13e−1 3! = 0, 0613 = 6, 131% b) Se o aeroporto pode atender 2 avio˜es por minuto, qual a probabilidade de haver avio˜es sem atendimento imediato? 8 UTFPR Probabilidade e Estat´ıstica Profa Naimara Prado Primeiro devemos descobrir qual a probabilidade do aeroporto atingir a capacidade ma´xima de atendimento que e´ de ate´ 2 aeronaves; em outras palavras, queremos calcular a probabilidade de 0 ≤ Y ≤ 2, para isso temos: P (0 ≤ Y ≤ 2) = P (Y = 0) + P (Y = 1) + P (Y = 2) = 10e−1 0! + 11e−1 1! + 12e−1 2! = 0, 3678 + 0, 3678 + 0, 1839 = 0, 9195 Assim, em 91,95% dos casos, o aeroporto tem capacidade de atender, pore´m, em 8,05% das vezes havera´ aeronaves sem atendimento, isto e´, (100%− 91, 95% = 8, 05%). 9 UTFPR Distribuição uniforme discreta Distribuição Bernoulli Distribuição Binomial Distribuição Poisson
Compartilhar