Baixe o app para aproveitar ainda mais
Prévia do material em texto
Probabilidade e Estat´ıstica Modelos Discretos UAEst/CCT/UFCG 1 / 25 Modelos Probabil´ısticos Motivac¸a˜o Em muitas situac¸o˜es, alguns experimentos aleato´rios apresentam carac- ter´ısticas bastante peculiares. Este fato possibilita que, uma vez identifi- cadas estas caracter´ısticas, um particular modelo probabil´ıstico seja proposto para modelar o fenoˆmeno em estudo. Neste contexto passaremos ao estudo de alguns dos principais modelos pro- babil´ısticos (tanto para varia´veis aleato´rias discretas quanto para cont´ınuas). 2 / 25 Modelos Probabil´ısticos para Varia´veis Aleato´rias Discretas 1 Modelo de Bernoulli; 2 Modelo Binomial; 3 Modelo Hipergeome´trico; 4 Modelo Geome´trico e 5 Modelo de Poisson. 3 / 25 Modelo (ou Distribuic¸a˜o) de Bernoulli Em muitos experimentos os resultados sa˜o tais que ocorre ou na˜o ocorre determinada caracter´ıstica. Por exemplo: 1 Ao lanc¸ar uma moeda: o resultado ou e´ cara, ou na˜o (ocorrendo, enta˜o, coroa); 2 Ao lanc¸ar um dado: ocorre nu´mero par ou na˜o (ocorrendo nu´mero ı´mpar); 3 Uma pessoa e´ escolhida ao acaso dentre 1000: ou ela e´ do sexo mas- culino ou na˜o (e´ do sexo feminino); 4 Uma pessoa e´ escolhida ao acaso dentre 1000: ou ela e´ favora´vel a um determinado projeto governamental ou na˜o. 4 / 25 Modelo (ou Distribuic¸a˜o) de Bernoulli Em todas estes casos, estamos interessados na ocorreˆncia (sucesso) ou na˜o (fracasso) de determinada caracter´ıstica. Enta˜o, para cada experimento acima podemos definir uma v.a. X, que assume os seguintes valores: 1, se ocorrer sucesso, e 0, se ocorrer fracasso. E, indicaremos por p a probabili- dade de sucesso, isto e´, P (sucesso) = P (X = 1) = p, 0 < p < 1. 5 / 25 Modelo (ou Distribuic¸a˜o) de Bernoulli Uma varia´vel aleato´ria X, que assume apenas os valores 0 e 1, e´ dita ter distribuic¸a˜o de Bernoulli com paraˆmetro p, 0 < p < 1, se sua func¸a˜o de probabilidade e´ dada por P (X = x) = { p, se x = 1; 1− p, se x = 0. Notac¸a˜o: X ∼ Ber(p). Observac¸a˜o: Experimentos que resultam numa v.a. de Bernoulli sa˜o chama- dos ensaios de Bernoulli. Propriedades E(X) = p; V ar(X) = p(1− p). 6 / 25 Modelo (ou Distribuic¸a˜o) Binomial Definic¸a˜o (Experimento Binomial) Um experimento binomial consiste de n tentativas independentes de um mesmo experimento aleato´rio, onde cada tentativa admite apenas dois re- sultados: sucesso, com probabilidade p, e fracasso, com probabilidade 1−p. Pode-se dizer ainda que um experimento binomial consiste de n ensaios in- dependentes de Bernoulli, cuja probabilidade de sucesso em cada ensaio e´ constante e igual a p, 0 < p < 1. Definic¸a˜o (Varia´vel Aleato´ria Binomial) Uma varia´vel aleato´ria definida como X: nu´mero de sucessos num experi- mento binomial e´ dita ser uma Varia´vel Aleato´ria Binomial com paraˆmetros n e p. 7 / 25 Modelo (ou Distribuic¸a˜o) Binomial Teorema Se X e´ uma varia´vel aleato´ria binomial com paraˆmetros n e p, enta˜o P (X = k) = ( n k ) pk(1− p)n−k, k = 0, 1, ..., n, em que k e´ o nu´mero de sucessos nos n ensaios. Notac¸a˜o: X ∼ B(n, p). Propriedades E(X) = np; V ar(X) = np(1− p). 8 / 25 Exemplo 1 Um fabricante de pec¸as de automo´vel garante que uma caixa de suas pec¸as contera´, no ma´ximo, duas defeituosas. Sabe-se que uma caixa conte´m 20 pec¸as, e a experieˆncia tem demonstrado que, em seu processo de fabricac¸a˜o, 6% das pec¸as sa˜o defeituosas. Selecionada uma dessas caixas, ao acaso, encontre: a) A probabilidade de que nenhum dos itens tenha defeito; b) A probabilidade de que todas as pec¸as sejam defeituosas; c) A probabilidade de que a caixa satisfac¸a a garantia; d) O nu´mero de pec¸as defeituosas esperadas nesta caixa. 9 / 25 Exemplo 2: Overbooking Overbooking e´ uma pra´tica realizada na aviac¸a˜o no mundo todo. Consiste na empresa ae´rea vender mais bilhetes do que o dispon´ıvel no voo com base na me´dia de desisteˆncias dos voos anteriores. Uma empresa ae´rea possui um avia˜o com capacidade para 100 lugares, se para um certo voˆo essa empresa vendeu 103 passagens e, admitindo que a probabilidade de um passageiro comparecer para embarque e´ de 93%, qual a probabilidade de algum passageiro na˜o conseguir embarcar? 10 / 25 Modelo (ou Distribuic¸a˜o) Hipergeome´trico(a) Considere uma populac¸a˜o (conjunto) composta de N objetos, r dos quais teˆm uma certa caracter´ıstica A, logo, N − r na˜o teˆm a caracter´ıstica A (A). Suponha que n desses objetos (n ≤ N) sa˜o escolhidos ao acaso sem reposic¸a˜o e que estamos interessados na varia´vel X : nu´mero de elementos que possuem a caracter´ıstica A dentre os n. Enta˜o, a varia´vel definida desta forma e´ dita ter distribuic¸a˜o hipergeome´trica com paraˆmetros N , r e n e func¸a˜o de probabilidade dada por P (X = k) = ( r k )( N−r n− k ) ( N n ) , k = max{0, n− (N − r)}, ...,min{r, n}. Notac¸a˜o: X ∼ hip(N, r, n). 11 / 25 Modelo (ou Distribuic¸a˜o) Hipergeome´trico(a) Propriedades E(X) = n ( r N ) ; V ar(X) = n ( r N ) ( 1− rN ) N−n N−1 , em que rN e´ a probabilidade de se obter um objeto com a caracter´ıstica A numa u´nica extrac¸a˜o. Observac¸a˜o: Quando a populac¸a˜o e´ muito grande, ou seja, N → ∞, quando comparado com n, a retirada ao acaso, com ou sem reposic¸a˜o, sera˜o praticamente equivalentes, de modo que a distribuic¸a˜o hipergeome´trica se aproxima da distribuic¸a˜o binomial. 12 / 25 Exemplo 3 Em problemas de controle de qualidade, lotes com N itens sa˜o examina- dos. O nu´mero de itens com defeito (atributo A), r, e´ desconhecido, mas, digamos que, por experieˆncias passadas, voceˆ sabe que em lotes de N = 100 pec¸as, 10% sa˜o defeituosas. Se num certo lote de 100 pec¸as voceˆ escolhe ao acaso 5 itens, sem reposic¸a˜o, qual e´ a) a probabilidade de nenhum item ser defeituoso? b) a probabilidade de na˜o mais do que um item ser defeituoso? c) o nu´mero esperado de itens defeituosos? 13 / 25 “Hora da chamada...” Albert Einstein Tudo deveria se tornar o mais simples poss´ıvel, mas na˜o simplificado. 14 / 25 Modelo (ou Distribuic¸a˜o) Geome´trico(a) Considere um experimento cujo os resultados podem ser classificados como sucesso ou fracasso e que repetic¸o˜es deste experimento possam ser realizadas de forma independente. Se p e´ a probabilidade de sucesso, enta˜o 1− p e´ a probabilidade de fracasso, e se considerarmos a varia´vel aleato´ria X: nu´mero de repetic¸o˜es ate´ ocorrer o primeiro sucesso, enta˜o: P (X = k) = (1− p)k−1p, k = 1, 2, ... A varia´vel aleato´ria definida acima e´ dita ter distribuic¸a˜o geome´trica com paraˆmetro p. Notac¸a˜o: X ∼ G(p). Propriedades E(X) = 1p e V ar(X) = 1−p p2 . 15 / 25 Exemplo 4 Se a probabilidade de um certo ensaio dar reac¸a˜o positiva for igual a 0,4, qual sera´ a probabilidade de que menos de 5 reac¸o˜es negativas ocorram antes da primeira positiva? 16 / 25 Exemplo 5 Toda manha˜, antes de iniciar a produc¸a˜o, o setor de manutenc¸a˜o de uma indu´stria faz a verificac¸a˜o de todo o equipamento. A experieˆncia indica que em 95% dos dias tudo esta´ bem e a produc¸a˜o se inicia. Caso haja algum problema, uma revisa˜o completa sera´ feita e a indu´stria so´ comec¸ara´ a trabalhar apo´s o almoc¸o. Fac¸a alguma suposic¸a˜o que julgar necessa´ria e responda: a) qual e´ a probabilidade de demorar 10 dias para ocorrer a primeira revisa˜o completa? b) qual e´ a probabilidade de demorar pelo menos 4 dias para ocorrer a primeira revisa˜o completa? c) qual o nu´mero me´dio de dias ate´ a ocorreˆncia da primeira revisa˜o completa? 17 / 25 Modelo (ou Distribuic¸a˜o) de Poisson Suponha, agora, que o interesse num certo experimento seja contar o nu´mero de ocorreˆncias de um certo evento, o qualpode ocorrer durante um intervalo de tempo, ao longo de uma superf´ıcie ou volume. Por exemplo: 1 Durante o intervalo de uma hora, observar o nu´mero de carros que passam numa rodovia; 2 Ao inspecionar a pintura de um carro, deseja-se observar o nu´mero de falhas por unidade inspecionada; 3 Ao realizar o controle de qualidade de um produto aliment´ıcio, deseja-se conhecer o nu´mero de bacte´rias por unidade inspecionada. Em todas estas situac¸o˜es poderemos trabalhar com a distribuic¸a˜o de prob- abilidade a seguir. 18 / 25 Modelo (ou Distribuic¸a˜o) de Poisson Definic¸a˜o Dizemos que a varia´vel aleato´ria X : nu´mero de ocorreˆncias de um certo evento num determinado intervalo de tempo, superf´ıcie ou volume, tem distribuic¸a˜o de Poisson com paraˆmetro λ (λ > 0), se sua func¸a˜o de probabilidade e´ dada por P (X = k) = e−λλk k! , k = 0, 1, 2, ... Notac¸a˜o: X ∼ Poisson(λ). Observac¸a˜o: O paraˆmetro λ e´ usualmente referido como a taxa de ocorreˆncia e diz respeito ao nu´mero me´dio de eventos de certo tipo que ocorrem em um intervalo de tempo, ou distaˆncia, ou a´rea, ou volume. 19 / 25 Modelo (ou Distribuic¸a˜o) de Poisson Propriedades E(X) = λ V ar(X) = λ Observac¸a˜o: Se X tem distribuic¸a˜o Binomial, ou seja, X ∼ B(n, p), em que n e´ bastante grande com p pequeno, de modo que np ≤ 7, enta˜o a distribuic¸a˜o de X se aproxima da distribuic¸a˜o de Poisson com paraˆmetro λ = np, isto e´, X ∼ Poisson(np). 20 / 25 Exemplo 6 Um companhia recebe uma me´dia de 5 chamadas por minuto. Obtenha: a) A probabilidade de que a companhia na˜o receba chamadas durante o intervalo de 1 minuto. b) A probabilidade de que a companhia receba, no ma´ximo, 2 chamadas durante um intervalo de 4 minutos. 21 / 25 Exemplo 7 Seja X ∼ B(200; 0, 01). Calcule P (X = 10) usando a distribuic¸a˜o binomial e compare com o valor aproximado, desta probabilidade, obtido atrave´s da distribuic¸a˜o de Poisson. 22 / 25 Exerc´ıcios Sugeridos 8.1, 8.3 a 8.7, 8.10 a 8.14, 8.20 e 8.21 (Livro Texto) 23 / 25 “Hora da chamada...” Albert Einstein O primeiro dever da inteligeˆncia e´ desconfiar dela mesma. 24 / 25 Bibliografia Probabilidade, Aplicac¸o˜es a` Estat´ıstica (2a edic¸a˜o). Paul L. Meyer (1995). LTC. Estat´ıstica Ba´sica (7a edic¸a˜o). Wilton O. Bussab e Pedro A. Morettin (2011). Editora Saraiva. 25 / 25
Compartilhar