Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Noções de Probabilidade Experimentos Aleatórios São aqueles cujos resultados não podem ser previstos, ainda que os experimentos sejam repetidos sob condições semelhantes. Ex. Retirar uma peça de um lote e observar se é perfeita ou defeituosa. Espaço amostral, () é o conjunto de todos os resultados possíveis de um experimento aleatório. = {w1, w2, ... } Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG w1 w2 . , , Variável Aleatória X(wi ) = xi Podemos associar a cada ponto do espaço amostral um número. 2 1 0 Esta variável é denominada de VARIÁVEL ALEATÓRIA. 2 Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Tipos de variáveis aleatórias: • Variável Aleatória Discreta (VAD): quando admite um número finito de valores ou tem uma quantidade enumerável de valores, esses valores podem ser associados a mensurações em uma escala discreta. • Ex.: Número de produtos vendidos por mês. Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG •Variável Aleatória Continua (VAC): quando pode tomar um número infinito de valores, e esses valores podem ser associados a mensurações em uma escala contínua. • Ex. : Temperatura máxima mensal em BH Tipos de variáveis aleatórias: 3 Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG w1 w2 . , , Distribuição de Probabilidade X(wi ) = xi Podemos calcular a probabilidade pi da variável aleatória assumir o valor xi 3 1 0 1 0 2 )( ii xpxXPxf Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Distribuições de Probabilidade de uma VAD Podemos calcular a probabilidade p(xi) da variável aleatória assumir o valor xi p(xi) = Pr[ X = xi]. A seqüência de pares de valores {(xi, p(xi)} é denominada distribuição de probabilidades da variável aleatória X. Pode-se demonstrar que: 1)( 1)(0 i i xp xp 4 Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Função de Distribuição Cumulativa de uma VAD A função distribuição cumulativa de uma VAD X, denotada por F(x), é Para uma variável aleatória discreta X, F(X) satisfaz as seguintes propriedades: )()(,)2 1)(0)1 yFxFentãoyxSe xF i xx i i xfxXPxF )( Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Média ou valor esperado de uma VAD X denotado por µ, é Distribuições de Probabilidade de uma VAD )(. xfxXE A variância de X denotada por 2 ou V(X) é )()( 222 xfxXEXV 222 )(. xfx Desvio-padrão de X denotado por é )(.2 xfx 5 Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Propriedades: Distribuições de Probabilidade de uma VAD a) Se Y= aX+b, onde a e b são constantes, então ).()( ,)()( 2 XVaYV bXaEbaXEYE 22 XEXEXV b) Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Propriedades: Distribuições de Probabilidade de uma VAD a) Para duas v.a. X e Y quaisquer, temos Y );,(2)()( YXCovYVXVYXV .YVXVYXV b) Se X e Y forem independentes, então 6 Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Distribuições de Probabilidade de VAD: • Uniforme • Binomial • Binomial Negativa • Geométrica • Hipergeométrica • Poisson • ... Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Uma variável aleatória X será uma variável aleatória discreta uniforme, se cada um dos n valores, x1, x2, ..., xn tiver igual probabilidade, Distribuição Uniforme Discreta n xf 1 )( Se X é uma variável aleatória discreta uniforme nos inteiros consecutivos a, a+1, a+2, ...,b, para a ≤ b. A média de X é e o desvio-padrão é 12 11 2 ab 2 ab XE 7 Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Experimentos de Bernoulli Um experimento aleatório, consistindo em “n” repetidas tentativas, de modo que: 1) as tentativas sejam independentes 2) cada tentativa com dois possíveis resultados, “sucesso” ou “falha”, 3) com probabilidade de sucesso, denotada por p constante é chamado de experimento de Bernoulli. Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Distribuição Binomial nxpp x n xf xnx ,,3,2,1,0,1)( A média de X é O desvio-padrão é )1( pnp npXE Considerando “n” tentativas de Bernoulli independentes, defina-se a variável aleatória X, como o número de tentativas que resultam sucesso. Então X tem uma distribuição Binomial, com parâmetros p e n= 1, 2, 3,... ,n e função de probabilidade de 8 Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Distribuição Geométrica ,3,2,1,0,1 1 xppxXP x A média de X é O desvio-padrão é 2 )1( p p p XE 1 Considerando “n” tentativas de Bernoulli independentes, com probabilidade constante p de um sucesso, faça a variável aleatória X, como o número de tentativas até que o primeiro sucesso ocorra. Então X tem uma distribuição Geométrica, com parâmetros p e Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Considerando “n” tentativas de Bernoulli independentes, defina-se a variável aleatória X, como o número de tentativas até que r sucessos ocorram. Então X, tem uma distribuição Binomial Negativa, com parâmetros p e r= 1, 2, 3, ... , n e função de probabilidade de Distribuição Binomial Negativa ,...2,1,,1 1 1 rrrxpp r x rXP r rx A média de X é O desvio-padrão é 2/)1( ppr p rXE 9 Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Distribuição Hipergeométrica nxpp x n kXP xnx ,,3,2,1,0,1)( A média de X é O desvio-padrão é )1( pnp npXE Considerando uma série de N objetos contem: - K objetos classificados como sucesso - N-K objetos classificados como falhas. Uma amostra aleatória de tamanho “n” objetos selecionados ao acaso (sem reposição) a partir de N objetos, em que K ≤ N e n ≤ Então X tem uma distribuição Binomial, com parâmetros p e n= 1, 2, 3, ... , n e função de probabilidade de Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Distribuição de Poisson ! )( 1 k npe pp k n kXP knp knk estas probabilidades calculadas para todos os valores inteiros não negativos, constituem a Distribuição de Poisson. Observemos que as probabilidades decaem à medida que k crescee normalmente ocorrem num intervalo de tempo. A distribuição de Poisson é largamente usada quando se deseja contar o número de eventos de certo tipo que ocorre num intervalo de tempo, ou superfície, ou volume, por exemplo número de falhas de um computdor num dia de operação. Existem tabelas que fornece os valores de uma distribuição Binomial, X ~B(n,p),para n= 1, 2, 3,... ,n. Para “n” grande e “p” pequeno, np ≤ 7, podemos aproximar as probabilidades por 10 Profa. Ela Mercedes M. de Toscano Departamento de Estatística - UFMG Distribuição de Poisson ,,3,2,1,0, ! k k e kXP k A média de X é O desvio-padrão é XE De modo geral , dizemos que a v.a. X tem uma distribuição de Poisson, com parâmetro se
Compartilhar