Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade de Bras´ılia Departamento de Estat´ıstica Campus Universita´rio Darcy Ribeiro, Pre´dio de Cieˆncia da Computac¸a˜o e Estat´ıstica - CIC/EST, CEP:70910-900 - Bras´ılia/DF Probabilidade e Estat´ıstica Roberto Vila 06/09/2017 1 Alguns modelos probabil´ısticos para v.a.’s discretas (conti- nuac¸a˜o) 1.1 Distribuic¸a˜o Geome´trica. Considere a repetic¸a˜o de ensaios de Bernoulli independentes e todos com a mesma probabilidade de sucesso p ∈ (0, 1). Uma v.a. X ≈ nu´mero de fracassos necessa´rios para obter o primeiro sucesso ∈ {0, 1, 2, . . .} tem distribuic¸a˜o geome´trica (notac¸a˜o, X ∼ Geo(p)) de paraˆmetro p ∈ (0, 1) se sua func¸a˜o de probabilidade e´ dada por pX(x) = { p(1− p)x, se x ∈ {0, 1, 2, . . .} 0, caso contra´rio. (1) Uma definic¸a˜o alternativa de distribuic¸a˜o geome´trica e´ a seguinte: uma v.a. X ≈ nu´mero de provas necessa´rias para obter o primeiro sucesso ∈ {1, 2, 3, . . .} tem distribuic¸a˜o geome´trica (notac¸a˜o, X ∼ Geo(p)) de paraˆmetro p ∈ (0, 1) se sua func¸a˜o de probabilidade e´ pX(x) = { p(1− p)x−1, se x ∈ {1, 2, 3, . . .} 0, caso contra´rio. (2) Em conclusa˜o, uma v.a. X ∼ Geo(p) se relaciona a uma sequeˆncia de provas de Bernoulli, exceto pelo fato de que o nu´mero de provas na˜o e´ fixo. Proposic¸a˜o 1.1. Se X ∼ Geo(p) e q = 1− p, segundo a definic¸a˜o (1), enta˜o E(X) = q p e var(X) = q p2 . Observac¸a˜o 1.2. Quando X ∼ Geo(p) e q = 1− p, segundo a definic¸a˜o (2), temos que E(X) = 1 p e var(X) = q p2 . Logo, as caracter´ısticas descritivas de uma v.a. X ∼ Geo(p) depende do tipo de definic¸o˜es (1) ou (2) que se esteja considerando. Probabilidade e Estat´ıstica Exemplo 1.3. Suponha que uma linha de produc¸a˜o e´ interrompida toda vez que uma pec¸a defeituosa e´ observada. Assumindo que p e´ a probabilidade da pec¸a ser defeituosa, determine a probabilidade de que exatamente k pec¸as boas sejam produzidas antes da 1a pec¸a defeituosa aparecer. Rpta. = p(1− p)k, k = 0, 1, 2, . . . . 1.2 Distribuic¸a˜o Hipergeome´trica A distribuic¸a˜o Hipergeome´trica descreve o nu´mero de sucessos em uma sequeˆncia de n amostras de uma populac¸a˜o finita sem reposic¸a˜o. Dada uma populac¸a˜o de N itens, selecione uma amostra de tamanho n, sem reposic¸a˜o, e considere o conjunto Q = {itens que pertencem a uma classe de interesse} onde D = #Q(6 N) denota sua respectiva cardinalidade. Suponha que dentre os N itens existam D itens em Q. Estamos interessados em estudar a distribuic¸a˜o da seguinte v.a.: X ≈ nu´mero de itens (na amostra) que pertencem a Q. (3) Pelo Principio da Multiplicac¸a˜o (P.M.), a distribuic¸a˜o de X e´: pX(x) = ( D x )( N −D n− x ) ( N n ) , se x ∈ {0, 1, 2, . . . ,min{n,D}} 0, caso contra´rio. (4) A v.a. X definida em (3) tem Distribuic¸a˜o Hipergeome´trica (notac¸a˜o, X ∼ hip(N,D, n)) se ela possui f.p. pX definida por (4). Teorema 1.4. Se X ∼ hip(N,D, n), enta˜o E(X) = D( n N ) e var(X) = D( n N )(1− D N )( N − n N − 1 ) = E(X) · (1− D N )( N − n N − 1 ). Exemplo 1.5. Suponha que em um lote de N = 100 pec¸as, D = 10 sejam defeituosas. Aleatoriamente escolhemos 5 pec¸as sem reposic¸a˜o, qual e´ a probabilidade de obter pelo menos uma pec¸a defeituosa? Rpta. = 0, 426. Observac¸a˜o 1.6. Seja a v.a. X definida em (3). Se a amostragem aleato´ria fosse com reposic¸a˜o, note que X ∼ bin(n,D/N). 1.3 Distribuic¸a˜o de Poisson A Distribuic¸a˜o de Poisson e´ utilizada quando se quer contar o nu´mero de eventos de certo tipo que ocorrem em um intervalo de tempo. Por exemplo: a) nu´mero de chamadas telefoˆnicas recebidas durante 10 minutos; b) nu´mero de falhas de um computador em 3 dias de operac¸a˜o; c) nu´mero de acidentes relatados a uma companhia de seguros durante um meˆs. A Distribuic¸a˜o de Poisson e´ uma das distribuic¸o˜es discretas mais u´teis. 2/3 Probabilidade e Estat´ıstica Definic¸a˜o 1.7 (Distribuic¸a˜o de Poisson). Uma v.a. X ∈ {0, 1, 2, . . .} tem Distribuic¸a˜o de Poisson com paraˆmetro λ > 0 (notac¸a˜o, X ∼ Poisson(λ)), se sua f.p. e´ dada por pX(x) = { e−λλx x! , x ∈ {0, 1, 2, . . .} 0, caso contra´rio, onde λ e´ a taxa de ocorreˆncia. Teorema 1.8. Se X ∼ Poisson(λ), enta˜o E(X) = λ = var(X). Exemplo 1.9. Um telefone recebe, em me´dia, 5 chamadas por minuto. 1. Obter a probabilidade de que o telefone na˜o receba chamadas durante um intervalo de 1 minuto. Rpta. = 0, 0067. 2. Obter a probabilidade de obter no ma´ximo 2 chamadas em 4 minutos. Rpta. = 221e−20 ≈ 0. 2 Desenvolvimento da Distribuic¸a˜o de Poisson a partir da Bi- nomial Ideia principal : Poisson(np) ≈ bin(n, p), quando n→∞, p ∈ (0, 1). lim n→∞(1− λ n )n = e−λ, λ > 0. (5) λ = np⇒ p = λ/n e 1− p = 1− λ/n = (n− λ)/n. (6) Suponha que X ∼ bin(n, p), enta˜o lim n→∞ pX(k) = limn→∞ n! k!(n− k)!p k(1− p)n−k (6) = lim n→∞ n(n− 1)(n− 2) · · · (n− k + 1) k! ( λ n )k( n− λ n )n−k = lim n→∞ λk k! · n(n− 1)(n− 2) · · · (n− k + 1) nk ( n− λ n )n( n− λ n )−k = λk k! · lim n→∞ { (1)(1− 1 n )(1− 2 n ) · · · (1− (k − 1) n ) } (1− λ n )n(1− λ n )−k = λk k! · lim n→∞ { (1)(1− 1 n )(1− 2 n ) · · · (1− (k − 1) n ) } lim n→∞(1− λ n )n lim n→∞(1− λ n )−k (5) = e−λλk k! = pY (k), onde Y ∼ Poisson(np). A rigor, no limite acima, se esta´ fazendo n → ∞ e p → 0 (em geral, p < 1/10), de tal modo que np = λ permanec¸a fixo. Observac¸a˜o 2.1. Quanto menor o valor de p e maior o valor de n, melhor a aproximac¸a˜o. Exemplo 2.2. Em um lote de n = 4000 pec¸as, a probabilidade de que uma pec¸a particular seja defeituosa e´ p = 1/1000. Qual e´ a probabilidade de selecionar na˜o mais de 6 pec¸as defeituosas? Rpta. = 889/1000. 3/3
Compartilhar