Baixe o app para aproveitar ainda mais
Prévia do material em texto
Variáveis Aleatórias Discretas e Distribuições de Probabilidade Fidel Ernesto Castro Morales Universidade Federal do Rio Grande do Norte Escola de Ciencia e Tecnologia Sumário Variáveis Aleatórias Variáveis Aleatórias discretas Valores Esperados de Variáveis Aleatórias Discretas Distribuição de probabilidade binomial Distribuição de probabilidade Hipergeométrica Distribuição de probabilidade Binomial Negativa Distribuição de probabilidade de Poisson Motivação Considere o experimento aleatório de lançar três vezes uma moeda balanceada e observar a face superior em cada lançamento. Calcule a probabilidade de: 1. não obter nenhuma cara. 2. Obter uma cara. 3. Obter dois caras. 4. Obter três caras. Variável Aleatória Definição Para um dado espaço amostral Ω de um experimento, uma variável aleatória (v.a) é qualquer regra que associe um valor a cada resultado de Ω. Em termos matemáticos, uma variável aleatória é uma função cujo domínio é o espaço amostral e o contra-dominio é um conjunto de números reais. Definição (Variável aleatória de Bernoulli) Qualquer variável aleatória cujos únicos valores possíveis são 0 ou 1 é denominada Variável aleatória de Bernoilli. Exemplo 1 I Lançar uma moedas, se face superior é cara então X = 1, em caso contrario X = 0. Definição (Tipos de variáveis aleatórias) Uma variável aleatória discreta é uma variável cujos valores possíveis constituem um conjunto finito ou podem ser relacionados em uma sequência infinita na qual haja um primeiro elemento, um segundo e assim por diante. Uma variável aleatória é contínua se seu conjunto de valores possíveis consiste em um intervalo completo da reta de números (Reta Real). Exemplo 2 I v.a contínua: corrente elétrica, comprimento, pressão, temperatura, tempo, voltagem, peso. I v.a discreta: número de arranhões em uma superfície, número de bits transmitidos que foram recibidos com erro. Definição (Função de distribuição) A função de distribuição da variável aleatória X , representada por F X ou simplesmente F , é definida por F X (x) = P(X ≤ x), x ∈ <. Na literatura, a função de distribuição de X é frequêntemente chamada de função de distribuição acumulada de X . Propriedades Se X é uma variável aleatória, sua função de distribuição F goza das seguintes propriedades: 1. x ≤ y então F (x) ≤ F (y), i.e., F é não-decrescente. 2. F é continua à direita. 3. Se x n vai para −∞ então F (x n )→ 0. Se x n vai para ∞ então F (x n )→ 1. Distribuição de probabilidade para variáveis aleatórias discretas Definição (Massa de probabilidade (fmp)) A função distribuição de probabilidade ou função de massa de probabilidade de uma variável aleatória discreta é definida para cada número x por p(x) = P(X = x) = P(todos os ω ∈ Ω : X (ω) = x ). Como p(x) é definida como probabilidade, p(x) ≥ 0 para todo x e ∑ x p(x) = 1. Exemplo 3: A função distribuição de probabilidades de qualquer variável aleatória Bernoulli pode ser expressa na forma p(1) = α e p(0) = 1− α, onde 0 < α < 1. Como a função de probabilidade depende do valor específico de α, normalmente escrevemos p(x ;α) em vez de apenas p(x). Exemplo 4 O espaço amostral de um experimento aleatório é {a, b, c , d , e, f } e cada resultado é igualmente provável. Uma variável aleatória é definida como segue: Resultado a b c d e f x 0 0 1.5 1.5 2 3 Determine a função de probabilidade de X . Exemplo 5 Use a função de probabilidade do exemplo anterior para determinar as seguintes probabilidades. 1. P(X = 1.5) 2. P(0.5 < X < 2.7) 3. P(X > 3) 4. P(0 ≤ X < 2) Exemplo 6 Verifique que a seguinte função é função de probabilidade e determine as probabilidades requeridas. p(x) = 8 7 ( 1 2 ) x , x = 1, 2, 3. 1. P(X ≤ 1) 2. P(X > 1) 3. P(2 < X < 6) 4. P(X ≤ 1 ou X > 1) Definição Suponha que p(x) dependa de uma quantidade que pode ser atribuída a qualquer um de diversos valores possíveis, em que cada valor diferente define uma distribuição de probabilidade diferente. Tal quantidade é denominada parâmetro da distrbuição. A coleção de todas as distribuições de probabilidade dos diferentes valores do parâmetro é denominada uma família de distribuições de probabilidade. Definição A função de distribuição acumulada (FDA) F (x) de uma variável aleatória discreta X com função distribuição de probabilidade p(x) é definida para cada valor de x por F (x) = P(X ≤ x) = ∑ y :y≤x p(y). Exemplo 7 Uma instalação de recondicionamento de automóveis especializada em regulagem de motores sabe que 45% de todas as regulagens são feitas em automóveis de 4 cilindros, 40% em automóveis de 6 cilindros e 15% em automóveis de oito cilindros. Seja X = número de cilindros do proximo carro a ser preparado. 1. Qual é a fmp de X? 2. Qual é a FDA de X? Proposição Para quaisquer dois números a e b com a ≤ b, P(a ≤ X ≤ b) = F (b)− F (a−) onde a− representa o maior valor possível de X estritamente menor que a. Exemplo 8 Uma empresa de seguros oferece aos seus segurados diferentes opções de pagamento premium. Para um segurado aleatoriamente, seja X = número de meses entre pagamentos sucessivos. A FDA de X é como segue: F (x) = 0, se x < 1, 0.30, se 1 ≤ x < 3, 0.4, se 3 ≤ x < 4, 0.45, se 4 ≤ x < 6, 0.60, se 6 ≤ x < 12, 1, se 12 ≤ x . 1. Qual é a fmp de X? 2. Usando apenas a FDA, calcule P(3 ≤ X ≤ 6) e P(4 ≤ X ). Valores Esperados de Variáveis Aleatórias Discretas Definição (Valor esperado de X ) Seja X como uma v.a discreta com conjunto de valores possíveis D e fmp p(x). O valor esperado ou valor médio de X , denotado por E (X ) ou µ X ou µ, é E (X ) = µ X = ∑ x∈D xp(x). Exemplo 9 Seja X uma va discreta com função de probabilidade p(x) = 8 7 ( 1 2 ) x , x = 1, 2, 3. 1. Calcule E (X ) Proposição Se a va X tiver um conjunto de valores possíveis D e fmp p(x), o valor esperado de qualquer função h(X ), expresso por E [h(X )] ou µ h(X ), é calculado por E (h(X )) = ∑ D h(x)p(x). Regras do valor Esperado Proposição Se a va X e a, b ∈ < E (aX + b) = aE (X ) + b. Prova: Variância de X Definição (Variância) Seja X como uma v.a discreta com conjunto de valores possíveis D e fmp p(x). A variância de X , denotada por V (X ) ou σ2 X ou σ2, é V (X ) = ∑ x∈D (x − µ)2p(x) = E [(X − µ)2]. O desvio padrão de X é σ X = √ σ2 X . Exemplo 10 Seja X uma va discreta com função de probabilidade p(x) = 8 7 ( 1 2 ) x , x = 1, 2, 3. 1. Calcule V (X ) Proposição Se a va X então V (X ) = E (X 2)− µ2. Prova: Regras do valor Esperado Proposição Se a va X e a, b ∈ < V (aX + b) = a2V (X ). Prova: Distribuição uniforme discreta Definição Uma variável aleatória X será uma variável aleatória discreta uniforme, se cada um dos n valores em sua faixa, isto é, x 1 , . . . , x n , tiver igual probabilidade. Então p(x i ) = 1 n . Exemplo 11 Uma loja de eletrodomésticos vende três modelos diferentes de freezer verticais com 13.5, 15.9, 19.1 pés cúbicos de espaço, respectivamente. Seja X = volume de armazenagem comprado pelo próximo clientes a comprar um freezer. Suponha que a fmp de X seja x 13.5 15.9 19.1 p(x) 0.2 .5 0.3 1. Calcule E (X ), E (X 2) e V (X ). 2. Se o preço de um freezer com X pés cúbicos de capacidade for 25X − 8.5, qual será o preço esperado pago pelo proximo cliente a comprar um freezer? 3. Qual é a variância do preço 25X − 8.5 pago pelo próximo cliente? 4. Suponha que, a pesar da capacidade nominal de um freezer serX , a capacidade real seja h(X ) = X − 0.01X 2. Qual é a capacidade real esperada do freezer comprado pelo próximo cliente? Experimento binomial 1. O experimento consiste em uma sequência de n experimentos menores denominados tentativas, onde n é estabelecido antes do experimento. 2. Cada tentativa pode resultar em um de dois resultados possíveis (tentativas dicotômicas), chamados de sucesso (S) ou falha (F). 3. As tentativas são independentes, de forma que o resultado de qualquer tentativa particular não influencia o resultado de qualquer outra tentativa. 4. A probabilidade de sucesso é constante de uma tentativa para outra. Denominamos essa probabilidade p. Proposição A variável aleatória X , que é igual ao número de tentativas que resultam em um sucesso, tem uma distribuição binomial com parâmetros 0 < p < 1 e n enteiro positivo. A função de probabilidade de X é p(x) = C x ,np x(1− p)n−x , x = 0, 1, . . . , n. Notação: X ∼ Bin(n, p). Média e Variância I E(X)=np. I V(X)=np(1-p). Exemplo 12 As linhas telefônicas em um sistema de reservas de uma companhia aérea estão ocupadas 40% do tempo. Suponha que os eventos em que as linhas estejam ocupadas em sucessivas chamadas sejam independentes. Considere que 10 chamadas aconteçam. 1. Qual é a probabilidade de que, para exatamente três chamadas, as linhas estejam ocupadas? 2. Qual é a probabilidade de que, para no mínimo uma chamada, as linhas estejam ocupadas? 3. Qual é o número esperado de chamadas em que todas as linhas estejam ocupadas? Distribuição Hipergeométrica As hipóteses que levam à distribuição hipergeométrica são as seguintes: 1. A população ou conjunto de onde é retirada a amostra consiste de N indivíduos, objetos ou elementos (população finita). 2. Cada indivíduo é classificado como sucesso (S) ou falha (F) e há M sucessos na população. 3. É selecionada uma amostra sem reposição de n individuos de forma que cada subconjunto de tamanho n seja igualmente provável de ser escolhido. A variável aleatória de interesse é X = número de Sucessos na amostra. Proposição Se X for o número de S de uma amostra completamente aleatória de tamanho n tirada de uma população constituida de M sucessos e N −M fracasos, então a distribuição de probabilidade de X , denominada distribuição hipergeométrica, será dada por P(X = x) = C x ,MCn−x ,N−M C n,N , Para um inteiro x que satisfaça max(0, n − N +M) ≤ x ≤ min(n,M). Notação: X ∼ h(x ; n,M,N). Média e Variância I E (X ) = nM N . I V (X ) = ( N−n N−1 ) n M N ( 1− M N ) . Exemplo 13 Cartões de circuitos integrados são verificados em um teste funcional depois de serem preenchidos com chips semicondutores. Um lote contém 140 cartões e 20 são selecionados sem reposição para o teste funcional 1. Se 20 cartões forem defeituosos, qual será a probabilidade de que no mínimo um cartão defeituoso esteja na amostra? 2. Se 5 cartões foram defeituosos, qual será a probabilidade de que no mínimo um cartão defeituoso apareça na amostra? Distribuição Binomial Negativa A variável aleatória binomial negativa são baseadas em experimentos que satisfaçam às condições a seguir: 1. O experimento consiste de uma sequência de n tentativas independentes 2. Cada tentativa resulta em sucesso (S) ou falha (F). 3. A probabilidade de sucesso é constante de uma tentativa para outra, então P(Sna tentativa i) = p para i = 1, 2, . . .. 4. O experimento continua até ser observado um total de r sucessos, sendo r um enteiro positivo. A variável aleatória de interesse é X = número de falhas que precedem o r−ésimo sucesso. Proposição A fmp da variável aleatória binomial negativa X com parâmetro r = número de Sucessos e p = P(S) é P(X = x) = C r−1,x+r−1pr (1− p)x , x = 0, 1, 2, . . . . Notação: X ∼ nb(x ; r , p). Média e Variância I E (X ) = r(1−p) p . I V (X ) = r(1−p) p 2 . Exemplo 14 Um pediatra deseja convocar cinco casais, cada um esperando seu primeiro filho, para participarem de um novo regime de parto. Seja p = P(Um casal selecionado aleatóriamente concorda em participar). Se p = 0.2, qual é a probabilidade de 15 casais serem solicitados antes de serem encontrados cinco que concordem em paricipar? Processo de Poisson Dado um intervalo de números reais, suponha que as contagens ocorram através do intervalo. Se o intervalo puder ser dividido em subintervalos com comprimentos suficientemente pequenos tal que 1. a probabilidade de mais de uma contagem em um subintervalo seja zero, 2. a probabilidade de uma contagem em um subintervalo seja a mesma para todos os subintervalos e proporcional ao comprimento do subintervalo e 3. a contagem em cada subintervalo seja independente de outros subintervalos, Proposição Se o número médio de contagens no intervalo for λ > 0, a variavel aleatória X , que é igual ao número de contagens no intervalo, terá uma distribuição de Poisson, com parâmetro λ, sendo a função de distribuição de probabilidade de X dada por P(X = x) = e −λλx x! , x = 0, 1, 2, . . . . Notação: X ∼ pois(x ;λ). Média e Variância I E (X ) = λ. I V (X ) = λ. Exemplo 15 O número de falhas em parafusos de maquinas da industria textil segue segue a distribuição de Poisson com uma média de 0.1 por metro quadrado 1. Qual é a probabilidade de que haja duas falhas em 1 metro quadrado de tecido? 2. Qual é a probabilidade de que haja uma falha em 10 metros quadrados de tecido? 3. Qual é a probabilidade de que não haja falhas em 20 metros quadrados de tecido? 4. Qual é a probabilidade de que haja no mínimo duas falhas em 10 metros quadrados de tecido? Variáveis Aleatórias Variáveis Aleatórias discretas Valores Esperados de Variáveis Aleatórias Discretas Distribuição de probabilidade binomial Distribuição de probabilidade Hipergeométrica Distribuição de probabilidade Binomial Negativa Distribuição de probabilidade de Poisson
Compartilhar