Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 1 •Discretas •Bernoulli •Uniforme •Binomial •Poisson •Geométrica •Hipergeométrica •Contínuas •Uniforme •Normal •Exponencial •t-student 0 0.05 0.1 0.15 0.2 0.25 1 2 3 4 5 0 0.05 0.1 0.15 0.2 0.25 1 2 3 4 5 Distribuições de Probabilidade Variáveis aleatórias 2 Principais Modelos Discretos Os exemplos vistos até agora ajudam a esclarecer a relação entre a variável e a realização do experimento aleatório que a origina; Algumas variáveis aleatórias aparecem com bastante frequência em situações práticas e justificam um estudo mais aprofundado; Nesses casos, a distribuição de probabilidade pode ser escrita de maneira mais compacta, ou seja: “existe uma lei para atribuir as probabilidades”. 3 Definição: Se uma variável aleatória X assumir apenas 2 valores ex: sucesso ou fracasso, 0 ou 1, … com distribuição de probabilidade: p(1)=p e p(0)=1-p Essa é chamada variável aleatória de Bernoulli. Assim: = {A,Ā} X(w) = 0, w= Ā (se o resultado for fracasso) 1, w= A (se o resultado for sucesso) Distribuição de Probabilidade Bernoulli [X~Ber(p)] 4 1-p , para x=0 p , para x=1 0 , caso contrário f(x) = 0 , se x < 0 1-p , se 0 x < 1 1 , se x 1 F(x) = Distribuição de Probabilidade Bernoulli [X~Ber(p)] )1()]([)( )( 1)1(0)( )( 2 1 0 22 1 0 ppppXExpxXVar pppxpxXE x x 5 Determinado produto é vendido em caixas com 1000 peças. É uma característica da fabricação produzir 10% defeituosos. Normalmente, cada caixa é vendida por 13,50 unidades monetárias (u.m.). Um comprador faz a seguinte proposta: de cada caixa, ele escolhe uma amostra de 20 peças: (a) se tiver 0 defeituoso, ele paga 20,00 u.m.; (b) 1 ou 2 defeituosos, ele paga 10,00 u.m.; (c) 3 ou mais defeituosos ele paga 8,00 u.m. Qual alternativa é a mais vantajosa para o fabricante? Modelo Binomial 6 • Consiste em n replicações, independentes de experimento de Bernoulli. (a) Experimento consiste numa sequência de n replicações idênticas; (b) os resultados possíveis em cada replicação são sucesso ou fracasso; (c) probabilidade de sucesso, denotada por p, não muda de replicação para replicação; (d) as replicações são independentes. Experimento Binomial 2 7 Experimento consiste em escolher uma peça na caixa contendo 1000 peças. Amostra de 20 peças foram escolhidas – 20 replicações idênticas. Peça pode ser boa (sucesso) ou defeituosa (fracasso). Prob (boa) = 90% e não muda. As retiradas são independentes. Características 8 nxpp x n xXP xnx ,...,1,0 para )1()( )!(! ! xnx n x n em que, Modelo Binomial Considere a repetição de n ensaios de Bernoulli independentes e todos com mesma probabilidade de sucesso p. A variável aleatória que conta o número de sucessos é denominada Binomial, com parâmetros n e p e sua Função Discreta de Probabilidade é dada por: 9 Se Xi representa a i-ésima replicação, Xi ~ Bern(p). Seja Y a v.a. Binomial então, . A Função Discreta de Probabilidade é dada por: n i iXY 1 },...,1,0{: nY nxpp x n xXP xnx ,...,1,0 para )1()( Modelo Binomial 10 npYE npp XEXEYE n i i n i i )( )()()( n 1i 11 Y ~ Bin(n, p) )1()( )1()1( )()()( n 1i 11 pnpYVar pnppp XVarXVarYVar n i i n i i Esperança e variância da v. a. Binomial Exercício – Distribuição Binomial • Num estudo de germinação de sementes são observados os números de sementes germinadas por recipiente contendo, cada um, 10 sementes. Supondo que a probabilidade de cada semente germinar seja igual a 0,95, – calcular a probabilidade de geminarem: (a) exatamente 9 sementes e (b) 9 ou mais sementes; – calcular o número médio esperado de sementes germinadas; – calcular a variância esperada do número de sementes germinadas por recipiente. 11 Exercício – Distribuição Binomial • Sabe-se que numa cultura, a taxa de mortalidade é de 3%. Um profissional realizou uma amostragem aleatória simples de 10 plantas. Calcular: – a probabilidade de não haver planta morta na amostra; – a probabilidade de haver exatamente 2 plantas mortas na amostra; – a probabilidade de haver ao menos uma planta morta na amostra; – a probabilidade de haver no máximo 2 plantas mortas na amostra; 12 3 13 Os modelos Bernoulli e Binomial assumiram apenas um número finito de valores distintos. Outros modelos discretos que podem assumir um número infinito de valores dentre os inteiros possíveis. Poisson; Poisson 14 Distribuição de Poisson Na prática muitos experimentos consistem em observar a ocorrência de eventos discretos em um intervalo; Intervalo contínuo: unidade de tempo, de área, de volume, ... Amostras n>50 e, p<0,10 Associada a eventos raros Quando n tende ao infinito, a probabilidade tende a zero Exemplos: Número de refeições fornecidas diariamente no refeitório da USP Número de amostras contaminadas num determinado lote de alimentos 15 Características de um experimento de Poisson: Probabilidade de uma ocorrência é a mesma para intervalos de tempo (ou espaço) de igual duração; Ocorrência ou não num dado intervalo (ou espaço) é independente de ocorrência ou não em outro intervalo. Modelo de Poisson 16 ,...2,1, ! )( k k e kXP k em que, = usualmente referido como taxa de ocorrência (ou número médio de ocorrências); e = 2,71828 Função de Probabilidade para o Modelo de Poisson Uma variável aleatória X segue a Distribuição de Poisson, com parâmetro > 0 se sua Função de Probabilidade ou Função Discreta de Probabilidade é dada por: 17 Uma central telefônica recebe uma média de 5 chamadas por minuto. Probabilidade de uma chamada é a mesma para dois intervalos de tempo de igual tamanho e a chegada ou não de uma chamada num dado instante de tempo é independente da chegada ou não de uma chamada em outro intervalo de tempo. X – número de chamadas por minuto tem distribuição de Poisson com . 5 Modelo de Poisson Exemplo 1 – Intervalo de Tempo 18 Qual a probabilidade de não chegar nenhuma chamada? Qual a probabilidade de chegar no máximo 2 chamadas? 70,00673794 !0 5. )0( 05 e XP )2()1()0()2( XPXPXPXP 0,1247)2( XP !2 5 !1 5 !0 5 )2( 525150 eee XP 0,08420,03370,0067)2( XP Exemplo 1 4 19 Qual a probabilidade de chegar 10 chamadas num período de 3 minutos ? Observe que chegam, em média, 5 chamadas por minuto, então num período de 3 minutos chegam em média 15 chamadas. Logo a “nova variável” é uma Poisson com parâmetro = 15. Então: 0,0486 !10 15 )10( 1015 e XP Exemplo 1 20 Quando n é grande e p é pequeno, podemos usar a distribuição de Poisson com . Em geral, . np 05,0 e 20 pn Aproximação Poisson para a Distribuição Binomial 21 Suponha que a probabilidade de que um item produzido por uma máquina seja defeituoso é de 0,02. Se 50 itens produzidospor esta máquina são selecionados ao acaso, qual é a probabilidade de que mais do que um defeituoso seja encontrado? X = número de defeituosos ~ Bin(50; 0,02) 1 - (P(X=0) + P(X=1)) = 1 - (0,36417 + 0,37160) = 1 - 0,73577 Exemplo 2 22 Agora como n é grande e p é pequeno podemos usar a aproximação Poisson. Observe que X ~ Poisson( ) 1 - (P(X=0) + P(X=1)) 1 - (0,36788 + 0,36788) = 1 - 0,73576 Diferença muito pequena. 102,050 np 1 Exemplo 2 23 )( )( XVar XE ,...2,1, ! )( k k e kXP kFunção de Probabilidade X ~ Pois() Valor Esperado e variância para o Modelo Poisson 24 Variável Discreta Valor Esperado Variância Notação Bernoulli p p(1-p) X ~ Bern(p) Binomial np np(1-p) X ~ Bin(n, p) Poisson X ~ Pois() Resumo dos Modelos Discretos 5 Aplicação do modelo de Poisson Exemplo. Uma região foi dividida em 20 quadrantes de 100m2. Em cada quadrante foi contado o número de plantas de uma determinada espécie, resultando em: onde a frequência indica o número de quadrantes onde foram encontradas 0, 1, 2, ... plantas. X = "número de plantas por quadrante", devemos estimar o valor de (média), que é o parâmetro desta distribuição. = 1,9 plantas/quadrante Número de plantas 0 1 2 3 4 5 6 Frequência 3 6 5 4 1 0 1 ! 9,1 9,1 k e kXP k para k = 0, 1, 2, ... A distribuição de probabilidades do número de plantas/quadrante é: Usando esta distribuição de probabilidades, poderemos estimar o número de quadrantes que contêm 0, 1, ..., 6 ou mais plantas e verificar numericamente se o modelo de Poisson é adequado a este estudo. k 0 1 2 3 4 5 6 + de 6 P(X=k) 0,1496 0,2842 0,2700 0,1710 0,0812 0,0309 0,0098 0,0033 Aplicação do modelo de Poisson Os valores das frequências estimadas pelo modelo de Poisson são ótimas aproximações das frequências observadas no experimento, o que mostra a boa adequação do modelo. Plantas/quadrante 0 1 2 3 4 5 6 + de 6 Freq. Observada 3 6 5 4 1 0 1 0 Freq. esperada 2,99 5,68 5,4 3,42 1,62 0,62 0,20 0,07 Aplicação do modelo de Poisson
Compartilhar