Buscar

aula - estatística - distribuição amostral

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Você viu 3, do total de 8 páginas

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Você viu 6, do total de 8 páginas

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Prévia do material em texto

DISTRIBUIÇÕES TEÓRICAS DE PROBABILIDADES DE VARIÁVEIS 
ALEATÓRIAS DISCRETAS. 
DISTRIBUIÇÃO DE BERNOULLI 
Considere uma única tentativa de um experimento aleatório. Pode-se ter 
sucesso ou fracasso nessa tentativa. 
Seja 
 
a probabilidade de sucesso e 
 
a probabilidade de fracasso, com 
. 
Seja 
 
assume o valor 
 
que corresponde ao fracasso, com probabilidade , ou o valor 
, que corresponde ao sucesso, com probabilidade . 
 com e 
 
Nestas condições a variável aleatória 
 
tem distribuição de BERNOULLI, 
e sua função de probabilidade é dada por: 
 
Parâmetros: 
 
e 
 
Exemplo: 
1) Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa 
urna. Seja 
 
Calcular , 
 
e determinar 
 
DISTRIBUIÇÃO BINOMIAL 
Consideremos novamente um experimento aleatório . Seja 
 
algum 
evento de interesse associado ao experimento aleatório . Podemos admitir, 
como no caso de uma distribuição de Bernoulli, que 
 
e, 
conseqüentemente, . 
Consideremos 
 
repetições do experimento aleatório . Então, o espaço 
amostral para as 
 
repetições do experimento aleatório 
 
será formado por 
todas as sequencias possíveis 
 
onde cada 
 
é 
 
ou 
 
dependendo do que se tenha ocorrido 
 
ou 
 
na 
 
repetição do 
experimento, . Supomos que 
 
permaneça a mesma para 
todas as repetições, e cada repetição do experimento seja independente das 
demais. Definimos a variável aleatória discreta, 
 
como o número de vezes que 
o evento 
 
ocorre nas 
 
repetições independentes do experimento, onde 
 
em qualquer repetição. A variável aleatória 
 
é denominada variável 
aleatória binomial, com parâmetros 
 
e , ou seja
 
dizemos que , 
onde, para o símbolo “~” lê-se: “segue a distribuição”. Os valores possíveis que 
a variável aleatória binomial assume são 
 
e sua função de 
probabilidade é dada por: 
 
Pode-se dizer que a variável aleatória com distribuição binomial 
representa uma soma de 
 
variáveis aleatórias independentes com distribuição 
de Bernoulli, de parâmetro . 
Se , então 
 
e 
 
Exemplo: 
1) Suponha que a probabilidade de qualquer peça produzida por uma 
determinada máquina ser defeituosa seja 0,2. Se 5 peças produzidas por 
essa máquina forem escolhidas ao acaso, qual é a probabilidade de 
encontrarmos não mais de uma peça defeituosa ser encontrada? 
2) Suponha que cada amostra de ar represente 10% de chance de possuir 
uma determinada molécula rara. Admite-se que as amostras são 
independentes com relação à presença da molécula rara. Nas próximas 
18 amostras, determinar a probabilidade de pelo menos 4 amostras 
possuírem uma molécula rara? 
3) Aplicar propriedades de valor esperado e de variância para deduzir o 
valor esperado e a variância aleatória binomialmente distribuída, com 
parâmetros 
 
e . 
4) Uma determinada empresa tem dois eventuais compradores para seu 
produto, que pagam preços em função da qualidade. O comprador 
 
paga R$1.300,00 por peça se em uma amostra de 5 peças não encontrar 
nenhuma defeituosa, e paga R$650,00 por peça, caso contrário; o 
comprador B paga R$900,00 por peça, desde que encontre no máximo 
uma peça defeituosa em 5 peças, pagando R$ 700,00 por peça, caso 
contrário. Qual dos compradores deve ser escolhido pelo empresário, 
sabendo-se que na produção 8% das peças são defeituosas? 
DISTRIBUIÇÃO DE POISSON 
Seja 
 
uma variável aleatória discreta, representando o número de 
ocorrências de um evento de interesse, em um determinado intervalo de tempo 
(ou em uma determinada extensão de produto, extensão esta também 
chamada de unidade de inspeção). 
Dizemos que a variável aleatória 
 
tem distribuição de Poisson, com 
parâmetro 
 
ou seja, , e sua função de probabilidade é dada 
por: 
!
, 
 
O parâmetro 
 
é conhecido como intensidade da distribuição, ou seja, 
ele corresponde ao valor esperado (média) do número de ocorrências do 
evento de interesse, no determinado intervalo de tempo considerado (ou na 
determinada extensão de produto considerada). 
Ocorre, aqui, o que chamamos de princípio da proporcionalidade, isto é, 
a freqüência média de ocorrências do evento de interesse deve ser 
proporcional ao intervalo de tempo considerado ou à extensão do produto 
considerado. Por exemplo, se em uma hora há, em média, três ocorrências, em 
duas horas há, em média, seis ocorrências. Além disso, as ocorrências do 
evento de interesse são independentes umas das outras. 
O valor esperado e a variância de 
 
são dados, 
respectivamente, por 
 
e . 
Exemplo: 
1) O número médio de falhas por metro quadrado de tecido fabricado em 
uma indústria têxtil é de 0,1. Qual é a probabilidade de que haja 
exatamente uma falha em 3 metros quadrados de tecido? 
2) Suponha que a variável aleatória 
 
tenha uma distribuição de Poisson, 
com parâmetro . Sabemos que . Calcular 
 
e 
 
3) O número de partículas emitidas por uma fonte radioativa, durante um 
período especificado, é uma variável aleatória com distribuição de 
Poisson. Se a probabilidade de não houver emissões for igual a , 
qual a probabilidade de duas ou mais emissões ocorrerem? 
4) Em um posto de gasolina, chegam automóveis para abastecimento com 
taxa de 20 automóveis por hora. Determinar a probabilidade de pelo 
menos dois automóveis chegarem a este posto em 15 minutos. 
DISTRIBUIÇÃO HIPERGEOMÉTRICA 
Suponha que se tenha um lote de 
 
peças, 
 
das quais sejam defeituosas, e 
 
das quais sejam não defeituosas. Suponha que escolhamos, ao acaso, 
 
peças desse lote , sem reposição. Seja 
 
a variável aleatória que 
representa o número de peças defeituosas encontradas entre as 
 
peças 
retiradas, sem reposição, do lote. Sabemos que a variável aleatória 
 
assume 
o valor 
 
se, e somente se, forem obtidas exatamente 
 
peças defeituosas 
(dentre as 
 
defeituosas do lote). E exatamente 
 
não defeituosas (dentre 
as 
 
não defeituosas do lote). Assim, a função de probabilidade da 
variável aleatória 
 
é dada por 
, 
 
Uma variável aleatória que tenha a distribuição de probabilidade acima tem 
distribuição hipergeométrica, com parâmetros 
 
ou seja, 
 
A 
 
e . 
Exemplo 
1) Uma caixa contém 8 fichas azuis e 6 vermelhas. Um experimento 
consiste em extrair uma ficha, anotar sua cor, e não repor esta ficha na 
caixa. Determinar a probabilidade de serem extraídas 3 fichas azuis em 
5 extrações. 
2) Um lote de 200 lâmpadas apresenta 10% de lâmpadas defeituosas. São 
retiradas, ao acaso e sem reposição, 50 lâmpadas deste lote. 
Determinar a probabilidade de serem encontradas no máximo quatro 
lâmpadas defeituosas entre as que foram retiradas do lote. 
DISTRIBUIÇÃO GEOMÉTRICA 
Suponha que um experimento aleatório seja realizado e que exista o 
interesse apenas na ocorrência ou na não ocorrência de algum evento 
 
de 
interesse. O experimento aleatório pode ser realizado, repetidas vezes, e as 
repetições são independentes. Em cada repetição do experimento, 
 
e 
 
permanecem as mesmas. O experimento será repetido até que o 
evento 
 
de interesse ocorra pela primeira vez. Define-se a variável aleatória 
 
como o número de repetições independentes de um experimento aleatório 
necessárias para obter a primeira ocorrência do evento de interesse . Assim, 
a variável aleatória 
 
tem distribuição geométrica, com parâmetro , ou seja, 
. Os valores possíveis da variável distribuída geometricamente são 
 
Sabe-se, então, que a variável aleatória 
 
assume o valor 
 
se, e 
somentese, nas primeiras 
 
repetições do experimento aleatório o evento 
de interesse 
 
não ocorrer, e o evento 
 
ocorrer somente na 
 
repetição do experimento. Logo, a função de probabilidade da variável aleatória 
 
é dada por: 
 
Se , então 
 
e 
( )
. 
A distribuição geométrica apresenta uma propriedade interessante. Para 
dois quaisquer inteiros positivos 
 
e , 
Ou seja, a distribuição geométrica não possui memória. Suponha que o evento 
 
não tenha ocorrido durante as primeiras 
 
repetições do experimento; então, 
a probabilidade de que ele não ocorra durante as próximas 
 
repetições será a 
mesma probabilidade de que não tivesse ocorrido durante as primeiras 
 
repetições; em outras palavras, a informação de nenhuma ocorrência é 
esquecida, no que interessa aos cálculos subseqüentes. 
Exemplo: 
1) Determinar a probabilidade de que, em uma seqüência de jogadas de uma 
dado, o resultado 3 apareça pela primeira vez na quarta jogada. Seja a 
variável aleatória 
 
representando o número necessário de jogadas de um 
dado até a ocorrência do resultado 3. 
2) 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. Qual é 
a probabilidade de terem de ser realizadas 5 chamadas até a primeira 
chamada não estar com a linha ocupada? 
DISTRIBUIÇÃO DE PASCAL 
Tem-se novamente a seguinte situação: suponhamos que um 
experimento seja realizado e que exista o interesse apenas na ocorrência ou 
na não ocorrência de algum evento . O experimento aleatório pode ser 
realizado, repetidas vezes, e as repetições são independentes. Em cada 
repetição do experimento, 
 
e 
 
permanecem as mesmas. 
O experimento será repetido até que o evento 
 
de interesse ocorra 
 
vezes. 
Define-se a variável aleatória 
 
como o número de repetições 
independentes do experimento aleatório, necessárias para que o evento 
 
possa ocorrer exatamente 
 
vezes. Assim a variável aleatória 
 
tem 
distribuição de Pascal, com parâmetros 
 
e , ou seja, . Os 
valores possíveis que a variável aleatória de Pascal pode assumir são 
 
Evidentemente se , a variável aleatória 
 
terá a distribuição geométrica. 
Sabe-se, então, que 
 
assume o valor 
 
se, e somente se, o evento 
 
de 
interesse tiver ocorrido exatamente 
 
vezes nas 
 
repetições 
anteriores. Assim, a função de probabilidade da variável 
 
é dada por 
 
Pode-se verificar que uma variável aleatória com distribuição de Pascal 
equivale à soma de variáveis aleatórias independentes com distribuição 
geométrica. Assim, se , então 
 
e 
( )
 
A distribuição de Pascal é comumente chamada de distribuição binomial 
negativa, denominação esta que pode ser explicada da seguinte maneira: a 
distribuição binomial surge quando se lida com um número fixo de repetições 
de um experimento aleatório e se está interessado no número de ocorrências; 
já a distribuição de Pascal é encontrada quando se prefixa o número de 
ocorrências a ser obtido e então se registra o número necessário de repetições 
aleatório para tal. 
Exemplo: 
1) Determinar a probabilidade de, em uma seqüência de jogadas de um dado, 
serem necessárias 4 jogadas para o resultado 3 ocorrer exatamente 2 
vezes. Seja a variável aleatória 
 
representando o número necessário até o 
resultado 3 ocorrer exatamente 2 vezes. 
2) Determinar o número esperado de vezes que um experimento deve ser 
repetido, de modo a se obterem 4 resultados bem sucedidos, sabendo-se 
que a probabilidade de esse experimento ser bem sucedido em qualquer 
repetição é 0,8. 
DISTRIBUIÇÃO MULTINOMIAL 
Considere um experimento aleatório , seu espaço amostral 
 
e a partição de 
 
em 
 
eventos mutuamente excludentes . 
Considere 
 
repetições do experimento. Seja , 
 
e 
suponha que 
 
permaneça constante durante todas as repetições. Definem-se 
as variáveis aleatórias 
 
como ocorre 
nas 
 
repetições do experimento aleatório, onde . 
Assim, a função de probabilidade conjunta das variáveis aleatórias 
 
é dada por 
 
Onde, 
 
A distribuição de probabilidade acima é conhecida como distribuição 
multinomial. 
Se as variáveis aleatórias 
 
tiverem uma distribuição 
multinomial, então 
 
e , . 
Exemplo: 
1) Uma caixa contém 5 bolas vermelhas, 4 bolas brancas e 3 azuis. Extrai-
se uma bola ao acaso, anota-se a cor, repondo-se em seguida a bola na 
caixa. Determinar a probabilidade de que, de 6 bolas assim escolhidas, 
3 sejam vermelhas, 2 brancas e 1 azul. 
This document was created with Win2PDF available at http://www.win2pdf.com.
The unregistered version of Win2PDF is for evaluation or non-commercial use only.
This page will not be added after purchasing Win2PDF.

Outros materiais

Materiais relacionados

Perguntas relacionadas

Materiais recentes

Perguntas Recentes