Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
Probabilidade e Estatística Profa. Kellen Carla Lima Profa. Kellen Carla Lima DISTRIBUIÇÕES DE PROBABLIDADES DISCRETAS Profa. Kellen Carla Lima 01 02 PARTE 01: Definir propriedades de uma distribuição de probabilidade. PARTE 01: Calcular o valor esperado, variância e desvio-padrão de uma distribuição de probabilidade discreta. PARTE 02: Calcular probabilidades a partir das distribuições Binomial, Hipergeométrica e Poisson. 03 5.1 Objetivos da Aula Profa. Kellen Carla Lima Em qualquer experimento há diversas características que podem ser observadas ou medidas, mas na maioria dos casos o experimento enfocará um ou alguns aspectos específicos da amostra; Por exemplo: em um estudo de padrões de transporte de uma área metropolitana, cada indivíduo pode ser consultado sobre distância, sobre o número de pessoas que usam o mesmo veículo, MAS NÃO sobre o QI, renda, tamanho da família e outras características do tipo. Como alternativa, um pesquisador pode testar uma amostra de componentes e registrar apenas quantos apresentaram falhas dentro de mil horas, EM VEZ DE manter o registro das falhas individuais. Em geral, CADA RESULTADO DE UM EXPERIMENTO é associado a UM NÚMERO, especificando-se uma regra de associação. Por exemplo: (1) Quantidade de componentes que apresentam falha em um período de 1000 h em uma amostra de 10 componentes. (2) Peso total de bagagem para uma amostra de 25 passageiros de uma companhia aérea. 5.2 Variáveis Aleatórias Profa. Kellen Carla Lima Profa. Kellen Carla Lima Tal regra de associação é denominada VARIÁVEL ALEATÓRIA. VARIÁVEL porque é possível obter diferentes valores numéricos e ALEATÓRIA porque o valor observado depende de qual dos resultados possíveis do experimento é obtido. Assim, para um dado espaço amostral S de um experimento, uma VARIÁVEL ALEATÓRIA é qualquer regra que associe um valor a cada resultado de S. Em termos matemáticos, uma VARIÁVEL ALEATÓRIA é uma FUNÇÃO cujo domínio é o espaço amostral e o contra-domínio é um conjunto de números reais. Profa. Kellen Carla Lima E xe m pl o : Com S = {F, S}, define-se uma v.a X como: X (Falha) = 0 X (Sucesso) = 1 A v.a. X indica se o aluno pode (1) ou não (0) acessá-lo. PORTANTO, ATRIBUI-SE UM NÚMERO REAL A CADA RESULTADO DESSE EXPERIMENTO! Quando um estudante tenta acessar um computador em um sistema de compartilhamento de tempo: - Todas as portas estão ocupadas (Falha). - Ou haverá PELO MENOS uma porta livre (Sucesso). RESOLUÇÃO: Profa. Kellen Carla Lima E xe m pl o : Considere o processo aleatório, Ψ , que consiste em selecionar, ao acaso e sem reposição, cinco bolas de uma urna contendo cinco bolas azuis, numeradas de 1 a 5, cinco bolas vermelhas, numeradas de 6 a 10, e cinco bolas verdes, numeradas de 11 a 15. O espaço amostral para esse processo aleatório é: S= {(n1, n2, n3, n4, n5) : ni = 1,2,3, . . . ,15; i = 1,2,3,4,5; ni≠nj se i≠j } Neste caso: (a) O número de bolas azuis na amostra e, (b) O número de cores distintas na amostra, são exemplos de variáveis aleatórias. Assim, se o resultado de uma realização de S for, por exemplo, (11, 2, 8, 3, 14) os valores assumidos por essas variáveis aleatórias são, respectivamente: (a) 2 e (b) 3. RESOLUÇÃO: Profa. Kellen Carla Lima E xe m pl o : No experimento “jogar uma moeda 3 vezes consecutivas” tem-se que o seu espaço amostral é: S = ccc cck ckc kcc ckk kck kkc kkk, que não é numérico. Seja X a v.a. associada ao experimento: X: número de caras ocorridas. X = 0, 1, 2, 3} RESOLUÇÃO: Profa. Kellen Carla Lima E xe m pl o : Suponha que um local (latitude e longitude) no Rio Grande do Norte seja selecionado de forma aleatória. Defina uma va Y por Y= altura acima do nível do mar do local selecionado Se o local selecionado foi Natal (05°47'42”S, 35° 12' 34”W) = 30 m. O maior valor possível de Y é 868 (Serra do Coqueiro) e o menor valor possível é 0 m (Caiçara do Norte). O conjunto de todos os valores possíveis de Y é o conjunto de todos os números no intervalo entre 0 e 868 m, isto é, {y:y é um número, 𝟎 ≤ 𝒚 ≤ 𝟖𝟔𝟖} RESOLUÇÃO: 5.2.1 Tipos de Variáveis Aleatórias Profa. Kellen Carla Lima Profa. Kellen Carla Lima x P ro b a b il id a d e x P ro b a b il id a d e Discretas Contínuas VARIÁVEIS ALEATÓRIAS Quando o conjunto de 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. Quando o conjunto de valores possíveis consistem em um INTERVALO COMPLETO DA RETA DE NÚMEROS (reta real). 5.2.1.1 Variáveis Aleatórias Discretas Profa. Kellen Carla Lima 5.2.1.1 Variáveis Aleatórias Discretas Profa. Kellen Carla Lima Seja X uma variável aleatória (v.a.).. Se o número de valores possíveis de X for enumerável (finito ou infinito), denominaremos X de VARIÁVEL ALEATÓRIA DISCRETA, isto é, os possíveis valores de X podem ser postos em lista como x1, x2, ... No caso finito, a lista acaba, e no caso infinito, a lista continua indefinidamente. Definição: 5.2.1.1 Variáveis Aleatórias Discretas Profa. Kellen Carla Lima E xe m pl o : Suponha que, após um exame médico, pessoas sejam diagnosticadas como tendo diabetes (D) e não tendo diabetes (N). Admita que três pessoas sejam escolhidas ao acaso e classificadas de acordo com esse esquema. O espaço amostral é dado por: S = {DDD, DDN, DND, NDD, NND, NDN, DNN, NNN} Nosso interesse é saber quantas pessoas com diabetes foram encontradas, não interessando a ordem que tenham ocorrido, isto é, desejamos estudar a variável aleatória X, a qual atribui a cada resultado o número de pessoas com diabetes. Consequentemente, o conjunto dos possíveis valores de X é {0, 1, 2, 3}, ou seja, X é uma variável aleatória discreta. RESOLUÇÃO: 5.3 Função Distribuição de Probabilidade Profa. Kellen Carla Lima ou Função Masssa de Probabilidade Profa. Kellen Carla Lima . Seja X uma variável aleatória discreta A cada possível resultado xi associaremos um número p(xi)=P(X=xi), denominado probabilidade de xi. Os números p(xi), com i = 1, 2, ..., devem satisfazer as seguintes condições: p(x) é uma probabilidade, então p(xi) ≥ 0 para todo i soma da probabilidade de todos os resultados do espaço amostral tem que ser = 1 é denominada função de probabilidade da variável aleatória X. A função p P2: Σip(xi) = 1: P1: é algumas vezes denominada distribuição de probabilidade de X. Assim, podemos dizer que a distribuição de probabilidades de uma variável aleatória discreta X, definida em um espaço amostral (S), é uma tabela que associa a cada valor de X a sua probabilidade. A coleção de pares [xi, p(xi)] i = 1, 2, A função distribuição de probabilidade (fdp) ou função de massa de probabilidade (fmp) de uma v.a discreta é definida para cada número X dada por: 𝒇 𝒙 = 𝑷(𝑿 = 𝒙) 5.2.1.1 Variáveis Aleatórias Discretas P ro fa . K ell en C ar la L im a S = {DDD3, DDN2, DND2, NDD2, NND1, NDN1, DNN1, NNN0} X 0 1 2 3 P(x) 1/8 3/8 3/8 1/8 P(X = 2)=? P(2) é a probabilidade de X=2, ou seja, assumir o valor = 2 P(2) = P( x = 2 ) = 3/8 PORTANTO, DE 8 POSSIBILIDADES APENAS 3 APRESENTARAM 2 PESSOAS COM DIABETES. RESOLUÇÂO: E xe m pl o : Suponha que, após um exame médico, pessoas sejam diagnosticadas como tendo diabetes (D) e não tendo diabetes (N). Admita que três pessoas sejam escolhidas ao acaso e classificadas de acordo com esse esquema abaixo, qual a P(X=2)? Profa. Kellen Carla Lima E xe m pl o : Lote 1 2 3 4 5 6 N° de peças com defeito 0 2 0 1 2 0 Seis lotes de componentes estão prontos para embarque em um fornecedor. O número de componentes com defeito em cada lote é mostrado a seguir: Então, determine a função distribuição de probabilidade ou fmp. RESOLUÇÃO: Um desses lotes será selecionado aleatoriamente para embarque a um cliente especifico Seja X o n° de peças com defeito no lote selecionado Os três valores possíveis de X são: 0, 1 e 2 Dos seis eventos igualmente prováveis, três resultam em X = 0, um em X = 1 e os outros dois em X = 2 Sejam: p(0) a prob. de X = 0 p(1) a prob. de X = 1 p(2) a prob. de X = 2 Então: p (0) = P (X = 0) = P(lote 1 ou 3 ou 6 é enviado) = 3/6 = 0,5 p (1) = P (X = 1) = P(lote 4 é enviado) = 1/6 = 0,16 p (2) = P (X = 2) = P(lote 2 ou 5 é enviado) = 2/6 = 0,33 5.4 Função de Distribuição Acumulada Profa. Kellen Carla Lima 5.4 Função de Distribuição Acumulada Profa. Kellen Carla Lima A função de distribuição acumulada da variável aleatória X, representada por F(X), ou simplesmente F, é definida por: Ou seja, “soma” ou “acumula” a probabilidade de todos os valores abaixo de x Também chamada de função de distribuição ou fda. Esta definição é válida para v.a. discretas e contínuas. Para todo valor x ∈ ℝ 𝑭𝑿 𝒙 = 𝑷 𝑿 ≤ 𝒙 = 𝒑(𝒚) 𝒚:𝒚≤𝒙 5.4 Função de Distribuição Acumulada Profa. Kellen Carla Lima 5.4.1 Propriedades Profa. Kellen Carla Lima P1 P2 P4 P5 Uma fda satisfaz as seguintes propriedades: FX(.) é não-decrescente: se x ≤ y, então FX(x) ≤ FX(y) FX(.) é contínua à direita. Quando x→ - ∞ [FX(x) →0] e quando x→+ ∞ [FX(x) →1] Para quaisquer dois números a e b com a ≤ b P(a≤ X≤b) = F(b) – F(a) P3 Para P(X>x) = 1 – P(X ≤ x) 5.4 Função de Distribuição Acumulada Profa. Kellen Carla Lima E xe m pl o : A função distribuição de probabilidade de Y (quantidade de classificações sanguíneas) é dada por: Então, determine a função de distribuição acumulada (fda). y 1 2 3 4 p(y) 0,4 0,3 0,2 0,1 Primeiro, determina-se F(y) para cada valor do conjunto (1,2,3,4) de valores possíveis: F (1) = P (Y ≤ 1) = P( Y = 1) = p(1) = 0,4 F (2) = P (Y ≤ 2) = P( Y = 1 ou 2) = p(1) + p(2) = 0,7 F (3) = P (Y ≤ 3) = P( Y =1 ou 2 ou 3) = p(1) + p(2) + p(3)= 0,9 F (4) = P (Y ≤ 4) = P( Y =1 ou 2 ou 3 ou 4) = 1 Assim, a fda é: 0 se Y < 1 0,4 se 1 ≤ Y < 2 F(Y) = 0,7 se 2 ≤ Y < 3 0,9 se 3 ≤ Y < 4 1 se Y ≤ 4 RESOLUÇÃO: Relação entre fdp e fda Profa. Kellen Carla Lima Profa. Kellen Carla Lima S = {DDD3, DDN2, DND2, NDD2, NND1, NDN1, DNN1, NNN0} X 0 1 2 3 P(x) 1/8 3/8 3/8 1/8 Como visto anterioremente... X = número de pessoas com diabetes. 𝐹 𝑥 = 0, 𝑠𝑒 𝑥 < 0; 1 8 , 𝑠𝑒 0 ≤ 𝑥 < 1; 4 8 , 𝑠𝑒 1 ≤ 𝑥 < 2 7 8 , 𝑠𝑒 2 ≤ 𝑥 < 3 1, 𝑠𝑒 𝑥 ≤ 3 Suponha que, após um exame médico, pessoas sejam diagnosticadas como tendo diabetes (D) e não tendo diabetes (N). Admita que três pessoas sejam escolhidas ao acaso e classificadas de acordo com esse esquema abaixo, qual a P(X=2)? 5.5 Variáveis Aleatórias Discretas Profa. Kellen Carla Lima 5.5.1 Valor Esperado P ro fa . K ell en C ar la L im a O VALOR ESPERADO (ou média) de uma distribuição discreta é dado pela média ponderada dos valores da v.a. É utilizado na tentativa de resumir o comportamento de uma variável aleatória. Indica o valor médio que esperaríamos ter se pudéssemos repetir as provas infinitamente. A média de uma variável aleatória discreta é o resultado médio teórico de um número infinito de provas. Sendo que, o valor esperado de uma variável aleatória discreta é denotado por E (Esperança) e representa o valor médio dos resultados: xi resultado possível de x p(xi) probabilidade correspondente ou pesos: probabilidade de cada valor. 𝑬 𝑿 = 𝒙𝒊. 𝒑(𝒙𝒊) 𝑵 𝒊=𝟏 Onde: Profa. Kellen Carla Lima E xe m pl o : A fda de X = o número de defeitos graves em um eletrodoméstico selecionado aleatoriamente é: Calcule: E(X) 𝝁 = 𝟎 ∙ 𝒑 𝟎 + 𝟏 ∙ 𝒑 𝟏 + 𝟐 ∙ 𝒑 𝟐 + 𝟑 ∙ 𝒑 𝟑 + 𝟒 ∙ 𝒑 𝟒 𝝁 = 𝟎 ∙ 𝟎, 𝟎𝟖 + 𝟏 ∙ 𝟎, 𝟏𝟓 + 𝟐 ∙ 𝟎, 𝟒𝟓 + 𝟑 ∙ 𝟎, 𝟐𝟕 + 𝟒 ∙ 𝟎, 𝟎𝟓 = 𝟐, 𝟎𝟔 X 0 1 2 3 4 P(X) 0,08 0,15 0,45 0,27 0,05 RESOLUÇÃO: Profa. Kellen Carla Lima E xe m pl o : Seja X uma variável aleatória com a seguinte função de distribuição de probabilidade: Calcule E(X). RESOLUÇÃO: 𝐸 𝑋 = 1 × 8 7 1 2 1 + 2 × 8 7 1 2 2 + 3 × 8 7 1 2 3 𝐸 𝑋 = 0,5714 + 0,5714 + 0,4285 = 1,5713 P 𝑿 = 𝟖 𝟕 𝟏 𝟐 𝑿 , 𝒑𝒂𝒓𝒂 𝑿 = 𝟏, 𝟐, 𝟑. 5.5 Variáveis Aleatórias Discretas Profa. Kellen Carla Lima 5.5.1.1 Propriedades do Valor Esperado Profa. Kellen Carla Lima A função 𝒉(𝑿) frequentemente é uma função linear 𝒂𝑿 + 𝒃. Nesse caso, 𝑬[𝒉(𝑿)] é facilmente calculado pelo 𝑬(𝑿). 𝒂𝑿 + 𝒃 = 𝒂𝒙+ 𝒃 ∙ 𝒑 𝒙 𝑫 ∴ 𝑬 𝒂𝑿 + 𝒃 = 𝒂 𝒙 ∙ 𝒑 𝒙 + 𝑫 𝒃 𝒑(𝒙) 𝑫 ∴ 𝑬 𝒂𝑿 + 𝒃 = 𝒂 ∙ 𝑬 𝒙 + 𝒃 Demonstração: Portanto: o valor esperado de uma função linear é igual à função linear calculada com o valor esperado E(X) Duas regras importantes para: 𝒂 ∙ 𝑬 𝒙 + 𝒃 𝟏) 𝑷𝒂𝒓𝒂 𝒒𝒖𝒂𝒍𝒒𝒖𝒆𝒓 𝒄𝒕𝒆. 𝒂, 𝒆𝒏𝒕ã𝒐 𝒂𝒔𝒔𝒖𝒎𝒊𝒓 𝒃 = 𝟎 𝑬 𝒂𝑿 = 𝒂 ∙ 𝑬 𝒙 𝟐) 𝑷𝒂𝒓𝒂 𝒒𝒖𝒂𝒍𝒒𝒖𝒆 𝒄𝒕𝒆. 𝒃, 𝒂𝒔𝒔𝒖𝒎𝒊𝒓 𝒂 = 𝟏 𝑬 𝒂𝑿 + 𝒃 = 𝑬 𝒙 + 𝒃 5.5 Variáveis Aleatórias Discretas Profa. Kellen Carla Lima 5.5.2 Dispersão Profa. Kellen Carla Lima Definição: Indica o quanto a distribuição de probabilidades se dispersa em torno da média. Um grande desvio-padrão reflete dispersão considerável, enquanto que um desvio- padrão menor traduz menor variabilidade, com valores relativamente mais próximos da média. Variância de uma variável aleatória discreta: Desvio-padrão de uma variável aleatória discreta: 𝑽 𝑿 = 𝝈𝟐 = [𝒙𝒊 − 𝑬 𝑿 ] 𝟐 𝟖 𝑿=𝟒 . 𝒑(𝑿) 𝝈 = [𝒙𝒊 − 𝑬 𝑿 ] 𝟐 𝟖 𝑿=𝟒 . 𝒑(𝑿) E(X) = valor esperado da v.a X xi = i ésimo valor da variável aleatória X P(xi) = probabilidade de ocorrência do i ésimo valor da v.a X Onde: Profa. Kellen Carla Lima E xe m pl o : Se X é o número de cilindros do próximo carro a ser regulado em uma oficina, com fdp [𝒑(𝟒) = 𝟎, 𝟓; 𝒑(𝟔) = 𝟎, 𝟑; 𝒑(𝟖) = 𝟎, 𝟐] 𝑶𝒏𝒅𝒆: 𝑬(𝑿) = 𝟓, 𝟒 Calcule a variância de X e o desvio padrão de X. RESOLUÇÃO: 𝑉 𝑋 = 𝜎2 = [𝑥𝑖 − 𝐸 𝑋 ] 2 8 𝑋=4 × 𝑝(𝑋) V X = 𝜎2 = (4 − 5,4)2× 0,5 + (6 − 5,4)2× 0,3 + (8 − 5,4)2× 0,2 = 2,44 𝜎 = 2,44 = 1,562 5.5 Variáveis Aleatórias Discretas Profa. Kellen Carla Lima 5.5.2.1 Propriedades da Dispersão Profa. Kellen Carla Lima Se X é uma variável aleatória, então: 1 1 2 2 𝑽 (𝑿) = 𝑬(𝑿𝟐) – [𝑬(𝑿)] 𝟐 Seja X uma variável aleatória e a,b números reais, então: 𝑽 (𝒂𝑿 + 𝒃) = 𝒂𝟐. 𝑽(𝑿) Profa. Kellen Carla Lima E xe m pl o : PROVA 2016.1 – O tempo T, em minutos, necessário para um operário processar certa peça é uma v.a com a seguinte distribuição de probabilidade. (a) Qual o tempo médio de processamento? (b) Qual a variação em torno desse tempo médio de processamento? t 2 3 4 5 6 7 P(t) 0,1 0,1 0,3 0,2 0,2 0,1 𝑉𝑎𝑟 𝑥 = 2 − 4,6 2 × 0,1 + 3 − 4,6 2 × 0,1 + 4 − 4,6 2 × 0,3 + 5 − 4,6 2 × 0,2 + 6 − 4,6 2 × 0,2 + 7 − 4,6 2 × 0,1 𝑉𝑎𝑟 𝑥 = 0,676 + 0,256 + 0,108 + 0,032 + 0,392 + 0,576 𝑉𝑎𝑟 𝑥 = 2,04 𝜎 = 2,04 𝝈 = 𝟏, 𝟒𝟑 𝐸 𝑇 = 𝑡 × 𝑝 𝑇 – 𝑡 𝑇 𝑡=2 𝐸 𝑇 = 2 × 0,1 + 3 × 0,1 + 4 × 0,3 + 5 × 0,2 + 6 × 0,2 + 7 × 0,1 𝑬(𝑻) = 𝟒, 𝟔 (a) (b) 𝑬(𝒙) 𝑭(𝒙) 𝒇(𝒙) 𝑨 Variância Variável Aleatória Discreta 𝒇𝒅𝒂 Valor Esperado 𝒇𝒅𝒑 𝝈 Resumo da aula Profa. Kellen Carla Lima Desvio padrão Seja X uma variável aleatória (v.a.).. Se o número de valores possíveis de X for enumerável (finito ou infinito), 𝒇 𝒙 = 𝑷(𝑿 = 𝒙) 𝑭𝑿 𝒙 = 𝑷 𝑿 ≤ 𝒙 = 𝒑(𝒚) 𝒚:𝒚≤𝒙 𝑬 𝑿 = 𝒙𝒊. 𝒑(𝒙𝒊) 𝑵 𝒊=𝟏 𝑽 𝒙 = 𝝈𝟐 𝑽 𝑿 = 𝝈 𝟐 = [𝒙𝒊 − 𝑬 𝑿 ] 𝟐 𝟖 𝑿=𝟒 . 𝒑(𝑿) 𝝈 = [𝒙𝒊 − 𝑬 𝑿 ] 𝟐 𝟖 𝑿=𝟒 . 𝒑(𝑿) Profa. Kellen Carla Lima 01_Exercício Final de Aula Distribuições de Probabilidades Discretas (Parte 1) Uma loja de eletrodomésticos vende três modelos diferentes de freezer verticais com 13.5; 15.9; 19.1 pés3 de espaço. Seja X = volume de armazenagem comprado pelo próximo cliente. Suponha que a fda de X seja: a) Calcule E(X), E(X²) e Var(X). E(X) = 16,38 E(X²) = 272,298 Var(X) = 3,9936 b) Se o preço de um freezer com X pés3 de capacidade for 25X – 8,5, qual será o preço esperado pago pelo próximo cliente? 401 c) Qual é a variância do preço 25X – 8,5 pago pelo próximo cliente? 2496 d) Suponha que, apesar da capacidade nominal de um freezer ser X, a capacidade real seja h(X) = X – 0,01X². Qual é a capacidade real esperada do freezer comprado pelo próximo cliente? 13,66 X 13,5 15,9 19,1 P (X) 0,2 0,5 0,3 P ro fa . K ell en C ar la L im a P ro fa . K ell en C ar la L im a 02_Exercício Final de Aula Distribuições de Probabilidades Discretas (Parte 1) Uma organização de consumidores que avalia automóveis relata costumeiramente o número de defeitos graves em cada carro examinado. Seja X o número de defeitos graves em um carro de determinado tipo selecionado aleatoriamente. A FDA de X é como abaixo: 0 x < 0 0,06 0 ≤ x < 1 0,19 1 ≤ x < 2 F(x)= 0,39 2 ≤ x < 3 0,67 3 ≤ x < 4 0,92 4 ≤ x < 5 0,97 5 ≤ x < 6 1 x > 6 Calcule as seguintes probabilidades diretamente pela FDA: a) p(2) Gabarito 0,39 - 0,19 = 0,2 b) p(X > 3) Gabarito 1- 0,67 = 0,33 c) p(2 < X < 5) Gabarito 0,92 – 0,39 = 0,53
Compartilhar