Baixe o app para aproveitar ainda mais
Prévia do material em texto
Variáveis Aleatórias e Distribuições de Probabilidade (Binomial e Poisson) Disciplina: Estatística Prof.: Elisabeth Hafner Facin 1 Variável Aleatória Definição: É uma variável quantitativa, cujos valores depende de fatores aleatórios. Alguns Exemplos: Número de coroas obtido no lançamento de duas moedas; Número de itens defeituosos em uma amostra retirada, aleatoriamente, de um lote; Número de defeitos de um azulejo que sai da linha de produção; Tempo de resposta de um sistema computacional; Grau de empeno de um azulejo que sai da linha de produção. 2 As variáveis aleatórias podem ser subdivididas em dois grandes grupos: VARIÁVEL ALEATÓRIA DISCRETA: os possíveis resultados estão contidos em um conjunto finito ou enumerável. VARIÁVEL ALEATÓRIA CONTÍNUA: os possíveis resultados abrangem todo um intervalo de número reais. Neste primeiro momento trabalharemos com as variáveis aleatórias discretas. 3 VARIÁVEIS ALEATÓRIAS DISCRETAS Distribuição de probabilidades: consiste de uma tabela que contém os valores possíveis que a variável pode assumir e as suas respectivas probabilidades. Exemplo: Construa a distribuição de probabilidades para o lançamento de um dado perfeitamente balanceado: 4 VARIÁVEIS ALEATÓRIAS DISCRETAS Distribuição de probabilidades 5 VARIÁVEIS ALEATÓRIAS DISCRETAS b) Função de probabilidade: Uma função de probabilidade deve satisfazer: ou seja; a soma das probabilidades sempre é igual a 1 ou 100%. ou seja; uma probabilidade nunca pode ser negativa. 6 Média ou Valor Esperado: Variância: Desvio Padrão: VARIÁVEIS ALEATÓRIAS DISCRETAS 7 PRINCIPAIS DISTRIBUIÇÕES DISCRETAS (modelos) 8 Distribuição de Bernoulli São casos típicos de sucesso e fracasso: Exemplos: Lançar uma moeda e observar se ocorre cara ou não; Lançar um dado e observar se ocorre seis ou não; Numa linha de produção, observar se um item, tomado ao acaso, é ou não defeituoso. 9 Distribuição de Bernoulli Denominamos sucesso e fracasso os dois eventos possíveis em cada caso. O ensaio de Bernoulli é caracterizado por uma variável aleatória X, definida por: X = 1 se sucesso e X = 0 se fracasso. A função de probabilidade de X é dada por: Onde p sempre é a probabilidade de sucesso! X P(x) 0 1-p 1 P Total 1 10 Esperança ou média aritmética: E(x)=p Variância: V(x)=p.(1-p) Distribuição de Bernoulli 11 Na maior parte das vezes, são realizados n ensaios de Bernoulli. O interesse está no número X de ocorrências de sucesso, como nos exemplos a seguir: a) Lançar uma moeda cinco vezes e observar o número de caras. b) Numa linha de produção, observar dez itens, tomados ao acaso, e verificar quantos estão defeituosos. Nos exemplos precedentes, se for possível supor: Ensaios independentes P{sucesso} = p, constante para todo ensaio (0 < p < 1). Teremos exemplos de experimentos binomiais. Distribuição Binomial 12 Expressão geral: Esperança: E(x) = n.p Variância: V(x) = n.p.(1-p) Distribuição Binomial 13 Distribuição de Poisson Considere as situações eu que se avalia o número de ocorrências de um tipo de evento por unidade de tempo, de comprimento, de área, ou de volume. Por exemplo: Número de consultas a uma base de dados em um minuto; Número de pedidos a um servidor num intervalo de tempo; Números de erros de tipografia em um formulário; Números de defeitos em um m² de piso cerâmico. Suposições básicas: Independência entre as ocorrências do evento considerado; Os eventos ocorrem de forma aleatória Probabilidade de um evento ocorrer: Distribuição de Poisson Esperança e Variância: E lambda ( )? É a taxa média de consultas por unidade de tempo. Exemplo: Supondo que as consultas num banco de dados ocorrem de forma independente e aleatória, com uma taxa média de três consultas por minuto, calcule a probabilidade de que no próximo minuto ocorram menos que três consultas. Resp.: 0,4232. Distribuição de Poisson Ainda considerando o exemplo anterior, calcule a probabilidade de que nos próximos dois minutos ocorram mais do que 5 consultas. Resp.: 0,5543 (6 ocorrências a cada 2 minutos) Distribuição de Poisson ( ) å = i i x p 1 ( ) 0 ³ i x p å = = = = k j pj xj x E x 1 . ) ( m ( ) å = - = = = k j pj xj x V s 1 2 2 2 . ) ( m s 2 ) ( s s = = = x DP s ( ) x n x p p x n x p - - ÷ ÷ ø ö ç ç è æ = 1 . . ) ( ! . ) ( x e x p x l l - = l = = ) ( ) ( x V x E l
Compartilhar