Baixe o app para aproveitar ainda mais
Prévia do material em texto
CENTRO UNIVERSITÁRIO CARIOCA PROCESSOS ESTOCÁSTICOS Catiúscia A. B. Borges 1 Tema 04 – Distribuição de Probabilidades - Valor Esperado - Distribuição Binomial Variáveis Aleatórias “A Vida é uma grande probabilidade... Há varáveis infinitas, aleatórias e infinitas” Autor desconhecido Variável aleatória: É a função que associa cada elemento do espaço amostral (𝑆) de um experimento aleatório, um número real, ou seja, 𝑓: 𝑆 → ℜ. As variáveis aleatórias podem ser classificadas como discretas ou contínuas. Variável Aleatória Discreta (VAD): é aquela em que todos os possíveis valores da variável, podem ser listados numa tabela, com as probabilidades correspondentes. Variável Aleatória Continua (VAC): é aquela em que não podem ser listados todos os possíveis valores fracionários da variável, e assim, as probabilidades determinadas por uma função matemática, são retratadas, por uma função densidade ou por uma curva de probabilidade. O número de pessoas por domicilio, a quantidade de artigos em um determinado inventário são exemplos de variáveis aleatórias discretas. Enquanto o tempo decorrido antes da primeira falha de um dispositivo, o número médio de pessoas por domicilio em uma grande comunidade, a temperatura são exemplos de variáveis aleatórias contínuas. Em resumo, pode-se dizer que VAD é aquele resultado que pode ser contado; e VAC é aquele resultado que deve ser medido e que por isto depende da precisão do instrumento de medida e pode ocupar qualquer valor dentro de um determinado intervalo. Distribuição de Probabilidades: A Distribuição de probabilidade de uma variável aleatória discreta X é a função P(X = x) que determina a probabilidade de X assumir o valor x. Para uma variável aleatória contínua é a função que determina a probabilidade de X assumir valores em um determinado intervalo. CENTRO UNIVERSITÁRIO CARIOCA PROCESSOS ESTOCÁSTICOS Catiúscia A. B. Borges 2 Distribuição de Probabilidades Discreta A distribuição de probabilidade discreta pode ser interpretada pela transformação das frequências relativas em probabilidades, como no exemplo a seguir: Exemplo: Na tabela abaixo está registrado o número de caminhonetes solicitados em uma agencia de aluguel de carros, durante um período de 50 dias. Baseado nela, calcular: a)a probabilidade de serem solicitados exatamente 7 caminhonetes em um dia escolhido aleatoriamente; b)a probabilidade de serem solicitados seis ou mais caminhonetes. Demanda possível (X) (caminhonetes) Número de dias Probabilidade P(X) 3 3 3/50 = 0,06 4 7 7/50 = 0,14 5 12 12/50 = 0,24 6 14 14/50 = 0,28 7 10 10/50 = 0,20 8 4 4/50 = 0,08 50 50/50 = 1 Assim teremos: a) P(X=7) = 10/50 = 0,20 b) P(X≥6) = P(X=6) + P(X=7) + P(X=8) = 14/50 + 10/50 + 4/50 = 0,28 + 0,20 + 0,08 = 0,56 Observação: 𝑃(𝑋 = 𝑎) = 1 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4) + 𝑃(𝑋 = 5) + 𝑃(𝑋 = 6) + 𝑃(𝑋 = 7) + 𝑃(𝑋 = 8) 1 2.1.1. Valor Esperado Considere uma distribuição de probabilidade discreta. Então o valor esperado dessa variável é definido por: 𝐸(𝑋) = ∑ 𝑥𝑖 . 𝑝(𝑥𝑖) CENTRO UNIVERSITÁRIO CARIOCA PROCESSOS ESTOCÁSTICOS Catiúscia A. B. Borges 3 Exemplo: Suponha um jogo de tabuleiro onde o pião deve andar o número correspondente a face superior de um dado honesto, no entanto, se o dado for igual a 6 o pião deve ficar no lugar. Determine o número de casas que um indivíduo deve esperar andar em uma jogada qualquer, considerando a probabilidade de ocorrência de cada face. Resultados 1 2 3 4 5 6 X 1 2 3 4 5 0 P(Xo) (probabilidade de ocorrência de cada face) 6 1 6 1 6 1 6 1 6 1 6 1 𝐸(𝑥) = 1 . 1 6 + 2. 1 6 + 3. 1 6 + 4. 1 6 + 5. 1 6 + 0. 1 6 = 1 6 + 2 6 + 3 6 + 4 6 + 5 6 + 0 6 = 15 6 = 2,5 Distribuição Binomial Processo de Bernoulli: Uma sequência de testes resulta em um processo de amostragem de BERNOULLI, sempre que forem obedecidas as seguintes regras: Em cada tentativa existirem somente dois resultados possíveis, mutuamente exclusivos, chamados SUCESSO E FRACASSO. As séries de tentativas e/ou observações, são constituídas de eventos independentes. O processo é estacionário, isto é, a probabilidade de sucesso, indicado por “p” , permanece constante de tentativa para tentativa. A probabilidade de falha, indicada apor “q” , é (1-p), pois p + q = 1. Exemplo: Suponhamos um experimento de 10 lançamentos de uma moeda, onde queremos observar como sucesso o efeito “cara”. Observe que: 1º) Em cada lançamento há somente dois resultados possíveis: sucesso (cara) ou falha (coroa). 2º) As séries de tentativas são independentes. CENTRO UNIVERSITÁRIO CARIOCA PROCESSOS ESTOCÁSTICOS Catiúscia A. B. Borges 4 3º) O processo é estacionário, ou seja, a probabilidade de sucesso p (cara) é sempre igual a 1 / 2. Distribuição Binomial É uma das distribuições discretas de probabilidade, mais comuns em estatística. É aplicável sempre que o processo de amostragem for do tipo BERNOULLI. A probabilidade de se obter exatamente “k” sucessos em “n” repetições, é denominada por : 𝐵(𝑛, 𝑘, 𝑝) = ( 𝑛 𝑘 ) 𝑝𝑘𝑞𝑛−𝑘 , onde k é o número de sucessos, n é o número de tentativas e/ou observações, e p é a probabilidade de sucesso em cada tentativa; ( 𝑛 𝑘 ) é o coeficiente binomial dado por ( 𝑛 𝑘 ) = 𝐶𝑘 𝑛 = 𝑛! 𝑘! .(𝑛−𝑘)! . Exemplos: 1) Em uma maternidade estão programados o nascimento de 8 crianças. Determine a probabilidade de que 6 dessas crianças sejam meninas. Há duas maneiras de utilizarmos o coeficiente binominal para resolvermos esta questão: 1ª) S = “nascimento de 8 crianças” 𝑛(𝑆) = 28 = 256 A = “6 meninas” 𝑛(𝐴) = 𝐶6 8 = 8! 6! .(8−6)! = (8.7.6!) 6!.2! = 8.7 2 = 28 Assim pela definição de probabilidade: 𝑃(𝐴) = 28 256 ≅ 0,1094 ⇒ 10,94% 2ª) 𝑘 = 6 é o numero de meninas (sucessos) 𝑛 = 8 é o número de nascimentos (repetições) 𝑝 = 1 2 é a probabilidade de nascer uma menina considerando apenas um nascimento. Assim aplicando a distribuição Binominal, temos: 𝐵(8,6, 1 2⁄ ) = ( 8 6 ) (1 2⁄ ) 6 (1 2⁄ ) 8−6 = = 8! 6! . (8 − 6)! . (1 2⁄ ) 8 = 8.7 2 . 1 256 = 28 256 ≅ 0,1094 ⇒ 10,94% CENTRO UNIVERSITÁRIO CARIOCA PROCESSOS ESTOCÁSTICOS Catiúscia A. B. Borges 5 2) Suponhamos um experimento de 10 lançamentos de uma moeda, determine a probabilidade de obtermos 8 ou mais “caras”. 𝑘1 = 8 , 𝑘2 = 9, 𝑘3 = 10 8 ou mais “caras” (sucessos) 𝑛 = 10 é o número de lançamentos (repetições) 𝑝 = 1 2 é a probabilidade de obtermos cara no lançamento de uma moeda Assim aplicando a distribuição Binominal, temos: 𝐵(10,8, 1 2⁄ ) + 𝐵(10,9, 1 2⁄ ) + 𝐵(10,10, 1 2⁄ ) = = ( 10 8 ) (1 2⁄ ) 8 (1 2⁄ ) 2 + ( 10 9 ) (1 2⁄ ) 9 (1 2⁄ ) 1 + ( 10 10 ) (1 2⁄ ) 10 (1 2⁄ ) 0 = = 10! 8! 2! . (1 2⁄ ) 10 + 10! 9! 1! . (1 2⁄ ) 10 + 10! 10! 0! . (1 2⁄ ) 10 = = 0,4939 + 0,0098 + 0,0010 = 0,0547 = 5,47% Propriedades: Média - Medida de tendência central µ = 𝑛 . 𝑝 Variância - Medida de dispersão 𝜎2 = 𝑛 . 𝑝 . 𝑞 Desvio Padrão - Medida de dispersão 𝜎 = √𝑛 . 𝑝 . 𝑞 Exemplo: Considere o nascimento de 36 crianças A média de meninas (µ) é dada por µ = 36 . 1 2 = 18, onde 36 é o número de tentativas, e 1 2 é a probabilidade de nascer uma menina. A variância 𝜎2 = 36 . 1 2 . 1 2 = 9 O desvio padrão 𝜎 = √9 = 3 Observação: A média, também é chamada de Esperança e/ou Número Esperado De Sucessos.
Compartilhar