01 - Variáveis Aleatórias Discretas

Estatstica II
UNIVERSIDADE FEDERAL DO PAR

INSTITUTO DE CINCIAS SOCIAIS APLICADAS
FACULDADE DE ECONOMIA
Prof. Dr. Ricardo Bruno Nascimento dos Santos
I Variveis Aleatrias e Distribuies de Probabilidade
*) Definio: Seja E um experimento e S o espao associado ao
experimento. Uma funo X, que associe a cada elemento s S um
nmero real X(s) denominada varivel aleatria.
s
S
X(s)
R
X
Varivel Aleatria
Um empresrio pretende estabelecer uma firma para montagem
de um produto composto de uma esfera e um cilindro. As partes so
adquiridas em fbricas diferentes (A e B), e a montagem consistir
em juntar as duas partes e pint-las. O produto acabado deve ser o
comprimento (definido pelo cilindro) e a espessura (definida pela
esfera) dentro de certos limites e isso s poder ser verificado aps a
montagem. Para estudar a viabilidade de seu empreendimento, o
empresrio quer ter uma ideia da distribuio do lucro por pea
montada.
Sabe-se que cada componente pode ser classificado como bom,
longo ou curto, conforme sua medida esteja dentro da especificao,
maior ou menor que a especificada, respectivamente. Alm disso,
foram obtidos dos fabricantes o preo de cada componente (R$ 5,00)
e as probabilidades de produo de cada componente com as
caractersticas bom, longo e curto. Tais valores podem ser
verificados na tabela a seguir
I.1 Variveis Aleatrias Discretas
Produto Fbrica A
Cilindro
Fbrica B
Esfera
Dentro das especificaes.............. Bom(B) 0,80 0,70
Maior que as especificaes.......... Longo(L) 0,10 0,20
Menor que as especificaes......... Curto (C) 0,10 0,10
Nosso primeiro objetivo e construir as probabilidades associadas a
combinao do produto a ser criado, primeiramente temos que construir o
espao amostral (S), como so construdos em fbricas diferentes,
consideramos que a construo das peas se d de forma independente,
portanto teramos o seguintes elementos emS:
Se o produto final apresentar algum componente com defeito com a
caracterstica curto (C), ele ser irrecupervel, e o conjunto ser vendido
como sucata a R$ 5,00. Cada componente longo poder ser recuperado a um
custo adicional de R$ 5,00. Se o preo de venda de cada unidade for R$
25,00, como seria a distribuio de frequncias da varivel X: Lucro por
conjunto montado?
Tabela I1
Ento como ficaria a tabela
Com os valores de custo?
Cilindro
Esfera
B
B
0,70
0,20
0,10
0,70
0,20
0,10
0,70
0,20
0,10
0,80
0,10
0,10
L
C
B
L
C
B
L
C
0,56
0,16
0,08
0,07
0,02
0,01
0,07
0,02
0,01
Produto Probabilidade
Lucro por
Montagem (X)
BB 0,56 15
BL 0,16 10
BC 0,08 -5
LB 0,07 10
LL 0,02 5
LC 0,01 -5
CB 0,07 -5
CL 0,02 -5
CC 0,01 -5
Tabela I2
L
C
Ento, pode-se notar que existem quatro possibilidades associadas as
ocorrncias de fabricao do produto e de lucro, as quais seriam:
15, se ocorrer o evento A1 = {BB};
10, se ocorrer o evento A2 = {BL, LB};
5, se ocorrer o evento A3 = {LL};
-5, se ocorrer o evento A4 = {BC, CB, CL, LC, CC};
Cada um desses eventos possui uma probabilidade associada, onde:
P(A1)= 0,56; P(A2)= 0,23; P(A3)= 0,02; P(A4)=0,19
Isso nos permitir construir a funo [x, p(x)], que um modelo terico
para a distribuio da varivel X, que o empresrio poder usar para julgar
a viabilidade econmica do projeto que ele pretende realizar. Aqui o x o
valor da V.A. X e p(x) a probabilidade de X tomar o valor x.
x p(x)
15 0,56
10 0,23
5 0,02
-5 0,19
Total 1,00
Assim, teramos a seguinte tabela
Tabela I3
Vamos introduzir o conceito de valor mdio por meio do exemplo
anterior:
A principal pergunta a ser feita pelo empresrio diante da sua
distribuio de Lucro seria em procurar saber qual seria o seu lucro mdio
por conjunto montado. A partir da tabela I3,, observamos que 56% das
montagens devem produzir um lucro de R$ 15, 23% um lucro de R$10 e
assim por diante. Logo, o lucro esperado por montagem ser dado por
Lucro mdio = (0,56)(15) + (0,23)(10) + (0,02)(5) + (0,19)(-5) = R$
9,85
** Definio: dada a v.a. X discreta, assumindo os valores
chamamos valor mdio ou ESPERANA matemtica de X ao valor:
1
,...,
n
x x
1 1
( ) ( )
n n
i i i i
i i
E X x P X x x p
= =
= = =

I.1.1) Valor Mdio de uma VA
A varincia da V.A. X pode ser obtida pela clssica expresso de
varincia, onde corresponde ao valor observado menos a mdia elevado ao
quadrado:
J o desvio padro a raiz da Var(X), vamos verificar em um exemplo
prtico como calcular a varincia e o desvio padro no Excel:
I.1.2) A varincia e desvio de uma varivel aleatria
2
1
var( ) [ ( )]
n
i i
i
X x E X p
=
=
Para melhor retratar as propriedades do valor mdio podemos

partir da seguinte dvida do empresrio:
Suponha que todos os preos determinados pelo empresrio
estivessem errados. Na realidade, todos os valores deveriam ser
duplicados, isto , custos e preos de venda. Isso corresponde
transformao Z=2X. As probabilidades associadas V.A. Z sero as
mesmas da V.A. X, pois cada valor de X ir corresponder a um nico
valor de Z. Assim, o valor mdio da distribuio de Z ser dado por:
I.1.3) Propriedades do valor mdio
1
( ) ( )
n
i i
i
E Z z p z
=
=
1
(2 ) 19, 70
n
i i
i
x p
=
= =
Podemos visualizar em uma tabela esse comportamento:

x z=2x p(z)=p(x) z*p(z)
15 30 0,56 16,80
10 20 0,23 4,60
5 10 0,02 0,20
-5 -10 0,19 -1,90
Total - 1,00 19,70
Tabela I4
Assim, dada a V.A. discreta X e a respectiva funo de
probabilidade p(x), a esperana matemtica da funo h(X) dada
por
As seguintes propriedades podem ser facilmente demonstradas:
a) Se h(X)=aX + b, onde a e b so constantes, ento
b)
1
[ ( )] ( ) ( )
n
i i
i
E h X h x p x
=
=
2
[ )] ( )
var( ) var( )
E aX b aE X b
aX b a X
+ = +
+ =
2
2 2 2
var( ) ( ) [ ( )] ( ) ( )
i i i i
X E X E X x p x x p x = =

Vamos construir ento a Var(X), para tanto vamos mostrar isso em
na tabela I5:
Assim: var(X)=154,25 (9,85)
2
= 57,23
Simbolicamente podemos representar mdia e varincia por:
w p(w) w*p(w)
15
2
=225 0,56 126,00
10
2
=100 0,23 23,00
(5 ou -5)
2
= 25 0,21 5,25
Total 1,00 154,25
Tabela I5: nesse caso supondo que w=X
2
2
( ) ( )
var( ) ( )
E X X
X X
=
=
Definio: dada a varivel aleatria X, chamaremos de funo de
distribuio acumulada (fda), ou simplesmente funo de distribuio
(fd) F(x) funo
.
Observe que o domnio de F todo o conjunto dos nmeros reais,
ao passo que o contradomnio o intervalo [0,1].
Exemplo: Voltando a tabela I.4 podemos definir a fd de X como:
0, se x < -5
0,19; se -5 x < 5
F(x)= 0,21; se 5 x <10
0,44; se 10 x <15
1,00; se x 15
I.1.4) Funo de distribuio acumulada
Construindo um grfico podemos demonstrar que:
I.1.4) Funo de distribuio acumulada
Devemos observar que
igual
ao SALTO que a funo F(x) d no ponto
; por exemplo, 10 0,23

10 10.
De modo geral,

,
onde lembramos que:
( ) lim ( ).
x a
F a F x

=
I.1.5.1) Distribuio uniforme discreta: Este o caso mais
simples de v.a. discreta, em que cada valor possvel ocorre com a
mesma probabilidade.
Definio: Av.a. discreta X, assumindo os valores
, ,
, tem
distribuio uniforme se, e somente se,

,
Para todo i= 1, 2, ..., k.
Assim, pelo conceito de esperana, fcil verificar que:

1
,
I.1.5) Alguns modelos probabilsticos para V.A.D.
E que a funo acumulada dada por
( )
1 ( )
( )
i
x x
n x
F x
k k
= =
Onde n(x) o nmero de

Graficamente teramos

1/k
F
1,0
2/k
1/k
(a) Funo de Probabilidade (b) Funo de distribuio

I.1.5.2) Distribuio de Bernoulli: Muitos experimentos so tais
que os resultados apresentam ou no uma determinada caracterstica.
Por exemplo:
(1) Uma moeda lanada: o resultado ou cara ou no (ocorrendo,
ento, coroa);
(2) Um dado lanado: ou ocorre face 5 ou no (ocorrendo, ento,
uma das faces 1, 2, 3, 4 ou 6);
(3) Uma pea escolhida ao acaso de um lote contendo 500 peas:
essa pea defeituosa ou no;
(4) Uma pessoa escolhida ao acaso dentre 1.000 ou no do sexo
masculino;
(5) Uma pessoa escolhida ao acaso entre os moradores de uma
cidade e verifica-se se ela favorvel ou no a um projeto municipal.
Em todos os casos anteriormente citados, estamos interessados na
ocorrncia de um sucesso ou fracasso. Essa terminologia (sucesso ou
fracasso) ser usada frequentemente.
Para cada experimento acima podemos definir uma v.a. X, que
assume apenas dois valores: 1, se ocorrer sucesso e 0, se ocorrer
fracasso. Indicaremos por p a probabilidade de sucesso, isto ,
P(sucesso) = P(S)=p, 0 < p <1.
Definio: A varivel aleatria X, que assume apenas os valores 1 e
0; com funo de probabilidade (x, p(x)) tal que:
Que conhecida como a varivel aleatria de Bernoulli
(0) ( 0) 1
(1) ( 1) ,
p P X p
p P X p
= = =
= = =
Com isso pode-se demonstrar que
;

1 ,
0, 0
F(x) = 1 , 0 1
1, 1.
Graficamente podemos representar a f.p. e a f.d.a de X
Exemplo: vamos supor o caso do experimento (2). Supondo o dado
perfeito, teremos P(X=0)=5/6, P(X=1)=1/6,
E(X)=1/6, Var(X)=(1/6)(5/6)= 5/36
Imagine, agora, que repetimos um ensaio de Bernoulli n vezes, ou,
de maneira alternativa, obtemos uma amostra de tamanho n de uma
distribuio de Bernoulli. Suponha ainda que as repeties sejam
independentes, isto , o resultado de um ensaio no tem influncia
nenhuma no resultado de qualquer outro ensaio. Uma amostra
particular ser constituda de uma sequncia de sucessos e fracassos,
ou, alternativamente, de uns e zeros. Por exemplo, repetindo um ensaio
de Bernoulli cinco vezes (n=5), um particular resultado pode ser
FSSFS ou a quntupla ordenada (0, 1, 1, 0, 1).
Assim, P(S)=p a probabilidade da amostra ser
1 1
.
O nmero de sucessos da amostra 3, enquanto que o nmero de
fracassos 2.
I.1.6) Distribuio Binomial
Vamos ento considerar as seguintes situaes, obtidas de (1) a (5) no
exemplo de Bernoulli:
(1) uma moeda lanada trs vezes; qual a probabilidade de se obter
duas caras?
(2) um dado lanado cinco vezes; qual a probabilidade de se obter face
5 no mximo trs vezes?
(3) dez peas so extradas, ao acaso, com reposio, de um lote
contendo 500 peas; qual a probabilidade de que todas sejam
defeituosas, sabendo-se que 10% das peas do lote so defeituosas?
(4) cinco pessoas so escolhidas ao acaso entre 1.000; qual a
probabilidade de que duas sejam do sexo masculino?
(5) Sabe-se que 90% das pessoas de uma cidade so favorveis a um
projeto municipal. Escolhendo-se 100 pessoas ao acaso entre os
moradores, qual a probabilidade de que pelo menos 80 sejam
favorveis ao projeto?
Nos casos (4) e (5), o fato de estarmos extraindo indivduos de um
conjunto muito grande implica que podemos supor que as extraes sejam
praticamente independentes.
Exemplo: Consideremos a situao (1), supondo que a moeda no esteja
viciada, isto , P(sucesso)=P(cara)=1/2. Indiquemos o sucesso (cara) por S e
fracasso (coroa), por F. Ento, estamos interessados na probabilidade do
evento:
A={ A={
SSF, (1, 1, 0);
SFS, (1, 0, 1);
FSS} (0, 1, 1)}
Evidente que temos que observar que:

1
2
1
2
1
2
Onde: P(SSF)=P(SFS)=P(FSS)
Portanto;

3
8
Se a probabilidade de sucesso for p, 0 < p < 1, e P(F) = 1p=q ,
ento

Uma caracterstica importante dos experimentos considerados que
estamos interessados apenas no nmero total de sucessos e no na
ordem em que eles ocorrem. Podemos construir a tabela I6 para n= 3
lanamentos da moeda, com P(S) = p, P(F) = 1 p = q, a partir do
diagrama de rvore a seguir:
p
q
p
q
p
q
p
q
p
q
p
q
p
q
S
F
S
F
S
F
S
F
3
p
2
p q
2
p q
2
pq
2
p q
2
pq
2
pq
3
q
N de sucessos Probabilidades p=1/2
0 q
3
1/8
1 3pq
2
3/8
2 3p
2
q 3/8
3 p
3
1/8
Tabela I6: Probabilidades binomiais para n=3 e P(S) = p
Vamos designar por X o nmero total de sucessos em n ensaios de Bernoulli,
com probabilidade de sucesso p, 0 < p < 1. Os possveis valores de X so 0, 1, 2,
..., n e os pares , , onde p(x) = P(X=x), constituem a chamada
distribuio BINOMIAL.
Assim o grfico da tabela acima pode ser representado da seguinte forma:
Agora no R
O grfico ento pode ser representado como:
Obtenhamos, agora, P(X=k), ou seja, numa sequncia de n ensaios
de Bernoulli, a probabilidade de obter k sucessos (e portanto, n-k
fracassos), k=0,1,2,...,n, com P(S)=p, P(F)=1-p=q. Uma particular
sequncia :
,
Onde temos k sucessos seguidos por n-k fracassos. A probabilidade
de tal sequncia :
,
Devido a independncia dos ensaios. Mas qualquer sequncia com k
sucessos e n-k fracassos ter a mesma probabilidade
. Portanto,
resta saber quantas sequncias com a propriedade especificada
podemos formar. fcil ver que existem

!
! !
Tais sequencias, de modo que

, 0, 1, 2, , .
As probabilidades acima, tambm sero indicadas por b(k; n,p) e,
quando a v.a. X tiver distribuio binomial com parmetros n e p,
escrevemos
~,
Considerando a situao (3) anterior:
dez peas so extradas, ao acaso, com reposio, de um lote
contendo 500 peas; qual a probabilidade de que todas sejam
defeituosas, sabendo-se que 10% das peas do lote so defeituosas?
Temos n=10 ensaios de Bernoulli cada um com P(S) = P(pea
defeituosa) = p = 0,1. Se X indicar o nmero de peas defeituosas na
amostra, queremos calcular P(X=10) = b(10; 10, 1/10). Assim
teremos:

10
10
10
1
10
9
10
1
10

As mdias e varincias de uma v.a. binomial so dadas
respectivamente por:

Para o exemplo acima teramos:
10
1
10
1
10
1
10
1
1
10

9
10
Aplicao
Cada amostra de gua da COSAMPA tem 10% de conter um
determinado poluente orgnico. Considere que as amostras sejam
independentes com relao presena do poluente. Encontre a
probabilidade de que nas prximas 18 amostras analisadas exatamente
duas contenham o poluente.
Assim teramos:
2
18
2
0,1
0,9
18
2

18!
2! 16!

1817
2
153
2 1530,1
0,9
0,284
Qual seria ento a probabilidade de que no mnimo quatro amostras
contenham o poluente?
Teramos ento:
4
18
0,1

0,9
Porm mais fcil utilizar o evento complementar, pois ser no

mnimo 4 amostras compreende um universo de probabilidade grande
at chegar as 18 amostras, assim teramos:
4 1 4
18
0,1

0,9
18
0
0,1

0,9

18
1
0,1

0,9
18
2
0,1

0,9

18
3
0,1

0,9
Vamos para o Excel:

Determine a probabilidade de que 3 X < 7.
Logo:
Chama-se experimento binomial ao experimento que:
(a) Que consiste em n ensaios de Bernoulli
(b) Cujos ensaios so independentes;
(c) Par ao qual a probabilidade de sucesso em cada ensaio sempre
igual a p, 0 < p <1.
Assim podemos representa-la como:
; , ,

, 0, 1, , .
Voc pode empregar a Distribuio de Poisson em situaes nas
quais no se est interessado no nmero de sucessos obtidos em n
tentativas, como ocorre no caso da distribuio binomial, entretanto,
esse nmero de sucessos deve estar dentro de um intervalo contnuo,
ou seja, o nmero de sucessos ocorridos durante um intervalo
contnuo, que pode ser um intervalo de tempo, espao etc.
Imagine que voc queira estudar o nmero de suicdios ocorridos
em uma cidade durante um ano ou o nmero de acidentes
automobilsticos ocorridos em uma rodovia em um ms ou o nmero
de defeitos encontrados em um rolo de arame ovalado de 500m.
Essas situaes so exemplos daquelas que se enquadram na
DISTRIBUIO DE POISSON.
I.1.7) Distribuio de Poisson
Note que nos exemplos anteriores no h como voc determinar a
probabilidade de ocorrncia de um sucesso, mas sim a frequncia
mdia de sua ocorrncia, como dois suicdios por ano, que
denominaremos .
Em uma situao com essas caractersticas, a varivel aleatria
nmero de sucessos em um intervalo contnuo, ter uma
Distribuio Poisson, com (frequncia mdia de sucesso).
Simbolicamente, podemos utilizar a notao ~ .
Assim:
A varivel aleatria tem uma Distribuio de Poisson () com
uma frequncia mdia de sucesso .
A funo de probabilidade da Distribuio de Poisson ser dada
por meio da seguinte expresso:

!
Lembrando que:
- Probabilidade de ocorrncias em um intervalo
e =2,7182 (base dos logaritmos neperianos); e
corresponde a frequncia mdia de sucesso no intervalo contnuo
que se deseja calcular a probabilidade.
Exemplo: A anlise dos dados dos ltimos anos de uma empresa
de energia eltrica forneceu o valor mdio de um blecaute por ano.
Pense na probabilidade de isso ocorrer no prximo ano:
a) Nenhum blecaute.
b) De 2 a 4 blecautes.
c) No mximo 2 blecautes.
Observe que o exemplo afirma que a cada ano acontece em mdia
um blecaute, ou seja, o nmero de sucesso ocorrido em um
intervalo contnuo. Verificamos que a varivel tem Distribuio
Poisson:

!

um tipo de distribuio mais adequada quando considerado
extraes casuais feitas sem reposio de uma populao dividida por
atributos.
Considere uma populao com N objetos nos quais r so classificados
como do tipo A e (N-r) so classificados como do tipo B. Por exemplo, em
um lote de 100(N) peas temos 10(r) peas defeituosas e 90(N-r) peas
conformes. Tomamos uma amostra ao acaso, sem reposio e no ordenada
de objetos. Seja a varivel aleatria que conta o nmero de objetos
classificados como do tipo na amostra. Ento a distribuio de
probabilidade de dada por:

Diremos que uma varivel aleatria X tem distribuio hipergeomtrica

de parmetros r, N e n se sua funo de probabilidade for dada da maneira
acima. Denotamos ~, ,
I.1.8) Distribuio Hipergeomtrica
Exemplo: Uma empresa fabrica um tipo de adaptador que so
embalados em lote de 25 unidades. Para aceitar o lote enviado por
essa fbrica, o controle de qualidade da empresa tomou o seguinte
procedimento: sorteia-se um lote e desse lote selecionam-
se 8 adaptadores para teste, sem reposio. Se for constatado, no
mximo, dois adaptadores defeituosos, aceita-se o lote fornecido pela
fbrica. Se o lote sorteado tiver 7 peas defeituosas, qual a
probabilidade de se aceitar o lote?
N=25
r=7
n=8
I.1.8) Distribuio Hipergeomtrica
2 0 1 2
7
0
25 7
8 0
25
8

7
1
25 7
8 1
25
8

7
2
25 7
8 2
25
8

0,001
Prxima AULA
VARIVEIS ALEATRIAS CONTNUAS

01 - Variáveis Aleatórias Discretas

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

01 - Variáveis Aleatórias Discretas

Cargado por

Copyright:

Formatos disponibles

Estatstica II

UNIVERSIDADE FEDERAL DO PAR

Para melhor retratar as propriedades do valor mdio podemos

Podemos visualizar em uma tabela esse comportamento:

; por exemplo, 10 0,23

Onde n(x) o nmero de

I.1 Variveis Aleatrias Discretas

Porm mais fcil utilizar o evento complementar, pois ser no

Vamos para o Excel:

Diremos que uma varivel aleatria X tem distribuio hipergeomtrica

También podría gustarte