Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
(2 ) 19, 70
n
i i
i
x p
=
= =
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:
I.1 Variveis Aleatrias Discretas
I.1.3) Propriedades do valor mdio
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 Variveis Aleatrias Discretas
I.1.4) Funo de distribuio acumulada
Construindo um grfico podemos demonstrar que:
I.1 Variveis Aleatrias Discretas
I.1.4) Funo de distribuio acumulada
Devemos observar que
igual
ao SALTO que a funo F(x) d no ponto
,
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 Variveis Aleatrias Discretas
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
= =
Graficamente teramos
I.1 Variveis Aleatrias Discretas
I.1.5) Alguns modelos probabilsticos para V.A.D.
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.
I.1 Variveis Aleatrias Discretas
I.1.5) Alguns modelos probabilsticos para V.A.D.
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
I.1 Variveis Aleatrias Discretas
I.1.5) Alguns modelos probabilsticos para V.A.D.
(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
I.1 Variveis Aleatrias Discretas
I.1.5) Alguns modelos probabilsticos para V.A.D.
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
I.1 Variveis Aleatrias Discretas
I.1.5) Alguns modelos probabilsticos para V.A.D.
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 Variveis Aleatrias Discretas
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?
I.1 Variveis Aleatrias Discretas
I.1.6) Distribuio Binomial
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)}
I.1 Variveis Aleatrias Discretas
I.1.6) Distribuio Binomial
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:
I.1 Variveis Aleatrias Discretas
I.1.6) Distribuio Binomial
I.1 Variveis Aleatrias Discretas
I.1.6) Distribuio Binomial
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
I.1 Variveis Aleatrias Discretas
I.1.6) Distribuio Binomial
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 :
,
I.1 Variveis Aleatrias Discretas
I.1.6) Distribuio Binomial
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
~,
I.1 Variveis Aleatrias Discretas
I.1.6) Distribuio Binomial
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
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?
I.1 Variveis Aleatrias Discretas
I.1.6) Distribuio Binomial
Teramos ento:
4
18
0,1
0,9
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
, 0, 1, , .
I.1 Variveis Aleatrias Discretas
I.1.6) Distribuio Binomial
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 Variveis Aleatrias Discretas
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 .
I.1 Variveis Aleatrias Discretas
I.1.7) Distribuio de Poisson
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.
I.1 Variveis Aleatrias Discretas
I.1.7) Distribuio de Poisson
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:
!
I.1 Variveis Aleatrias Discretas
I.1.7) Distribuio de 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: