Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
0.14
0.12
0.1
f(X)
0.08
0.06
0.04
0.02
0
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
X
Modelos Discretos
• Modelo de Bernoulli
– A v.a. X assume dois valores possíveis (0 ou 1),
com probabilidades (1-p) e p, respectivamente.
– P(X=x) = px (1-p)1-x, x = 0,1.
Modelos Discretos
• Modelo Binomial (experimentos co reposição)
– Considere a repetição de n ensaios de Bernoulli
independentes e todos com a mesma probabilidade p de
sucesso. Sendo k o número de sucessos.
– P(X=k) = Cn,k pk (1-p)n-k, k = 0,1,2,..., n.
– Cn,k = n!/(k! (n-k)!)
– Notação: X~b(n,p)
– Exemplo:
• Qual é a probabilidade de se obter 03 sucessos numa
b(12,0.4)?
– P(X=3) = C12,3 (0.4)3 (0.6)9 = ... = 0.142
Modelos Discretos
• Modelo Binomial
– Exemplo:
• Seja uma urna com N bolas das quais M são brancas
e (N-M) são pretas. Retiram-se sucessivamente n
bolsa da urna, recolocando a bola na urna após cada
retirada.
• Qual é a probabilidade de se tirar k vezes bolas
brancas?
– P(X=k) = Cn,k (M/N)k (1- M/N)n-k
• Qual é a probabilidade de se tirar até k vezes bolas
brancas?
Modelos Discretos
• Modelo Binomial
– Esperança: E[X]
• E[X] = ∑k=0,..n k . P(X=k)
= ∑k=1,..n k . [Cn,k . pk .(1-p)n-k]
= ∑k=1,..n k . [ (n!/{k!(n-k)!}) . pk .(1-p)n-k]
= ∑k=1,..n [ ( n!/{(k-1)!(n-k)!}) . pk .(1-p)n-k ]
= n.p. ∑k=1,..n [( ( n-1)!/{(k-1)!(n-k)!}) . pk-1 .(1-p)n-k ]
= n.p. ∑j=o,..n-1 [ ( (n-1)!/{(j)!(n-j-1)!}) . pj .(1-p)n-j-1 ]
= n.p. ∑j=o,..n-1 [ Cn-1,j . pj .(1-p)n-j-1 ]
= n.p. (p+ (1-p)n-1 = np
j=k-1
Modelos Discretos
• Modelo Binomial
– Esperança: E[X] – via função geradora de momento
• φ(t) = E(etX) = ∑k=o,..n [ etk . Cn,k . pk . (1-p)n-k ]
= ∑k=o,..n [ Cn,k . (p.et)k . (1-p)n-k ]
= ( p.et + (1-p) )n
• E[X] = dφ(t=0)/dt = n(p.et + (1-p))n-1 p.et , para t =0
= np
0.045
0.04
0.035
0.03
P(Q=k)
0.025
0.02
0.015
0.01
0.005
0
0 5 10 15 20 25 30 35 40 45 50
k - Número de experimentos
Modelos Discretos
• Modelo Geométrico
– X~G(p) = P[X=k] = p(1-p)k, 0≤p≤1 e k=0,1,2,...
– Esperança:
• E[X] = (1-p)/p
– Variância:
• σ2[X] = (1-p)/p2
Modelos Discretos
• Modelo de Poisson: X~Po(λ)
– Grande importância prática: telecomunicações, física,
biologia, ...
– É uma aproximação do modelo binomial quando o
número de ensaios de Bernoulli tende a infinito.
– A v.a. X tem distribuição de Poisson com parâmetro
λ se para k=0,1,2,...:
• P[X=k] = e-λ λk / k! , onde λ (>0) é a taxa de ocorrência
média esperada num determinado intervalo de tempo.
• Sendo que:
– E[X] = λ
– σ2[X] = λ
Modelos Discretos
• Modelo de Poisson: X~Po(λ)
– P[X=k] = e-λ λk / k! , para λ >0.
– E[X] = λ , σ2[X] = λ
– Exemplo:
• A emissão de partículas radioativas tem sido modelada através de
distribuição de Poisson, com o valor do parâmetro dependendo da fonte
utilizada. Suponha que o número de partículas α, emitidas por minuto,
seja uma v.a. seguindo o modelo de Poisson com parâmetro 5, isto é, a
taxa média é 5 emissões por minuto. Qual é a probabilidade de haver
mais de 2 emissões em um minuto?
• A ~ Po(5).
• P(A>2) = ∑a=3, ..., ∝P(A=a) = 1 - ∑a=1,2,3P(A=a)
= 1 - ∑a=1,2,3 (e-5.5a)/a! = 0,875
Modelos Discretos
• Modelo de Poisson: X~Po(λ)
– P[X=k] = e-λ λk / k! , para λ >0.
– E[X] = λ , σ2[X] = λ
0.14 0.3
0.12 0.25
0.1
P(N=n)
0.2
0.08 P(N=n)
0.15
0.06
0.1
0.04
0.05
0.02
0 0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
k
k - número de repetições
Modelos Contínuos
• Modelo Uniforme Contínuo – X~U[a,b]
– A v.a. X tem distribuição uniforme contínua no
intervalo [a,b], a<b, se sua função densidade de
probabilidade é dada por:
• f(x) = 1/ (b-a) , a≤x≤b; e 0,caso contrário.
– E[X] = (a+b) / 2
f(X)
– E[X2] = (a2+ab+b2)/3 1/(b-a)
– σ2[X] = (b-a)2/12
– F(X) = ?
a b X
Modelos Contínuos
• Modelo Exponencial – X~Exp(α)
– A v.a. contínua X, assumindo valores não
negativos, segue o modelo exponencial com
parâmetro α>0 se sua densidade de probabilidade é
dada por:
• f(x) = α e-αx , x≥ e 0, caso contrário.
• F(x) = ∫0,x α e-αx dx = 1- e-αx
• P(a<X<b) = F(b) – F(a) = - e-αb + e-αa
• E[X] = 1/ α
• σ2[X] = 1/ α2
Modelos Contínuos
• Modelo Exponencial – X~Exp(α)
– f(x) = α e-αx , x≥ e 0, caso contrário.
– F(x) = 1- e-αx ; P(a<X<b) = ?
F u n ç õ e s D e n s id a d e e D is t rib u iç ã o d e P ro b a b ilid a d e d o M o d e lo E x p o n e n c ia l - X~ E x p (2 )
2
1.8
1.6
1.4
1.2
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6
V .A . X
Modelos Contínuos
• Modelo Exponencial – X~Exp(α)
– f(x) = α e-αx , x≥ e 0, caso contrário.
– F(x) = 1- e-αx
– Exemplo:
• O intervalo, em minutos, entre emissões consecutivas de uma fonte
radioativa é uma v.a. com distribuição exponencial com α=0,2. Qual é
a probabilidade de haver uma emissão em um intervalo inferior a 2
minutos?
– P(X<2) = F(2) – F(0) = -e-0.2(2) + e-0.2 (0) = -e-0.4 + 1 = 0,33
– E[X] = 1/ α = 5
– σ2[X] = 1/ α2 = 25
• Qual é probabilidade do intervalo ser superior a 7, sabendo-se que ele é
superior a 5 minutos?
– P(X>7/X>5) = P(X>7,X>5) / P(X>5) = P(X>7) / P(X>5) = ?
Modelos Contínuos
• Modelo Exponencial – X~Exp(α)
– f(x) = α e-αx , x≥ e 0, caso contrário.
– F(x) = 1- e-αx
– Propriedade:
• P(X>t+s|X>s) = P(X>t).
– P(X>t+s|X>s) = P(X>t+s,X>s)/P(X>s) = P(X>t+s)/P(X>s)
= {F(+∝) – F(t+s)} / {F(+∝) – F(s)}
= e- αt = P(X>t)
0 .9
0 .8
0 .7
0 .6
0 .5
0 .4
0 .3
0 .2
0 .1
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
X
Funçao Normal - N(0,1) Histogram a de um a distribuiçao Nornal - N~(0,1)
0.4 90
0.35 80
70
0.3
60
0.25
50
0.2
40
0.15
30
0.1 20
0.05 10
0
0 -3 -2 -1 0 1 2 3
-5 -4 -3 -2 -1 0 1 2 3 4 5
Histogram a para m il am ostras
5
Histograma de uma distribuiçao Nornal - N~(0,1) x 10 Histograma de uma distribuiçao Nornal - N~(0,1)
900 8
800 7
700 6
600
5
500
4
400
3
300
2
200
100 1
0 0
-3 -2 -1 0 1 2 3 -3 -2 -1 0 1 2 3
Histograma para 10 mil amostras Histogramas para 10 milhões do amostras
Modelos Contínuos
• Modelo Normal ou Gaussiana – X~N(µ, σ2)
Funçao Normal - variando-se a média
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-6 -4 -2 0 2 4 6
Modelos Contínuos
• Modelo Normal ou Gaussiana – X~N(µ, σ2)
Funçao Normal - variando-se a variancia
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-6 -4 -2 0 2 4 6
Modelos Contínuos
• Modelo Normal ou Gaussiana – X~N(µ, σ2)
– f(x) = {1/(σ √2π)} . e-(x-µ) (x-µ) /(2σσ), para -
∝<x<+∝
– E[X] = µ
– Variância = E[(X - µ)2] = σ2
– F(X) = ∫-∝,x f(X)dx Æ não há solução analítica
– P(a<x<b) = F(b) –F(a) = ∫a,b f(X)dx
Modelos Contínuos
• Modelo Normal ou Gaussiana – X~N(µ, σ2)
• f(x) = {1/(σ √2π)} . e-(x-µ) (x-µ) /(2σσ), para -∝<x<+∝