Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
DISTRIBUIÇÕES DE PROBABILIDADES
PARTE I
Bruno Baierle
Maurício Furigo
Prof.ª Sheila Regina Oro (orientadora)
Exemplos:
Exemplo:
Variável Aleatória
Exemplo:
Variáveis Aleatórias Independentes
Variável aleatória independente, pode ser entendida quando o
conhecimento de uma variável não altera as distribuições de
probabilidade das demais variáveis (𝑋1 , 𝑋2 , … , 𝑋𝑛 ).
V X + Y = V X + V(Y)
V X − Y = V X + V(Y)
Variáveis Aleatórias Independentes
Exemplo 2. (MEYER), seja X e Y a duração da vida de dois
dispositivos eletrônicos. Suponha que sua fdp conjunta seja
dada por
𝒇 𝒙, 𝒚 = 𝒆−(𝒙+𝒚) , 𝒙 ≥ 𝟎, 𝒚 ≥ 𝟎,
𝒇 𝒙, 𝒚 = 𝒆−𝒙 𝒆−𝒚 ,
Portanto,
𝒈 𝒚 = 𝒇 𝒘(𝒚)
Variável Aleatória Discreta
Teorema 2: Supondo que 𝑋1 e 𝑋2 são variáveis aleatórias
discretas com distribuição de probabilidade conjunta 𝑓 𝑥1 , 𝑥2 ,
definindo a transformação um a um entre os pontos 𝑥1 , 𝑥2 e
𝑦1 , 𝑦2 , então as equações
𝑦1 = 𝑢1 𝑥1 , 𝑥2 e 𝑦2 = 𝑢2 𝑥1 , 𝑥2 ,
𝑥1 = 𝑤1 (𝑦1 , 𝑦2 ) e 𝑥2 = 𝑤2 (𝑦1 , 𝑦2 )
𝒈 𝒚𝟏 , 𝒚𝟐 = 𝒇[𝒘𝟏 𝒚𝟏 , 𝒚𝟐 , 𝒘𝟐 𝒚𝟏 , 𝒚𝟐 ]
Variável Aleatória Discreta – Função de
Probabilidade
Se X for discreta, com valores {𝑋1 , 𝑋2 , … }, então a distribuição de probabilidade de
X, pode ser apresentada pela função de probabilidade, a qual associa a cada
valor possível 𝑋𝑖 a sua probabilidade de ocorrência 𝑝(𝑋𝑖 ).
Ou seja
𝒑 𝒙𝒊 = 𝑷(𝑿 = 𝒙𝒊 )
Satisfazendo:
𝑝 𝑥𝑖 ≥ 0
𝑝 𝑥𝑖 = 1
𝑖
Variável Aleatória Discreta – Função
de Probabilidade
Exemplo:
Variável Aleatória Discreta – Função
de Distribuição Acumulada
X = número obtido no lançamento de um dado comum.
0 𝑠𝑒 𝑥 < 1
1 𝑠𝑒 1 ≤ 𝑥 ≥ 2
6
2 𝑠𝑒 2 ≤ 𝑥 ≥ 3
6
𝐹 𝑥 3 𝑠𝑒 3 ≤ 𝑥 ≥ 4
6
4 𝑠𝑒 4 ≤ 𝑥 ≥ 5
6
5 𝑠𝑒 4 ≤ 𝑥 ≥ 5
6
1 𝑠𝑒 𝑥 ≥ 6
Variável Aleatória Discreta – Valor
Esperado e Variância
Valor esperado:
𝒌
μ=𝑬 𝑿 = 𝒙𝒋 𝒑𝒋
𝒋=𝟏
Variância:
𝒌
σ𝟐 = 𝑽 𝑿 = (𝒙𝒋 − μ)𝟐 𝒑𝒋
𝒋=𝟏
Ou
𝑽 𝑿 = 𝑬(𝑿𝟐 ) − μ𝟐
Variável Aleatória Discreta – Valor
Esperado e Variância
Propriedades:
a) 𝐸 𝑐 = 𝑐 f) V 𝑐 = 0
b) 𝐸 𝑋 + 𝑐 = 𝐸 𝑋 + 𝑐 g) V 𝑋+𝑐 =𝑉 𝑋
h) V 𝑐𝑋 = 𝑐 2 𝑉(𝑋)
c) 𝐸 𝑐𝑋 = 𝑐𝐸(𝑋)
i) DP 𝑐𝑋 = |𝑐|𝐷𝑃(𝑋)
d) 𝐸 𝑋 + 𝑌 = 𝐸 𝑋 + 𝐸 𝑌
e) 𝐸 𝑋 − 𝑌 = 𝐸 𝑋 − 𝐸(𝑌)
Modelos de Distribuição Discreta
Distribuição de Bernoulli
Onde:
𝟎≤𝒑≤𝟏
Modelos de Distribuição Discreta
Distribuição de Bernoulli
X 𝑝 𝑥
0 1−𝑝
1 𝑝
total 1
Modelos de Distribuição Discreta
Distribuição de Bernoulli
𝟎 𝒔𝒆 𝒙 < 𝟎
𝑭 𝑿 = 𝟏−𝒑 𝒔𝒆 𝟎 ≤ 𝒙 ≤ 𝟏
𝟏 𝒔𝒆 𝒙 ≥ 𝟏
Modelos de Distribuição Discreta
Distribuição de Bernoulli
Esperança E(X)
𝑬 𝑿 =𝒑
Variância V(X)
𝐕 𝑿 = 𝒑. 𝟏 − 𝒑
Modelos de Distribuição Discreta
Distribuição de Bernoulli
Exemplos.
Solução
X = {1 → p = 20 50 =2 5
E X = p = 𝟐 𝟓 = 𝟎, 𝟒 𝐛𝐨𝐥𝐚𝐬 𝐯𝐞𝐫𝐝𝐞𝐬
V X = p ∙ 1 − p = 2 5 ∙ 1 − 2 5 𝟔 𝟐𝟓 = 𝟎, 𝟐𝟒 𝐛𝐨𝐥𝐚𝐬 𝐯𝐞𝐫𝐝𝐞𝐬 𝟐
Modelos de Distribuição Discreta
Distribuição Binomial
Onde:
𝒏
𝒑 𝒙 = ∙ 𝒑𝒙 ∙ (𝟏 − 𝒑)𝒏−𝒙 x = 0,1, 2, … , n
𝒙
Onde:
𝑛 𝑛!
=
𝑥 𝑛 − 𝑥 ! 𝑥!
Modelos de Distribuição Discreta
Distribuição Binomial
𝒏𝒊
𝑭 𝒙 = 𝑷 𝑿 ≤ 𝒙𝒊 = 𝒇(𝒙𝒊 )
𝒊=𝟏
Modelos de Distribuição Discreta
Distribuição Binomial
Esperança E(x)
𝑬 𝑿 =𝒏∙𝒑
Variância V(X)
𝑽 𝑿 = 𝒏 ∙ 𝒑(𝟏 − 𝒑)
Modelos de Distribuição Discreta
Distribuição Binomial
Exemplos.
E(X)=25
Modelos de Distribuição Discreta
Distribuição Binomial
Dados:
P E = 0,1
Distribuição Binomial
Solução:
Portanto
𝑛1
𝑋1 𝑛1 = 10, 𝑝1 = 0,305 ↔ 𝑃 𝑋1 = 𝑥 = 𝑝1 𝑥 (1 − 𝑝)𝑛1 −𝑥
𝑥
10
𝑃(𝑋1 = 4) = 0,3054 ∙ 0,6956 = 0,2048 ≡ 𝟐𝟎, 𝟒𝟖%
4
Modelos de Distribuição Discreta
Distribuição Binomial
a)
P X ≥ 10 = P X = 10 + P X = 11 + ⋯ + P X = 15
Onde:
𝑛
𝑝 𝑥 = ∙ 𝑝 𝑥 ∙ (1 − 𝑝)𝑛−𝑥
𝑥
Modelos de Distribuição Discreta
Distribuição Binomial
Portanto
15
P x = 10 → ∙ 0,410 ∙ (0,6)5 = 0,0245
10
15
P x = 11 → ∙ 0,411 ∙ (0,6)4 = 7,42X10−3
11
15
P x = 12 → ∙ 0,412 ∙ (0,6)3 = 1,65X10−3
12
𝐩 𝐱 = 𝟎, 𝟎𝟑𝟔𝟏 ≡ 𝟑, 𝟔𝟏%
15
P x = 13 → ∙ 0,413 ∙ (0,6)2 = 2,54X10−3
13
15
P x = 14 → ∙ 0,414 ∙ (0,6)1 = 2,42X10−5
14
15
P x = 15 → ∙ 0,415 ∙ (0,6)0 = 1,07X10−6
15
Modelos de Distribuição Discreta
Distribuição Binomial
b) 𝑃 3 ≤ 𝑋 ≤ 8 = 𝑃(𝑋 ≤ 8) − 𝑃(𝑋 ≤ 3) →
P X = 8 + P X = 7 + ⋯+ P X = 3 + P X = 2 + P X = 1
+P X = 0 − [P X = 3 + P X = 2 + P X = 1 + P X = 0 ]
Modelos de Distribuição Discreta
Distribuição Binomial
Portanto
Onde:
15 15
P x=8 → ∙ 0,48 ∙ (0,6)7 = 0,12 P x=7 → ∙ 0,47 ∙ (0,6)8 = 0,18
8 7
15 15
P x=6 → ∙ 0,46 ∙ (0,6)9 = 0,21 P x=5 → ∙ 0,45 ∙ (0,6)10 = 0,19
6 5
15
P x=4 → ∙ 0,44 ∙ (0,6)11 = 0,13
4
𝐩 𝐱 = 𝟎, 𝟖𝟑 ≡ 𝟖𝟑%
Modelos de Distribuição Discreta
Distribuição Binomial
c)
15
p x =P X=5 → 0,45 ∙ 0,610 = 𝟎, 𝟏𝟖𝟔 ≡ 𝟏𝟖, 𝟔%
5
Modelos de Distribuição Discreta
Distribuição Binomial
d)
𝐸 𝑋 = 𝑛 ∙ 𝑝 → 15 ∙ 0,4 = 𝟔 pessoas
e)
Distribuição Hipergeométrica
Onde:
𝒓 𝑵−𝒓
∙
𝒙 𝒏−𝒙
𝒑 𝒙 = [𝑥 = 0,1, … , min 𝑟, 𝑛 ]
𝑵
𝒏
Modelos de Distribuição Discreta
Distribuição Hipergeométrica
𝒙 𝒓 𝑵−𝒓
𝒙 𝒏−𝒙
𝑭 𝒙 =
𝑵
𝒊=𝟎
𝒏
Modelos de Distribuição Discreta
Distribuição Hipergeométrica
Esperança E(x)
𝑬 𝑿 =𝒏∙𝒑
Variância V(X)
𝑵−𝒏
𝑽 𝑿 = 𝒏 ∙ 𝒑 ∙ (𝟏 − 𝒑) ∙
𝑵−𝟏
Onde:
𝒓
𝒑=
𝑵
Modelos de Distribuição Discreta
Distribuição Hipergeométrica
𝑃 𝑋 ≥ 1 = 1 − 𝑃(𝑋 = 0),
então:
3 30−3
∙ 80,730
0 5−0
a) p X =p 0 → 30 = = 𝟎, 𝟓𝟔𝟔𝟓
142,506
5
Distribuição Hipergeométrica
b)
N−n
V X = n ∙ p ∙ 1 − p ∙ N−1 → 5 ∙ 0,1 ∙ 0,9 ∙ 0,86 𝟎, 𝟑𝟗 𝐩𝐥𝐚𝐜𝐚𝐬 𝐝𝐞 𝐯í𝐝𝐞𝐨𝐬 𝟐
Modelos de Distribuição Discreta
Distribuição Hipergeométrica
Distribuição Hipergeométrica
Solução:
N = 20; r = 5; n = 3; x = 2
5 20 − 5
∙ 150
p X = 2 3 − 2 = = 𝟎, 𝟏𝟑𝟏 ≡ 𝟏𝟑, 𝟏%
20 1140
3
Modelos de Distribuição Discreta
Distribuição de Poisson
Propriedades
Distribuição de Poisson
Propriedades
Distribuição de Poisson
Propriedades
e−λ λ
x
2. P X = x = , x = 0, 1, 2, … n.
x!
3. E X = μ = λ
4. V X = σ2 = λ
Modelos de Distribuição Discreta
Distribuição de Poisson – Uma justificativa
𝒏
𝑷 𝑿=𝒙 ≈ ∙ 𝒑𝒙 ∙ 𝟏 − 𝒑 𝒏−𝒙
𝒙
𝒏→∞
𝒑→𝟎
𝒏 𝒑 → λ >0
Modelos de Distribuição Discreta
Distribuição de Poisson
𝒆−λ λ𝒙
𝒑 𝒙 = 𝑥 = 0, 1, 2 …
𝒙!
Modelos de Distribuição Discreta
Distribuição de Poisson
λ𝒊 𝒆λ
𝒙
𝑭 𝒙 = para x = 0,1,2 …
𝒊!
𝒊=𝟎
Modelos de Distribuição Discreta
Distribuição de Poisson
Esperança E(x)
𝑬 X =λ
Variância V(X)
𝑽 X =λ
Onde:
𝑬 X =𝑽 X =λ
Modelos de Distribuição Discreta
Distribuição de Poisson
Distribuição de Poisson
p x = P X < 3 = p 0 + p 1 + p(2) →
𝑒 −3 30 𝑒 −3 31 𝑒 −3 32
+ + = 𝟎, 𝟒𝟐𝟑𝟐 ≡ 𝟒𝟐, 𝟑𝟐%
0! 1! 2!
Modelos de Distribuição Discreta
Distribuição de Poisson
Solução
a)
𝑒 −5 52
𝑝 𝑥 = = 𝟎, 𝟎𝟖𝟒 ≡ 𝟖, 𝟒%
2!
b)
𝑒 −2,5 2,51
𝑝 𝑥 = 𝟎, 𝟐𝟎𝟓𝟐 ≡ 𝟐𝟎, 𝟓𝟐%
1!
Referências
BARBETTA, P. A. REIS, M. M. BORNIA, A. C. Estatística para Cursos de
Engenharia e Informática. 3ª Edição. Atlas S.A. São Paulo - SP, 2010.