Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
2
Variável Aleatória (v.a.): Uma função X que associa
a cada elemento do espaço amostral um valor num
conjunto enumerável de pontos da reta é
denominada variável aleatória discreta.
6
7
Exemplo 2: Um dado é lançado duas vezes de forma
independente. Qual é a probabilidade da soma dos
pontos ser menor do que 6?
= {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6),
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6),
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}.
Qual é a probabilidade de cada ponto wi de ?
Admitindo que o dado é perfeitamente homogêneo
e sendo os lançamentos independentes, então
P(wi) = 1/36 , wi .
8
Defina X: soma dos pontos.
Função de probabilidade de X:
Então,
9
Podemos estar interessados em outras v.a.’s.
Y: valor máximo obtido dentre os dois lançamentos
U: pontos do 2º lançamento
10
MÉDIA E VARIÂNCIA (v.a. discretas)
Qual é o valor médio da soma dos pontos no
lançamento de dois dados?
Valor Esperado (média): Dada a v. a. X, assumindo os
valores x1, x2, ..., xn, chamamos de valor médio ou
valor esperado ou esperança matemática de X o valor
n
E(X) x 1.P(X x 1 ) ... x n .P(X x n ) x i .P(X x i )
i 1
Notação: μ E(X)
No exemplo,
E(X) = 2.(1/36) + 3. (2/36) + ... + 11. (2/36) + 12. (1/36)
= 252/36 = 7
ou seja, em média, a soma dos pontos no lançamento
dos dois dados é 7.
11
Variância: É o valor esperado da v.a. (X – E(X))2, ou
seja, se X assume os valores x1, x2, ..., xn,
n
Var(X) [xi - E(X)] . P(X x i )
2
i 1
Notação: σ2 Var(X).
Da relação acima, segue que
2 2
Var(X) E(X ) – [E(X)] .
Desvio Padrão: É definido como a raiz quadrada
positiva da variância, isto é,
DP(X) Var(X).
Notação: σ DP(X).
12
No exemplo,
1 2 2 2 1
Var(X) (2 - 7) . (3 - 7) . ... (11- 7) . (12- 7) .
2 2 2
36 36 36 36
210
5,83.
36
Alternativamente, poderíamos calcular
1 2 2 1
E(X ) 2 . 3 . ... 11 . 12 .
2 2 2 2 2
36 36 36 36
1974
54,83
36
e, portanto, Var(X) = 54,83 – 72 = 5,83.
13
Propriedades:
1) Se Y = aX + b, onde a e b são constantes, então
E(Y) = E(aX + b) = aE(X) + b
e
Var(Y) = Var(aX + b) = a2 Var(X).
14
Função de Distribuição Acumulada (f.d.a.)
F ( x) P( X x)
Observe que o domínio de F é todo o conjunto dos
números reais, ao passo que o contradomínio é o
intervalo [0,1]
15
Exemplo 3
Considere o experimento que consiste no
lançamento independente de uma moeda duas vezes.
Seja a v.a. X: nº de caras obtidas. Encontre a f.d.a. da
v.a. X.
0, se x 0
0,25, se 0 x 1
F ( x) P( X x)
0,75, se 1 x 2
1, se x 2
Gráficar !
16
Exemplo 4
No exemplo 1 usando a tabela da f.p. de X: nº de
mulheres na comissão.
F (2) P( X 2) 0,975
F(x)
1
0.975
0.684
0.203
0 1 2 3 x
18
Principais modelos probabilísticos discretos
X 1 2 3 4 5 6
P(X=xi) 1/6 1/6 1/6 1/6 1/6 1/6
1/k, i 1,2,..., k.
P(X x i )
0, caso contrario
19
Notação: X~Ud(x1,..,xk)
1
E ( X ) (1 2 3 4 5 6) 3,5
1 6
Var ( X ) {(1 4 9 16 25 36) 21 / 6} 2,9
2
6
20
2. Modelo Bernoulli
21
Distribuição de uma v.a. de Bernoulli
Uma V.A. (X) de Bernoulli é aquela que assume apenas dois valores 1
se ocorrer sucesso (S) e 0 se ocorrer fracasso (F), com
probabilidade de sucesso p, 0 < p <1. Isto é, se X(S)=1 e X(F)=0. Logo
a função de probabilidade é dada por:
x 0 1 p x (1 p)1 x ; x 0,1
f ( x) P( X x)
P(X=x) 1-p p 0; c.c
Notação: X~Bernoulli (p), indica que a v.a. X tem distribuição de Bernoulli com
parâmetro p
Se X~Bernoulli(p) pode-se mostrar que:
E(X)=p
Obter a f.d.a. !
Var(X)=p(1-p).
Probabilidade X1 X2 X3 X=X1+X2+X3
FFF (1-p)3 0 0 0 0
FFS (1-p)2p 0 0 1 1
FSF (1-p)2p 0 1 0 1
SFF (1-p)2p 1 0 0 1
FSS (1-p)p2 0 1 1 2
SFS (1-p)p2 1 0 1 2
SSF (1-p)p2 1 1 0 2
SSS P3 1 1 1 3
23
Daí temos que:
P ( X 0) P({FFF }) (1 p) 3
P ( X 1) P ({FFS , FSF , SFF}) 3 p(1 p ) 2
P ( X 2) P ({FSS, SFS, SSF}) 3 p 2 (1 p )
P ( X 3) P ({SSS}) p 3
A função de probabilidade da v.a. X é dada por:
x 0 1 2 3
f ( x) P( X x) (1 p) 3 3 p(1 p) 2 3 p 2 (1 p) p3
O comportamento de X , pode ser representado pela seguinte função:
3 x
p (1 p) 3 x , x 0,1,2,3
f ( x) x
0, c.c
3 3!
onde
x x!(3 x)!
24
Distribuição de uma v.a. Binomial
25
Distribuição Binomial com parâmetros n=10 e p
p=0,1 p=0,3
0.4
0.20
P(X=x)
P(X=x)
0.2
0.00
0.0
0 2 4 6 8 0 2 4 6 8
x x
p=0,5 p=0,8
0.20
P(X=x)
P(X=x)
0.15
0.00
0.00
0 2 4 6 8 0 2 4 6 8
x x
26
Distribuição Binomial com parâmetros n=20 e p
p=0,1 p=0,3
0.15
0.20
P(X=x)
P(X=x)
0.00
0.00
0 5 10 15 20 0 5 10 15 20
x x
p=0,5 p=0,8
0.15
P(X=x)
P(X=x)
0.00 0.10
0.00
0 5 10 15 20 0 5 10 15 20
x x
27
Distribuição Binomial com parâmetros n=30 e p
p=0,1 p=0,3
P(X=x)
P(X=x)
0.15
0.10
0.00
0.00
0 10 20 30 0 10 20 30
x x
p=0,5 p=0,8
0.15
0.10
P(X=x)
P(X=x)
0.00
0.00
0 10 20 30 0 10 20 30
x x
28
Exemplo 2.
P( X 6) 1 P( X 6) 0,006369
0, c.c
A probabilidade de um aluno aprovar é: 0,00636
29
Exemplo 3.
Suponha uma urna com 20 bolas brancas e 15 bolas pretas, extraímos da urna
consecutivamente e com reposição 12 bolas. Encontre a probabilidade de se
obter 5 bolas brancas.
12 4 x 3 12 x
P(S)=4/7 e P(F)=3/7. Logo, X~B(12,4/7). , x 0,1,,12
f ( x) x 7 7
A probabilidade de obter 5 bolas brancas é:
0, c.c
f (5) P( X 5) 0.12
30
4. Modelo Hipergeométrico
Suponha uma população finita de N elementos, dividida em duas classes. Uma
classe com M (M<N) elementos (sucessos) e a outra com N-M elementos
(fracasso). Por exemplo, no caso particular de N peças produzidas, podem ser
consideradas as classes: M artigos defeituosos e (N-M) artigos não
defeituosos.
Uma amostra aleatória de tamanho n (n<N) é sorteada sem reposição é
sorteada dessa população. A v.a. X definida como, o número de elementos com
a característica de interesse (sucesso) na amostra de tamanho n. A função de
probabilidade da v.a. X, é dada por:
M N M
x n x , x 0, min( n, M )
f X ( x) N
n
0, c.c
P(aceitar o lote) P( X 1) P( X 0) P( X 1)
10 90 10 90
0 10 1 9
0,923
100 100
10 10
32
Observação: Se X~H(N,M,n) e n/N< 0,10. Então X~B(n, M/N).
Exemplo. Foram colocados em uma caixa 100 peças, 40 dos quais foram
fabricados pela industria B e as outras pela industria A. Foram sorteadas
aleatoriamente, sem reposição, 8 peças, qual é a probabilidade de que 4
sejam da industria A?
60 40
P( X 4) 0,2395.
4 4
100
10
8
P( X 4) 0,6 0,4 0,2322.
4 4
4
33
5. Modelo Poisson
34
Distribuição de uma v.a. Poisson
e x
x 0,1,2,
f ( x) x!
0; c.c.
Notação: X~P(), para indicar que a v.a. X tem distribuição de Poisson com
parâmetro . Pode-se mostrar que se X~P()
E(X)= , Var(X)=
35
P(X=x) P(X=x)
0
0
40
40
x
x
P(4)
P(20)
80
80
P(X=x) P(X=x)
0
0
40
40
x
x
P(50)
P(10)
80
80
36
Exemplo 4. Suponha que a central telefônica de uma empresa de grande porte
recebe em média 3 chamadas cada 4 minutos. Qual é a probabilidade que a
central recepcione 2 ou menos chamadas em um intervalo de 2 minutos?
e 1,5 1,5 x
f ( x) , x 0,1,2,3....
x!
1,5 1,5 2
P( X 2) P( X 0) P( X 1) P( X 2) e [1 1,5 ] 0,808847 .
2
37
A Distribuição Poisson Como Aproximação da Distribuição Binomial
n
n x x 1
1 2 x 1 n
x
n
P( X x) 1 1 1 1
x
x n n n n n x!
1
n
e
x
Fazendo n , temos P( X x)
x!
38
Exemplo 5. A probabilidade de um rebite particular na superfície da asa de
uma aeronave seja defeituosa é 0,001. Há 4000 rebites na asa. Qual é a
probabilidade de que seja instalados não mais de seis rebites defeituosos?
4000
0,001 0,999
6
P( X 6) 0,8894.
x 400 x
x
x 0
e 4 4 x
6
P( X 6) 0,889.
x 0 x!
39
Teorema: Se X ,, X são variáveis aleatórias independentes, com
1 n
e 6 6 4
P(Y 4) 0,1339
4!
40