Professional Documents
Culture Documents
Distribuies de probabilidade
O que uma distribuio de probabilidade? distribui Uma distribuio de probabilidade essencialmente um modelo de descrio probabilstica de uma populao. descri probabil popula o Populao o conjunto de todos os valores de uma varivel aleatria. populao popula
X=x P(X=x) 0 0,1 1 0,6 2 0,3
Populao e distribuio de probabilidade indissociveis Popula distribui Modo como as probabilidades se distribuem aos valores Parmetros: caracterizaes numricas que permitem a individualizao de um modelo (distribuio) em determinado contexto
No estudo de uma varivel aleatria importante saber: 1. O tipo de distribuio, que determinado pela distribui o funo de probabilidade da varivel fun 2. Os parmetros da distribuio 3. As medidas descritivas da distribuio (mdia, varincia, ...)
3
5. Distribuio Multinomial Distribui 6. Distribuio Geomtrica Distribui Geom 7. Distribuio Binomial Negativa Distribui 8. Distribuio Hipergeomtrica Negativa Distribui Hipergeom 9. Distribuio Uniforme Distribui
4
O experimento (ou ensaio) de Bernoulli definido como o experimento aleatrio que possui apenas dois resultados possveis. poss veis
Experimento: Uma semente colocada para germinar S = {germinar, no germinar} Consideramos um dos resultados como sucesso: sucesso = germinar fracasso = no germinar Definimos a varivel X como nmero de sucessos em uma repetio do experimento. X = nmero de sucessos n 0 , se no germinar 1 , se germinar SX = {0,1}
7
Se for conhecido o poder germinativo do lote de sementes, por exemplo, 87%, podemos concluir que a probabilidade de a semente germinar 0,87. O evento {no germinar} complemento do evento {germinar}, ento sua probabilidade ser 1 0,87. {germinar} 0,87
X=x P(X = x)
0 0,13
1 0,87
X=
probabilidade de fracasso
probabilidade de sucesso
P(X = x) = x . (1 )1 x,
parmetro Parmetro
para SX = {0, 1}
Funo de probabilidade Fun De modo geral, se X uma varivel que tem distribuio de Bernoulli, sua funo de probabilidade ser:
X=x P(X = x)
1-
10
x p(x)
Para SX = {0, 1}
0 1- 1
X=x
0 1-
X=x P(X = x)
P(X = x)
2
E(X2) =
xS X
x p(x) = 0 (1 ) + 1 =
xS X
p(x) = 0 2 (1 ) + 12 =
Teorema: E(X) = =
2. Distribuio binomial
Definio: Modelo que descreve probabilisticamente os Defini resultados de uma sequncia de experimentos de Bernoulli independentes entre si, ou seja, onde a probabilidade de sucesso constante em todas as repeties do experimento. Se X = Y1 + Y2 + ... + Yn onde: Yi ~ Ber () e independentes; ento, a varivel X tem distribuio binomial. Distribuio binomial processo finito de Bernoulli Distribui n experimentos de Bernoulli independentes, com probabilidade de sucesso constante para todos eles importante no contexto de amostragem com reposio reposi
13 14
Medidas descritivas
Experimento: Os bovinos de uma estncia foram vacinados contra uma determinada doena e 60% deles ficaram imunes. Se um bovino dessa estncia escolhido ao acaso e sua situao em relao a imunizao registrada, temos um experimento de Bernoulli. S = {imune, no imune} onde: p(imune) = 0,6 p(no imune) = 1 - 0,6 = 0,4 Se trs bovinos so escolhidos, um a um, e o resultado registrado, temos uma sequncia de trs experimentos de Bernoulli independentes, pois, a cada escolha, a independentes probabilidade de sucesso permanecer inalterada.
15
#S = 23 = 8
I = imune N = no imune
S = {III, IIN, INI, NII, INN, NIN, NNI, NNN} Sucesso = imune A varivel X definida como o nmero de sucessos em n experimentos de Bernoulli independentes, com probabilidade de sucesso igual a . n=3 e =0,6 SX = {0, 1, 2, 3} Qual a funo de probabilidade P(X=x) associada a varivel X?
16
S = {III, IIN, INI, NII, INN, NIN, NNI, NNN} SX = {0,1,2,3} P(X=x) = ? X: n bovinos imunes
X=x P(X = x)
0 0,064
1 0,288
2 0,432
3 0,216
P(X=0) = 0,43 = 1 0 (1 )3 = 0,064 P(X=1) = 3 0,61 0,42 = 3 1 (1 )2 = 0,288 P(X=2) = 3 0,62 0,41 = 3 2 (1 )1 = 0,432 P(X=3) = 0,63 = 1 3 (1 )0 = 0,216 Como podemos determinar de quantas maneiras diferentes teremos x sucessos e 3-x fracassos?
Permutao com repetio Permuta repeti
x, P3 3 x =
, para SX = {0, 1, 2, 3}
Nmero de casos
Probabilidade de um caso
Funo de probabilidade Fun De modo geral, se X uma varivel que tem distribuio binomial, sua funo de probabilidade ser:
x P(X = x) = Cn x (1 )n x
17
3! x! (3 x)!
ou
x C3 =
3! x! (3 x)!
Parmetros
x P(X = x) = Cn x (1 )n x
= 2 = (1-)
parmetros A distribuio binomial tem dois parmetros: n = nmero de repeties do experimento de Bernoulli repeti = probabilidade de sucesso X ~ Bin (n,) X tem distribuio binomial com parmetros n e distribui
19
x p(x)
Teorema: E(X) = = n
Exerccio proposto: Num determinado processo de fabricao 10% das peas so consideradas defeituosas. As peas so acondicionadas em caixas com 5 unidades cada uma. (a) Qual a probabilidade de haver exatamente 1 pea defeituosa numa caixa? (32,81%)
Parmetros: n = nmero de repeties no experimento = probabilidade de sucesso Medidas descritivas E(X) = = n V(X) = 2 = n (1-)
21
(b) Qual a probabilidade de haver duas ou mais peas defeituosas numa caixa? (8,14%) (c) Se a empresa paga uma multa de R$ 10,00 por caixa em que houver alguma pea defeituosa, qual o valor esperado da multa num total de 1000 caixas? (R$ 4.100)
22
3. Distribuio hipergeomtrica
Definio: Modelo que descreve probabilisticamente os Defini resultados de uma sequncia de experimentos de Bernoulli dependentes. dependentes Refere-se a experimentos que se caracterizam por retiradas sem reposio, onde a probabilidade de sucesso se altera reposi o a cada retirada. A Distribuio hipergeomtrica se difere da Distribui hipergeom Distribuio binomial porque a probabilidade de sucesso Distribui muda de um experimento para o outro Essa distribuio extremamente importante no contexto de amostragem sem reposio reposi
23 24
(b) P(Duas ou mais defeituosas) = P(X=2) + P(X=3) + P(X=4) + P(X=5) Ao invs de calcular desta forma mais conveniente utilizar o complementar. Assim: P(X 2) = 1 - P(X 1)
= 1 - [P(X=0) + P(X=1)] = 1 - (0,5905 + 0,3281] = 8,14% (c) A probabilidade de uma caixa pagar multa : P(PM) = P(X 1) = 1 - P(X = 0) = 1 - 0,5905 = 40,95% Neste caso tem-se uma nova Binomial com n = 1000 e = 0,41. O nmero esperado de caixas que vo pagar multa, isto , com uma ou mais peas defeituosas ser: E(PM) = = n = 1000 . 0,41 = 410 caixas Como cada uma paga R$ 10,00 de multa, o valor total da multa ser: PM = R$ 10,00 . 410 = R$ 4 100,00
= N1 N
1- = N2 N
N2 N1 (sucesso) (fracasso)
Experimento: Uma bandeja contm 10 xcaras de cafezinho, sete com acar e trs com adoante. Trs pessoas se aproximam da bandeja e se servem. Se a varivel aleatria X definida como o nmero de xcaras de caf com acar, construa a distribuio de probabilidade de X.
Xcaras N =10
Do ponto de vista probabilstico no faz diferena considerar retiradas individuais sem reposio ou retirada conjunta de grupos
25
a = acar A = adoante
X=x P(X = x)
0 0,0083
1 0,175
2 0,525
3 0,2917
X = nmero de xcaras de caf com acar acar SX = {0, 1, 2, 3} P(X =0) = P(X =1) = P(X =2) =
C0 7 C3 3 3 C10
3 C10
P(X = x) =
x C7 C3- x 3 3 C10
, para SX = {0, 1, 2, 3}
2 C1 C3 7
= =
Funo de probabilidade Fun De modo geral, se X uma varivel que tem distribuio hipergeomtrica, sua funo de probabilidade ser:
C2 C1 7 3
3 C10
P(X = x) =
x n CN CN- x
1 2
n CN
Parmetros
Medidas descritivas
P(X = x) =
x n CN1 CN-2x
n N
x p(x)
N1 N
probabilidade de sucesso
A distribuio hipergeomtrica tem trs parmetros: n = nmero de repeties do experimento repeti N = tamanho da populao popula N1 = tamanho da sub-populao de interesse sub- popula X ~ Hip (n,N,N1)
X tem distribuio hipergeomtrica com parmetros n, N e N1 distribui hipergeom
29
Teorema: E(X) = = n
Varincia V(X) = 2 = E(X 2 ) 2 Teorema: V(X) = 2 = n probabilidade de fracasso Fator de correo corre
30
N1 N 2 N-n N N N-1
P(X = x) =
Parmetros:
n CN
Exerccio proposto: Pequenos motores so guardados em caixas de 50 unidades. Um inspetor de qualidade examina cada caixa testando 5 motores. Se nenhum for defeituoso, a caixa aceita. Se pelo menos 1 for defeituoso, todos 50 so testados. H 6 motores defeituosos numa caixa. Qual a probabilidade de que seja necessrio examinar todos os motores desta caixa?
Tem-se N1 = 6 , N = 50 , n = 5,
P(X 1) = ?
P(X = 0) =
V(X) = 2 = n
4. Distribuio de Poisson
Definio: descreve probabilisticamente a sequncia de um Defini grande nmero de fenmenos independentes entre si, cada n um com probabilidade de sucesso muito pequena. pequena Ocorre naturalmente quando se deseja contar o nmero de um tipo particular de eventos que ocorrem por unidade de tempo, de superfcie ou de volume. tempo superf volume
Exemplos:
nmero de peas defeituosas observadas em uma linha de produo num determinado perodo de tempo; nmero de acidentes de trabalho ocorridos numa grande empresa num determinado perodo de tempo; nmero de ciclones ocorridos em certa regio num determinado perodo de tempo; nmero de formigueiros por unidade de rea em uma regio; nmero de bactrias por unidade de rea em uma lmina com extratos de uma planta;
A distribuio de Poisson tem inmeras aplicaes na simulao simula de sistemas modelando o nmero de eventos ocorridos num intervalo de tempo, quando os eventos ocorrem a uma taxa constante.
34
Pode ser considerada como uma binomial onde o nmero de experimentos (n) grande, pequeno (sucesso raro) n e n (mdia de sucessos) constante. Distribuio de Poisson Distribui processo infinito de Bernoulli
33
Funo de probabilidade Fun De modo geral, se X uma varivel que tem distribuio de Poisson, sua funo de probabilidade ser:
Parmetros
P(X = x) = e
x
x!
parmetro
P(X = x) = e
espao amostral espa infinito onde: X: nmero de sucessos e = 2,718 (base dos logaritmos neperianos)
36
Exerccio proposto: Em um certo tipo de fabricao de fita magntica, ocorrem defeitos a uma taxa de 1 a cada 2000 metros. Qual a probabilidade de que um rolo com 2000 metros de fita magntica: (a) No tenha defeitos? (b) Tenha no mximo dois defeitos? (c) Tenha pelo menos dois defeitos?
Soluo: Neste caso, tem-se: = 1 (taxa de defeitos a cada 2000 metros) X = n de defeitos a cada 2000 metros Ento:
P(X = x) =
e x , para x = 0, 1, 2, 3, ... x!
1 0
1 0
1 1
1!
37
38
x p(x)
Descrio probabilstica da sequncia de um grande nmero n de fenmenos independentes, todos com probabilidade de independentes sucesso constante e muito pequena. pequena Funo de probabilidade Fun
Varincia: V(X) =
= E(X )
2
P(X = x) = e
10
Exerccio proposto: Um dado formado por chapas de plstico de 10x10 cm. Em mdia aparecem 50 defeitos por m2 de plstico, segundo uma distribuio de Poisson. (a) Qual a probabilidade de uma determinada face apresentar exatamente 2 defeitos? (7,58%) (b) Qual a probabilidade de o dado apresentar no mnimo dois defeitos? (80,08%)
Em mdia aparecem 50 defeitos/m2 = (50/10000) defeitos/cm2 Como cada face tem 10cm x 10 cm = 100 cm2, tem-se ento: = (50/10000) defeitos/cm2 x 100 cm2 = 0,5 defeitos por face. A probabilidade de uma face apresentar dois defeitos ser: P(X = 2) =
(c) Qual a probabilidade de que pelo menos 5 faces sejam perfeitas? (24,36%)
41
e0,5 (0,5) 2!
= 7,58%
42
No dado inteiro, a rea total ser a = 6x100 cm2 = 600 cm2 e o nmero mdio de defeitos ser ento: = (50/10000) defeitos /cm2 x 600 cm2 = 3 defeitos A probabilidade de o dado apresentar no mnimo 2 defeitos ser: P(X 2) = P(X = 2) + P(X = 3) + ... = 1 - P(X 1) = 1 - [P(X = 0) + P(X =1)] = =1-[ e
3 0
A probabilidade de uma face ser perfeita a probabilidade de ela no apresentar defeitos, isto :
0,5 ( 0,5) P (X = 0) = e = 60,65% 0
0!
Tem-se ento uma binomial Y com n = 6 (nmero de faces do dado) e = 60,65%(probabilidade de uma face ser perfeita) Ento a probabilidade de pelo menos 5 perfeitas, ser: P(Y 5) = P(Y = 5) + P(Y = 6) = . (0,6065)5 .(0,3935)1+ .( 0,6065)6 .(0,3935)0 = 24,36%
0!
+ e
3 1
1!
3 ]=
6 5
6 6
44
11
Distribuio Normal
importante tanto no aspecto terico como nas aplicaes. Essa importncia se deve a um conjunto de aspectos: Propriedades matemticas til para descrever uma grande quantidade de fenmenos naturais fsicos, ambientais, etc. Distribuies de um grande nmero de variveis aleatrias convergem para a distribuio normal Muitas variveis no normais podem ser tratadas como normais aps transformaes simples Uma grande quantidade de mtodos e procedimentos de inferncia estatstica so derivados tendo-a como pressuposio bsica
O conjunto de mtodos desenvolvidos para tratar variveis que tm distribuio normal forma a chamada Estatstica Clssica ou Estatstica Paramtrica. Estat Cl Estat Paramtrica
46
Distribuio normal
Definio: uma distribuio terica de frequncias, onde a Defini maioria das observaes se situa em torno da mdia (centro) e diminui gradual e simetricamente no sentido dos extremos. A distribuio normal representada graficamente pela curva normal (curva de Gauss) que tem a forma de sino e simtrica sim em relao ao centro, onde se localiza a mdia .
Parmetros A distribuio normal tem dois parmetros: = mdia (determina o centro da distribuio) 2 = varincia (determina a disperso da distribuio) X ~ N (, 2) X tem distribuio normal com parmetros e 2 distribui
47 48
12
Populaes normais Popula com varincias diferentes e mesma mdia Existe um nmero infinito de curvas normais n
49 50
Propriedades da distribuio normal distribui 2. A distribuio simtrica em relao ao centro onde coincidem a mdia, a moda e a mediana. 1. O mximo da funo densidade de probabilidade se d no ponto x= .
mximo
51
Md==Mo
52
13
P(-2 < X < +2) = 0,9544 P( +2 - + P(-3 < X < +3) = 0,9974 P( +3
53 54
Ponto de inflexo: ponto onde a concavidade direita tem sinal diferente ao da concavidade esquerda
Clculo de reas
Para cada valor de e de , existe uma distribuio normal diferente
O clculo de reas sob a curva normal, dever ser feito sempre em funo dos valores particulares de e Para evitar a trabalhosa tarefa de calcular as reas foi determinada uma distribuio normal padro ou reduzida As reas sob a curva normal padro foram calculadas e apresentadas numa tabela
55
A curva normal padro foi dividida em pequenas tiras, cujas reas foram calculadas e apresentadas numa tabela. Na tabela da distribuio normal padro, podemos encontrar as reas correspondentes aos intervalos de 0 a z.
56
14
Os valores negativos no so apresentados na tabela porque a curva simtrica; assim, as reas correspondentes a esses valores so exatamente iguais s dos seus simtricos positivos, por exemplo P(-1<Z<0)=P(0<Z<1). P(- 1<Z<0)= P(0<Z<1) Na tabela da distribuio normal padro, os valores de Z vo de 0 a 3,9 . Este limite estabelecido com base na quarta propriedade da distribuio normal.
57
58
Exerccio proposto: Seja Z uma varivel aleatria com distribuio normal padro. Determine as seguintes probabilidades: a) P(0 < Z < 1,73) b) P(Z > 0,81)
0,4582 0,2090 0,1587
-2,17
2,17
-1 0
c) P(-1,25 Z -0,63)
P(Z > 1,5) = ?
0,5-0,4332 = 0,0668 = - 0 1,5 + - 0 0,5 0,4332
0 1,5
+
59 60
15
Atravs da distribuio normal padro possvel estudar qualquer varivel X que tenha distribuio normal, com quaisquer valores para e . Para utilizarmos os valores da tabela, devemos padronizar a varivel X, ou seja, transformar X em Z.
X ~ N (, 2) (
X ~ N (, 2) (
transformar
Z=
Z ~ N (0, 1) (0
Z ~ N (0, 1) (0
Aps a transformao, procuramos na tabela a rea compreendida entre 0 e z, que corresponder a rea entre e x.
61
Exemplo: Sabendo que as notas de 450 alunos esto normalmente distribudas, com mdia = 3,9 e desvio padro = 0,28, determine: a) a probabilidade de um aluno ter nota maior que 4,27; b) o nmero de alunos que tm nota superior a 4,27.
Para encontrar essa rea, vamos utilizar a tabela da distribuio normal padro. Inicialmente, fazemos a transformao da varivel X para a varivel Z.
z=
63
64
16
b) o nmero de alunos que tm nota superior a 4,27. No item (a), vimos que este percentual de 9,34%. Sendo assim, atravs de uma regra de trs simples, podemos determinar quantos estudantes correspondem a 9,34% de uma populao de 450 estudantes. Esse valor pode ser obtido facilmente multiplicando o tamanho da populao pela probabilidade de ocorrer uma nota maior que 4,27. Assim, temos: 450 0,0934 = 42,03 Conclumos, ento, que, dos 450 estudantes, 42 tm nota superior a 4,27.
65 66
Exerccio proposto: Uma fbrica de carros sabe que os motores de sua fbrica tem durao normal com mdia de 150.000km e desvio padro de 5.000km. Qual a probabilidade de que um carro escolhido ao acaso, tenha um motor que dure: a) menos de 170.000km? b) entre 140.000 e 160.000km? c) Se o fabricante deseja oferecer uma garantia, tal que ele tenha que substituir no mximo 1% dos motores, qual deve ser o valor desta garantia?
67
Soluo: a) P(X < 170.000) = P(Z < (170.000-150.000)/5.000) = P(Z < 4) = 1 = 100%
c) Seja G o valor de garantia P(X<G) = P(Z < (G-150)/5) = 0,01 = P(Z < -2,33)
17