VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL · 2012. 5. 16. · Variável aleatória de...
Transcript of VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL · 2012. 5. 16. · Variável aleatória de...
VARIÁVELVARIÁVEL ALEATÓRIA ALEATÓRIA e e
DISTRIBUIÇÃO DISTRIBUIÇÃO BINOMIALBINOMIAL
Variável AleatóriaVariável Aleatória
Uma função X que associa a cada elemento ω do espaço amostral Ω um valor x ∈ R é denominada uma variável aleatória.
A variável aleatória pode ser classificada em:
• Variável aleatória discretadiscreta• Variável aleatória contínuacontínua
1) Observa-se o sexo das crianças em famílias com três filhos (M: masculino e F: feminino).
Ω=(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM),(FFF) ω1 ω2 ω3 ω4 ω5 ω6 ω7 ω8
Defina X: nº de crianças do sexo masculino (M).
Exemplos:Exemplos:
→ Então X é uma v.a. discreta, pois X(ωι) = 0, 1, 2, 3
(X assume valores no conjunto 0, 1, 2, 3)
Ω MMM MMF MFM FMM MFF FMF FFM FFFx 3 2 2 2 1 1 1 0
2) Observar o tempo de vida, em horas, de lâmpadas produzidas por uma fábrica.
Defina T: tempo de vida, em horas, da lâmpada escolhida ao acaso.
→ Então, T é uma v.a. contínua que assume qualquer valor real positivo.
Exemplos:Exemplos:
0; ≥= ttT
P(X=xn)
xn
...P(X=x2)P(X=x1)P(X=x)
...x2x1x
1 )xP(X e 1 )xP(X 0n
1iii ∑
===≤=≤
Uma função de probabilidade deve satisfazer:
Função de probabilidadeFunção de probabilidade:: É a função que atribui a cada valor xi da v. a. discreta X sua probabilidade de ocorrência e pode ser representada pela tabela:
VARIÁVEL ALEATÓRIA DISCRETA VARIÁVEL ALEATÓRIA DISCRETA CaracterizaçãoCaracterização
O Departamento de Estatística é formado por 35 professores, sendo 21 homens e 14 mulheres. Uma comissão de 3 professores será constituída sorteando, ao acaso, três membros do departamento. Qual é a probabilidade da comissão ser formada por pelo pelo menosmenos duas mulheres?
Vamos definir a v.a.
X: nº de mulheres na comissão.
Quais são os possíveis valores que X pode assumir?
Exemplo 1:Exemplo 1:
0,0563
0,2910,4500,203P(X=x)210x
Assim, P (X 2) = P(X=2) + P(X=3) = 0,291 + 0,056 = 0,347. ≥
3 0,056 3312
3413
3514 (MMM)
2 0,097 3321
3413
3514 (MMH)
2 0,097 3313
3421
3514 (MHM)
2 0,097 3313
3414
3521 (HMM)
1 0,150 3320
3421
3514 (MHH)
1 0,150 3320
3414
3521 (HMH)
1 150,03314
3420
3521 (HHM)
0 0,2033319
3420
3521 (HHH)
=××
=××
=××
=××
=××
=××
=××
=××
Espaço amostral Probabilidade X
ΩΩ = (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 Ω ?
Exemplo 2Exemplo 2:: Um dado é lançado duas vezes, de forma independente. Qual é a probabilidade da soma dos pontos ser menor do que 6?
Admitindo que o dado é perfeitamente homogêneo e sendo os lançamentos independentes, P(wi) = 1/36 , qualquer wi ∈ Ω.
Defina X: soma dos pontos.
4/365
5/366
6/367
5/368
4/369
3/3610
2/3611
1/3612
3/362/361/36P(X=x)432x
Então,
P(X < 6) = P(X=5) + P(X=4) + P(X=3) + P(X=2) = 4/36 + 3/36 + 2/36 + 1/36 = 10/36 = 0,278
Função de probabilidade de X:
Podemos estar interessados em outras v.a.’s definidas para o mesmo espaço amostral.
1/361
9/365
11/366
7/365/363/36P(Y=y)432y
Y: valor máximo obtido dentre os dois lançamentos
Z: diferença entre os pontos do 2º. e do 1º. lançamento
4/36
-2
5/36
-1
6/36
0
5/36
1
4/36
2
3/36
3
2/36
4
1/36
5
3/362/361/36P(Z=z)
-3-4-5z
MÉDIA E VARIÂNCIAMÉDIA E VARIÂNCIAQual é o valor médio da soma dos pontos (X) no lançamento de dois dados?
ΩΩ = (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)
x
P(X
=x)
12111098765432
6/36
5/36
4/36
3/36
2/36
1\36
0
x P(X=x)2 1/363 2/364 3/365 4/366 5/367 6/368 5/369 4/3610 3/3611 2/3612 1/36
MÉDIA E VARIÂNCIAMÉDIA E VARIÂNCIA
Valor Esperado Valor Esperado (média):(média): Dada a v.a. X, assumindo os valores x1, x2, ..., xn, chamamos de valor médiovalor médio ou valorvaloresperadoesperado ou esperança matemáticaesperança matemática de de XX o valor
No exemplo, para média de X ( soma de pontos), temos: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 igual a 7.
Notação: µµ = = EE((XX))
)()(...)()(1i
11 i
n
inn xXPxxXPxxXPxXE =×==×++=×= ∑=
Variância:Variância: É o valor esperado da v.a. (X – E(X))2, ou seja, se X assume os valores x1, x2, ..., xn,
Da relação acima, segue que
.)Var()DP( XX =
Desvio PadrãoDesvio Padrão:: É definido como a raiz quadrada positiva da variância, isto é,
Notação: Var(X).σ2 ==
Notação: DP(X).σ ==
)( )]( - [ )Var(1
2i
n
ii xXPXExX =×= ∑
=
.)]([– )( )Var( 22 XEXEX =
83.,536210
361 7) - (12
362 7) - (11 ...
362
7) - (3 361 7) - (2 Var(X) 2222
==
.+.++.+.=
No exemplo,
83,5436
1974
361 12
362 11 ...
362 3
361 2 )E(X 22222
==
.+.++.+.=
Alternativamente, poderíamos calcular
e, portanto, Var(X) = 54,83 – 72 = 5,83.
4/365
5/366
6/367
5/368
4/369
3/3610
2/3611
1/3612
3/362/361/36P(X=x)432x
2) Se Y = aX + b, em que a e b são constantes, então
E(Y) = E(aX + b) = aE(X) + b e Var(Y) = Var(aX + b) = a2 Var(X).
Propriedades:Propriedades:
1) Se X = a, em que a é uma constante, então
E(X) = a e Var(X) = 0.
Exemplos:Exemplos:• uma peça é classificada como boa ou defeituosa;• o resultado de um exame médico para detecção de uma doença é positivo ou negativo;• um paciente submetido a um tratamento durante um período de tempo fixo, cura-se ou não da doença;• um entrevistado concorda ou não com a afirmação feita;• no lançamento de um dado ocorre ou não a face 5.
MODELO DE BERNOULLI MODELO DE BERNOULLI
MODELOS PROBABILÍSTICOS DISCRETOSMODELOS PROBABILÍSTICOS DISCRETOS
Na prática, existem muitos experimentos que admitem apenas dois resultados.
Variável aleatória de Bernoulli:Variável aleatória de Bernoulli: É uma v.a. que assume apenas dois valores:
• 11 se ocorrer sucessosucesso, • 00 se ocorrer fracassofracasso.
Geralmente, a probabilidade de sucesso é representada por p,p, 0 < 0 < pp < 1. < 1.
Situações com alternativas dicotômicas podem ser representadas, genericamente, por respostas do tipo sucesso-fracasso.
Esses experimentos (se forem independentes e com a mesma probabilidade de ocorrência de “sucesso”) recebem o nome de Ensaios deEnsaios de BernoulliBernoulli e originam uma v.a. com distribuição de Bernoulli.
1, se ocorrer “sucesso” X = 0, se ocorrer “fracasso”
e sua função de probabilidade pode ser representada pela tabela
Repetições independentes de um ensaio de Bernoulli dão origem ao modelo binomialmodelo binomial.
Segue que E(X) = p,
Var(X) = p(1 – p).
1 - ppP(X=x)01X
“X X ~ Bernoulli (~ Bernoulli (pp))” indica uma v.a. com distribuição de BernoulliBernoulli com parâmetro pp, isto é,
Exemplo:Exemplo: Um dado equilibrado é lançado 3 vezes. Qual é a probabilidade de se obter a face 5 duasvezes?
Denotamos,
SS: sucesso, ocorre a face 5;FF: fracasso, não ocorre a face 5.
É fácil ver que pp = P(sucesso) = 1/6 e qq = 1 – 1 – pp = P(fracasso) = 5/6
ΩΩ = SSS, SSF, SFS, FSS, SFF, FSF, FFS, FFF
MODELO BINOMIALMODELO BINOMIAL
Estamos interessados no número total de sucessos que, no caso, é o número de vezes que a face 5 é observadanos 3 lançamentos.
p
q
F
S
p
p
p
p
p
pq
q
q
q
F
S
F
S
F
S
S
F
S
F
S
F
(SSS) p3 3
(SSF) p2q 2 (SFS) p2q 2
(SFF) pq2 1 (FSS) p2q 2
(FSF) pq2 1 (FFS) pq2 1
(FFF) q3 0
ΩΩ Prob XX
A função de probabilidade de X é dada porProbabilidades binomiais para n = 3 e P(S) = p Nº de sucessos Probabilidades p = 1/6
0 q3 125/216 = 0,5787 1 3pq2 75/216 = 0,3472 2 3p2q 15/216 = 0,0694
3 p3 1/216 = 0,0046
0,0694. 2) (X Pexemplo, No ==
3. 2, 1, 0, k , k-3q kp k3 k) P(X
como função essa escrever Podemos
===
Sua função de probabilidade é dada por
Notação: XX ~ ~ bb((nn; ; pp)).
n. , ... 1, 0, k , k-np) - (1 kp k
n k) P(X ===
Distribuição binomialDistribuição binomial:: A v.a. XX, correspondente ao número de sucessos em número de sucessos em nn ensaios de Bernoulli ensaios de Bernoulli independentes e com mesma probabilidade independentes e com mesma probabilidade pp de sucesso de sucesso, tem distribuição binomial com parâmetros n e p.
ResultadoResultado::
média: µ = E(X) = n×p
variância: σ2 = Var(X) = n×p×(1-p)
Se X ~ b(n; p), então
Exemplo utilizando o MINITAB:
Considere uma prova com 12 questões, cada uma com 4 alternativas. Suponha que o aluno escolha a resposta ao acaso. Qual é a probabilidade de que ele acerte pelo menos 6 questões?
X: nº de questões que o aluno acertará
X= 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12
( ) ( ) xx
xxXP −−
== 1225,0125,0
12
Uso do Minitab para os cálculos!
X ~ b(12; 0,25)
Probability Density Function
Binomial with n = 12 and p = 0,25
x P( X = x ) 0 0,0317 1 0,1267 2 0,2323 3 0,2581 4 0,1936 5 0,1032 6 0,0401 7 0,0115 8 0,0024 9 0,0004 10 0,0000
No MINITAB, > pdf;> bino 12 0,25.
Portanto,
P(X 6) = 0,0544.≥Temos queE(X) = n×p = 12x0,25 = 3,
ou seja, em média, o aluno que responder “ao acaso” todas as questões, acertará 3.