MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS Definições Variáveis Aleatórias • Uma variável aleatória representa um valor numérico possível de um evento incerto. • Variáveis aleatórias discretas produzem resultados que advém de um processo de contagem (ex.: no. de disciplinas que você cursa). • Variáveis aleatórias contínuas produzem resultados que advém de um processo de medição (ex.: seu salário anual ou seu peso). Variáveis Aleatórias Discretas Exemplos Variáveis aleatórias discretas só podem assumir um número contável de valores – Exemplos: • Jogar um dado duas vezes – Seja X o no. de vezes em que o 4 aparece (então X pode ser 0, 1, ou 2 vezes) • Lançar uma moeda 5 vezes. – Seja X o no. de caras (então X = 0, 1, 2, 3, 4, ou 5) Definições Variáveis Aleatórias Variáveis Aleatórias Discreta V. A. Contínua V. A. Definições Distribuição de Probabilidades • Uma distribuição de probabilidades para uma variável aleatória discreta é uma lista mutuamente excludente de todos os resultados numéricos possíveis para aquela variável, de modo a que uma determinada probabilidade de ocorrência esteja associada a cada resultado. No. de disciplinas Probabilidade 2 0.2 3 4 0.4 0.24 5 0.16 Definições Distribuição de Probabilidades Experimento: Duas jogadas de uma moeda. Seja X = # caras. Valor X Probabilidade 0 1/4 = .25 1 2/4 = .50 2 1/4 = .25 Probability Distribuição de Probabilidades .50 .25 0 1 2 X Variáveis Aleatórias Discretas Valor Esperado • Valor Esperado (ou média) de uma distribuição discreta (Média Ponderada) N E(X) X i P( X i ) i 1 • Exemplo: 2 jogadas moeda, X = # de caras, Calcule o valor esperado de X: E(X) = (0)(.25) + (1)(.50) + (2)(.25) = 1.0 Valor 0 1 2 Probabilidade 1/4 = .25 2/4 = .50 1/4 = .25 Variáveis Aleatórias Discretas Valor Esperado • Calcule o valor esperado da distribuição: No. de disciplinas Probabilidade 2 0.2 3 4 5 0.4 0.24 0.16 E(X) = 2(.2) + 3(.4) + 4(.24) + 5(.16) = 3.36 Então, o no. médio de disciplinas por aluno é de 3.36. Variáveis Aleatórias Discretas Dispersão • Variância de uma variável aleatória discreta N σ [Xi E(X)]2 P(Xi ) 2 i 1 • Desvio Padrão de uma variável aleatória discreta σ σ 2 N 2 [X E(X)] P(Xi ) i i 1 onde: E(X) = Valor esperado da variável aleatória discreta X Xi = o io. resultado de X P(Xi) = Probabilidade do io. resultado de X ocorrer Variáveis Aleatórias Discretas Dispersão – Exemplo: Duas jogadas de uma moeda, X = # caras, calcule o desvio padrão (lembrar que E(X) = 1) σ σ 2 N 2 [X E(X)] P(Xi ) i i 1 σ (0 1)2 (.25) (1 1)2 (.50) (2 1)2 (.25) .50 .707 Nos. possíveis de caras = 0, 1, or 2 Dist. de Probabilidades - Regras • Duas regras se aplicam a qualquer distribuição de probabilidades: Regra 1: Os valores de uma distribuição de probabilidades devem ser números do intervalo de 0 a 1. Regra 2: A soma de todos os valores de uma distribuição de probabilidades deve ser igual a 1. • ... estas regras permitem determinar se uma função (dada por uma equação ou uma tabela) pode ou não servir como distribuição de probabilidades de alguma variável aleatória. Distribuições de Probabilidade • Vimos como descrever uma distribuição de probabilidade e que características devem ser obedecidas para que uma função possa ser característica de uma distribuição de probabilidades. • Conhecer a distribuição de probabilidade de um experimento ou fenômeno nos dá uma forma simples de avaliar as probabilidades dos resultados possíveis dos mesmos. • Os tipos de distribuição podem ser considerados modelos para descrever situações que envolvem resultados aleatórios. Distribuições de Probabilidade • Cada modelo de distribuição de probabilidades na estatística, terá seu conjunto de hipóteses que definem as condições sob as quais aquele modelo pode ser utilizado validamente. • O objetivo de estudar distribuições de probabilidade podem ser resumidos nas duas seguintes questões: – Que hipóteses ou restrições básicas são exigidas por cada tipo de distribuição de probabilidades? O conhecimento deste aspecto é vital para confrontar uma variável aleatória com a situação real. – Como se podem usar as distribuições de probabilidades para obter soluções de problemas? Distribuições de Probabilidade • Se a situação real que você analisa se aproxima fortemente de uma distribuição de probabilidades já conhecida, sua análise fica muito mais simples, como veremos adiante. A essência da análise estatística é confrontar as hipóteses de uma distribuição de probabilidades com as especificações de determinado problema. Distribuições de Probabilidade • Nesta aula veremos as principais distribuições de probabilidade que podem ser aplicadas às variáveis discretas. Distribuição Binomial Distribuição de Poisson Distribuição Binomial: Propriedades • A amostra consiste em um número fixo de observações, n – ex. 15 jogadas de uma moeda; dez lâmpadas retiradas de um estoque • Cada observação é classificada como uma de duas categorias mutuamente excludentes e coletivamente exaustivas, geralmente chamadas de sucesso e insucesso – ex. Cara ou coroa em cada jogada da moeda; defeituosa ou não defeituosa no caso das lâmpadas; ter um menino ou uma menina – Geralmente chamados “sucesso” e “fracasso” – Probabilidade de sucesso é p, probabilidade de fracasso é igual a 1–p • A probabilidade é a mesma para cada observação – ex. A probabilidade de dar cara é a mesma a cada vez que a moeda é lançada Distribuição Binomial: Propriedades • As observações são independentes – O resultado de uma observação não afeta o resultado da observação seguinte • Para assegurar essa independência as observações podem ser selecionadas aleatoriamente, seja a partir de uma – População infinita sem reposição – População finita com reposição Aplicações da Distribuição Binomial • Uma fábrica que classifica itens como defeituoso ou não defeituoso • Uma firma que coloca uma proposta para um contrato ter sucesso ou não na conclusão do negócio • Uma pesquisa de mercado para uma empresa receber respostas “sim, eu comprarei” ou “não eu não comprarei” o produto da empresa • Candidatos a um emprego aceitarem ou não a oferta da empresa • Seu time ganhar ou não um jogo de futebol Distribuição Binomial Técnicas de Contagem • Suponha que sucesso seja definido como obter CARA (C) em pelo menos dois de três lançamentos de uma moeda equilibrada. De quantas formas esse “sucesso” pode ocorrer? • Possibilidades: CCK, CKC, KCC, CCC, logo, há quatro diferentes maneiras. • Essa situação é bastante simples. Nós precisamos de uma forma de contar os sucessos em situações mais complicadas. Técnicas de Contagem Combinações • Combinações são usadas para contar de quantas maneiras podemos selecionar X objetos em um conjunto de n objetos: n n! C(n, X ) X X!(n X)! onde: n! =n(n - 1)(n - 2) . . . (2)(1) X! = X(X - 1)(X - 2) . . . (2)(1) 0! = 1 (por definição) Técnicas de Contagem Combinações • De quantas formas diferentes podemos escolher 3 sabores de sorvete se você tem 31 opções de sabores para escolher? • O total de opções é n = 31, e você escolherá X = 3. 31 31! 31! 31 30 29 28! C(31,3) 31 5 29 4495 3 2 1 28! 3 3!(31 3)! 3!28! Distribuição Binomial Fórmula n! P(X) p X (1 p) n X X!(n X)! P(X) = probabilidade de X sucessos em n tentativas, com probabilidade de sucesso p em cada tentativa X = no. de ‘sucessos’ na amostra, (X = 0, 1, 2, ..., n) n p Exemplo: lançar uma moeda 4 vezes, seja x = # caras: n=4 p = 0.5 = tamanho da amostra (numero de 1 - p = (1 - .5) = .5 tentativas ou observações) X = 0, 1, 2, 3, 4 = probabilidade de “sucesso” Distribuição Binomial Exemplo Qual a probabilidade de um sucesso em 5 observações se a probabilidade de sucesso é 0,10? X = 1, n = 5, and p = 0,10 n! p X (1 p) n X X!(n X)! 5! (0,10)1 (1 0,10) 51 1!(5 1)! P(X 1) (5)(0,10)(0,90) 4 0,32805 Distribuição Binomial Exemplo Suponha que a probabilidade de comprar um computador defeituoso seja de 0,02. Qual a probabilidade de comprar 2 computadores defeituosos em um lote de 10 computadores? X = 2, n = 10, and p = 0,02 n! P(X 2) p X (1 p) n X X!(n X)! 10! (0,02) 2 (1 0,02)10 2 2!(10 2)! (45)(0,0004)(0,8508) 0,01531 Distribuição Binomial Forma • A forma da distribuição binomial depende dos valores de p e de n • Aqui, n = 5 e p = 0,10 n = 5 p = 0,10 P(X) .6 .4 .2 0 0 1 3 4 5 X 5 X n = 5 p = 0,50 P(X) • Aqui, n = 5 e p = 0,50 2 .6 .4 .2 0 0 1 2 3 4 Distribuição Binomial Características • Média μ E(x) np • Variância e Desvio Padrão σ np(1 - p) 2 Onde σ np(1 - p) n = tamanho da amostra p = probabilidade de sucesso (1 – p) = probabilidade de fracasso Distribuição Binomial Características Exemplos μ np (5)(0,10) 0,5 σ np(1 - p) (5)(0,10)(1 0,10) 0,6708 μ np (5)(0,50) 2,5 σ np(1 - p) (5)(0,50)(1 0,50) 1,118 n = 5 p = 0,10 P(X) .6 .4 .2 0 0 1 2 3 4 5 X 5 X n = 5 p = 0,50 P(X) .6 .4 .2 0 0 1 2 3 4 Distribuição Binomial Exemplo • A probabilidade de que uma pessoa fazendo compras num certo supermercado aproveita uma promoção especial de sorvete é de 0,30. Determine a probabilidade de que dentre seis pessoas fazendo compras nesse supermercado haja até três aproveitando a promoção. – Solução: admitindo que a escolha seja aleatória, substituímos n=6, p=0,30 e, respectivamente, x=0, 1, 2, 3 na fórmula da distribuição binomial, otendo: 6 P(0) (0,30) 0 (0,70) 6 0,118 0 6 P(1) (0,30)1 (0,70) 5 0,303 1 6 P(2) (0,30) 2 (0,70) 4 0,324 2 6 P(3) (0,30) 3 (0,70)3 0,185 3 P( X 3) 0,118 0,303 0,324 0,185 0,93 Distribuição de Poisson Definições • Muitos estudos são baseados na contagem das vezes em que um evento específico ocorre em uma determinada área de oportunidade • Uma área de oportunidade é uma unidade contínua ou um intervalo de tempo, volume ou uma área tal que nela possa acontecer mais de uma ocorrência de um evento • Exemplos – Defeitos na pintura de uma geladeira nova – Número de falhas na rede em um determinado dia – Número de pulgas no pêlo de um cachorro • Nestas situações você usa a distribuição de Poisson se… Distribuição de Poisson Propriedades A distribuição de Poisson é aplicada quando: – Você estiver interessado em contar o número de vezes em que um evento específico ocorre em uma determinada área de oportunidades. A área de oportunidades é definida pelo tempo, extensão, área de superfície e assim sucessivamente. – A probabilidade de que um evento específico ocorra em uma determinada área de oportunidades é a mesma para todas as áreas de oportunidades. – O número de eventos que ocorrem em uma determinada área de oportunidades é independente do número de eventos que ocorrem em qualquer outra área de oportunidades. – A probabilidade de que dois ou mais eventos venham a ocorrer em uma determinada área de oportunidades se arpoxima de zero à medida que a área de oportunidades se torna menor. Distribuição de Poisson Fórmula λ e λ P(X) X! x onde: X = probabilidade de X eventos ocorram numa área de oportunidade = número esperado de eventos e = constante matemática aproximada por 2,71828… Distribuição de Poisson Parâmetro λ • O parâmetro λ (a letra grega minúscula lambda), representa a média, ou o número de sucessos por unidade. • A variância de uma distribuição de Poisson é igual a λ, e o desvio padrão é igual a Distribuição de Poisson Exemplo • Suponha que, em média, 5 carros entrem em um estacionamento por minuto. Qual é a probabilidade de que em um dado minuto, 7 carros entrem? • Então, X = 7 e λ = 5 λ x 5 7 e λ e 5 P(7) 0,104 X! 7! Portanto, há uma probabilidade de 10,4% de que 7 carros entrem no estacionamento em um dado minuto. Distribuição de Poisson Forma 0.70 = 0,50 0.60 0.50 0 1 2 3 4 5 6 7 P(X) 0.6065 0.3033 0.0758 0.0126 0.0016 0.0002 0.0000 0.0000 P(x) X 0.40 0.30 0.20 0.10 0.00 0 1 2 3 4 x P(X = 2) = 0,0758 5 6 7 Distribuição de Poisson Forma • O formato da distribuição de Poisson depende do parâmetro : = 0,50 = 3,00 0.70 0.25 0.60 0.20 0.15 0.40 P(x) P(x) 0.50 0.30 0.10 0.20 0.05 0.10 0.00 0.00 0 1 2 3 4 x 5 6 7 1 2 3 4 5 6 7 x 8 9 10 11 12 Distribuição de Poisson Exemplo • Sabe-se que o número de acidentes de trabalho, por mês, em uma unidade de produção segue uma distribuição de Poisson, com uma média aritmética de 2,5 acidentes de trabalho por mês. – (a) Qual é a probabilidade de que em um determinado mês nenhum acidente de trabalho venha a ocorrer? – (b) De que pelo menos um acidente de trabalho venha a ocorrer? Distribuição de Poisson Exemplo • Sabe-se que o número de acidentes de trabalho, por mês, em uma unidade de produção segue uma distribuição de Poisson, com uma média aritmética de 2,5 acidentes de trabalho por mês. – – • (a) Qual é a probabilidade de que em um determinado mês nenhum acidente de trabalho venha a ocorrer? (b) De que pelo menos um acidente de trabalho venha a ocorrer? Solução: com λ = 2,5 – (a) e 2,5 (2,5)0 1 P( X 0) 0,0821 2, 5 0! (2,71828) (1) A probabildade de que em um determinado mês nenhum acidente de trabalho ocorra é 0,0821, ou 8,21%. P( X 1) 1 P( X 0) 1 0,0821 0,9179 – (b) – A probabilidade de que em um determinado mês haverá pelo menos um acidente de trabalho é 0,9179, ou 91,79%.