Distribuições de V.A. Discretas

PRINCIPAIS DISTRIBUIÇÕES DISCRETAS
DE PROBABILIDADE
3.1 INTRODUÇÃO
Muitas variáveis aleatórias associadas a experimentos aleatórios têm
propriedades similares e, portanto, podem ser descritas através de uma mesma
distribuição de probabilidade. Cada distribuição parte de pressuposições bem
definidas. Um cuidado especial deve ser tomado ao escolher a distribuição de
probabilidade que descreva corretamente as observações que são geradas no
experimento aleatório.
São apresentadas a seguir as principais distribuições de variáveis aleatórias
discretas, suas características básicas, seus parâmetros, médias e variancias.
3.2 DISTRIBUIÇÃO UNIFORME
Esta é a mais simples de todas as distribuições de probabilidade e é aquela em
que a v.a. assume todos os seus possíveis valores com probabilidades iguais.
Assim se a v.a. X assume os valores x1 , x2 , ... , xn com probabilidades
iguais, então a função de probabilidade de X será :
p(x) =
1
n
, x = x1 , x2 , ... , xn.
Note que esta distribuição tem um único parâmetro: n
A MÉDIA E A VARIANCIA SÃO:
n
µ = E(X) =
∑x
i
i=1
n
n
σ 2 ( X) = V(X) =
∑ (x
i
− µ)2
i=1
n
74
ESTATÍSTICA
Notas de Aula
_______________________________________________________________________________________
OBSERVAÇÃO :
Em particular, se os valores de X forem equiespaçados, podemos mostrar que:
x1 + x n
2
µ = E(X) =
EXEMPLO
Quando um dado é jogado e o número da face voltada para uma é observado,
o espaço amostral é : S = {1, 2, 3, 4, 5, 6}. Cada elemento de S tem a mesma
probabilidade de ocorrência igual a 1/6.
Portanto temos uma distribuição uniforme da v.a. X = no de pontos, isto é :
p(x) = 1/6 , x = 1, 2, 3, 4, 5, 6.
Graficamente :
p(x)
1/6
1
2
3
4
5
6
x
3.3 DISTRIBUIÇÃO DE BERNOULLI
Seja um experimento onde só podem ocorrer dois resultados: um que chamaremos de
"sucesso" (S) e outro que chamaremos de "fracasso" (F). Por exemplos: uma moeda sendo
lançada só pode levar a dois resultados: cara (S) e coroa (F); uma peça que é fabricada
pode ser perfeita (S) ou defeituosa (F); uma pessoa pode responder sim (S) ou não (F) a
uma questão; um componente eletrônico pode durar 500 horas ou mais (S) ou menos do
que 500 horas (F); um sistema pode não falhar durante a operação por um período de 20
horas (S) ou pode apresentar uma ou mais falhar nesse período (F). Experimentos que
podem levar a apenas dois resultados são geralmente chamados de Experimentos de
Bernoulli (Jacques Bernoulli, 1654-1705, matemático suíço, foi o primeiro a descrever
tais experimentos, no século XVII).
Associamos uma v.a. X a estes resultados, de tal forma que:
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
ESTATÍSTICA
75
Notas de Aula
______________________________________________________________________________________
X = 1 se o resultado for um "sucesso"
X = 0 se o resultado for um "fracasso"
Se p for a probabilidade de ocorrer um "sucesso" então q = 1 - p será a
probabilidade de ocorrer um "fracasso" no experimento. Podemos, daí, escrever a função
de probabilidade da v.a. X:
⎧ p, x = 1
p(x) = P(X = x) = ⎨
⎩ q, x = 0
ou ainda,
p(x) = P(X = x) = p x (1 − p)1− x , x = 0,1
A Média e a Variancia:
µ = E(X) = 0(1− p) + 1(p) = 0 + p = p
σ2 = V(X) = [ (0 - p) 2 (1− p) + (1- p) 2 p] = pq
Assim, a média da v.a. de Bernoulli é p, a proba bilidade de se obter sucesso.
Note que se p for alta, a média de sucessos é alta também. Já a variancia é pq, o
produto da probabilidade de sucesso pela probabilidade de fracasso e será máxima
quando p=q=1/2.
EXEMPLO
Numa grande indústria têxtil, 80% dos funcionários são mulheres. Seja X a
v.a. que assume o valor 1 quando um funcionário aleatoriamente escolhido é uma
mulher e 0 quando o funcionário é um homem. Uma vez que é considerado
"sucesso" quando o funcionário aleatoriamente escolhido é uma mulher, e 80%
dos funcionários são mulheres, temos que:
p = 0,8 e q = 1 - p = 0,2
µ= E(X) = 0,8 e
σ² = 0,8 x 0,2 = 0,16
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
76
ESTATÍSTICA
Notas de Aula
_______________________________________________________________________________________
OBSERVAÇÃO: A probabilidade de sucesso, p, é uma proporção populacional, ou
seja, é uma proporção de sucessos obtida ao longo do tempo. No exemplo anterior,
a proporção da população (composta por todos os funcionários da indústria) é 0,8.
Se uma amostra de 100 funcionários fosse tomada ao acaso e destes, 65 fossem
mulheres, então 0,65 seria a proporção de mulheres nesta amostra de 100
elementos. Quanto maior a amostra, mais próxima a proporção amostral estará da
proporção populacional.
3.4 DISTRIBUIÇÃO BINOMIAL
Suponha que se realize n vezes, independentemente, um experimento de
Bernoulli e se observe uma v.a. X igual ao número de vezes em que ocorre
"sucesso". Se p for a probabilidade de "sucesso", constante para todas as
realizações do experimento, então a v.a. X terá distribuição binomial.
Para construir a função de probabilidade da v.a. X devemos observar,
inicialmente, que esta variável pode assumir os valores 0,1,...,n e que a
probabilidade de "fracasso" será q = 1 - p. Quando realizamos n vezes um
experimento de Bernoulli, observamos uma seqüência de "sucessos" (S) e
"fracassos" (F). Considere, inicialmente, a seguinte particular seqüência:
Considerando a independência e a probabilidade p de "sucesso" constante em todas
as realizações do experimento, a probabilidade de ocorrência desta seqüência é:
p p ... p q q ... q = px qn-x
Podemos obter x "sucessos" (e portanto n-x "fracassos") em n realizações do
⎛n⎞
⎝x⎠
experimento através de ⎜ ⎟ seqüências possíveis como esta e todas elas terão a
mesma probabilidade de ocorrência px qn-x. Sendo assim, a probabilidade de se
obter x "sucessos" será dada por:
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
ESTATÍSTICA
77
Notas de Aula
______________________________________________________________________________________
⎛n⎞
⎝x⎠
P(X=x) = px qn-x + px qn-x + ...+ px qn-x = ⎜ ⎟ px qn-x
Finalmente, podemos escrever, então, que a função de probabilidade de uma v.a. X
com distribuição binomial é dada por:
⎛n⎞
⎝x⎠
p(x) = P(X=x) = ⎜ ⎟ px qn-x , x = 0 , 1 , ... , n
Os parâmetros desta distribuição são: n: o número de realizações do experimento
e p: a probabilidade de sucesso em cada realização do experimento.
OBSERVAÇÕES :
a) Ao utilizar esta distribuição devemos observar que o resultado definido para ser
"sucesso" terá probabilidade p . O outro resultado será necessariamente definido
como sendo "fracasso" e terá, consequentemente, probabilidade q = 1 - p.
b) Uma vez definido o resultado que será "sucesso", a v.a. X será o número de
"sucessos" observados em n realizações independentes do experimento.
c) Note que a condição de independência é essencial. Caso contrário a função de
probabilidade não poderia ser encontrada da forma mostrada acima.
d) Ainda sobre a independência, podemos encontrá-la quando o experimento se
trata de retirar uma amostra com reposição ou de uma população infinita.
Poderia ser simplesmente a repetição de um experimento tal que possua
probabilidade constante p de um determinado resultado (sucesso).
e) A expressão obtida para P( X = x ) é o k-ésimo termo do desenvolvimento de
(q + p)n segundo o binômio de Newton, daí o nome “distribuição binomial” dado
a essa distribuição.
⎛ n⎞
⎝ x⎠
f) ⎜ ⎟ =
n!
(n - x)! x!
A Média e a Variancia:
Para o cálculo da média e da variancia consideramos o fato de que uma
v.a. X binomial (ou com distribuição binomial) com parâmetros n e p pode ser vista
como uma soma de n v.a.'s independentes de Bernoulli X1, X2, ... , Xn . Assim,
utilizando as propriedades da média e da variancia e a média e variancia de uma
v.a. de Bernoulli, temos que:
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
78
ESTATÍSTICA
Notas de Aula
_______________________________________________________________________________________
µ = E(X) = E (X1 + X2 + ... + Xn ) =
= E (X1)+ E(X2)+ ... +E(Xn) = p + p + ... + p = np
σ2 = V(X) = V (X1 + X2 + ... + Xn ) =
= V (X1)+ V(X2)+ ... +V(Xn) = pq + pq + ... + pq = npq
EXEMPLO 1:
Considere o experimento binomial onde três moedas são lançadas. Suponha
que as moedas são viciadas de tal forma que a probabilidade de ocorrer cara (H)
seja 0.25 (e, consequentemente, a probabilidade de coroa (T) seja 0.75). Se o
resultado "cara" for chamado de "sucesso", então uma v.a. X igual ao número de
"sucessos" assume valores inteiros de 0 a 3. Os oito possíveis resultados, os valores
correspondentes de X e suas probabilidades são:
Resultado
TTT
TTH
THT
HTT
HHT
HTH
THH
HHH
Assim,
x
0
1
1
1
2
2
2
3
p(x)
q3 = 0.753
q2.p = (0.75)2(0.25)
q.p.q= (0.75)(0.25)(0.75)
p.q2= (0.25)(0.75)2
p2.q= (0.25)2(0.75)
p.q.p= (0.25)(0.75)(0.25)
q.p2= (0.75)(0.25)2
p3 = 0.253
⎛3⎞
⎝0⎠
p(0) = P(X=0) = 0.753 = ⎜ ⎟ (0.25)0 (0.75)3
⎛ 3⎞
⎝1 ⎠
⎛ 3⎞
p(2) = P(X=2) = 3 (0.25)2(0.75) = ⎜ ⎟ (0.25)2(0.75)
⎝ 2⎠
⎛3⎞
p(3) = P(X=3) = (0.25)3 = ⎜ ⎟ (0.25)3 (0.75)0
⎝3⎠
p(1) = P(X=1) = 3 (0.25)(0.75)2 = ⎜ ⎟ (0.25)(0.75)2
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
ESTATÍSTICA
79
Notas de Aula
______________________________________________________________________________________
Graficamente,
EXEMPLO 2
Num determinado processo de fabricação 10% das peças são consideradas
defeituosas. As peças são acondicionadas em caixas com 5 unidades cada uma.
( a ) Qual é a probabilidade de haver exatamente 3 peças defeituosas numa caixa ?
( b ) Qual é a probabilidade de haver duas ou mais peças defeituosas numa caixa ?
( c ) Se a empresa paga uma multa de R$10,00 por caixa em que houver alguma
peça defeituosa, qual o valor esperado da multa num total de 1000 caixas ?
Podemos considerar cada caixa de 5 peças como sendo 5 realizações
independentes de um experimento de Bernoulli onde peça defeituosa é sucesso.
Assim:
“sucesso” = peça defeituosa
p = 0,1 , q = 1- 0,1 = 0,9
n=5
X = no de peças defeituosas ( X = 0, 1,2, 3, 4, 5 )
A função de probabilidade de X é dada por:
⎛5 ⎞
⎝x⎠
p(x) = P(X=x) = ⎜ ⎟ 0,1x 0,9 5− x , x = 0,1,...,5
⎛5⎞
⎝ 3⎠
( a ) P(3 peças defeituosas) = P(X = 3) = ⎜ ⎟ 0,13 0,9 5−3 = 0,0081
( b) P(2 ou mais peças defeituosas) = P(X ≥ 2) = 1 - P(X < 2) =
⎡⎛5 ⎞
⎣⎝ 0⎠
⎛5⎞
⎝1⎠
⎤
1 - [ P(X=0) + P(X=1) ] = 1 − ⎢⎜ ⎟ 0,10 0,9 5− 0 + ⎜ ⎟ 0,11 0,9 5−1 ⎥ = 0,0815
⎦
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
80
ESTATÍSTICA
Notas de Aula
_______________________________________________________________________________________
( c ) A empresa para multa se X ≥ 1. Portanto, para cada caixa:
P(pagar multa) = P(X ≥ 1) = 1 - P(X = 0) = 0,4095.
Teremos, daí, uma nova binomial onde cada caixa pode ou não pagar multa
(sucesso ou fracasso) com n’= 1000 e p’= 0,4095. O número esperado de caixas que
pagam multa será :
E( caixas que pagam multa ) = n’p’ = (1000).(0,4095) = 409,5
O valor esperado da multa no lote será de: R$ (10,00) (409,5) = R$ 4095,00
3.5 DISTRIBUIÇÃO DE POISSON
Na distribuição Binomial a v.a. é o número de sucessos em n provas independentes
do experimento. Vamos agora analisar uma v.a. X que denota o número de sucessos num
intervalo contínuo , por exemplo, o número de falhas de um determinado sistema num
intervalo de 4 horas, o número de defeitos por metro quadrado de uma chapa de aço, o
número de aviões que chegam a um aeroporto por dia, o número de bactérias numa
determinada cultura, etc. A v.a. X tem distribuição de Poisson.
1)
2)
3)
Um experimento de Poisson possui as seguintes características:
O número de sucessos que ocorrem num intervalo ou uma região especificada
é independente daqueles que ocorrem em qualquer outro intervalo de tempo
ou região disjunto.
A probabilidade de ocorrência de um único sucesso durante um intervalo
pequeno ou numa região é proporcional ao comprimento do intervalo ou
região e não depende do número de sucessos que ocorrem fora deste intervalo
ou região.
A probabilidade de mais de um sucesso ocorrendo em tais intervalos
pequenos ou regiões pequenas é desprezível.
A função de probabilidade de uma v.a. X de Poisson é dada por:
e −λ λx
, x = 0,1,2,...
p(x) = P(X = x) =
x!
onde λ , o parâmetro da distribuição, é o número médio de sucessos que ocorrem
num dado intervalo ou região.
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
ESTATÍSTICA
81
Notas de Aula
______________________________________________________________________________________
A MÉDIA E A VARIANCIA SÃO :
µ = E(x) = λ
σ2(x) = V(x) = λ
EXEMPLO 1:
Se um banco espera receber, em média, 3 cheques sem fundo por dia, qual a
probabilidade de, num dia qualquer, receber:
a) 4 cheques sem fundo;
b) no máximo 2 cheques sem fundo;
c) 5 cheques sem fundo em dois dias consecutivos.
Seja a v.a. X = número de cheques sem fundo recebidos em um dia.
Para um dia a média é λ = 3 e a função de probabilidade de X é:
e − 3 3x
, x = 0,1,2,...
p(x) = P(X = x) =
x!
Assim,
e −3 34
a) p(4) = P(X = 4) =
= 0, 1680
4!
b) P(X ≤ 2) = p(0) + p(1) + p(2) = 0.0498 + 0.1494 + 0.2240 = 0.4232
c) Para dois dias, vamos considerar a v.a. Y=número de cheques sem fundo em dois
dias; a média é λ = 6 e a função de probabilidade de Y é:
p(y) = P(Y = y) =
Assim,
P(Y = 5) =
e −6 6 y
, y = 0,1,2,...
y!
e −6 65
= 0, 1606
5!
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
82
ESTATÍSTICA
Notas de Aula
_______________________________________________________________________________________
EXEMPLO 2:
Numa linha adutora de água, de 60km de extensão, o número de vazamentos
no período de um mês, segue um processo de Poisson de parâmetro λ = 4. Qual a
probabilidade de ocorrer, durante o mês, pelo menos um vazamento num setor de
3km de extensão ?
Para um intervalo de 60km de extensão, a média de vazamento é 4, então, num
intervalo de 3km a média será µ = 0,2. Se X é a v.a. que representa o número de
vazamentos em 3km, então a função de probabilidade de X será:
p(x) = P(X = x) =
e −0,2 0,2 x
, x = 0,1,...
x!
P( pelo menos 1 vazamento ) = P(X ≥ 1) = 1 - P(X < 1) = 1 - P(X = 0) =
= 1 −
e -0,2 .0,2 0
= 0,1813
0!
3.5.1 APROXIMAÇÃO DE POISSON PARA A DISTRIBUIÇÃO BINOMIAL
Suponha que uma v.a. X tenha distribuição Binomial com parâmetros n e p.
Lembre, então, que a média é µ = n.p .
Podemos mostrar que quando n é grande e p pequeno, mas mantém-se
constante a média µ = n.p , então no limite temos a distribuição de Poisson de
média µ. Ou seja :
⎛ n⎞ x
e -np ( np) x
n-x
p
p)
1
−
=
lim
(
⎜
⎟
n →∞ ⎝ x ⎠
x!
p→0
Note que isto significa que quando temos uma situação tipicamente binomial mas se
observa que o número de realizações n é grande e a probabilidade p de sucessos é
pequena, usamos este resultado, ou seja, usamos a distribuição de Poisson com
parâmetro λ = n.p . Este fato faz com que a distribuição de Poisson se adapte bem
aos chamados fenômenos raros, ou seja, pequenas probabilidades de ocorrência do
evento “sucesso”, quando observado o experimento um grande número de vezes.
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
ESTATÍSTICA
83
Notas de Aula
______________________________________________________________________________________
EXEMPLO 1
Seja uma v.a. X que tem média µ=4. Os gráficos abaixo mostram a
aproximação de Poisson em 2 casos : p = 1/3 ; n = 12 e p = 1/24 ; n = 96.
µ = 4 , p = 1/3 , n =12
p(x)
0
2
1
3 4
5
6
7
8
9 10
Distribuição Binomial =
Distribuição de Poisson =
µ = 4 , p = 1/24 , n =96
p(x)
0
1
2
3 4
5
6
7
8
9 10
EXEMPLO 2
Num certo processo de fabricação no qual artigos de vidro são produzidos,
defeitos (bolhas) ocorrem ocasionalmente, tornando a peça inadequada para venda.
Sabe-se que em média 1 a cada 1000 desses artigos produzidos tem defeito. Qual é
a probabilidade de que uma amostra aleatória de 8000 artigos contenha menos de 7
artigos com defeito ?
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
84
ESTATÍSTICA
Notas de Aula
_______________________________________________________________________________________
Este experimento é um experimento binomial com n = 8000 , p = 0,001.
Como p é pequeno e n cosideravelmente grande, vamos aproximar com a
distribuição de Poisson, usando :
µ = λ = n.p = 8000.0,001 = 8
Se X representa o número de artigos defeituosos, temos uma v.a. de Poisson
com função de probabilidade dada por:
e −8 8 x
, x = 0,1,...
p(x) = P(X=x) =
x!
P( X < 7 ) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5) + P(X = 6)
=
e -8 . 8 0 e -8 . 81 e -8 . 8 2 e -8 . 8 3 e -8 . 8 4 e -8 . 85 e -8 . 8 6
+
+
+
+
+
+
= 0,3134
=
0!
1!
2!
3!
4!
5!
6!
3.6 DISTRIBUIÇÃO GEOMÉTRICA
Considere um experimento que consiste em repetir um experimento de
Bernoulli, independentemente, até conseguir o primeiro “sucesso”. A v.a. X que
representa o número de realizações necessárias para isso, tem distribuição
geométrica. Para encontrar a função de probabilidade basta observar que a ordem de
“fracassos” e “sucesso” é a seguinte :
F
x-1
1
F ... F
S
x
Temos, daí, x-1 fracassos a 1 sucesso. Se a probabilidade de “sucesso” em
cada prova é constante e igual a p (e a probabilidade de “fracasso” é q = 1 - p)
então a probabilidade dessa seqüência é :
q.q...q. p = p.qx-1
Portanto a função de probabilidade da v.a. X geométrica é :
p(x) = P( X = x ) = p.qx-1 , x = 1, 2, ...
onde p é a probabilidade de sucesso em cada realização do experimento.
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
ESTATÍSTICA
85
Notas de Aula
______________________________________________________________________________________
A MÉDIA E A VARIANCIA SÃO :
µ = E(x) =
1
p
σ 2 ( x) = V(x) =
q
p2
PROPRIEDADE :
A distribuição geométrica tem a propriedade de “não ter memória” , isto é, a
probabilidade de que o número de provas até o 1o sucesso seja s + t , sabendo-se
que as s primeiras provas foram fracassos, é igual à probabilidade de o número de
provas até o 1o sucesso ser igual às t provas restantes, ou seja :
P( X = s + t / X > s) = P( X = t )
F F ... F F F ...FS
s
t
s+t
EXEMPLO
O custo de lançamento de um foguete é de R$ 1.000.000. Se o lançamento
falhar ocorrerá um custo extra de R$ 500.000 em virtude de consertos na plataforma
de lançamento. A probabilidade de um lançamento ser bem sucedido é de 0,3. Os
lançamentos são efetuados até que haja um bem sucedido.
( a ) Qual a probabilidade de serem lançados mais de 3 foguetes ?
( b ) Sabendo-se que até o 2o lançamento ainda não houve sucesso, qual a
probabilidade de se conseguir sucesso no 4o lançamento ?
( c ) Qual o custo esperado do projeto ?
Seja a v.a X = no de lançamentos até que haja um bem sucedido (X = 1, 2, ...).
A probabilidade de um sucesso em cada tentativa é p = 0,3 e a função de
probabilidade de X é:
p(x) = P(X=x) = (0,3) (0,7)x-1 , x = 1,2,...
( a ) P( lançados mais de 3 foguetes ) = P( X > 3 ) = 1 - P( X ≤ 3 ) =
= 1 - [ P( X = 1) + P( X = 2) + P( X = 3) ] =
= 1 - [(0,3)(0,7)1-1 +(0,3)(0,7)2-1 +(0,3)(0,7)3-1] =
= 0,343 .
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
86
ESTATÍSTICA
Notas de Aula
_______________________________________________________________________________________
( b ) P(X = 4 / X > 2) =
P( X = 4 ∩ X > 2 )
P( X > 2)
=
P( X = 4)
P( X = 4)
=
=
P( X > 2)
1- P( X ≤ 2)
P( X = 4)
(0,3)(0,7) 4-1
=
=
=
1-[ P( X = 1) + P( X = 2)
1-[(0,3)(0,7) 1-1 + (0,3)(0,7) 2-1 ]
= 0,21 .
Este resultado é igual a P( X = 2 ) = (0,3) (0,7)2-1 = 0,21, que resulta da
propriedade da distribuição geométrica. P( X = s+t / X > s) = P( X = 2 +2 / X > 2) =
= P( X = 2).
( c ) Serão lançados X foguetes. O gasto total será então :
G = 1.500.000 ( X -1) + 1.000.000 = 1.500.000 X - 500.000
O valor esperado do gasto é :
E(G) = E( 1.500.000X - 500.000) = 1.500.000 E(X) - 500.000 =
= 1.500.000 (1/p) - 500.000 = 1.500.000 (1/0,3) - 500.000 = 4.500.000 .
3.7 DISTRIBUIÇÃO DE PASCAL
Considere um experimento que consiste em repetir um experimento de
Bernoulli, independentemente, até conseguir r “sucessos”. A v.a. X que
representa o número de realizações necessárias para isso, tem distribuição de Pascal
e sua função de probabilidade é dada por :
⎛ x -1⎞ r x-r
p(x) = P(X = x) = ⎜
, x = r, r +1, r + 2, ...
⎟ pq
⎝ r -1⎠
onde p é a probabilidade de sucesso em cada realização do experimento, q= 1-p e r
é o número de sucessos.
A MÉDIA E A VARIANCIA SÃO :
µ = E(X) =
r
p
σ 2 ( X) = V(X) =
r.q
p2
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
ESTATÍSTICA
87
Notas de Aula
______________________________________________________________________________________
EXEMPLO
Num processo de fabricação 20% dos objetos produzidos são defeituosos.
Qual é a probabilidade de precisarmos retirar somente 10 objetos para ter 5
defeituosos ? Ou em outras palavras, qual é a probabilidade do 5o objeto defeituoso
aparecer na 10ª retirada ?
Seja a v.a. X = no de retiradas até encontrar r = 5 objetos defeituosos (X = 5,
6, ... ). A probabilidade de sucesso (objeto defeituoso) em cada retirada é p = 0,2.
Daí :
⎛ x -1⎞ r x-r
⎛10 − 1⎞
P(X = 10) = ⎜
⎟ pq = ⎜
⎟ (0,2) 5 (0,8)10−5 = 0,0132
⎝ r -1⎠
⎝ 5−1 ⎠
3.8 DISTRIBUIÇÃO MULTINOMIAL
Seja um experimento que pode apresentar k resultados mutuamente
exclusivos, com probabilidades p1, p2, ... pk e sejam as v.a.’s X1, X2, ..., Xk iguais
ao número de vezes que cada um dos resultados ocorre, respectivamente, quando o
experimento é realizado n vezes, independentemente.
A função de probabilidade das v.a.’s X1, X2, ..., Xk é dada por :
P(X 1 = x 1 , X 2 = x 2 , ... , X k = x k ) =
k
onde :
∑x
i
=n
k
e
∑p
i=1
i
n!
x
x
x
p 1 p 2 ... p k
x 1 ! x 2 ! ... x k !
1
2
k
=1
i=1
A MÉDIA E A VARIANCIA SÃO :
µi = E(Xi) = n.pi
σ2(Xi) = V(Xi) = n.pi.qi
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
88
ESTATÍSTICA
Notas de Aula
_______________________________________________________________________________________
EXEMPLO
Uma fábrica tem sua produção composta de 30% da máquina A, 20% da
máquina B e 50% da máquina C. Retirando-se 9 peças da produção :
( a ) Qual a probabilidade de serem 4 da máquina A, 2 da máquina B e 3 da
máquina C ?
( b ) Qual a probabilidade de não haver nas 9 peças nenhuma da máquina B ?
Sejam as variáveis aleatórias :
X1 = no de peças produzidas pela máquina A ( p1 = 0,3 ).
X2 = no de peças produzidas pela máquina B ( p2 = 0,2 ).
X3 = no de peças produzidas pela máquina C ( p3 = 0,5 ).
n=9
9!
(0,3) 2 ( 0, 2 ) 2 ( 0, 5) 3 = 0,0510 .
4! 2! 3!
Note que : x1 + x2 + x3 = 4 + 2 + 3 = 9 ,
( a ) P( X1 = 4, X2 = 3, X3 = 3 ) =
p1 + p2 + p3 = 0,3 + 0,2 + 0,5 = 1.
( b ) Podemos considerar “sair peça da máquina B” sucesso, e não sair, fracasso.
Temos, assim, uma distribuição binomial com :
p = 0,2
q = 0,8
n=9
X = no de peças que saem da máquina B.
⎛ n⎞
⎝ x⎠
⎛9⎞
⎝ 0⎠
0,1342
P(X = 0) = ⎜ ⎟ p x .q n-x = ⎜ ⎟ (0,2) 0 (0,8) 9− 0 = 0,1678
3.9 DISTRIBUIÇÃO HIPERGEOMÉTRICA
Consideremos um conjunto de N elementos, r dos quais tem uma determinada
característica ( r ≤ N ). Serão extraídos n elementos ( n ≤ N ) sem reposição. A
distribuição de probabilidade da v.a. X, igual ao no de elementos com a referida
característica que estarão entre os n retirados é dita hipergeométrica.
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR
ESTATÍSTICA
89
Notas de Aula
______________________________________________________________________________________
N
r
x
n
A função de probabilidade é :
⎛ r ⎞ ⎛N − r⎞
⎜ ⎟⎜
⎟
⎝ x⎠ ⎝ n − x ⎠
p(x) = P(X = x) =
⎛N⎞
⎜ ⎟
⎝n⎠
, x = 0, 1, . . . ( r ou n )
A MÉDIA E A VARIANCIA SÃO :
µ = E(X) = n.p
σ2(X) = V(X) = n.p.q
N-n
N -1
onde p = r / N
EXEMPLO
Uma caixa contém 12 lâmpadas das quais 5 estão queimadas. São escolhidas 6
lâmpadas ao acaso para a iluminação de uma sala. Qual a probabilidade de que :
( a ) exatamente duas estejam queimadas ?
( b ) pelo menos uma esteja boa ?
N=12
n=6
r=5
X = no de lâmpadas queimadas retiradas .
⎛ 5 ⎞ ⎛12 − 5⎞
⎜ ⎟⎜
⎟
⎝2⎠ ⎝ 6 − 2 ⎠
( a ) P( X = 2) =
= 0,3787 .
⎛12 ⎞
⎜ ⎟
⎝6⎠
( b ) Se são retiradas 6 lâmpadas e somente 5 estão queimadas, necessariamente
pelo menos uma será boa, portanto :
P( pelo menos uma boa ) = 1 .
___________________________________________________________________________________
Marcia Olandoski Erbano
Depto. de Informática
CEFET-PR