Professional Documents
Culture Documents
Quando se atribuem valores de probabilidade a todos os possveis valores de uma varivel aleatria
X, tanto por uma listagem como por uma funo matemtica, o resultado uma distribuio de
probabilidade. Uma varivel aleatria aquela cujos valores so determinados por processos acidentais, ao
acaso, que no esto sob o controle do observador. A soma das probabilidades de todos os resultados
possveis deve ser igual a 1. No contexto das distribuies de probabilidades, os valores individuais de
probabilidades deve ser designados pelo smbolo f ( x ), que enfatiza a existncia de uma funo
matemtica, por P ( x = X ), que enfatiza que a varivel aleatria pode assumir diversos valores, ou
simplesmente por P ( x ).
H uma variedade de tipos de distribuio de probabilidades na estatstica. Cada qual tem seu
prprio conjunto de hipteses que definem as condies sob as quais o tipo de distribuio pode ser
utilizado validamente. A chave da utilizao de uma distribuio de probabilidades consiste em confrontar as
hipteses do tipo de distribuio com as caractersticas da situao real.
DISTRIBUIO DE BERNOULLI
Suponhamos um experimento tal como a jogada repetida de uma moeda, ou a escolha de repetidas
fichas de uma urna, etc. Cada jogada ou extrao chamada uma prova. Em cada prova em particular h
uma probabilidade associada a um determinado evento, tal como aparecimento de cara na moeda, a
escolha de uma ficha vermelha, etc. Em certos experimentos, a probabilidade no varia de prova para prova
(tal como no caso da jogada de uma moeda, ou de um dado). Tais provas dizem-se ento independentes e
costumam designar-se como provas de Bernoulli, que tem significado histrico James Bernoulli, que
primeiro as estudou no fim do sculo XVII.
Seja um experimento que consiste na realizao de uma prova, cujos resultados s podem ser
sucesso ou fracasso. Observando ainda que na realizao desta prova os eventos so independentes,
vamos chamar X uma varivel aleatria que, de acordo com a pressuposio citada, somente assumir
valores 0 (zero) e 1 (um), sendo 0 a ocorrncia do evento fracasso e 1 a ocorrncia do evento
sucesso, com probabilidades q e p = 1 q , ou seja, P ( X = 0 ) = q e P ( X = 1 ) = p.
2
UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso
_____________________________________________________________________________________
0 , se x < 0
f(x) = q , se 0 x < 1
1 , se x 1
Quando esta varivel estiver assim definida, diremos que ela mesma tem uma distribuio de
Bernoulli.
X 0 1
P(X) q p P(X)=1
Mdia:
1
x = E( X) = x i p(x i ) = 0 (q) + 1 (p) = p
i =o
Varincia:
Desvio - padro:
x = p q
Essa distribuio tem importncia como geradora de novas distribuies, conforme veremos a seguir.
DISTRIBUIO BINOMIAL
Usa - se o termo binomial para designar situaes em que os resultados de uma varivel aleatria
podem ser grupados em duas classes ou categorias. Os dados so, pois, nominais. As categorias devem
ser mutuamente excludentes, de modo a deixar perfeitamente claro a qual categoria pertence determinada
observao; e as classes devem ser coletivamente exaustivas, de forma que nenhum outro resultado fora
delas possvel.
H dois mtodos para obter as probabilidades para uma varivel aleatria distribuda
binomialmente. Um deles consiste em utilizar a frmula binomial, e o outro a utilizao das tabelas de
probabilidades binomiais.
Associando uma varivel aleatria X igual ao nmero de sucessos nessas n provas, X poder
assumir valores 0,1,2,3, . . . , n.
Vamos determinar a distribuio de probabilidades dessa varivel X, dada atravs da probabilidade
de um nmero genrico x de sucessos.
Suponhamos que ocorram apenas sucessos nas x primeiras provas e apenas fracassos nas ( n x)
provas restantes. Indicando sucesso em cada prova por 1 e fracasso por 0, temos:
1,1,1, . . . 1, 0,0, . . . , 0
x nx
n
P( X = x) = p x qn x
x
ou :
P( X = x) = Cnx p x q n x
ou :
n!
P ( X = x) = p x qn x
x!(n x)!
(q + p)1 = q + p
(q + p) 2 = q 2 + 2 p.q + p 2
(q + p)3 = q 3 + 3.p.q 2 + 3.p 2 .q + p 3
(q + p) 4 = q 4 + 4.p.q 3 + 6.p 2 .q 2 + 4.p3 .q + p 4
generalizando :
n n
(q + p) = q n + n.p.q n 1 + .p 2 .q n 2 + ... + .p x .q n x + ... + pn
2 x
4
UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso
_____________________________________________________________________________________
Entretanto, existe uma maneira mais fcil de obter a mdia de X. Basta definir uma varivel Ii , com
i = 1,2, ........... , n , que ser igual a 1, se no i-simo ensaio ocorrer resultado favorvel e igual a zero, se no
i-simo ensaio ocorrer resultado desfavorvel. Ento o nmero X de resultados favorveis, em n ensaios,
dado pela soma de n termos Ii , isto : X = I1 + I2 + ... + I .
Como Ii uma varivel aleatria que s assume valores um e zero, com probabilidades p e q,
respectivamente, podemos obter:
E( Ii ) = 1.p + 0.q = p
Lembrando que X uma soma de n termos, cada um com esperana p, segue-se que:
x = E( X) = n.p
2x = Var (I i ) = p.q
Logo, como X uma soma de n termos independentes, cada um com varincia p.q, podemos
escrever:
2x = Var ( X) = n.p.q
X = n.p.q
Embora as tabelas constituam o mtodo mais simples e mais prtico para determinao de
probabilidades, h situaes em que as probabilidades desejadas no podem ser obtidas de tabelas. Por
essas razes, conveniente usar a frmula binomial para obter as probabilidades desejadas.
5
UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso
_____________________________________________________________________________________
DISTRIBUIO DE POISSON
A distribuio de Poisson pode ser usada para determinar a probabilidade de um dado nmero de
sucessos quando os eventos ocorrem em um continuum de tempo ou espao. Tal processo, chamado de
processo de Poisson, similar ao processo de Bernoulli, exceto que os eventos ocorrem em um continuum
ao invs de ocorrerem em tentativas ou observaes fixadas. Tal como no caso do processo de Bernoulli,
supe-se que os eventos so independentes e que o processo estacionrio.
.P( X = 1, t ) = t
P( X > 1, t .) = 0
P( X = 0, t ) = 1 t
t
P( X = 1, t ) =
n
t
t = , n , 0
n
n
P( X = x) = lim .p x .q n x
n x
x n x
n t t
P(x, t ) = lim . .1
n x n n
n x
n(n 1).(n 2)...(n x + 1) (t ) x t t
P(x, t ) = lim . x .1 .1
n x! n n n
n x
n(n 1).(n 2)...(n x + 1) (t ) x t t
P(x, t ) = lim . .1 .1
n n.n.n................................n x! n n
x
1 2 x + 1 t t t
n
e t
1
Portanto:
( t ) x t
P ( x, t ) = .e
x!
Lembrando, que e a constante 2,7183 usada em conexo com os logaritmos naturais.
6
UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso
_____________________________________________________________________________________
e t ( t )
X = E( X ) =
X=0 x!
= t
e t .(t ) x
x2 = Var ( X) = (x t ) 2 . = t
x =0 x!
x = x2 = t
desvio padro :
x = t
A vantagem da aproximao reside no fato de que a preciso sofre muito pouco e que o trabalho
necessrio consideravelmente menor. Para usar a aproximao, basta determinar a mdia, ou o valor
esperado, da distribuio binomial. Essa mdia ento considerada como a mdia do processo para a
distribuio de Poisson. Ou seja, a mdia do processo igual mdia binomial np.
Exemplo:
e 1.12 1
P ( X = 2) = = = 0,1839
2! 2.e
7
UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso
_____________________________________________________________________________________
EXERCCIOS
BINOMIAL
1. Num determinado processo de fabricao 10% das peas so consideradas defeituosas. As peas so
acondicionadas com 5 unidades cada uma.
5
P ( X = 3) = .( 0,10 ) 3. .( 0 ,90 ) 2 = 0,0081
3
c) Se a empresa paga multa de R$ 10,00 por caixa em que houver alguma pea defeituosa, qual o valor
esperado da multa num total de 1000 caixas?
2 Uma empresa vende e instala seus produtos. Atravs de estatsticas conhece que 40% dos produtos
instalados necessitam de novos ajustamentos. Quatro produtos so vendidos e devem ser instalados. A
empresa deseja saber qual a probabilidade de que pelo menos dois destes produtos, aps sua
instalao, venham a requerer novos ajustamentos. Por outro lado, a empresa estima em R$ 100,00 o
custo de cada ajustamento complementar. Qual o custo esperado para a empresa aps ter instalado
independentemente quatro produtos?
P ( 2 x 4 ) = P ( X = 2 ) + P ( X = 3 ) + P ( X = 4 ) = 0 , 5248
4
P ( X = 2 ) = .( 0 , 40 ) 2 .( 0 , 60 ) 2 = 0 ,3456 E ( k . X ) = k .E ( X )
2 E ( X ) = n .p = 4 .( 0 , 4 ) = 1, 6
4 k = R $ 100 , 00
P ( X = 3 ) = .( 0 , 40 ) 3 .( 0 , 60 ) 1 = 0 ,1536
3 log o :
4 E ( k . X ) = 100 .( 1, 6 ) = R $ 160 , 00
P ( x = 4 ) = .( 0 , 40 ) 4 .( 0 , 60 ) 0 = 0 , 025
4
8
UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso
_____________________________________________________________________________________
POISSON
1. Suponhamos que os navios cheguem a um porto razo de = 2 navios/hora, e que essa razo
seja bem aproximada por um sucesso de Poisson. Observando o processo durante um perodo de
meia hora (t = ), determine a probabilidade de: no chegar nenhum navio, e de chegarem 3
navios.
1
= t = 2 . = 1
x
2
tabela
1
e = 0 , 368
1
.( 1 ) 0
e
P (X = 0) = = 0 , 368
0!
e 1 .( 1 ) 3
P (X = 3) = = 0 , 061
6
2. Suponhamos que os defeitos em fios para tear possam ser aproximados por um processo de
Poisson com mdia de 0,2 defeitos por metro ( = 0,2). Inspecionando-se pedaos de fio de 6
metros de comprimento, determine a probabilidade de menos de 2 (isto , 0 ou 1) defeito.
x = t = 0,2.(6) = 1,2
tabela
e 1, 2 = 0,301
e 1, 2 .(1,2)0 e 1, 2 .(1,2)1
P( X 1) = P( X = 0) + P ( X = 1) = + = 0,301 + 0,301.(1,2) = 0,6622
0! 1!