Escolar Documentos
Profissional Documentos
Cultura Documentos
Josemar Rodrigues
Principais modelos probabilísticos discretos
1. Modelo Bernoulli
Na prática muitos experimentos admitem apenas dois resultados
Exemplo:
1. Uma peça é classificada como boa ou defeituosa;
2. O resultado de um exame médico para detecção de uma doença é positivo ou
negativa.
3. Um entrevistado concorda ou não com a afirmação feita;
4. No lançamento de um dado ocorre ou não face 6;
5. No lançamento de uma moeda ocorre cara ou coroa.
2
1.2 Aleatória De Bernoulli
x 0 1 p x (1 p )1 x ; x 0,1
f ( x) P ( X x)
P(X=x) 1-p p 0; c.c
Probabilidade X1 X2 X3 X=X1+X2+X3
FFF (1-p)3 0 0 0 0
FFS (1-p)2p 0 0 1 1
FSF (1-p)2p 0 1 0 1
SFF (1-p)2p 1 0 0 1
FSS (1-p)p2 0 1 1 2
SFS (1-p)p2 1 0 1 2
SSF (1-p)p2 1 1 0 2
SSS P3 1 1 1 3
4
Daí temos que:
P ( X 0) P ({FFF }) (1 p ) 3
P ( X 1) P ({FFS , FSF , SFF}) 3 p (1 p ) 2
P ( X 2) P ({FSS , SFS , SSF }) 3 p 2 (1 p)
P ( X 3) P ({SSS}) p 3
A distribuição de probabilidade da v.a. X é dada por:
x 0 1 2 3
f ( x) P( X x) (1 p) 3 3 p(1 p) 2 3 p 2 (1 p) p3
O comportamento de X , pode ser representado pela seguinte função:
3 x
p (1 p ) 3 x , x 0,1,2,3
f ( x) x
0, c.c
3 3!
onde
x x!(3 x)!
5
Definição[Distribuição Binomial]
6
Distribuição Binomial com parâmetros n=10 e p
p=0,1 p=0,3
0.4
0.20
P(X=x)
P(X=x)
0.2
0.00
0.0
0 2 4 6 8 0 2 4 6 8
x x
p=0,5 p=0,8
0.20
P(X=x)
P(X=x)
0.15
0.00
0.00
0 2 4 6 8 0 2 4 6 8
x x
7
Distribuição Binomial com parâmetros n=20 e p
p=0,1 p=0,3
0.15
0.20
P(X=x)
P(X=x)
0.00
0.00
0 5 10 15 20 0 5 10 15 20
x x
p=0,5 p=0,8
0.15
P(X=x)
P(X=x)
0.00 0.10
0.00
0 5 10 15 20 0 5 10 15 20
x x
8
Distribuição Binomial com parâmetros n=30 e p
p=0,1 p=0,3
0.15
0.10
P(X=x)
P(X=x)
0.00
0.00
0 10 20 30 0 10 20 30
x x
p=0,5 p=0,8
0.15
0.10
P(X=x)
P(X=x)
0.00
0.00
0 10 20 30 0 10 20 30
x x
9
Exemplo 2.
10
x f(x) F(x)
0 0,107374 0,10737
1 0,268435 0,37581
2 0,301990 0,67780
3 0,201327 0,87913
4 0,088080 0,96721
5 0,026424 0,99363
6 0,005505 0,99914
7 0,000786 0,99992
8 0,000074 1,00000
9 0,000004 1,00000
10 0,000000 1,00000
11
B(10,p=0,20)
0.30
0.20
P(X=x)
0.10
0.00
0 2 4 6 8 10
12
Distribuição de Poisson
13
Suposições básicas:
14
Definição[Distribuição de Poisson] Uma variável discreta X tem distribuição
de Poisson com parâmetro se sua função de probabilidade é dada por:
e x
x 0,1,2,
f ( x) x!
0; c.c.
Notação: X~P(), para indicar que a v.a. X tem distribuição de Poisson com
parâmetro .
15
P(X=x) P(X=x)
0
0
5
5
10
10
x
x
15
15
P(4)
P(1)
20
20
25
25
30
30
P(X=x) P(X=x)
0
0
5
5
10
10
x
x
15
15
P(8)
P(2)
20
20
25
25
30
30
16
P(X=x) P(X=x)
0
0
5
5
10
10
x
x
15
15
P(4)
P(1)
20
20
25
25
30
30
P(X=x) P(X=x)
0
0
5
5
10
10
x
x
15
15
P(8)
P(2)
20
20
25
25
30
30
17
Exemplo 1. As consultas num banco de dados ocorrem de forma independente
e aleatório seguindo a distribuição de Poisson. Suponha que a média de
consultas é 3 a cada 4 minutos. Qual é a probabilidade que banco de dados
seja consultado no máximo 2 em um intervalo de 2 minutos?
e 1,5 1,5 x
f ( x) , x 0,1,2,3....
x!
18
19
e 1,5 1,5 x
f ( x) , x 0,1,2,3....
x!
1, 5 1,52
P( X 2) P( X 0) P( X 1) P( X 2) e [1 1,5 ] 0,808847.
2
20
X: número de pedidos de empréstimos que um banco recebe por
dia
X~P(7,5)
e 7 ,5 7,5 x
f ( x) , x 0,1,2,
x!
21
P(X=x)
0
5
10
x
15
P(7,5)
20
25
30
22
x f(x)=P(X=x)
0 0,000553
1 0,004148
2 0,015555
3 0,038889
4 0,072916
5 0,109375
6 0,136718
7 0,146484
8 0,137329
9 0,114440
10 0,085830
11 0,058521
12 0,036575
13 0,021101
14 0,011304
15 0,005652
16 0,002649
17 0,001169
18 0,000487
19 0,000192
20 0,000072
21 0,000026
22 0,000009
23 0,000003
24 0,000001
25 0,000000
26 0,000000
27 0,000000
23
e 7 ,5 (7,5) 2
( a ) P ( X 2) 0,015555
2
(b) P( X 2) P( X 0) P( X 1) P( X 2)
0,000553 0,004148 0,015555 0,0202567
7
(d ) P( X 8) 1 P ( X 8) 1 P( X x)
x 0
1 [0,000553 0,136718]
1 - 0,37815 0,62185.
24
25
PROPRIEDADES DA DISTRIBUIÇÃO DE POISSON
Se X ~P(), então.
0 x0
x e x
F ( x) P( X x)
x0
k 0 x!
26
27
x P(X=x) P(Xx)
0 0,000553 0,00055
1 0,004148 0,00470
2 0,015555 0,02026
X~P(7,5)
3 0,038889 0,05915
4 0,072916 0,13206
5 0,109375 0,24144
7 0,136718 0,37815
8 0,146484 0,52464
9 0,137329 0,66197
10 0,114440 0,77641
11 0,085830 0,86224
12 0,058521 0,92076
13 0,036575 0,95733
14 0,021101 0,97844
15 0,011304 0,98974
16 0,005652 0,99539
17 0,002649 0,99804
18 0,001169 0,99921
19 0,000487 0,99970
20 0,000192 0,99989
21 0,000072 0,99996
22 0,000026 0,99999
23 0,000009 1,00000
24 0,000003 1,00000
25 0,000001 1,00000
26 0,000000 1,00000
27 0,000000 1,00000
28 0,000000 1,00000
29 0,000000 1,00000
30 0,000000 1,00000
28
Exemplo 3: Consideremos o exemplo 2,
0 x0
x 7 ,5 x
F ( x) P ( X x) e 7,5
x0
k 0 x!
(c) P( X 8) 1 P( X 8) 1 P( X 7)
1 F (7) 1 0,37815 0,62185.
29
Exemplo 3. Contaminação é um problema de fabricação de discos ópticos de
armazenagem. O número de partículas de contaminação que ocorrem em um
disco óptico tem uma distribuição de Poisson e o número médio de partículas
por centímetro quadrado da superfície é 0,1. A área do disco em estudo é 100
centímetros quadrados. Encontre a probabilidade de que 12 partículas ocorram
na área de um disco sob estudo.
e 10 (10)12
P( X 12) 0,095
12
30
A Distribuição Poisson Como Aproximação da Distribuição Binomial
n
x n x x 1
n 1 2 x 1 n
P( X x) 1 1 1 1 x
x n
n n n n x!
1
n
e x
Fazendo n , temos P ( X x)
x!
31
32
33
Exemplo 5. 5. A probabilidade de um rebite particular na superfície da
asa de uma aeronave seja defeituosa é 0,001. Há 4000 rebites na asa.
Qual é a probabilidade de que seja instalados não mais de seis rebites
defeituosos?
Se X: número de rebites defeituosos na asa da aeronave. Então, X~B(400,0,001)
4000
0,001 0,999
6
P ( X 6) 0,8894.
x 400 x
x
x 0
e 4 4 x
6
P ( X 6) 0,889.
x 0 x!
34
Te o re m a : Se X , , X sã o va riá ve is a le a tó ria s in d e p e n d e n te s, c o m
1 n
e n tã o a va riá ve l a le a tó ria ,
Y X X
1 n
se m a n a , i=1,2,3. X ~ P ( ) , e n tã o ,
i i
a v.a . , Y X X X te m
1 2 3
6e 4 6
P ( X 4) 0,1339
4!
35