Distribuio de Bernoulli

A Distribuio de Bernoulli a distribuio discreta de espao amostral {0, 1}, com probabilidades P(0) = 1 - p e P(1) = p. O nome da distribuio se refere ao cientista suio Jakob Bernoulli. Propiedades: Mdia: E(X) = np Varincia: Var(X) = np (1 - p) Dizemos que uma varivel X segue o modelo de Bernoulli se atribui 0 ou 1 ocorrncia de falha ou sucesso, respectivamente. Em um experimento s podem ocorrer dois resultados possveis. Exemplo: Uma pea produzida por uma companhia ser perfeita ou defeituosa - Um gerador eltrico pode se encontrar em servio ou avariado A funo discreta de probabilidade dada por: p para X=1 P(X=x) = q=1-p para X=0 0 para X diferente de 0 ou 1 X01 P(X=x) 1-p p Parmetro Caractersticos: E(X) = p V(X) = pq

Distribuio Binomial
A distribuio binomial aplicada freqentemente para descrever controle estatstico de qualidade de uma populao. Tem-se interesse principalmente em duas categorias: item defeituoso ou insatisfatrio versus item bom ou satisfatrio e sucesso e falha que tenham ocorrido em uma amostra de tamanho fixo.

A distribuio binomial aplicada a eventos provenientes de uma srie de experimentos aleatrios, que constituem o chamado Processo de Bernoulli. Esse processo anlogo quele de jogar uma moeda. As seguintes suposies se aplicam: a) Cada experimento dito ser uma tentativa. Existe uma srie de tentativas, cada uma tendo dois resultados: sucesso ou falha; b) A probabilidade de sucesso igual a algum valor constante para todas as tentativas; c) Os resultados sucessivos so estatisticamente independentes. A probabilidade de sucesso na prxima tentativa no pode variar, no importando quantos sucessos ou falhas tenham sido obtidos. O processo de Bernoulli comumente utilizado em aplicaes de engenharia envolvendo controle de qualidade. Cada novo item criado no processo de produo pode ser considerado como uma tentativa resultando em uma unidade com ou sem defeito. Esse processo no se limita a objetos; podendo ser usado em pesquisas eleitorais e de preferncias dos consumidores por determinados produtos. A distribuio binomial est relacionada ao nmero de sucessos encontrados em um nmero especfico de tentativas de um processo de Bernoulli. Ela caracterizada por dois parmetros: (0 1), a probabilidade de sucesso, e n o nmero de tentativas (nmero positivo). Exemplo: Calcular as probabilidades de um casal ter meninas em trs nascimentos. Soluo: a) k=0; =0.48; n=3
P ( X = 0) =

3 * 2 *1 * 0.48 0 * (1 0.48 ) 30 = 0.14 1 * (3 0)!

b) k=1; =0.48; n=3

P ( X = 1) =

3 * 2 *1 * 0.48 * (1 0.48 ) 31 = 0.39 1 * (3 1)!

c) k=2; =0.48; n=3

P ( X = 2) =

3 * 2 *1 * 0.48 2 * (1 0.48 ) 32 = 0.36 2 * 1 * (3 2)!

d) k=3; =0.48; n=3

P ( X = 3) =

3 * 2 *1 * 0.48 3 * (1 0.48 ) 33 = 0.11 3 * 2 * 1 * (3 3)!

Distribuio geomtrica
Em teoria das probabilidades e estatstica, a distribuio geomtrica constituda por duas funes de probabilidade discretas:

a distribuio de probabilidade do nmero X de tentativas de Bernoulli necessrias para alcanar um sucesso, suportadas pelo conjunto { 1, 2, 3, ... }, ou a distribuio de probabilidade do nmero Y = X 1 de insucessos antes do primeiro sucesso, suportadas pelo conjunto { 0, 1, 2, 3, ... }.

Se a probabilidade de sucesso de cada tentativa p, ento a probabilidade de n tentativas serem necessrias para ocorrer um sucesso

para n = 1, 2, 3, .... De forma equivalente, a probabilidade de serem necessrios n insucessos antes do primeiro sucesso

para n = 0, 1, 2, 3, .... Em qualquer caso, a sequncia de probabilidades uma progresso geomtrica.

Por exemplo, suponha um dado que atirado repetidamente at primeira vez que aparece um "1". A probabilidade de distribuio do nmero de vezes que o dado atirado suportado pelo conjunto infinito { 1, 2, 3, ... } e uma distribuio geomtrica com p = 1/6. O valor esperado de uma varivel aleatria geometricamente distribuda X 1/p e a varincia (1 p)/p2;

De forma equivalente, o valor esperado de uma varivel aleatria geometricamente distribuda Y (1 p)/p, e a sua varincia (1 p)/p2. Como a sua distribuio contnua anloga (a distribuio exponencial), a distribuio geomtria tem a propriadade de perda de memria. Isto significa que se se tentar repetir uma experincia antes do primeiro sucesso, ento, dado que o primeiro sucesso ainda no ocorreu, a funo de distribuio condicional do nmero de tentativas adicionais no depende de quantos insucessos foram observados at ento. A distribuio geomtrica , de facto, a nica distribuio discreta com esta propriedade Exemplo: Cada dia, h uma probabilidade de =0.01 que um satlite seja danificado em uma coliso. A probabilidade de sobrevivncia diria consequentemente igual a 1- =0.99. Calcule a probabilidade de que o satlite seja danificado exatamente no vigsimo e centsimo dias de operao. Soluo:
P ( X = 20 ) = p ( 20 ) = 0.01 * (0.99 )19 = 0.0083 P ( X = 100 ) = p (100 ) = 0.01 * (0.99 ) 99 = 0.0037

A funo de distribuio de probabilidade geomtrica expressa a probabilidade cumulativa de que o primeiro sucesso ocorra em ou antes da k-sima tentativa.
F (k ) = P ( X k ) = p ( x) = 1 (1 ) k
x =1 k

DISTRIBUIO HIPERGEOMTRICA
A distribuio hipergeomtrica uma das mais importantes distribuies de probabilidade para variveis discretas usadas em amostragem estatstica. Ela fornece probabilidades para o nmero de observaes amostrais de uma categoria particular que pode ser obtida. A diferena bsica entre esta distribuio e a binomial que esta ltima requer independncia entre as tentativas, o que torna impraticvel sua utilizao na avaliao de investigaes amostrais de populaes pequenas, a menos que a amostragem seja feita com reposio. Por exemplo, em controle de qualidade de equipamentos eletrnicos, testes so feitos com a destruio da amostra, no podendo pois haver reposio. A distribuio hipergeomtrica pode ser melhor entendida atravs do seguinte exemplo: Exemplo: Considere um carregamento de 25 transformadores, dos quais uma amostra de 4 deles ser testada do ponto de vista ambiental. Cada transformador do carregamento ser considerado satisfatrio (S) ou defeituoso (D). A Figura 6.4 apresenta a rvore de probabilidade, supondo que 20% dos transformadores so defeituosos (o que representa 5 transformadores do total). Naturalmente, este fato desconhecido do setor de testes, que deve aceitar ou rejeitar o carregamento com base no nmero de itens defeituosos encontrados na amostra. Soluo: Utilizando-se as informaes da rvore, percebe-se que existem 4 possibilidades de se obter um item defeituoso; so elas: S1S2S3D4, S1S2D3S4, S1D2S3S4 e D1S2S3S4. Assim, a probabilidade de existir pelo menos um item defeituoso dada por:
P ( X = 1) = 4 * 34200 = 0.45 303600

Distribuio de Poisson
A distribuio de Poisson uma das mais usadas para variveis aleatrias discretas. Sua aplicao mais comum na descrio de dados sobre, por exemplo, nmero dirio de
5

telefonemas a uma central telefnica, nmero de carros que passam por um cruzamento (ou uma cabine de pedgio) durante um certo perodo de tempo e em anlises de confiana em uma linha de produo (saber probabilidades de falhas). Os eventos devem ocorrer em um certo intervalo de tempo ou espao. Imagine que se est interessado em saber o nmero de lmpadas queimadas em uma rua, durante 12 dias do ms de agosto. Cada lmpada queimada considerada um evento. Obtmse o seguinte resultado, tendo-se uma taxa mdia de = 1 (uma lmpada queimada diariamente).

01 12

02 03 tempo

04

05

06

07

08

09

10

11

Todo o processo de Poisson tem as seguintes propriedades: a) O nmero de eventos ocorrendo em um segmento de tempo ou espao independente do nmero de eventos ocorridos no segmento anterior; o processo de Poisson no tem memria; b) A taxa mdia do processo, , deve permanecer constante durante o perodo de tempo e espao considerados; c) Quanto menor o segmento de tempo e espao, menor a probabilidade de ocorrer mais de um evento naquele segmento. A probabilidade de ocorrncia de 2 ou mais eventos se aproxima de zero, quando o tamanho do segmento se aproxima de zero. d) A distribuio de Poisson dada por:
p( x; , t ) = P( X = x) = (t ) x e t x!

para x=0,1,2,...

(17) em que os parmteros e t so a taxa mdia do processo e o intervalo de tempo/espao, respectivamente. Exemplo: Considere o horrio de pico do uso da ponte Rio-Niteri (sada para feriado, por exemplo). Suponha que 600 carros por hora passem pelo pedgio. Est-se interessado no nmero de
6

carros que chegam, varivel X, durante um perodo de 12 segundos. Assim, tem-se = 600 e t = 1/300 h. As unidades de e t devem ser as mesmas. As probabilidades de X so dadas abaixo:
2 0 e 2 = 0.1353 0! 21 e 2 P ( X = 1) = p (1 : 600 ,1 / 300 ) = = 0.2707 1! 2 2 e 2 P ( X = 2) = p (2 : 600 ,1 / 300 ) = = 0.2707 2! P ( X = 0) = p (0 : 600 ,1 / 300 ) =
P ( X = 3) = p (3 : 600 ,1 / 300 ) = P ( X = 10 ) = p (10 : 600 ,1 / 300 ) = 210 e 2 = 0.0000382 10! 2 3 e 2 = 0.0361 3!

Observa-se que medida que X aumenta, as probabilidades de Poisson tendem rapidamente a zero. Os resultados anteriores mudam completamente se os valores dos parmetros e t forem alterados. Embora 2 ou mais carros possam chegar ponte em um intervalo de tempo muito curto, a probabilidade deles chegarem ao mesmo tempo considerada zero. Mesmo havendo alguns exemplos prticos em que os carros cheguem ao mesmo tempo, a distribuio de Poisson um modelo terico que satisfaz plenamente.

Distribuio de Pascal
A distribuio binomial de Pascal ou distribuio binomial negativa ou distribuio de Polya uma distribuio de probabilidade discreta. Esta distribuio indica o nmero de tentativas necessrias para obter k sucessos de igual probabilidade ao fim de n experincias, sendo a ltima tentativa um sucesso. A sua funo de probabilidade dada por:

Exemplo Numa linha de montagem, 10% das peas so defeituosas. A probabilidade de a quinta pea que se analisa ser a segunda defeituosa

OBS.: A distribuio Geomtrica e fortemente relacionada com a Binomial negativa. Na Geomtrica queremos o nmero de tentativas para obter o primeiro sucesso, ou seja, o tempo de espera at que se tenha o evento de importncia ou sucesso.

DISTRIBUIO MULTINOMIAL
Um experimento multinomial uma experincia probabilstica que satisfaz as seguintes condies: 1. O experimento repetido um nmero fixo de vezes n e cada tentativa independente das outras; 2. Cada tentativa tem k resultados possveis exclusivos; 3. Cada resultado tem uma probabilidade fixa. A soma das probabilidades de todos os resultados 1 ou 100%. (p 1 + p2 + p3 + ... + pk) = 1 4. x o nmero de vezes que cada evento ir ocorrer; 5. A varivel aleatria discreta x a contagem do nmero de vezes que os eventos acontecem em n tentativas. (x1 + x2 + x3 + ... + xk) = n Notao para experimentos multinomiais: n nmero total de tentativas ou observaes; p probabilidade de cada evento; x a varivel aleatria que representa a contagem do nmero de observaes em n tentativas.; ! Fatorial. .
P ( x) = n! x x x . p1 1 . p2 2 ... . pk k x1! x2 ! ... xk !

Exemplo: So as seguintes as probabilidades de um automvel submetido inspeo em um departamento de trnsito: 20% de no passar no teste de emisso, mas passar no teste freio; 10% de passar no teste de emisso, mas no passar no teste de freio; 10% de no passar em nenhum dos dois testes; 60% de passar em ambos os testes. Determine a probabilidade de que, em 12 carros inspecionados, 3 seja reprovados apenas no teste de emisso, 2 sejam reprovados apenas no teste de freios, 1 seja reprovados em ambos os testes, 6 sejam aprovados em ambos os testes.

A obteno da probabilidade atravs da expanso do binmio apresenta inconvenientes quando o valor de n (nmero total de ocorrncias) relativamente grande. A expanso do binmio resultar em n + 1 termos e, consequentemente, impraticvel obte-los para n relativamente grande e, para se obter a probabilidade de um evento necessrio conhecer a probabilidade de todos os outros que constituem o espao amostral. Outro aspecto de dificuldade ocorre quando se tem vrios eventos, estabelecendo-se, portanto, um multinmio. Para contornar os problemas, pode-se estimar as probabilidades utilizando-se o termo geral da distribuio multinomial. Este procedimento mais adequado pois permite estimar a probabilidade do evento desejado sem ser necessrio conhecer qualquer outro termo do multinmio.