Escolar Documentos
Profissional Documentos
Cultura Documentos
de Probabilidade
Discretas
Alberto Barros
Cursos: CST em Sistemas de Telecomunicações
Bacharelado em Engenharia Elétrica
1
Roteiro
Principais distribuições de probabilidade que
envolvem variáveis discretas:
A distribuição de Bernoulli
A distribuição Binomial
A distribuição de Poisson
A distribuição Geométrica
A distribuição de Pascal
A distribuição Hipergeométrica
A distribuição Multinomial 2
A Distribuição de Bernoulli
Talvez os experimentos mais simples são aqueles
caracterizados pela ocorrência ou não de algum
evento de interesse, tais como:
onde p = P(sucesso)
4
O Valor Esperado e a Variância de
uma Variável Aleatória de Bernoulli
E(X) = 0⋅(1- p) + 1⋅p = p
X = X1 + X2 + ... + Xn,
sendo Xi ~ Ber(p) 8
O Valor Esperado e a Variância de
uma Variável Aleatória Binomial
Pela expressão anterior, fica mais simples
deduzir o valor espersdo e a variância de uma
Binomial:
Solução:
(k, k, k) 0 c = cara
K = coroa
(k , k, c)
(k , c, k) 1
(c , k, k)
(k , c, c)
(c , k, c) 2
(c , c, k)
(c , c, c) 3
12
Solução do Exemplo 1
1 1 1 1
P(X = 0) = P[(k, k, k)] = ⋅ ⋅ =
2 2 2 8
n x
P(X = x) = p (1 − p) n − x x = 0, 1, 2, ..., n
x
n n!
onde =
x x!(n − x)!
3 3− 3 3
3 1 1 1 1
P(X = 3) = 1 − = 1 ⋅ ⋅1 =
3 2 2 2 8 15
A Distribuição de Poisson
Considere as situações em que se avalia o número de
ocorrências de um tipo de evento por unidade de
tempo, de comprimento, de área, ou de volume. Por
exemplo:
0 1 t
18
Obtendo a Função de
Probabilidade de uma Poisson
Considere o intervalo [0, 1] particionado em n
subintervalos de amplitude ∆t = 1/n;
t
0 1
Seja n suficientemente grande para que a probabilidade
de ocorrer duas ou mais consultas, em cada
subintervalo de amplitude ∆t, seja desprezível. Assim,
considere que em cada subintervalo só possa ocorrer 0
ou 1 consulta.
19
Obtendo a Função de
Probabilidade de uma Poisson
Sendo p a probabilidade de ocorrer uma consulta em ∆t,
as probabilidades associadas a X podem ser calculadas,
aproximadamente, pela Binomial. Então,
n x
P(X = x) ≅ p (1 − p)n − x , x = 0, 1, 2, ..., n
x
e- λ λ x
P(X = x) = , x = 0, 1, 2, ...
x!
21
O Valor Esperado e a Variância de
uma Variável Aleatória de Poisson
∞
e -λ λ x ∞
λ x
= ∑x = e -λ ∑
x =1 x(x - 1)! x =1 (x - 1)!
22
O Valor Esperado e a Variância de
uma Variável Aleatória de Poisson
fazendo s = x – 1, teremos:
λ s +1
∞ ∞
λs
E(X) = e ∑-λ
= e λ∑
-λ
s = 0 s! s = 0 s!
Lembrando que
∞
λs λ λ2 λ3
∑
s = 0 s!
= 1 + +
1 2
+
6
+ .... converge para e λ
, temos que
E(X) = e -λ λe λ = λ
23
O Valor Esperado e a Variância de
uma Variável Aleatória de Poisson
∞
e -λ λ x
∞ ∞ -λ x
2 e λ
E(X ) = ∑ x P(X = x) = ∑ x
2 2 2
= 0+∑x
x =0 x =0 x! x =1 x!
∞
e -λ λ x ∞
e -λ λ x
= ∑x 2
= ∑x
x =1 x(x - 1)! x =1 (x - 1)!
24
O Valor Esperado e a Variância de
uma Variável Aleatória de Poisson
fazendo novamente s = x – 1, temos
∞ -λ s +1 ∞ -λ s +1 ∞ -λ s +1
e λ e λ e λ
E(X 2 ) = ∑ (s + 1) = ∑s +∑
s =0 s! s=0 s! s =0 s!
∞
e -λ λ s ∞
e -λ λ s
= λ∑ s + λ∑
s=0 s! s =0 s!
∞
= λE(S) + λ ∑ P(S = s)
s=0
25
O Valor Esperado e a Variância de
uma Variável Aleatória de Poisson
E(X 2 ) = λλ + λ = λ 2 + λ
E(X) = Var(X) = λ 26
Generalização da Função de
Probabilidade de uma Poisson
A expressão para a distribuição de probabilidade do
slide 21 era para uma variável X que representava o
número de consultas à uma base de dados em um
intervalo de 1 minuto, ou seja, no intervalo [0, 1]. E se o
intervalo considerado fosse de [0 , t] (t > 0)?
29
Solução do Exemplo 2a
Seja X: o número de consultas em um intervalo de 1
minuto
λ = E(X) = 3
P(X < 3) = P(X = 0 ou X = 1 ou X = 2) = P(X = 0) + P(X = 1) + P(X = 2)
E(Y) = λt = 3⋅2 = 6
P(Y > 2) = 1 − P(Y ≤ 2)
-6 0
e 6 e-6 61
P(Y = 0) = = e−6 P(Y = 1) = = 6e − 6
0! 1!
e-6 6 2
P(Y = 2) = = 18e − 6
2! 31
Solução do Exemplo 2b
32
Aproximação da Binomial
pela Poisson
Justificamos a distribuição de Poisson a partir da
Binomial, fazendo n → ∞ e p → 0. logo, em
experimentos Binomiais, quando n for muito grande ep
for muito pequeno, podemos usar a distribuição de
Poisson com:
λ = np
33
Exemplo
Exemplo 3: Seja uma linha de produção em que a taxa
de itens defeituosos é de 0,5%. Calcule a probabilidade
de ocorrer mais do que 2 defeituosos, em uma amostra
de 500 itens.
Solução:
34
Solução do Exemplo 3
Uma alternativa é usar a aproximação da binomial pela
Poisson:
λ = np = 500⋅0,005 = 2,5
35
Solução do Exemplo 3
e -2,5 2,5 2
P(X = 2) = = 3,125e − 2,5
2!
39
O Valor Esperado e a Variância de uma
Variável com Distribuição Geométrica
O valor esperado da distribuição geométrica é dado
por:
∞ ∞ ∞ ∞
d k d ∞ k
E(X) = ∑ kP(X = k) = ∑ kq p = p∑ kq
k -1 k -1
= p∑ q = p ∑ q
k =1 k =1 k =1 k =1 dq dq k =1
Solução:
k - 1 (k − 1)! (k − 1)!
= =
r - 1 (r − 1)!((k − 1) − (r − 1))! (r − 1)!(k − r)!
Y = X1 + X2 + ... + Xr
onde
X1 = número de tentativas necessárias até ocorrer o primeiro
sucesso.
X2 = número de tentativas necessárias após o primeiro
sucesso até ocorrer o segundo sucesso.
M
Xr = número de tentativas necessárias após o sucesso de
ordem (r-1) até ocorrer o r-ésimo sucesso. 45
O Valor Esperado e a Variância de
uma Variável Aleatória de Pascal
E(Y) = E(X1 + X 2 + ... + X r )
= E(X1 ) + E(X 2 ) + ... + E(X r )
1 1 1 r
= + + ... + =
p p p p
47
Solução do Exemplo 5
Seja Y o número de dias necessários para
ocorrerem 3 quedas de sinal.
6 - 1
Então, P(Y = 6) = (0,10)3 (1 − 0,10) 6−3
3 - 1
5
= (0,001)(0,90)
3
2
5!
= ⋅ 0,001⋅ 0,729
2!3!
= 10 ⋅ 0,000729 = 0,00729 48
Distribuição Hipergeométrica
Suponha que tenhamos um lote com N peças, r das
quais sejam defeituosas e (N – r) não defeituosas.
Suponha que escolhamos, ao acaso, n peças desse lote
(n ≤ N), sem reposição.
Então, r N - r
k n - k
P(X = k) = , k = 0, ... , min(r, n)
N
n
A distribuição de probabilidade acima é denominada de
distribuição Hipergeométrica. 49
Distribuição Hipergeométrica
Note que
N
O termo representa o número total de maneiras de se extrair
n
n peças de um lote com N peças existentes.
r
O termo representa o número total de maneiras de se extrair
k
k peças defeituosas das r peças defeituosas existentes.
N -r
O termo representa o número total de maneiras de se extrair
n -k
(n - k) peças não defeituosas das (N - r) peças não defeituosas existentes.
50
O Valor Esperado e a Variância de
uma Variável Aleatória com
Distribuição Hipergeométrica
N-n
Var(X) = npq , onde q = 1 - p
N -1
51
Exemplo
Exemplo 6: Qual é a probabilidade de um
indivíduo acertar os 6 números da mega sena
fazendo uma aposta com 10 números?
Solução:
r 10
E(X) = np = n = 6⋅ = 1
N 60
54
A Distribuição Multinomial
É uma generalização da distribuição Binomial.
n1!n 2 !...nk ! i =1
57
Solução do Exemplo 8
2 2 1 1 2 2
10! 1 1 1 1 1 1
P(X1 = 2, X 2 = 2, X 3 = 1, X 4 = 1, X 5 = 2, X 6 = 2) =
2!2!1!1!2!2! 6 6 6 6 6 6
10
10 ⋅ 9 ⋅ 8 ⋅ 7 ⋅ 6 ⋅ 5 ⋅ 4 ⋅ 3 ⋅ 2 ⋅1 1
= ⋅
16 6
226800 226800
= 10
= ≅ 0,00375
6 60466176
58
Referências Bibliográficas
Meyer, Paul L.; Probabilidade: Aplicações à
Estatística, LTC Editora, 2a edição;
59
Próxima Aula...
Principais Distribuições de
Probabilidade Contínuas
60