Modelos Probabilísticos Teóricos

Discretos e Contínuos
Bernoulli, Binomial, Poisson, Uniforme, Exponencial,
Normal

1
 Distribuição de Probabilidades

A distribuição de probabilidades de uma

variável aleatória:
 quais são os resultados possíveis;
 qual é a probabilidade de cada resultado
acontecer.
 Variável discreta: pares valores – probabilidade.
 Variável contínua: função densidade de
probabilidades
2
 Modelo de Bernoulli
 Modelo teórico discreto
 Apenas dois resultados possíveis: “sucesso”, “fracasso”.

x p(x) E(X) = p
0 1–p V(X) = p × (1 – p)
1 p
Total 1  0 se x  0

F ( x)  1 - p se 0  x  1
 1 se x  1


3
 Modelo Binomial
 Modelo teórico discreto
 X terá distribuição binomial se:
 X = X1 + X2 + ... + Xn
 X1 , X2, ..., Xn variáveis aleatórias discretas
INDEPENDENTES com distribuição de Bernoulli, com
parâmetro p CONSTANTE.
 X: número de “sucessos” em n realizações de um
experimento de Bernoulli
 Com probabilidade de “sucesso” p constante (0 < p < 1)

4
 Exemplo 1
 Lançamento de moeda honesta 4 vezes, identificação face
voltada para cima: registro do número de caras (C).
 “Sucesso” = Cara; p = 0,5; 1 – p = 0,5
 Independência
 P(X=0) = P(K1  K2  K3  K4) = P(K1)×P(K2)×P(K3)×P(K4)
 P(X=0) = (1 – p)4 = 0,0625
 P(X=1) = P[(C1  K2  K3  K4)  (K1  C2  K3  K4) 
[(K1  K2  C3  K4)  [(K1  K2  K3  C4) ]
 Cada sub-evento é M.E. com os outros.
 P(X=1) = 4×p×(1-p)3 = 0,25
5
 Modelo binomial

 n x
P( X  x)    p  1  p 
nx
(x = 0, 1, ..., n)
 x

 n n!
Cn , x    =
 x n  x ! x!

E(X) = n×p V(X) = n×p×(1 – p)

6
 Exemplo 1 – pelo modelo binomial
 n = 4; p = 0,5; 1 – p = 0,5

 4
P( X  0)    0,5  0,5  11 0,0625  0,0625
0 4 0

 0

 4
P( X  1)    0,5  0,5  4  0,5  0,125  0,25
1 4 1

 1

7
 Exemplo 1 – pelo modelo binomial
Distribuição binomial (n = 4; p = 0,5)
0,4

0,35

0,3
Probabilidades

0,25

0,2

0,15

0,1

0,05

0
0 1 2 3 4
X = Número de caras em 4 lançamentos da moeda

E(X) = n×p = 4 × 0,5 = 2 V(X) = n×p×(1 – p) = 4 × 0,5 × 0,5 = 1

8
 Modelo de Poisson
 Modelo teórico discreto.
 Experimento aleatório com espaço amostral infinito
enumerável.
 Número de observações de uma variável em um intervalo
contínuo (tempo ou espaço): distribuição de Poisson.
Exemplos:
 chamadas telefônicas por minuto,
 mensagens que chegam a um servidor por segundo
 acidentes por dia,
 defeitos por m2, etc..
9
 Modelo de Poisson
X = núm. de ocorrências em [t, t+1]

t t+1
n intervalos de amplitude 1/n, com n  
p = probab. de ocorrência em cada intervalo

n n
n x
P( X  x)     p  (1  p )
x
p0
 x n×p >0
x   t
 t e
P( X  x) 
 (x =0, 1, 2, ...)
x! 10
 Modelo de Poisson

  t
   t 
x
e
P( X  x)  (x = 0, 1, 2, ...)
x!

E( X )    t V (X )   t

11
 Exemplo 2
 Estudos de tráfego mostram que cerca de 3 mensagens
chegam a um servidor a cada milissegundo.
 Calcule a probabilidade de que pelo menos 4 mensagens
cheguem em 1 milissegundo.
P( X  4)  P( X  4)  P( X  5)  ...
P( X  4)  1  P( X  4)

P( X  4)  P( X  0)  P( X  1)  P( X  2)  P( X  3)

12
 Exemplo 2
x P(X=x) Resultado
 3 1
31 0
e
0 P( X  0)  0,0498
0!
e  3 1
31 1
1 P( X  1)  0,1494
1!
e  3 1
31 2
2 P( X  2)  0,224
2!
e  3 1
31 3
3 P( X  3)  0,224
3!
P( X  4)  1  0,6472  0,3528
13
 Modelo Uniforme
 Modelo teórico contínuo.
f(x)

1

1
f(x) =


x
  14
 Modelo Uniforme
f(x)

x
 a b 
b-a
P(a < X < b) = 
 E( X ) 
2

Var ( X ) 
   2

12 15
 Modelo Exponencial
 Relação com a Poisson.
 X: variável aleatória discreta com
distribuição de Poisson – número de
ocorrências em um intervalo finito com
uma taxa λ.
 T: variável aleatória contínua – tempo entre
as ocorrências seguirá uma distribuição
exponencial com valor esperado 1/λ
16
 Modelo Exponencial
f(t)
1
E (T ) 

f(t) = e - t, λ e t > 0
1
Var (T ) 
2

P(T > t0) = e - t0

t 17
t0
 Exemplo 3

O setor de manutenção de uma empresa fez um

levantamento das falhas de um importante
equipamento, constatando que há, em média, 0,75
falha por ano e que o tempo entre falhas segue
uma distribuição exponencial. Qual é a
probabilidade do equipamento não falhar no
próximo ano?

18
 Exemplo 3
 = 0,75
P(T > t) = e - t
P(T > 1) = e -()1 = 0,4724 ou 47,24%

19
 Modelo Normal
Muitas variáveis aleatórias tem distribuições como:
Alturas de homens adultos

200

150
Frequências

100

50

0
1,4 1,5 1,6 1,7 1,8 1,9 2,0
Alturas (m)

20
 Modelo Normal
f(x)

1 x 2
1  ( )
f ( x)  e 2 
 2
: média
: desvio padrão
 x

21
 Características

 Área abaixo da  A variável

curva é igual a 1 aleatória pode
(100% de assumir valores
probabilidade) . de - ∞ a + ∞ .

Área = 1

x

22
 Características

 Simetria
em relação
à média.

50%

 x
23
 Exemplo

área = 68,3%

-  + 24
 Exemplo

área = 95,4%

-2  +2
25
 Exemplo

área = 99,7%

-3  +3
26
 Normal Padronizada

x-
z=


z - variável normal padronizada

x - variável normal
 - média
 - desvio padrão
27
 Normal Padronizada

x
-2 -  + +2
z
-2 -1 0 1 2 28
 Aproximação da Binomial
pela Normal
 Quando o número de ensaios (n) da binomial é grande, a
distribuição binomial pode ser aproximada por uma normal
com média n×p e variância n×p×(1- p).

0 1 2 3 4 5 6 7 8 9 10
x 29
 Exemplo 4

 Considere que um aluno irá fazer um teste de

Estatística. Pelo que estudou ele tem 50% de
probabilidade de responder corretamente uma
questão. Se o teste tem 10 perguntas, seja X o
número de respostas corretas.

30
 Exemplo 4
Distribuição binomial:
n=10 p=0,5
P(X)
0,246
0,205 0,205

0,117 0,117

0,044 0,044
0,001 0,01 0,01 0,001

-1 0 1 2 3 4 5 6 7 8 9 10 11
número de respostas corretas (X)
31
 Exemplo 4

 Qual é a probabilidade de ocorrer mais de 6 corretas?

 P(X>6)=P(7)+P(8)+P(9)+P(10)=0,117+0,044+0,010+0,001=0,172

0,246
0,205 0,205 P(X>6) = 0,172

0,117 0,117

0,044 0,044
0,001 0,01 0,01 0,001

-1 0 1 2 3 4 5 6 7 8 9 10 11 32
 Exemplo 4 (de novo)

 Qual é a probabilidade de ocorrer mais de 6 respostas

afirmativas? (usando a normal)

P(X>6,5)

0 1 2 3 4 5 6 7 8 9 10
x
33
Exemplo 4 (de novo)

P(X>6,5)

5 6,5 x
34
 Exemplo 4 (de novo)
=5  = 1,581139 x = 6,5
x- 6,5 - 5
z= = = 0,95
 1,581139

0,1711 Lembrando:
a probabilidade.
Exata (pela
binomial)
era de 0,1720

0 0,95 z 35