Você está na página 1de 30

VARIVEL ALEATRIA e DISTRIBUIO BINOMIAL

Varivel Aleatria
Uma funo X que associa a cada elemento do espao amostral um valor x R denominada uma varivel aleatria.
Experimento: jogar 1 dado duas vezes e observar o resultado (P = par e I= impar) X: nmero de vezes que saiu par em 2 lances do dado PP PI IP II X = 0 II X = 1 IP ou PI X = 2 PP

2
2

Varivel Aleatria
Uma varivel aleatria pode ser classificada em: Varivel aleatria discreta Varivel aleatria contnua

Varivel Aleatria
Varivel aleatria discreta

Uma v.a. discreta quando o conjunto de valores possveis que ela assume for finito ou infinito enumervel.

Observa-se o sexo (caracterstica) das crianas em famlias com trs filhos (M: masculino e F: feminino).
Espao amostral: = {(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM), (FFF)}
1 2 3 4 5 6 7

Exemplo:

Defina X: n de crianas do sexo masculino (M).

X MMM 3 MMF 2 MFM 2 FMM 2 MFF 1 FMF 1 FFM 1 FFF 0

Ento X assume valores no conjunto {0, 1, 2, 3}, logo uma varivel aleatria discreta.
5

Exemplo:
No mesmo experimento...
Espao amostral: = {(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM), (FFF)}
1 2 3 4 5 6 7 8

Podemos definir agora Y: n de crianas do sexo feminino (F).

Y MMM 0 MMF 1 MFM 1 FMM 1 MFF 2 FMF 2 FFM 2 FFF 3

Ento Y tambm assume valores no conjunto {0, 1, 2, 3}, porm, para outros valores de .
6

Varivel Aleatria
Varivel aleatria contnua

Uma v.a. contnua quando o conjunto de valores possveis que ela assume for no enumervel.

Exemplo:

Observa-se o tempo de vida, em horas, de lmpadas produzidas por uma fbrica. Defina T: tempo de vida, em horas, da lmpada escolhida, ao acaso, da fbrica.

Ento, T uma varivel aleatria contnua que assume qualquer valor real no negativo.
8

VARIVEL ALEATRIA DISCRETA


Caracterizao
Funo de probabilidade: a funo que atribui a cada
valor xi da v. a. discreta X sua probabilidade de ocorrncia e pode ser representada pela tabela:
x P(X=x) x1 P(X=x1) x2 P(X=x2) ... ... xn P(X=xn)

Uma funo de probabilidade deve satisfazer:


0 P( X = xi ) 1 e

P( X = xi )
i =1

= 1
9

Exemplo 1:
O Departamento de Estatstica formado por 35 professores, sendo 21 homens e 14 mulheres. Uma comisso de 3 professores ser constituda sorteando, ao acaso, trs membros do departamento. Qual a probabilidade da comisso ser formada por pelo menos duas mulheres? Vamos definir a v.a. X: n de mulheres na comisso. Quais so os possveis valores que X pode assumir?
10

Espao amostral (HHH) (HHM) (HMH) (MHH) (HMM) (MHM) (MMH) (MMM)

Probabilidade 21 20 19 = 0,203 35 34 33 21 20 14 = 0,150 35 34 33 21 14 20 = 0,150 35 34 33 14 21 20 = 0,150 35 34 33 21 14 13 = 0,097 35 34 33 14 21 13 = 0,097 35 34 33 14 13 21 = 0,097 35 34 33 14 13 12 = 0,056 35 34 33

X 0 1 1 1 2 2 2 3

x P(X = x) Assim,

0 0,203

1 0,450

2 0,291

3 0,056

P(X 2) = P(X=2) + P(X=3) = 0,291 + 0,056 = 0,347. 11

Exemplo 2: Um dado lanado duas vezes, de forma independente. Qual a probabilidade da soma dos pontos nos dois lanamentos ser menor do que 6? 6
= {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1), (5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}.

Qual a probabilidade de cada ponto wi de ? Admitindo que o dado perfeitamente homogneo e sendo os lanamentos independentes, P(wi) = 1/36 , qualquer wi .
12

Defina X: soma dos pontos nos dois lanamentos do dado.

Funo de probabilidade de X:
x 2 3 4 5 6 7 8 9

10 11 12

P(X=x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Ento, P(X < 6) = P(X=5) + P(X=4) + P(X=3) + P(X=2) = 4/36 + 3/36 + 2/36 + 1/36 = 10/36 = 0,278

13

X: Soma dos pontos nos lanamentos 20. lanamento 1 1 1 0. Lan amento 2 3 4 5 6 2 3 4 5 6 7 2 3 4 5 6 7 8 3 4 5 6 7 8 9 4 5 6 7 8 9 5 6 7 8 9 6 7 8 9 10

dois

Y: valor mximo obtido dentre os dois lanamentos. 20. lanamento 1 1 10. Lan amento 2 3 4 5 6 1 2 3 4 5 6 2 2 2 3 4 5 6 3 3 3 3 4 5 6 4 4 4 4 4 5 6 5 5 5 5 5 5 6
14

10 11

10 11 12

6 6 6 6 6 6 6

Podemos estar interessados em outras variveis aleatrias definidas para o mesmo espao amostral.
Y: valor mximo obtido dentre os dois lanamentos.
y 1 2 3 4 5 6

P(Y = y) 1/36 3/36 5/36 7/36 9/36 11/36

Z: diferena entre os pontos do 2 e do 1 lanamento.


z -5 -4 -3 -2 -1 0 1 2 3 4 5

P(Z = z) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

15

MDIA E VARINCIA
Qual o valor mdio da soma dos pontos (X) no lanamento de dois dados? = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1), (5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)} 36 pontos igualmente provveis

x 2 3 4 5 6 7 8 9 10 11 12

P(X = x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 3/36 1/36

6/36

5/36

4/36 P(X=x) 3/36

2/36

1\36

7 x

10

11

12

16

MDIA E VARINCIA
Valor Esperado (mdia): Dada a v.a. X, assumindo os
valores x1, x2, ..., xn, chamamos de valor mdio, ou valor esperado, ou esperana matemtica de X o valor

E ( X ) = x1 P( X = x1 ) + ... + xn P( X = xn ) = xi P( X = xi )
i =1

Notao: = E(X) No exemplo, para mdia de X (soma de pontos), temos: E(X) = 2(1/36) + 3(2/36) + ... + 11(2/36) + 12(1/36) = 252/36 = 7, ou seja, em mdia, a soma dos pontos no lanamento dos dois dados igual a 7.
17

Varincia: o valor esperado da v.a. (X E(X))2, ou


seja, se X assume os valores x1, x2, ..., xn, ento

Var( X ) = [ xi - E ( X )]2 P( X = xi )
i =1

Notao:

2 = Var(X).

Da relao acima, segue que

Var( X ) = E ( X 2 ) [ E ( X )]2 .
Desvio Padro: definido como a raiz quadrada
positiva da varincia, isto ,

DP( X ) = Var( X ) .
Notao: = DP(X).
18

No exemplo,
x 2 3 4 5 6 7 8 9 10 11 12 P(X=x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Var(X) = (2 - 7)2 = 210 36

1 2 2 1 + (3 - 7)2 +... + (11- 7) 2 + (12- 7)2 36 36 36 36

= 5,83.

Alternativamente, poderamos calcular


E(X2 ) = 2 2 1 2 2 1 + 32 + ... + 112 + 122 36 36 36 36 1974 = = 54,83 36
19

e, portanto, Var(X) = 54,83 72 = 5,83.

Propriedades:
1) Se X = a, em que a uma constante, ento E(X) = a e Var(X) = 0.

2) Se Y = aX + b, em que a e b so constantes, ento E(Y) = E(aX + b) = aE(X) + b e Var(Y) = Var(aX + b) = a2 Var(X).

20

- MODELOS PROBABILSTICOS DISCRETOS Modelo de Bernoulli ou Binrio


Na prtica, existem muitos experimentos que admitem apenas dois resultados.

Exemplos: uma pea classificada como boa ou defeituosa;


o resultado de um exame mdico para deteco de uma doena positivo ou negativo; um paciente submetido a um tratamento, durante um perodo de tempo fixo, cura-se ou no da doena; um entrevistado concorda ou no com a afirmao feita; no lanamento de um dado ocorre ou no a face 5.
21

Situaes com alternativas dicotmicas podem ser representadas, genericamente, por respostas do tipo sucesso-fracasso. Esses experimentos recebem o nome de Ensaios de Bernoulli e originam uma v.a. com distribuio de Bernoulli. Varivel aleatria de Bernoulli: uma v.a. que assume apenas dois valores: 1 se ocorrer sucesso, sucesso 0 se ocorrer fracasso. fracasso Geralmente, a probabilidade de sucesso representada por p, 0 < p < 1.
22

X ~ Bernoulli (p) indica uma v.a. com distribuio de Bernoulli com parmetro p, isto ,
1, se ocorrer sucesso X= 0, se ocorrer fracasso e sua funo de probabilidade pode ser representada pela tabela X 1 0 P(X=x) p 1 - p Segue que E(X) = p, Var(X) = p(1 p). Repeties independentes de um ensaio de Bernoulli, com a mesma probabilidade de ocorrncia de sucesso, do origem ao modelo de probabilidade binomial. binomial 23

Modelo Binomial
Exemplo: Um dado equilibrado lanado 3 vezes. Qual a probabilidade de se obter a face 5 duas vezes?

Denotamos, S: sucesso, ocorrer face 5; F: fracasso, no ocorrer face 5. fcil ver que p = P(sucesso) = 1/6 e q = 1 p = P(fracasso) = 5/6 = {SSS, SSF, SFS, FSS, SFF, FSF, FFS, FFF}
24

Estamos interessados no nmero total de sucessos que, no caso, o nmero de vezes que a face 5 observada nos 3 lanamentos do dado.
p p S S q p F q p q F p S q p q F q F (FFF) q3 0
25

S F S F S F S

(SSS)

Prob p3 p 2q p2q pq2 p 2q pq2 pq2

X 3 2 2 1 2 1 1

(SSF) (SFS) (SFF) (FSS) (FSF) (FFS)

A funo de probabilidade de X dada por:


Probabilidades binomiais para n = 3 e P(S) = p no. de sucessos 0 1 2 3 probabilidades q3 3pq2 3p2q p3 p = 1/6 125/216=0,5787 75/216=0,3472 15/216=0,0694 1/216=0,0046

Podemos escrever essa funo como P(X = k)


3 = k

p k q 3 - k , k = 0, 1, 2, 3.

No exemplo, para n = 3 e p = 1/6, P (X = 2) = 0,0694.


26

Distribuio binomial:
A v.a. X correspondente ao nmero de sucessos em n ensaios de Bernoulli independentes e com mesma probabilidade p de sucesso tem distribuio binomial com parmetros n e p. Sua funo de probabilidade dada por
P (X = k)
n = k

p k (1 - p) n- k , k = 0, 1, ... , n.

Notao: X ~ b(n; p).


27

Resultado: Se X ~ b(n; p), ento


mdia: = E(X) = np varincia: 2 = Var(X) = np(1-p)

28

Exemplo utilizando o R:
Considere uma prova com 12 questes, cada uma com 4 alternativas. Suponha que o aluno escolha as respostas ao acaso. Qual a probabilidade de que ele acerte pelo menos 6 questes? questes X: n de questes que o aluno acertar X pode assumir valores no conjunto {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 ou 12}. X ~ b(12; 0,25)

12 P( X = x ) = 0,25 x (1 0,25)12 x x

29

Distribuies Distribuies Discretas Distribuio binomial probabilidades da binomial


> .Table <- data.frame(Pr=dbinom(0:12, size=12, prob=0.25)) > rownames(.Table) <- 0:12 > .Table Pr 0 3.167635e-02 1 1.267054e-01 2 2.322932e-01 3 2.581036e-01 4 1.935777e-01 5 1.032414e-01 6 4.014945e-02 Portanto, P(X 6) = 0,0544. 7 1.147127e-02 8 2.389848e-03 9 3.540516e-04 10 3.540516e-05 11 2.145767e-06 12 5.960464e-08 E(X) = np = 120,25 = 3 Em mdia, o aluno que responde ao acaso, acertar 3 questes.