Estatística

Estatística
Variáveis Aleatórias
Sistemas de Informação
prof. Rayner Gomes - rayner@ufpi.edu.br/raynergomes@gmail.com
Aviso: As videoaulas gravadas e
disponibilizadas aos alunos da UFPI são
estritamente reservados aos alunos da
UFPI, sendo proibido qualquer
divulgação e distribuição. A reprodução
só é permitida aos alunos matriculados
na disciplina.
Tópicos
1. Variáveis Aleatórias
2. Modelo
a. Uniforme discreto
b. Binomial
c. Geométrico
d. Poison
e. Hipergeométrico
3
UFPI - CSHNB - SI - Estatística - prof. Rayner Gomes - rayner@ufpi.edu.br
Uma variável aleatória é uma variável (normalmente

representada por x) que assume um único valor numérico,
determinado pelo acaso, para cada resultado de um
experimento.
4
● Uma variável aleatória discreta possui uma coleção de valores que é finita
ou enumerável. (Se há infinitos valores, o número de valores é enumerável se é possível
contá-los individualmente, tal como o número de jogadas de uma moeda antes de se obter
coroa.)
● Uma variável aleatória contínua tem infinitos valores, e a coleção desses

valores não é enumerável. (Isto é, é impossível contar os itens individuais porque pelo
menos alguns deles estão em uma escala contínua.)
5
Distribuição de Probabilidade: Requisitos
1. Há uma variável aleatória numérica “x” e seus valores estão associados às
correspondentes probabilidades.
2. ΣP (x) = 1 em que x assume todos os valores possíveis. (A soma de todas as

probabilidades deve ser 1, mas valores como 0,999 ou 1,001 são aceitáveis
quando resultam de erros de arredondamento.)
3. 0 ≤ P (x) ≤ 1 para todo valor individual de x. (Isto é, cada valor de

probabilidade deve estar entre 0 e 1, inclusive.)
6
Exemplo
Vamos considerar um exemplo mais simples que envolve apenas dois
nascimentos, com a seguinte variável aleatória: x = número de meninas em dois
nascimentos.
A variável x é uma variável aleatória numérica e seus valores estão associados a

probabilidades, como na Tabela.
1. ΣP (x) = 0,25 + 0,50 + 0,25 = 1

2. Cada valor de P (x) está entre 0 e 1. (Especificamente, 0,25, 0,50 e 0,25
estão, todos, entre 0 e 1, inclusive.)
7
Tabela Distribuição de Probabilidade para o
Número de Meninas em Dois Nascimentos
0,5 (M) * 0,5 (M)
(0,5 (M) * 0,5 (F)) + (0,5 (F) * 0,5 (M))
0,5 (F) * 0,5 (F)
O que criamos aqui foi nossa função discreta de probabilidade!
8
Função discreta de probabilidade ou função de
probabilidade
Seja X uma variável aleatória discreta (x1, x2, ...), a função de probabilidade é a
função que atribui a cada valor da variável a sua probabilidade de ocorrência.
9
Exemplo 1: Função de Probabilidade
Dados do último censo em uma determinada região:
● 20% das famílias não têm filhos

● 30% tem 1 filho
● 35% têm 2 filhos.
● e o restante se divide em 3, 4 ou 5 filhos igualmente.
Qual será a função de probabilidade para a variável “número de filhos”?
10
Sendo N a variável aleatória “número de filhos que pode assumir os valores N =
0,1,2,3,4,5.
11
As estacas para a fundação de um prédio devem atingir 15m de profundidade. A
cada 5m os operadores fazem a medição da resistência do solo para ver se há
alterações nessa resistência, o que acarretará na necessidade de se tornar
medidas que alteram o preço final da obra.
Sabendo que a probabilidade de alteração nessa resistência é de 0,1 e que cada

alteração o valor da obra será acrescido de 50 UPCs (unidade padrão de
construção), Como se comporta a variável “acréscimo do custo da obra”?
15m → 3 medições
A → alteração na resistência do solo
Ac → complementar de A (sem alteração)
12
Árvore de Probabilidades
13
● Associamos a cada evento do espaço amostral a um valor da variável aleatória CE

(custa da obra). Assim CE assumi os valore:
○ CE1 = 0; CE2 = 50; CE3 = 100; CE4 = 150
● Podemos ter um mesmo valor para a variável associado a mais de um evento, por
exemplo P(CE=50):
○ P(CE = 50) = P(AcAcA U AcAAc U AAcAc)
■ 0,081 + 0,081 + 0,081 = 0,243
14
15
Função de Distribuição de Probabilidade ou Função
Acumulada de Probabilidades
Seja X uma variável aleatória discreta a função de distribuição de probabilidade é
definida pela seguinte expressão:
16
Modelos Discretos: Tome Nota!
Dada uma distribuição de probabilidade é evidente que alguns valores

são mais prováveis do que outros. Em geral, do ponto de vista prático
não há necessidade de calcular as probabilidades individuais para se
encontrar a distribuição de probabilidades.
17
Modelos Discretos: Tome Nota!
Existem vários modelos de distribuição que podem ser descritos por

“modelos de distribuição”. Um pequeno número de modelos
proporciona solução para um grande número de problemas
18
Modelos de Distribuição
● Uniforme discreto
● Binomial
● Geométrico
● Poisson
● Hipergeométrico
19
Modelo Uniforme Discreto
Seja X uma variável aleatória discreta sendo (x1, x2, x3, ...) seus possíveis valores.
Dizemos que X segue modelo uniforme discreto se atribui uma mesma
probabilidade a cada um de seus valores, ou seja:
20
Exemplo de um modelo uniforme
Uma rifa tem 100 bilhetes numerados de 1 a 100. Quero comprar 5 bilhetes. Terei
mais chances de ganhar se comprar os bilhetes com numeração sequencial ou
com numeração escolhida ao acaso?
R: Comprando 5 bilhetes a probabilidade de ganhar é 5/100,

independentemente se os números dos bilhetes são sequenciais ou não.
21
Modelo Binominal
Em muitas situações a variável de interesse só pode assumir 2 valores, ex:
positivo ou negativo, concorda ou não concorda, sim ou não. Casos:
● Quer se saber se jovens entre 18 e 25 anos concluíram o ensino médio. O evento de

interesse (sucesso) é: “o jovem concluiu o ensino médio”.
● Que se fazer um estudo para saber se os moradores de uma região foram atingidos
por uma moléstia contagiosa. O evento de interesse (sucesso) é “a pessoa examinada
foi contagiada”.
● Numa prova de múltipla escolha cada questão em 5 alternativas e só uma é

considerada correta. O evento de interesse (sucesso) é o número de questões
corretas.
22
Modelo Binominal
Ensaio de Bernoulli: numa única tentativa de experimento, considera-se
somente a ocorrência ou não de um determinado evento (sucesso/fracasso) e
com probabilidade de ocorrência de sucesso igual a p.
Considera-se “1” a ocorrência de sucesso e “0” a sua não ocorrência, temos:
0 ou 1
Sua função discreta de probabilidade é dada por:
23
Ensaio de Bernoulli
Exemplo: Ao jogar uma moeda não viciada qual a probabilidade de sair

cara. Tome com sucesso a face cara da moeda.
=$C$2^C5*(1-$C$2)^(1-C5)
Moeda (p) 0.5
F(x)
Fracasso 0 0.5
xi = cara
Sucesso 1 0.5
24
Modelo Binominal
A probabilidade de ter k sucessos em um evento que segue a
distribuição binomial, é calculada através da equação a seguir:
Onde:
● p = probabilidade de sucesso
● q = probabilidade de fracasso
● n = número de total de ensaios
● k = número de sucessos
Binômio de Newton 25
Modelo Binomial: Exemplo 1
1. Um dado é lançado 50 vezes e quer se saber qual a probabilidade de sair 8
vezes faces com o número 6.
● número de tentativas (n) = 50

● probabilidade de sucesso (p) = ⅙
● Número de sucessos (k) = 8
26
➢ No exemplo das estacas para a fundação de um prédio podemos

considerar que, em cada situação, aplicarmos o modelo de Bernoulli,
assumindo que o resultado de cada medição não é influenciado pela
medição anterior, ou seja, são independentes.
➢ Podemos definir como “sucesso” a “não” ocorrência de alteração na

resistência do solo, pois não implica em custo extra!
27
Modelo Bidimensional: Exemplo 2
Podemos assumir que em 15 metros - 3 medições - podemos ter 0,1,2
ou 3 sucessos, com custo CE = 150, 100, 50 OU 0, com k variando de
0,1,2 e 3 respectivamente.
28
29
Uma prova tipo teste de 20 questões independentes, cada uma tem alternativa
falso e verdadeiro. Se um aluno resolve a prova respondendo a esmo as
questões, qual a probabilidade de tirar 5?
● Número de tentativas → n = 20
● Probabilidade de sucesso → p = 0,5
● Número de sucessos (acertos) → k = 10
30
● Número de tentativas → n = 20
● Probabilidade de sucesso → p = 0,5
● Número de sucessos (acertos para tirar 5) → k = 10
31
Modelo Geométrico
Ideia: Realizamos os ensaios até que ocorra o primeiro

sucesso!
Conta o número de falhas até o sucesso!
32
Modelo Geométrico
● Seja X a variável aleatória que fornece o número de falhas até o primeiro

sucesso.
● A variável X tem distribuição Geométrica com parâmetro p, 0 < p < 1, se
sua função de probabilidade é dada por
● O evento [X=j] ocorre se, e somente se, ocorrem somente falhas nos j
primeiros ensaios e sucesso no (j+1)-ésimo ensaio.
33
Modelo Geométrico: Exemplo 1
Quando você percorre pela primeira vez um determinada avenida, a probabilidade
de se encontrar um sinal aberto é de 25% (p=0,25). Se você passar pela avenida
5 vezes qual a probabilidade de encontrar o sinal aberto somente na quinta vez?
34
Faça um estudo da probabilidade do número de lançamento de um dado para

obter pela primeira vez a face do número 1?
0,1389 é a probabilidade de sair o 1 após uma falha!
35
p 0.1666666667
1 0.1388888889
2 0.1157407407
3 0.09645061728
4 0.0803755144
5 0.06697959534
6 0.05581632945
36
Modelo de Poisson
Qual a probabilidade de algo ocorrer se temos apenas uma taxa

de um período?
37
Modelo de Poisson
Uma variável aleatória discreta X segue a distribuição de Poisson com parâmetro

λ, λ >0, se sua função de probabilidade for dada por
O parâmetro λ indica a taxa de ocorrência por unidade medida.
38
Modelo de Poisson: Exemplo 1
Suponha que em um determinado posto de saúde cheguem 4 pessoas

por hora e que essa taxa é bem aproximada pela distribuição de Poisson.
Determinar a probabilidade de:
1. não chegar ninguém em meia hora.
2. chegarem 5 pessoas também em meia hora.
39
40
Suponha que a emissão de partículas radioativas alfa seja uma variável aleatória
seguindo o modelo de Poisson a taxa de ocorrência de 5 partículas por minuto.
Calcule a probabilidade de haver mais de 2 emissões por minuto.
Neste caso, ƛ = 5 e k > 2
41
P(X>2) = 1 - [p(X=0) + P(X=1) + P(X=2)]
42
Modelo de Hipergeométrico
Em teoria das probabilidades e estatística, a distribuição hipergeométrica é uma

distribuição de probabilidade discreta que descreve a probabilidade de k sucessos
em n retiradas, sem reposição, de uma população de tamanho N que contém
exatamente K sucessos, sendo cada retirada um sucesso ou um fracasso.
43
Modelo de Hipergeométrico
Considere uma população com N objetos nos quais M são classificados como do tipo A e
N−M são classificados como do tipo B. Tomamos uma amostra ao acaso, sem reposição e
não ordenada de n objetos. Seja X a variável aleatória que conta o número de objetos
classificados como do tipo A na amostra. Então a distribuição de probabilidade de X é dada
por:
sendo k inteiro e max{0, n−(N−M)} ≤ k ≤ min{M,n} max{0, n−(N−M)} ≤ k ≤ min{M,n}.
44
Modelo de Hipergeométrico: Exemplo
Numa caixa com 10 lâmpadas 2 são defeituosas. Extraída uma amostra
de 4 lâmpadas determine a probabilidade de:
1. não ter nenhuma defeituosa.

2. ter menos de 2 defeituosas.
● N = 10 (população)
n
● n = 4 (tamanho da amostra)
● M = 2 (sucesso na população) N
● k = sucesso na amostra
M M-N 45
1)
46
2)
47
Recomendação de estudo: Distribuição de probabilidade com variáveis
contínuas!
48
Referência
49
Image source 50
https://christiancounselingco.com/dont-give-up-you-can-do-this/

Estatística - Aula 11

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estatística - Aula 11

Enviado por

Direitos autorais:

Formatos disponíveis

Uma variável aleatória é uma variável (normalmente

● Uma variável aleatória contínua tem infinitos valores, e a coleção desses

2. ΣP (x) = 1 em que x assume todos os valores possíveis. (A soma de todas as

3. 0 ≤ P (x) ≤ 1 para todo valor individual de x. (Isto é, cada valor de

A variável x é uma variável aleatória numérica e seus valores estão associados a

1. ΣP (x) = 0,25 + 0,50 + 0,25 = 1

0,5 (M) * 0,5 (M)

(0,5 (M) * 0,5 (F)) + (0,5 (F) * 0,5 (M))

0,5 (F) * 0,5 (F)

O que criamos aqui foi nossa função discreta de probabilidade!

Dados do último censo em uma determinada região:

● 20% das famílias não têm filhos

Qual será a função de probabilidade para a variável “número de filhos”?

Sabendo que a probabilidade de alteração nessa resistência é de 0,1 e que cada

● Associamos a cada evento do espaço amostral a um valor da variável aleatória CE

○ CE1 = 0; CE2 = 50; CE3 = 100; CE4 = 150

○ P(CE = 50) = P(AcAcA U AcAAc U AAcAc)

■ 0,081 + 0,081 + 0,081 = 0,243

Dada uma distribuição de probabilidade é evidente que alguns valores

Existem vários modelos de distribuição que podem ser descritos por

R: Comprando 5 bilhetes a probabilidade de ganhar é 5/100,

● Quer se saber se jovens entre 18 e 25 anos concluíram o ensino médio. O evento de

● Numa prova de múltipla escolha cada questão em 5 alternativas e só uma é

Considera-se “1” a ocorrência de sucesso e “0” a sua não ocorrência, temos:

Exemplo: Ao jogar uma moeda não viciada qual a probabilidade de sair

Moeda (p) 0.5

● número de tentativas (n) = 50

➢ No exemplo das estacas para a fundação de um prédio podemos

➢ Podemos definir como “sucesso” a “não” ocorrência de alteração na

Ideia: Realizamos os ensaios até que ocorra o primeiro

Conta o número de falhas até o sucesso!

● Seja X a variável aleatória que fornece o número de falhas até o primeiro

Faça um estudo da probabilidade do número de lançamento de um dado para

0,1389 é a probabilidade de sair o 1 após uma falha!

Qual a probabilidade de algo ocorrer se temos apenas uma taxa

Uma variável aleatória discreta X segue a distribuição de Poisson com parâmetro

O parâmetro λ indica a taxa de ocorrência por unidade medida.

Suponha que em um determinado posto de saúde cheguem 4 pessoas

Neste caso, ƛ = 5 e k > 2

P(X>2) = 1 - [p(X=0) + P(X=1) + P(X=2)]

Em teoria das probabilidades e estatística, a distribuição hipergeométrica é uma

sendo k inteiro e max{0, n−(N−M)} ≤ k ≤ min{M,n} max{0, n−(N−M)} ≤ k ≤ min{M,n}.

1. não ter nenhuma defeituosa.

Você também pode gostar