Escolar Documentos
Profissional Documentos
Cultura Documentos
Ilovepdf Merged
Ilovepdf Merged
Modelos discretos
Modelos contı́nuos
Principais Distribuições ▶ Uniforme
▶ Uniforme
▶ Bernoulli
▶ Exponencial
▶ Binomial
Vicente Garibay Cancho ▶ Gama
▶ Geométrico
▶ Weibull
▶ Binomial Negativa
▶ Beta
17 de outubro de 2023 ▶ Poisson
▶ Normal
▶ Hipergeometrica
Modelo uniforme
Propriedades
Se X ∼ U(α, β), então
α+β (β − α)2
▶ E [X ] = e Var (X ) = .
2 12
▶ A função quantil é dada por
Figura: Função de: (a) densidade e (b) distribuição acumulada, da ▶ a mediana é dada por
distribuição uniforme
α+β
QX (1/2) = x0,5 = .
As f.d.p, f.d.a, função quantil e a função geradora da v.a X ∼ U(α, β) no 2
R.
▶ a f.g.m
dunif(x, min = 0, max = 1, log = FALSE) e βt − e αt
punif(q, min = 0, max = 1, lower.tail = TRUE, log.p = FALSE) mX (t) = , t ̸= 0
β−α
qunif(p, min = 0, max = 1, lower.tail = TRUE, log.p = FALSE)
runif(n, min = 0, max = 1)
FY (y ) = P[Y ≤ y ] = P[FX (X ) ≤ y ]
= P[X ≤ FX−1 (y )] = FX (F −1 (y ))
=y
Dai
0, y < 0
FY (y ) = y , 0 ≤ y < 1 =⇒ Y ∼ U(0, 1)
1, y ≥ 1
1 − e −λx , se x ≥ 0.
(a) Qual é a probabilidade de não haver conexões em um FX (x; λ) = P(X ≤ x) =
0, c.c.
intervalo de 6 minutos?
Representação gráfica da f.d.p e f.d.a da v.a X ∼ Ex(λ).
P(T > 6/60) = 1 − F (1/10) = 0, 082
5) Falta de memória
Z0 ∞
10
Z ∞
Γ(t) = x t−1 e −x dx. Γ(a, x) = u a−1 e −u du
5
0
x
0
0 1 2 3 4 5
x
respectivamente.
Propriedades Propriedades
▶ Γ(a + 1) = aΓ(a), a > 0, ▶ γ(s + 1, x) = sγ(s, x) − x s e −x
▶ Γ(n + 1) = n!, se n é enteiro. ▶ Γ(s + 1, x) = sΓ(s, x) + x s e −x
√
▶ Γ(1/2) = π. ▶ γ(s + 1, x) + Γ(s, x) = Γ(s)
▶ Γ(s) = Γ(s, 0′ ) = lim γ(s, x).
x→∞
Modelo gama Modelo Gama
A função de distribuição acumulada da v.a X ∼ Gama(α, λ).
é dado por
A v.a. X tem distribuição Gama com parâmetros α > 0 e λ > 0, se sua
γ(a, λx) , se x ≥ 0,
f.d.p. é dada por:
FX (x; α, λ) = Γ(α)
α α−1 −λx 0, se x < 0,
λ x e
, se x ≥ 0,
fX (x; α, λ) = Γ(α)
Representação gráfica da f.d.p e f.d.a da v.a. X ∼ Gama(α, 1).
0, se x < 0,
1.0
1.0
onde α é o parâmetro de forma e λ o parâmetro de escala e Γ(·) é a função α=1
gama. α=2
0.8
0.8
Notação: X ∼ Gama(α, λ). Da f.d.p da distribuição gama tem-se α=4
0.6
Z ∞ α=8
Γ(α)
Densidade
x α−1 e −λx dx = α .
λ α=1
0.4
0.4
0
α=2
0.2
0.2
α=4
α=8
0.0
0.0
0 2 4 6 8 10 0 2 4 6 8 10
x x
Distribuição de uma função de uma v.a. Distribuição de uma função de uma v.a.
d −1
Daı́, fY (y ) = − H (y )fX (H −1 (y ))IRY (y ).
dy
Exemplo (Gama-Inversa)
Modelo Weibull
Suponha X ∼ Gama(α, λ) . Determine a f.d.p. da v.a. Y = 1/X . Uma v.a. X tem distribuição Weibull com parâmetros α > 0 e λ > 0, se
Solução: Note que y = H(x) = 1/x ⇒ x = y1 = H −1 (y ). sua f.d.p. é dada por:
α α−1 −( x )α
dx 1 x e λ , x >0
=− 2 fX (x; α, λ) = λα
dy y 0, c.c.
Propriedades
Representação gráfica da f.d.p e f.d.a da v.a. X ∼ Weibull(α, 1). Se X ∼ Weibull(α, λ), tem-se
1) r -ésimo momento
1.0
3.0
α=2
0.8
α=4
Função de distribuição acumulada
0.6
α=8
Densidade
1.5
α=1
1.0
α=2
0.2
α=4
3) A função quantil
0.5
α=8
0.0
0.0
4) A mediana
QX (1/2) = x0 .5 = λ log(2)α .
Modelo Weibull Modelo Weibull
3.0
F (x; α, β) = 0 α=2,β=1
B(α, β)
2.5
α=1,β=2
2.0
α=2,β=2
B(x; α, β) Densidade
= α=3,β=4
B(α, β) 1.5
1.0 α=1,β=1
= Ix (α, β)
0.5
Propriedades
Se X ∼ Beta(α, β), tem-se
Exercı́cio
1) O r -ésimo momento de X é
Considere que a v.a X ∼ Beta(α, β). Determine
1
x r x α−1 (1 − x)β−1 (a) a f.d.p da v.a. Y = cX , c > 0
Z
E [X r ] = dx
0 B(α, β) (b) a f.d.p da v.a. Y = − log X , quando β = 1.
Z 1
1 B(α + r , β) No aplicativo R, as f.d.p, f.d.a., função quantil e gerador do modelo
= x α+r −1 (1 − x)β−1 dx = , são respectivamente
B(α, β) 0 B(α, β)
dbeta(x, shape1, shape2, ncp = 0, log = FALSE)
onde r = 1, 2, 3, . . .. pbeta(q, shape1, shape2, ncp = 0, lower.tail = TRUE, log.p = FALSE)
2) De (1), tem-se qbeta(p, shape1, shape2, ncp = 0, lower.tail = TRUE, log.p = FALSE)
rbeta(n, shape1, shape2, ncp = 0)
B(α + 1, β) α αβ
E [X ] = = e Var (X ) = .
B(α, β) α+β (α + β)2 (α + β + 1)
N(2,2) N(1,3)
N(2,3) N(2,3)
(v)
0.12
N(2,4) N(4,3)
0.15
0.10
0.08
P[µ − σ ≤ X ≤ µ + σ] = 0, 6826
FX(x)
fX(x)
0.10
0.06
0.02
0.00
−10 −5 0 5 10 −10 −5 0 5 10 15
x x
Modelo Normal Modelo Normal Padrão
1.0
N(2,2) N(1,3)
N(2,3) N(2,3)
N(2,4) N(4,3)
0.8
0.8
0.6
0.6
A FDA de a v.a. Z ∼ N(0, 1), é
FX(x)
FX(x)
0.4
0.4
representada por
0.2
0.2
Z z
1 2
Φ(z) = P(Z ≤ z) = √ e −t dt
0.0
0.0
−10 −5 0
x
5 10 −10 −5 0
x
5 10 15
−∞ 2πσ
Exemplo
Seja Z ∼ N(0, 1) determinar:
(a) P(Z ≤ 1.80)
(b) P(0.55 ≤ Z < 1.80),
(c) P(Z < −0, 55)
(d) o valor de k tal que P(Z ≤ k) = 0.05
Modelo Normal Exemplos de aplicação
Resultado (Transformação linear) Exemplo
Suponha que X ∼ N(µ, σ 2 ). Então a V.A. Y = a + bX tem Seja X ∼ N(90, 100) determinar
distribuição Normal com média igual a a + bµ e variância dada (a) P(90 ≤ X ≤ 100),
por b 2 σ 2 . (b) P(|X − 90| ≤ 30),
Demonstração:
(c) o valor de x0 tal que P(X ≤ x0 ) = 0, 985
mY (t) = E [e tY ] = E [e t(a+bX ) ] = E [e ta e tbX ] = e ta E [e tbX ]
2 t 2 σ 2 /2 Solução: (a)
= e ta mX (tb) = e ta e µbt+b
90 − 90 X − 90 100 − 90
2 (b 2 σ 2 )/2 P(90 ≤ X ≤ 100) = P ≤ ≤
⇒ MY (t) = e t(a+µb)+t . 10 10 10
= P (0 ≤ Z ≤ 1) = Φ(1) − Φ(0)
Portanto, Y ∼ N(a + bµ, b 2 σ 2 ). ■
= 0, 841345 − 0, 5 = 0, 341345.
Corolário (Normal padrão)
(b)
Se X ∼ N(µ, σ 2 ) a v.a.
X − 90 30
X −µ P(|X − 90| ≤ 30) = P ≤
Z= ∼ N(0, 1). 10 10
σ = P (|Z | ≤ 3) = P(−3 ≤ Z ≤ 3) = Φ(3) − Φ(−3)
Portanto, Y ∼ χ2(1) .
■
1. Modelo uniforme Exemplo
Uma v.a. contínua X tem distribuição uniforme com parâmetros e A dureza de uma peça de aço pode ser pensada como sendo uma
( < ) se sua função densidade de probabilidade é dada por variável aleatória uniforme no intervalo (50,70) unidades. Qual a
1 probabilidade de que uma peça tenha dureza entre 55 e 60?
, x
f ( x)
0, c.c Solução. X representa a dureza de uma peça de aço, sendo que X ~
U(50, 70) e
Notação: X ~ U( , ))
1
A função de distribuição acumulada é dada por , 50 x 70,
f ( x) 20
0 x0 0, c.c.
x
F ( x) x
Portanto,
1 x
60
1 5
Propriedades: P ( 55 X 60 ) 20 dx 20 0,25 .
E( X )
, Var ( X )
2 . 55
2 12
2 3
memória”).
e x , x 0, Observação. Também encontramos X ~ Ex(), em que
f (x)
f(x)
0, c .c . 1 x
f ( x) e , x 0, Relação: = 1 / .
Notação: X ~ Ex().
0 , c .c .
0
0
x
A função de distribuição acumulada é
1
dada por
1
Exemplo. Diferentes
2
1 e x , x0 valores de .
F ( x)
F(x)
f(x)
0, c.c.
3
Propriedades:
E ( X ) 1 / , Var ( X ) 1 / 2 .
0
0
x x
4 5
Exemplo Exemplo
Certo tipo de fusível tem duração de vida que segue uma
distribuição exponencial com vida média de 100 horas. Cada (b) O custo C é uma v.a. discreta dada por
peça tem um custo de $10,0 e se durar menos de 200 horas
há um custo adicional de $8,0. 10 , se X 200 ,
(a) Qual é a probabilidade de uma durar mais de 150 horas? C(X )
(b) Determinar o custo esperado.
10 8 , se X 200 .
F ( x ) 1 e , x 0,
100
P (C 18) P ( X 200) F (200) 1 e 2 e
0 c.c. E ( C ) 10 e 2 18 (1 e 2 ) $ 16 , 9 .
150
(a) P( X 150) 1 P( X 150) 1 (1 e 100
) e 1,5 0,223.
6 7
x
2 Distribuições normais
1
com médias diferentes e
f ( x) e , x R. variâncias iguais.
2
8 9
Exemplos Propriedades
11
A função de distribuição acumulada de uma v.a. X ~ N(, 2) é Table A.3. Areas under the normal curve.
x
1 1 t 2
Integral sem solução analítica.
Z ~ N(0,1): distribuição normal padrão.
F ( x)
2
exp
2
dt.
Cálculo de probabilidades
com o auxílio de tabelas. Valores no corpo da tabela: (z) = P(Z z), z com duas decimais.
0.4
z
Normal padrão ou reduzida. Se Z é uma 1 1
v.a. normal com média 0 e variância 1,
( z) P (Z z) 2
exp( t 2 ) dt , 3 , 49 z 3 , 49 .
2
0.3
então Z é chamada de uma v.a. normal
padrão ou reduzida e sua função
f(z)
0.2
densidade é
2
1 z2
0.1
f ( z) e , z R.
2
0.0
-4 -3 -2 -1 0 1 2 3 4
z
12 13
Uso da tabela normal Exemplo
A = B – C, sendo que
Se X é uma v.a. normal com média e variância
2, então a v.a. Y = a + bX tem distribuição normal
f(z)
B e C são
encontradas na A
com média y = a + b e variância b .
2 2 2
z
Tomando a = - / e b = 1 / obtemos a padronização
X
Z ~ N ( 0 ,1 ).
f(z)
B
1.4
z
Exemplo. Se X ~ N(90,100), determinar
(a) P(80 < X < 100),
(b) P(|X - 90| < 30) e
(c) o valor de a tal que P(90 - 2a < X < 90 + 2a) = 0,99.
f(z)
0.8
z
16 17
Exemplo Exemplo
18 19
Exemplo Exemplo
(c) Qual o intervalo de tempo central correspondente à produção de 80% dos
(b) Qual o tempo correspondente à produção de 95% dos itens? itens?
Solução. Devemos encontrar x1 e x2 tais que
Solução. Devemos encontrar x tal que P(X < x) = 0,95. Após uma
transformação, x 120 x 120
P ( x 1 X x 2 ) 0 , 80 P 1 Z 2 0 ,80 .
x 120 15 15
P ( X x ) P Z 0,95.
15
Iniciamos encontrando z tal que (z)=0,95.
Se X 1 ,, X n são v.a. independentes tais que Xi ~ N(, 2), Solução. Pelo enunciado,
para i=1,...,n, então, a v.a. X i : peso da i - ésima caixa X i ~ N (65,16), i 1, ,120.
n
Y X1 X n
i 1
X i
Logo,
120
tem distribuição normal com média n e variância n2, isto é, Y ~ N(n, n2). Y : peso da carga Y
i 1
X i ~ N (120 65 ,120 16 ),
Padronização:
Y ~ N ( 7800 ,1920 ).
n
X i n
X n ( X ) Calculamos
Z i 1
~ N (0,1).
n / n 7893 7800 7910 7800
P ( 7893 Y 7910 ) P Z
1920 1920
Exemplo. O peso de uma caixa de peças é uma v.a. normal com média
P ( 2 ,12 Z 2 ,51 ) ( 2 ,51 ) ( 2 ,12 )
65 kg e desvio padrão de 4 kg. Um carregamento de 120 caixas de peças
é despachado. Qual a probabilidade de que a carga pese entre 7.893 kg 0 , 4940 0 , 4830 0 , 0110 .
e 7.910 kg?
22 23
Bibliografia
Bibliografia
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 1 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 2 / 103
Conteúdo Programático Principais Modelos Contínuos
Notação
A notação X ∼ U (α, β) é usada para indicar que X tem distribuição uni-
tβ −etα
forme no intervalo (α, β), com MX (t) = et(β−α) , t 6= 0.
Média e Variância
α+β
(a) µ = E(X) = 2
2
(b) σ 2 = V ar(X) = (β−α)
12
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 5 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 6 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Definição λ
e−µ µx
f (x) =
x!
e−λt (λt)x
= , x = 0, 1, 2, 3, . . . (1)
x!
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 9 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 10 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Que é a f dp exponencial!
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 11 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 12 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Considere no exemplo anterior, que um componente esteja funcionando a s O tempo de vida (em horas) de um transistor é uma variável aleatória T
horas sem falhar. Qual a probabilidade dele não falhar nas próximas t horas? com f dp:
1 − t
500 e
500 , t≥0
Propriedade da falta de memória f (t) =
0, t<0
P (T > s + t|T > s) = P (T > t)
(a) Qual é a média de vida do transistor?
Logo, a probabilidade de o componente não falhar nas próximas t horas,
dado que ele não falhou nas primeiras s horas, é igual à probabilidade dele (b) Qual é a probabilidade de que o tempo de vida seja maior do que a
não falhar nas primeiras t horas (isto é, P (X > t)). média?
Note que a informação de que ele não falhou nas primeiras s horas pode (c) Se um transistor já durou mais que 300 horas, qual é a probabilidade
ser esquecida, e por isso dizemos que a Distribuição Exponencial “não tem de que dure pelo menos outras 400 horas?
memória”, sendo que ela é a única distribuição de VAC com essa propriedade.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 13 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 14 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Dizemos que uma VAC X tem distribuição Gama, com parâmetros λ e r, se Γ(r) = (r − 1)!
sua f dp é dada por:
(
λ r−1 e−λx , com r > 0, x > 0
Alguns resultados interessantes:
f (x) = Γ(r) (λx)
0, caso contrário. Γ(1) = 0! = 1
√
em que Γ(1/2) = π
Z ∞
Γ(r) = xr−1 e−x dx , para r > 0 A função gama pode ser interpretada como uma generalização para valores
0 não-inteiros de r do termo (r − 1)!.
é a chamada função Gama.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 15 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 16 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Observação 2
Os parâmetros λ e r são frequentemente chamados de parâmetros de escala e
forma, respectivamente. No entanto, devem-se verificar as definições usadas
nos programas computacionais comerciais. Por exemplo, o MINITAB define
o parâmetro de escala como λ1 .
Observação 3
Esboços da distribuição gama para alguns valores de λ e r são mostrados na
figura a seguir.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 17 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 18 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Distribuição de Erlang
Se r for um número inteiro, então a distribuição Gama passa a ser chamada
A F DA da distribuição Gama é intratável analiticamente, mas é perfeita- de Distribuição de Erlang. Neste caso, Γ(r) = (r − 1)! e a f dp anterior
mente obtida de sof twares computacionais tais como, Excel e Minitab. passa a ser dada por:
(
λ r−1 e−λx , com r ∈ Z + , x > 0
Notacão f (x) = (r−1)! (λx)
0, caso contrário.
λ r
X ∼ Gama(λ, r), com MX (t) = ( λ−t ) .
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 19 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 20 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Observação 1
Relação entre a Distribuição de Erlang e a Distribuição Exponencial
Note que a distribuição exponencial pode ser vista como o caso particular
Seja a VAC X definida como a seguir:
da distribuição de Erlang, quando r = 1.
Observação 2
X = X1 + X2 + X3 + . . . + Xr
A figura abaixo ilustra a forma da distribuição de Erlang para alguns valores
de r. Note que para r = 1, ela corresponde à distribuição exponencial. em que cada uma das r VAC Xi é independente das demais e exponencial-
mente distribuída com parâmetro λ.
Exemplo 1 Exemplo 2
A duração de certa lâmpada é uma VAC exponencialmente distribuída com O tempo entre falhas de um laser em uma determinada máquina é distribuído
média igual a 1.000 horas. exponencialmente, com média de 25.000 horas.
1 Qual é o tempo esperado até que a segunda falha ocorra?
Quando uma lâmpada queima, ela é imediatamente substituída por outra.
Qual a probabilidade da duração de 3 lâmpadas trocadas uma após a outra,
ser menor ou igual a 2.000 horas? 2 Qual é a probabilidade de que o tempo até a terceira falha exceda
50.000 horas?
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 23 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 24 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Exercício
Mostre que Γ(r) = (r − 1)Γ(r − 1).
Observação 4
Quando λ = 12 e r é igual a um dos valores 12 , 1, 32 , 2, 52 , 3, 72 , 4, . . ., a
distribuição Gama passa a ser denominada de Distribuição Qui-Quadrado.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 25 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 26 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
A distribuição de Weibull tem sido aplicada amplamente a vários fenômenos 1 − e[−( δ ) ] , x>γ
F (x) =
aleatórios. Uma importante área de aplicação tem sido como modelo para o
tempo de falha de componentes e sistemas elétricos e mecânicos. 0, caso contrário.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 29 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 30 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
F (x) =
caso contrário.
0,
e,
(a) µ = E(X) = δΓ( 23 )
(b) σ 2 = V ar(X) = δ 2 {Γ(2) − [Γ( 32 )]2 }
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 31 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 32 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
2 Qual é a probabilidade de uma mancal durar no mínimo 6000 horas? Distribuição do Menor Valor Extremo (ou de Gumbel)
Distribuição do Maior Valor Extremo
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 33 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 34 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Notação
X ∼ V E(inf ) (ξ, θ)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 35 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 36 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Exemplo
A figura abaixo ilustra distribuições de Menor Valor Extremo para valores Considere que a temperatura de operação para um determinado processo
selecionados dos parâmetros ξ e θ: industrial possa ser modelada através de uma distribuição do Menor Valor
Extremo, com parâmetros ξ = 30 o C e θ = 2. Valores de temperatura
abaixo de 20 o C são raros, porém quando acontecem, inviabilizam o processo.
Deternine a probabilidade disso ocorrer, bem como a temperatura média do
processo.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 37 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 38 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Notação
X ∼ V E(sup) (ρ, α)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 39 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 40 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Exemplo
A figura abaixo ilustra distribuições de Maior Valor Extremo para valores Considere que valores altos de perda financeira por uma operadora de seguro
selecionados dos parâmetros ρ e α: veicular possam ser modelados através de um distribuição do Maior Valor Ex-
tremo, com parâmetros ρ = R$ 100.000 e α = 2. Determine a probabilidade
de ocorrerem perdas acima do valor médio para essa seguradora.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 41 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 42 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Distribuição Normal ou Gaussiana (“De Moivre”) A fdp normal pode ser esboçada conforme a figura abaixo:
Introdução
A Distribuição Normal é, sob muitos aspectos, a pedra angular da estatística.
Indubitavelmente, o modelo mais utilizado para a distribuição de uma variável
aleatória é a distribuição normal.
σ 2π 2 f (x) ≥ 0;
Denotação
3 limx→±∞ f (x) = 0;
2 2 4 f (µ + x) = f (µ − x) ⇒ a função é simétrica em torno de µ;
[tµ+ σ 2t ]
X ∼ N (µ, σ 2 ), com MX (t) = e . 5 O máximo de f (x) ocorre em x = µ;
(a) E(X) = µ 6 Os pontos de inflexão estão em x = µ ± σ.
(b) V ar(X) = σ2
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 43 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 44 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Φ(z) = F (z) = P (Z ≤ z)
d) P (−1, 25 < Z < 0, 37) e) Encontre o valor de z tal que P (−z < Z < z) = 0, 99
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 51 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 52 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Observação
Padronizando uma variável aleatória normal
Os exemplos precedentes mostram como calcular as probabilidades para as
variáveis aleatórias normais padrões, isto é, para Z ∼ N (0, 12 ). Se X é uma variável aleatória normal com E(X) = µ e V (X) = σ 2 , então
a variável aleatória
X −µ
Z=
No entanto, usar a mesma abordagem para um variável aleatória normal σ
arbitrária necessitaria uma tabela em separado para cada par possível de é uma variável aleatória normal, com E(Z) = 0 e V (Z) = 1. Ou seja, Z é
valores de µ e σ! uma variável aleatória normal padrão.
Felizmente, uma simples transformação numa VAC X normal, faz com que Ao fazer essa transformação em X, dizemos que estamos padronizando X.
os cálculos sejam independentes de µ e σ. Essa idéia é explicitada a seguir:
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 53 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 54 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
X −µ x−µ
P (X ≤ x) = P ( ≤ )=
σ σ
Z z
P (Z ≤ z) = Φ(z) = ϕ(z)dz =
−∞
Z z
Observação
1 1 2
√ e− 2 (z) dz = Note que na relação z = x−µσ , a variável z mede o afastamento de x em
−∞ 2π
relação à média µ, em unidades de desvio padrão.
Z x−µ
σ 1 1 x−µ 2
√ e− 2 ( σ ) dx = Por exemplo, calculamos acima que F (104) = Φ(+2). Logo, x = 104 está
−∞ 2π dois desvios-padrão acima da média, sendo neste exemplo σ = 2. Em geral,
x−µ
Φ( )
σ x = µ + σz.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 55 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 56 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 57 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 58 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Y = a0 + a1 X1 + a2 X2 + a3 X3 + . . . + an Xn .
n
X
σY2 = a21 σ12 + a22 σ22 + a23 σ32 + ... + a2n σn2 = a2i σi2 .
i=1
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 59 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 60 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Y = X1 + X2 + . . . + Xn
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 61 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 62 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Média e variância
σ2
(a) E(X) = eµ+ 2
2 2
(b) V ar(X) = e(2µ+σ ) (eσ − 1)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 65 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 66 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 67 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 68 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Distribuição Logística
A f dp de X é dada por:
x−ξ
e−( θ )
f (x) = h i2 , −∞ < x < ∞, −∞ < ξ < ∞, θ > 0
−( x−ξ
θ )
θ 1+e
Notação
X ∼ Log(ξ, θ)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 69 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 70 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Média e Variância
(a) E(X) = ξ
π2 θ2
(b) V ar(X) = 3 ,
Observe que:
A distribuição é simétrica em torno de ξ;
A distribuição tem caudas mais pesadas que a distribuição normal.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 71 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 72 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Notação
X ∼ Loglog(ξ, θ, λ)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 73 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 74 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
A F DA é dada por:
1
F (x) =
ln(x−λ)−ξ
−
1+e θ
Média e Variância
(a) E(X) = e(ξ) Γ(1 + θ)Γ(1 − θ) + λ, θ < 1
(b) V ar(X) = e(2ξ) Γ(1 + 2θ)Γ(1 − 2θ) − Γ2 (1 + θ)Γ2 (1 − θ) , θ < 1/2
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 75 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 76 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Exemplo
Um determinada carteira de investimentos financeiros possui retornos per-
centuais modelados segundo uma distribuição Loglogística, com parâmetros
ξ = 0, θ = 0, 4 e λ = 0, 7. Determine o rendimento médio e o desvio-padrão
para essa carteira.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 77 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 78 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
São exemplos dessas variáveis: distribuição de renda, perdas em alguns tipos Função de Distribuição Acumulada
de suguros, atrasos em transmissão de dados na internet, entre outras.
1− x0 α
, se x ≥ x0
F (x) = x
0, se x < x0
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 79 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 80 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 81 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 82 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Distribuição Beta
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 83 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 84 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Uma variável X ∈ [a, b] possui distribuição Beta, com parâmetros α > 0 e A distribuição Beta não possui uma fórmula fechada para F (X), necessi-
β > 0, se sua f dp é dada por: tando ser definida através de métodos numéricos.
(
Γ(α+β) (x−a)α−1 (b−x)β−1
, a ≤ x ≤ b, α > 0, β > 0 A figura abaixo ilustra distribuições Beta para valores selecionados dos pa-
f (x) = Γ(α)Γ(β) (b−a)α+β−1
0, caso contrário râmetros α e β:
Notação
X ∼ beta(α, β)
Média e Variância
Para o caso onde X ∈ [0, 1], temos:
α
E(x) =
α+β Observe que:
Quando α = β = 1, a função Beta se reduz ao caso da distribuição contínua Uniforme;
αβ Quando α = β, a função é simétrica ao redor de 1/2, aumentando a probabilidade ao redor desse valor à
V ar(x) = 2
. medida que a(= b) cresce;
(α + β) (α + β + 1) Quando α < β, a função é assimétrica à direita;
Quando α > β, a função é assimétrica à esquerda.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 85 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 86 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
1
2 , −∞ < x < ∞, −∞ < α < ∞, β > 0
x−α
f (x) = πβ 1+ β
0, caso contrário
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 87 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 88 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Média e Variância
A distribuição de Cauchy pode ser considerada uma distribuição patológica, Observe que: a distribuição de Cauchy, assim como no caso da distribuição
pois ela não apresenta nem média e nem variância. Normal, também é representada por uma curva em forma de sino. No en-
tanto, no caso da distribuição de Cauchy, as caudas se aproximam de zero
mais lentamente.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 89 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 90 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
A f dp de X é dada por:
1 − |x−a|
f (x) = e b
, −∞ < x < ∞, −∞ < a < ∞, b > 0
2b
A distribuição Laplace também é conhecida como a distribuição exponencial
dupla, porque é composta por duas distribuições exponenciais, uma positiva
e outra negativa.
Notação
X ∼ Laplace(a, b)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 91 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 92 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Média e Variância
(a) E(X) = a
(b) V ar(X) = 2b2
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 93 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 94 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Notação
X ∼ Gompertz(b, c)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 95 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 96 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 97 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 98 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
Notação
X ∼ 4(a, c, b)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 99 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 100 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
A F DA é dada por:
(x−a)2
(
(b−a)(c−a) , a≤x≤c
F (x) = (b−x)2
1 − (b−a)(b−c) , c < x ≤ b,
Média e Variância
(a) E(X) = 13 (a + b + c)
1 2
(b) V ar(X) = 18 (a + b2 + c2 − ab − ac − bc)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 101 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 102 / 103
Principais Modelos Contínuos Principais Modelos Contínuos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 103 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 103 / 103
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos
Modelo Uniforme
Exemplo
Aula de Exercı́cios - Modelos Probabilı́sticos A temperatura T de destilação do petróleo é crucial na
Contı́nuos determinação da qualidade final do produto. Suponha que T seja
considerada uma v.a. com distribuição uniforme no intervalo
(150, 300). Suponha que o custo para produzir um galão de
Organização: Airton Kist Digitação: Guilherme Ludwig petróleo seja C1 reais. Se o óleo for destilado a uma temperatura
inferior a 200o , o produto obtido é vendido a C2 reais; se a
temperatura for superior a 200o , o produto é vendido a C3 reais.
(a) Fazer o gráfico da f.d.p. de T .
(b) Qual o lucro médio por galão?
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 182.
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos
(a) O gráfico de f (t) é dado por: (b) Seja X o lucro obtido. Então E(X ) =
E(X |T < 200)P(T < 200) + E(X |T ≥ 200)P(T ≥ 200)
0.014
R 200
0.012 Note que P(T < 200) = 150 1/(300 − 150)dt = 1/3, e
0.010 consequentemente P(T ≥ 200) = 2/3. Repare também que
0.008 E(X |T < 200) = C2 − C1 , pois o lucro é completamente
0.006
determinado pela temperatura de destilação. De modo
análogo, E(X |T ≥ 200) = C3 − C1 . Temos portanto que
0.004
0.002
C2 − C1 2(C3 − C1 ) C2 + 2C3
150 200 250 300 E(X ) = + = − C1
3 3 3
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos
0.10
Portanto P(8 < X < 10) = P(−1 < Z < 0) = 0,3413
0.05
(b) P(9 ≤ X ≤ 12) = P(9 − 10 ≤ X − 10 ≤ 12 − 10) =
P(−1/2 ≤ Z ≤ 1) = 0,5328
6 8 10 12 14
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos
De modo análogo ao exercı́cio anterior, queremos transformar (c) Note que P(µ−aσ ≤ X ≤ µ+aσ) = P(−a ≤ (X − µ)/σ ≤ a) =
X ∼ N(µ, σ 2 ) em Z ∼ N(0, 1). P(−a ≤ Z ≤ a). Como X é simétrica, então sabemos que
2P(Z > a) = 2P(Z < −a) = 1 − P(−a ≤ Z ≤ a). Basta
(a) P(X ≤ µ + 2σ) = P(X − µ ≤ 2σ) = P((X − µ)/σ ≤ 2) =
então olhar qual a satisfaz P(Z > a) = 0,005. Consultando a
P(Z ≤ 2) = 0,9772
tabela, vemos que a = 2, 5758.
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos
Exemplo
As alturas de 10.000 alunos de um colégio têm distribuição (a) A proporção de alunos com altura superior a 165cm é dada
aproximadamente normal, com média 170cm e desvio padrão 5cm. por P(X > 165), ou P(Z > (165 − 170)/5) = P(Z > −1)
(a) Qual o número esperado de alunos com altura superior a = 0,8413. Logo, o número de alunos com mais de 1,65 é uma
165cm? variável aleatória com distribuição binomial(10000, 0,8413) e,
(b) Qual o intervalo simétrico em torno da média que conterá como sabemos, o número esperado é de 8413 alunos.
75% das alturas dos alunos?
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 182.
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos
A probabilidade do item durar menos que 900 horas é dada por Exemplo
Z 0,9 Dada a v.a. X , uniforme em (5, 10), calcule as probabilidades
P(X < 0,9) = e −x dx = 0,5934 abaixo, usando a tabela do problema anterior.
0
(a) P(X < 7)
Temos portanto que o item será devolvido com essa probabilidade
(b) P(8 < X < 9)
(implicando numa perda de $2), ou permanecerá com o cliente
(implicando num ganho de $5 − $2 = $3). Segue que portanto o (c) P(X > 8,5)
lucro lı́quido é de −2 · 0,5934 + 3 · 0,4066 = $0,033, ou (d) P(|X − 7,5| > 2)
aproximadamente três centavos de lucro por item. Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 195.
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos
Exemplo
(a) P(X < 900) = P(Z < [900 − 1000]/10) = P(Z < −10) = Uma empresa produz televisores e garante a restituição da quantia
7 × 10−24 ; note que esse valor dificilmente está disponı́vel em paga se qualquer televisor apresentar algum defeito grave no prazo
tabelas; para fins práticos, ele é igual a zero. de seis meses. Ela produz televisores do tipo A (comum) e do tipo
(b) No caso geral, P(|X − µ| < 2σ) = P(−2 < Z < 2) B (luxo), com lucros respectivos de $1.000,00 e $2.000,00, caso
= 0,9545 ≈ 0,95; portanto, 95% das garrafas estão a 2 não haja restituição, e com prejuı́zos de $3.000,00 e $8.000,00, se
desvios-padrões da média. houver restituição. Suponha que o tempo para a ocorrência de
(c) P(X < 900) = P(Z < [900 − 1200]/20) = P(Z < −15) = algum defeito grave seja, em ambos os casos, uma v.a. com
3 × 10−51 . Novamente, é preciso empregar algum pacote distribuição normal, respectivamente, com médias 9 meses e 12
estatı́stico (R, MATLAB, etc.) para calcular com precisão tal meses, e variâncias 4 meses2 e 9 meses2 . Se tivesse de planejar
quantia. uma estratégia de marketing para a empresa, você incentivaria as
vendas dos aparelhos do tipo A ou do tipo B?
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 196.
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos
Basta verificar qual negócio é mais lucrativo para a empresa. A O lucro médio de A é, portanto:
probabilidade de um televisor ser restituido é igual a probabilidade
dele apresentar defeito em um prazo de seis meses: L(A) = 0,934 · 1000 − 0,066 · 3000 = 736
P(XA < 6) = P(Z < [6 − 9]/2) = 0,066, enquanto
Enquanto o lucro médio de B é:
P(XB < 6) = P(Z < [6 − 12]/3) = 0,023. Isso significa que ao
vender um televisor do tipo A, a empresa tem lucro de 1000 com
L(B) = 0,977 · 2000 − 0,023 · 8000 = 1770
0,934 de probabilidade, e prejuı́zo de 3000 com 0,066 de
probabilidade. Por outro lado, B dá lucro de 2000 com 0,977 de Consequentemente, é mais interessante para a empresa vender
probabilidade, e prejuı́zo de 8000 com 0,023 de probabilidade. televisores do tipo B.
Principais modelos Discretos e Contı́nuos
Modelos discretos
Modelos contı́nuos
Principais Distribuições ▶ Uniforme
▶ Uniforme
▶ Bernoulli
▶ Exponencial
▶ Binomial
Vicente Garibay Cancho ▶ Gama
▶ Geométrico
▶ Weibull
▶ Binomial Negativa
▶ Beta
11 de outubro de 2023 ▶ Poisson
▶ Normal
▶ Hipergeometrica
onde xi ̸= xj e i ̸= j. Exercı́cio-1
Se a variável aleatória X tem distribuição uniforme discreta,
A média e variância desta distribuição são
f (x; k) = 1/k, para x = 1, . . . , k, mostre que
N N k+1
X X 1 x1 + · · · + xk (a) A média: µX = 2 ,
E (X ) = µX = xi f (xi ; N) = xi = 2
i=1 i=1
N N (b) A variância: σX2 = k 12−1 ,
e (c) A função geradora de momentos:
N
e t (1 − e kt )
PN
X 1 (xi − µ)2
Var (X ) = σX2 = E [(X − µ)2 ] = (xi − µ)2 = i=1 . mX (t) =
N N k(1 − e t )
i=1
Modelo Bernoulli Modelo Bernoulli
Na prática muitos experimentos admitem apenas dois resultados. Uma variável aleatória (v.a.) X tem distribuição de Bernoulli com
Exemplos: parâmetro θ (0 < θ < 1), se somente se sua função de probabilidade
▶ Uma peça é classificada como boa ou defeituosa; (f.p.) é dada por:
▶ O resultado de um exame médico para detecção de uma doença x
θ (1 − θ)1−x , se x = 0, 1
é positivo ou negativa. fX (x; θ) =
0, caso contrario
▶ Um entrevistado concorda ou não com a afirmação feita;
▶ No lançamento de um dado ocorre ou não face 6; Equivalentemente,
▶ No lançamento de uma moeda ocorre cara ou coroa. fX (x; θ) = θx (1 − θ)1−x I{0,1} (x),
▶ Situações com alternativos dicotômicas, podem ser represen-
tadas genericamente por resposta do tipo sucesso (0)-fracasso onde
(1). 1, se x ∈ A
IA (x) = .
0, se x ∈
/A
Esses experimentos recebem o nome de Ensaio de Bernoulli e origi-
nam uma v.a. com distribuição de Bernoulli (ou modelo Bernoulli). Notação: X ∼ Bernoulli(θ).
Propriedades
Se X ∼ Bernoulli(θ), então Repetições independentes de ensaios de Bernoulli dão origem ao modelo
Binomial.
(1) a média e variância são
Exemplo-1
E [X ] = θ, e Var (X ) = θ(1 − θ), Suponha que uma moeda é lançada 3 vezes e probabilidade de cara seja
θ em cada lançamento. Determinar a distribuição de probabilidade da
respectivamente. variável X, número de caras nos 3 lançamentos.
(2) a função geradora de momentos (f.g.m.) é ▶ Denotemos, S: sucesso, ocorrer cara e F:fracasso, ocorrer coroa.
µ′r = E (X r ) = θ, r = 1, 2, . . .
Modelo Binomial Modelo Binomial
S Probabilidade X (w ) = x
FFF (1 − θ)3 0
SFF θ(1 − θ)2 1
A distribuição de probabilidade da v.a X é dada por
FSF θ(1 − θ)2 1
FFS θ(1 − θ)2 1 x 0 1 2 3
SSF θ2 (1 − θ) 2 fX (x) = P(X = x) (1 − θ)3 3θ(1 − θ)2 3θ2 (1 − θ) θ3
SFS θ2 (1 − θ) 2
FSS θ2 (1 − θ) 2 O comportamento de X , pode ser representado pela seguinte
SSS θ3 3 função 3 x
θ (1 − θ)n−x , x = 0, 1, 2, 3.
fX (x) = x
Dai tem-se 0 , c.c.
P(X = 0) = P({FFF }) = (1 − θ)3 onde x3 = x!(3−x)!
3!
é o coeficiente binomial.
P(X = 1) = P({SFF , FSF , FFS}) = 3θ(1 − θ)2
P(X = 2) = P({SSF , SFS, FSS}) = 3θ2 (1 − θ)
P(X = 1) = P({SSS}) = θ2
0.4
0.30
0.3
0.20
n x
θ (1 − θ)n−x , x = 0, 1, . . . , n.
fx(x)
fx(x)
fx(x)
0.2
fX (x; n, θ) = x
0.10
0 , c.c.
0.1
0.00
0.0
Notação: X ∼ Binomial(n, θ). 0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
x x x
0.25
0.4
dado por
0.3
0.15
⌊x⌋
fx(x)
fx(x)
fx(x)
0.2
P nθi (1 − θ)n−i , 0 ≤ x ≤ n
0.10
0.1
0.05
0 , c.c.
0.00
0.0
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
x x x
onde ⌊x⌋ é o maior número inteiro menor ou igual a x.
Figura: Função de probabilidade da distribuição binomial
Modelo binomial Modelo binomial
B(20,0,1) B(30,0,1) B(40,0,1)
0.20
0.20
0.15
0.20 Propriedades
0.15
fx(x)
fx(x)
fx(x)
0.10
0.10
Se X ∼ Binomial(n, θ), então
0.10
0.05
0.05
(1) a média e variância são
0.00
0.00
0.00
0 5 10 15 20 0 5 10 15 20 25 30 0 10 20 30 40
0.15
respectivamente;
0.12
(2) a f.g.m. é dada por
0.15
0.10
0.08
0.10
fx(x)
fx(x)
fx(x)
mX (t) = [(1 − θ) + θe t ]n , t ≤ 1.
0.05
0.04
0.05
0.00
0.00
0.00
0 10 20 30 40 50 0 10 30 50 70 0 20 40 60 80 100
x x x
fx(x)
Propriedades
Se X ∼ H(n, M, N), então
0 1 2 3 4 5 0 1 2 3 4 5
▶ E [X ] = n M
x x N ,
h N−n i
▶ Var (X ) = n M M
H(4,25,35) H(4,50,100)
N 1− N N−1
0.0 0.1 0.2 0.3 0.4
fx(x)
geométrica no R
dhyper(x, m, n, k, log = FALSE)
0 1 2 3 4 5 0 1 2 3 4 5
phyper(q, m, n, k, lower.tail = TRUE, log.p = FALSE)
x x
qhyper(p, m, n, k, lower.tail = TRUE, log.p = FALSE)
rhyper(nn, m, n, k)
0.10
0.20
0.5
0.08
0.4
0.15
0.06
0.3
fx(x)
fx(x)
fx(x)
0.10
Propriedades
0.04
0.2
0.05
0.02
0.1
Se X ∼ G (θ), então
0.00
0.00
0.0
0 20 40 60 80 0 10 20 30 40 50 60 0 5 10 15 20 25 30 1) E [X ] = (1 − θ)/θ e Var (X ) = (1 − θ)/θ2 .
2) A f.g.m. é dado por mX (t) = (1 + θe t )−1 .
x x x
0.8
0.6
0.6
0.4
fx(x)
fx(x)
fx(x)
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
x x x
Propriedades
0.015
0.020
0.015
fx(x)
fx(x)
0.010
0.010
0.000
0.000
x x x
negativa no R
0.06
0.04
0.03
0.04
fx(x)
fx(x)
0.02
0.01
0.00
x x x
Seja
p(x) = P(Xt = x) = px (t), x = 0, 1, 2, . . .
Fixamos o tempo t e obtemos
de modo que
p0 (t + ∆t) = P(0 ocorrências no intervalo [0,t + ∆t))
p0 (t + ∆t) − p0 (t)
= P(0 ocorrências em [0,t) e 0 ocorrências em [t,t + ∆t) ) = −λp0 (t)
∆t
= p0 (t)p0 (∆t) e
p0 (t + ∆t) − p0 (t)
lim = p0′ (t) = −λp0 (t)
∆t−→0 ∆t
Modelo Poisson
de modo que
px (t + ∆t) − px (t)
p1 (t + ∆t) ≈ λ∆tp0 (t) + [1 − λ∆t]p1 (t) = −λpx−1 (t) − λpx (t)
∆t
Daı́ e
p1 (t + ∆t) − p1 (t)
px (t + ∆t) − px (t)
= λp0 (t) − p1 (t) lim = px′ (t) = −λpx−1 (t) − λpx (t)
∆t ∆t−→0 ∆t
e
p1 (t + ∆t) − p1 (t)
lim = p1′ (t) = λp0 (t) − p1 (t)
∆t−→0 ∆t
Modelo Poisson Modelo Poisson
Note que
µx
n µ x µ n−x n! µ n−x
P(X = x) = 1− = × x 1−
x n n x!(n − x)! n n
(n − x + 1)! µ x µ n−x
= × x 1−
x! n n
µ n
x − 1 µx 1 − n
1 1
= 1− 1− × ··· × 1 −
▶ Seja X a v.a que conta o sucessos do intervalo de comprimento x! 1 − µn x
n n n
unitário.
▶ Pela suposições: P(S) = µn . Fazendo n −→ ∞, tem-se
▶ A probabilidade de x sucessos nos n sub-intervalos
µx e −µ
P[X = x] = .
n µ x µ n−x x!
P(X = x) = 1− , x = 0, 1, . . . , n.
x n n
onde E (X ) = µ é número médio de sucessos no intervalo de
comprimento unitário.
Modelo Poisson Modelo Poisson
Uma variável aleatória discreta X tem distribuição Poisson com Po(1) Po(2) Po(5)
0.15
0.3
( −µ x
0.10
e µ
0.2
fx(x)
fx(x)
fx(x)
fX (x; µ) = x! , x = 0, 1, . . .
0.05
0.1
0, c.c
0.00
0.0
0 5 10 15 20 25 30 0 5 10 15 20 25 30 0 5 10 15 20 25 30
0.15
▶ t : unidade de medida
0.12
0.12
0.10
▶ µ = λt : é a media de eventos discretos em t unidades de
0.08
0.08
fx(x)
fx(x)
fx(x)
medida
0.05
0.04
0.04
Notação: X ∼ Po(µ).
0.00
0.00
0.00
0 5 10 15 20 25 30 0 5 10 15 20 25 30 0 5 10 15 20 25 30
x x x
Exemplo
1. Para os modelos apresentados, mostre que são realmente uma Na manufatura de certo artigo, é sabido que um entre dez artigos
função probabilidade. é defeituoso. Qual a probabilidade de que uma amostra casual de
2. Para os modelos introduzidos, mostre as propriedades do tamanho quatro contenha:
texto; (a) Nenhum defeituoso?
3. Para os modelos Binomial, Binomial negativa e Poisson (b) Exatamente um defeituoso?
determine os coeficientes de assimétria e curtose.
(c) Exatamente dois defeitosos?
(d) Não mais do que dois defeituosos?
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 157.
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Distribuição Binomial Distribuição Binomial
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Distribuição Binomial Distribuição Poisson
Exemplo
Se o industrial decidir vender o lote para o comprador A, temos que
Numa central telefônica, o número de chamadas ocorrem segundo
E(lucro A) = 1,20 · 0,7373 + 0,80 · 0,2627 ≈ 1,09 uma distribuição de Poisson, com a média de oito chamadas por
minuto. Determinar qual a probabilidade de que num minuto se
ou seja, ele irá lucrar em média $1,09 por peça. Já se ele vender tenha:
para o comprador B, temos que
(a) dez ou mais chamadas;
E(lucro B) = 1,20 · 0,6778 + 0,80 · 0,3222 ≈ 1,07 (b) menos que nove chamadas;
(c) entre sete (inclusive) e nove (exclusive) chamadas.
que é um lucro dois centavos inferior.
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 152.
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Distribuição Geométrica Distribuição Geométrica
Exemplo
Em sua autobiografia A Sort of Life, o autor inglês Graham Greene
descreveu um perı́odo de grave depressão em que ele jogava roleta (a) Ao girar o tambor, a arma disparar ou não é um ensaio de
russa. Esse “jogo” consiste em colocar uma bala em uma das seis Bernoulli, com probabilidade 1/6 de disparar. Se
câmaras de um revólver, girar o tambor e disparar a arma contra a considerarmos que cada uma das jogadas é independente, a
própria cabeça. probabilidade da arma não ter disparado em nenhuma das seis
(a) Greene jogou seis partidas deste jogo, e teve a “sorte” da arma vezes é 6
nunca ter disparado. Qual a probabilidade desse resultado? 5
= 0,33489
(b) Suponha que ele continue jogando roleta russa até a arma 6
finalmente disparar. Qual é a probabilidade de Greene morrer
na k-ésima jogada?
Fonte: A. Agresti, Categorical Data Analysis.
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Exemplo
(b) Ao efetuar a primeira jogada, o autor pode morrer com
Um banco de sangue necessita sangue do tipo O negativo.
probabilidade 1/6, ou continuar jogando. Se ele sobreviver à
Suponha que a probabilidade de uma pessoa ter este tipo de
primeira, pode jogar pela segunda vez, e morrer com
sangue seja 0,10. Doadores permanentes chegam ao hemocentro
probabilidade 5/6 · 1/6, ou continuar jogando. Repetindo esse
para fazer sua doação rotineira. Calcule as probabilidades de que o
raciocı́nio, concluı́mos que a probabilidade de morte na
primeiro doador com sangue do tipo O negativo seja:
k-ésima jogada é
(a) o primeiro a chegar;
k−1
5 1 (b) o segundo;
P(X = k) =
6 6 (c) o sétimo.
Chamamos essa distribuição de Distribuição Geométrica, com (d) Quantos doadores esperamos passar pelo hospital até
parâmetro p = 1/6. encontrarmos um com sangue O negativo?
Fonte: Prof. Mario Gneri, Notas de Aula.
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Distribuição Geométrica Distribuição Binomial, aproximação Poisson
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Distribuição binomial negativa Distribuição binomial negativa
Neste caso, temos que X ∼ bn(4, 0.2), em que X é uma vad que
representa o número de minutos necessários até que ocorram 4
quedas de energia. Portanto, a probabilidade requerida é
Um sistema computacional fica inativo se ocorrem 4 quedas de
energia em um certo perı́odo de tempo (contado em minutos).
Suponha que, a cada minuto, ocorre uma queda de energia com P(X ≥ 6) = 1 − P(X ≤ 5) = 1 − P(X = 4) − P(X = 5)
probabilidade 0.20 (a cada minuto não ocorre ou ocorre somente
4−1
5−1
4−4 4
uma queda). Qual é a probabilidade do sistema funcionar por mais = 1− (0, 8) 0, 2 + (0, 8)5−4 0, 24
4−1 4−1
do que 6 minutos? Qual o valor esperado do número de minutos
= 1 − 0.0016 − 0.00512 = 0.99328
que o sistema permanece funcionando.
(no R: 1 − pnbinom(1, 4, prob = 0.2)). Já, o valor esperado é
E (X ) = r /p = 4/0.2 = 20.
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Distribuição Hipergeométrica, aproximação Binomial Exercı́cios
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Bibliografia
Bibliografia
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 1 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 2 / 74
Principais Modelos Discretos Principais Modelos Discretos
1 Introdução;
Definição
2 Distribuição Uniforme Discreta (ou Inteira);
Algumas variáveis discretas geradas mediante processos de contagem podem
3 Ensaio e Distribuição de Bernoulli;
ser associadas a funções de probabilidade que tenham um comportamento
4 Distribuição Binomial; particular conhecido. Por exemplo, quando se estuda o número de artigos
5 Distribuição Polinomial ou Multinomial; defeituosos em um lote ou quando se estuda o número de pessoas que chegam
6 Distribuição Geométrica; a um estabelecimento comercial num certo período de tempo, entre outros.
7 Distribuição de Pascal (ou Binomial Negativa);
8 Distribuição Hipergeométrica; Nesses casos, é possível estudar o comportamento de tais variáveis através
de funções de probabilidade particulares em cada caso. Nessa seção, são
9 Distribuição Multi-hipergeométrica;
apresentadas algumas das principais funções de probabilidade ou distribuições
10 Distribuição de Poisson; de probabilidade, que podem ser utilizadas para analisar variáveis, tais como
11 Distribuição de Pareto Discreta ou Zeta; as descritas anteriormente.
12 Distribuição Zipf.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 3 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 4 / 74
Principais Modelos Discretos Principais Modelos Discretos
f (xi ) = 1/n.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 5 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 6 / 74
Principais Modelos Discretos Principais Modelos Discretos
Se X ∼ U D(a, b), a média e a variância de X são dadas por: Alguns esboços da distribuição Uniforme Discreta (ou Inteira) para valores
Média escolhidos para a e b são ilustrados no gráfico abaixo.
a+b
µ = E(X) =
2
Variância
(b − a + 1)2 − 1
σ 2 = V ar(X) =
12
0 + 48 (48 − 0 + 1)2 − 1
µ = E(X) = = 24 e σ 2 = V ar(X) = = 200
2 12
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 7 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 8 / 74
Principais Modelos Discretos Principais Modelos Discretos
Ensaio de Bernoulli
Há muitos experimentos que têm somente dois resultados possíveis, chama- Distribuição de Bernoulli
dos de sucesso (S) e fracasso (F ). Logo, o espaço amostral para esse tipo de Seja a variável aleatória X, definida como o número de sucessos num ensaio
experimento é Ω = {S, F }. Por exemplo, ao lançar uma moeda, obtém-se de Bernoulli. Então, o contradomínio de X é dado por RX = {1, 0}. Isto é,
somente dois resultados possíveis, cara (H - Heads) ou coroa (T - Tails).
Chama-se de sucesso, o evento de interesse. 1, se o resultado é do ensaio é sucesso
X=
0, se o resultado é fracasso.
No exemplo, caso o interesse seja “cara”, obtém-se um sucesso quando no
A variável aleatória assim definida chama-se variável aleatória de Bernoulli.
ensaio ocorre cara. Caso contrário, obtém-se um fracasso. Um experimento
com essa característica é chamado de experimento ou ensaio de Bernoulli.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 9 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 10 / 74
Principais Modelos Discretos Principais Modelos Discretos
Exemplo - [Cancho(2010)]
Suponha um experimento onde uma moeda é lançada três vezes. Suponha
também que p seja a probabilidade de sair coroa (T ) em cada lançamento. wi P ({wi }) X1 (wi ) X2 (wi ) X3 (wi ) X(wi ) = X1 (wi ) + X2 (wi ) + X2 (wi )
Seja X a variável aleatória que representa o número de coroas obtidas ao HHH (1 − p)3 0 0 0 0
HHT (1 − p)2 p 0 0 1 1
final dos três lançamentos. Achar a distribuição de probabilidade de X. HT H (1 − p)2 p 0 1 0 1
T HH (1 − p)2 p 1 0 0 1
Solução: O espaço amostral para experimento de lançar uma moeda três HT T (1 − p)p2 0 1 1 2
T HT (1 − p)p2 1 0 1 2
vezes é: TTH (1 − p)p2 1 1 0 2
TTT p3 1 1 1 3
Ω = {HHH, HHT, HT H, T HH, HT T, T HT, T T H, T T T }. O contradomínio da variável X é: RX = {0, 1, 2, 3}. Logo,
Seja Xi (i = 1, 2, 3) a variável aleatória de Bernoulli que representa o número P [X = 0] = P ({HHH}] = (1 − p)(1 − p)(1 − p) = (1 − p)3
coroas no lançamento i. Então a variável P [X = 1] = P ({HHT }) + P ({HT H}) + P ({T HH}) = 3p(1 − p)2
P [X = 2] = P ({HT T }) + P ({T HT }) + P ({T T H}) = 3p2 (1 − p)
X = X1 + X2 + X3 , P [X = 3] = P ({T T T }) = p3
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 17 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 18 / 74
Principais Modelos Discretos Principais Modelos Discretos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 19 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 20 / 74
Principais Modelos Discretos Principais Modelos Discretos
f (x1 , x2 , . . . , xk ) = P (X1 = x1 , X2 = x2 , . . . , Xk = xk )
A distribuição Polinomial ou Multinomial é uma generalização da distribui-
n!
ção Binomial, onde o espaço amostral Ω é repartido em k eventos mu- = px1 px2 · · · pxk k ,
x1 !x2 ! · · · xk ! 1 2
tuamente exclusivos B1 , B2 , . . . , Bk , respectivamente com probabilidades
p1 , p2 , . . . , pk , tal que p1 + p2 + . . . + pk = 1. sendo ki=1 xi = n e ki=1 pi = p.
P P
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 21 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 22 / 74
Principais Modelos Discretos Principais Modelos Discretos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 23 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 24 / 74
Principais Modelos Discretos Principais Modelos Discretos
Exemplo 2 - [Urbano(2010)]
As causas mais frequentres de paralisação de uma certa linha de produção,
e respectivos percentuais, são:
Falhas mecânicas : 20%;
Erros de operação: 30%;
Material impróprio: 35%;
Falta de energia: 15%.
Durante certo período ocorreram 5 paralisações. Qual a probabilidade de que
tenham sido 2 devidas a erros de operação e 3 devidas a material impróprio?
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 25 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 26 / 74
Principais Modelos Discretos Principais Modelos Discretos
Distribuição Geométrica
(1 − p)x−1 · p, x = 1, 2, . . . ,
f (x) = P [X = x] =
0, caso contrário
Notação
pet
X ∼ Geom(p), com MX (t) = 1−qet .
Média e Variância
1
(a) µ = E(X) = p
1−p
(b) σ 2 = V ar(X) = p2
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 27 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 28 / 74
Principais Modelos Discretos Principais Modelos Discretos
Exemplos de funções de probabilidade para variáveis aleatórias geométricas Exemplo - [Montgomery e Runger(2016)]
são mostrados na figura a seguir: A probabilidade de uma pastilha de freio conter uma partícula grande de
contaminação é 0,01. Se for considerado que as pastilhas são independentes,
qual será a probabilidade de que exatamente 125 pastilhas necessitem ser
analisadas para que uma partícula grande seja detectada pela primeira vez?
Propriedade da falta de memória da Distribuição Geométrica Distribuição de Pascal (ou Binomial Negativa)
Uma propriedade interessante e útil da Distribuição Geométrica é que ela
não tem memória, isto é,
Observe a figura a seguir:
P (X > s + x|X > s) = P (X > x). + . . . + Xr
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 31 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 32 / 74
Principais Modelos Discretos Principais Modelos Discretos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 33 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 34 / 74
Principais Modelos Discretos Principais Modelos Discretos
Média e Variância
r r(1−p)
µ = E(X) = p e σ 2 = V ar(X) = p2
Observação
No caso especial em que r = 1, uma variável aleatória binomial negativa é
uma variável aleatória geométrica.
Distribuições binomiais negativas selecionadas são ilustradas a seguir:
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 35 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 36 / 74
Principais Modelos Discretos Principais Modelos Discretos
Supondo que cada solicitação represente uma tentativa independente, (a) Quando os elementos da amostra são sorteados com ou sem reposição
qual será o tempo médio para a falha de todos os três servidores? de uma população infinita. Obviamente, o resultado de um sorteio
qualquer é independente do outro sorteio e a proporção p de sucessos
(P (S) = p) permanece constante em cada sorteio. Então, é aplicável
a distribuição Binomial.
Qual é a probabilidade de todos os três servidores falharem em, no
máximo, 5 solicitações? (b) Quando os elementos da amostra são sorteados com reposição de uma
população finita. Suponha que a população tenha N elementos, dos
quais M são de certa classe que temos interesse. Define-se, assim, a
variável X : número de elementos da classe de interesse na amostra de
tamanho n.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 37 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 38 / 74
Principais Modelos Discretos Principais Modelos Discretos
Distribuição Hipergeométrica
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 39 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 40 / 74
Principais Modelos Discretos Principais Modelos Discretos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 41 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 42 / 74
Principais Modelos Discretos Principais Modelos Discretos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 43 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 44 / 74
Principais Modelos Discretos Principais Modelos Discretos
Fato:
A Distribuição Binomial pode ser usada como limite da Distribuição Hiper-
geométrica quando n for suficientemente pequeno em relação a N. Isto é,
n
Se X ∼ H(N, M, n) e f = N < 0, 10, então X ∼ B(n, M
N ).
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 45 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 46 / 74
Principais Modelos Discretos Principais Modelos Discretos
Distribuição Multi-Hipergeométrica
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 47 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 48 / 74
Principais Modelos Discretos Principais Modelos Discretos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 49 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 50 / 74
Principais Modelos Discretos Principais Modelos Discretos
Distribuição de Poisson Os eventos discretos gerados num intervalo contínuo (unidade: compri-
mento, área, volume, tempo, etc.) formam um processo de Poisson com
parâmetro λ se satisfazem às seguintes propriedades:
Processo de Poisson 1 O número médio de ocorrência dos eventos numa unidade de medida
Muitos problemas consistem em observar a ocorrência de eventos discretos (comprimento, área, volume, tempo, etc.) é conhecido e igual a λ.
num intervalo contínuo (unidade de medida), como por exemplo, o número 2 A ocorrência de um evento numa unidade de medida t não afeta a
de manchas (falhas) por unidade de medida (digamos 1m2 ) no esmaltado ocorrência ou a não ocorrência em outra unidade de medida t
de uma superfície metálica. Ao se definir a variável aleatória X : número contígua. Isto é, a ocorrência dos eventos em unidades de medida
de manchas em um metro quadrado dessa superfície, o contradomínio é contíguas são independentes.
<X = {0, 1, 2, . . . , }
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 51 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 52 / 74
Principais Modelos Discretos Principais Modelos Discretos
Uma variável discreta X tem Distribuição de Poisson com parâmetro µ, se Exemplo 1 - [Cancho(2010)]
sua função de probabilidade é dada por Suponha que a central telefônica de um empresa de grande porte receba,
em média, 3 chamadas a cada 4 minutos. Qual é a probabilidade de que a
e−µ µx
f (x) = , x = 0, 1, 2, . . . , (1) central recepcione 2 ou menos chamadas em um intervalo de 2 minutos?
x!
onde
X: número de eventos discretos em t unidades de medida.
λ: é a média de eventos discretos em uma unidade de medida.
t: número de unidades de medida.
µ = λt : é a média de eventos discretos em t unidades de medida.
Notação
t −1)
X ∼ P (µ), com MX (t) = eµ(e .
Média e Variância
(a) E(X) = µ
(b) V ar(X) = µ
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 53 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 54 / 74
Principais Modelos Discretos Principais Modelos Discretos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 55 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 56 / 74
Principais Modelos Discretos Principais Modelos Discretos
p < 0, 1
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 57 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 58 / 74
Principais Modelos Discretos Principais Modelos Discretos
Exemplo - [Cancho(2010)]
Em uma fábrica, foram registradas em três semanas, a média de acidentes:
2,5 na primeira semana, 2 na segunda semana e 1,5 na terceira semana.
Suponha que o número de acidentes por semana segue um processo de
Poisson. Qual é a probabilidade de que haja 4 acidentes nas três semanas?
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 59 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 60 / 74
Principais Modelos Discretos Principais Modelos Discretos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 61 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 62 / 74
Principais Modelos Discretos Principais Modelos Discretos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 63 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 64 / 74
Principais Modelos Discretos Principais Modelos Discretos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 65 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 66 / 74
Principais Modelos Discretos Principais Modelos Discretos
Exemplo 1
Alguns sites da internet apresentam poucos links, mas outros apresentam
muitos links. Considere que o número de links possa ser modelado por
uma distribuição de Pareto Discreta (ou Zeta). Considerando um valor de
α = 0, 5, qual a probabilidade de se encontrar apenas um link em uma
página qualquer? E de se encontrar páginas que contenham 50 links?
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 67 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 68 / 74
Principais Modelos Discretos Principais Modelos Discretos
Exemplo 2
Alguns blackouts energéticos podem afetar poucas cidades de uma dada re-
gião. Porém, certas vezes, afetam um número grande de cidades. Considere
que o número de cidades afetadas por blackouts possa ser modelado por
uma distribuição de Pareto Discreta (ou Zeta). Considerando um valor de
α = 0, 5 e que uma região contenha 5 cidades, qual a probabilidade de todas
elas serem afetadas por um eventual blackout? Calcule também o número
médio de cidades afetadas.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 69 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 70 / 74
Principais Modelos Discretos Principais Modelos Discretos
Distribuição Zipf
Notação
X ∼ Zipf (α)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 71 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 72 / 74
Principais Modelos Discretos Principais Modelos Discretos
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 73 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 74 / 74
Principais Modelos Discretos
4.1. Modelo Bernoulli X é uma v.a. que assume apenas dois valores: 1 se ocorrer sucesso (S) e 0 se
ocorrer fracasso (F). Sendo p a probabilidade de sucesso, 0 < p <1.
Muitos experimentos admitem apenas dois resultados.
X(S) = 1 e X(F) = 0. A distribuição de probabilidade é dada por
Exemplos:
1. Uma peça é classificada como defeituosa ou não defeituosa;
0 1 p x (1 − p )1− x , se x = 0, 1.
x f ( x) = P( X = x) =
2. Em um certo dia chove ou não chove. 0, c.c.
3. Um entrevistado concorda ou não com uma afirmação feita;
P(X=x) 1–p p
4. No lançamento de um dado ocorre ou não face 6; Notação: X ~ Bernoulli (p) indica que a v.a. X tem distribuição de Bernoulli. O
5. O número de solicitações excede ou não excede a capacidade de um servidor. parâmetro da distribuição é p.
Se X ~ Bernoulli(p), então
2 3
4.2. Modelo binomial Calculamos
Exemplo. A probabilidade de uma peça ser defeituosa é p. Um lote de três peças P( X = 0) = P({FFF }) = (1 − p ) 3 ,
é inspecionado. Determine a distribuição de probabilidade da variável número de
peças defeituosas no lote (X). P( X = 1) = P({FFS , FSF , SFF }) = 3 p (1 − p ) 2 ,
Denotemos S: sucesso, se a peça é defeituosa e F: fracasso, caso contrário.
P( X = 2) = P({FSS , SFS , SSF }) = 3 p 2 (1 − p ) e
O espaço amostral para este experimento é
P( X = 3) = P({SSS }) = p 3 .
Ω = {FFF, FFS, FSF, SFF, FSS, SFS, SSF,SSS}.
A distribuição de probabilidade da v.a. X é dada por
Fazemos Xi ~ Bernoulli(p), i = 1,2,3. Logo, X = X1 + X2 + X3 representa o número
x 0 1 2 3
de peças defeituosas no lote.
0.4
nos n ensaios de Bernoulli é denominada de variável aleatória binomial com
0.20
P(X=x)
P(X=x)
parâmetros n e p.
0.2
n x
p (1 − p ) n − x , se x = 0,1, ⋯, n,
0.00
0.0
f ( x) = x
0, c.c.,
0 2 4 6 8 0 2 4 6 8
x x
n n!
em que = representa o coeficiente binomial.
x x!(n − x)! p=0,5 p=0,8
Notação: X ~ B(n,p) para indicar que a v.a. X tem distribuição Binomial com
parâmetros n e p.
0.20
P(X=x)
P(X=x)
Se X ~ B(n, p), então 0.15
0.00
0.00
E(X) = np e 0 2 4 6 8 0 2 4 6 8
6 7
Distribuição B(n = 20, p) Distribuição B(n = 30, p)
p=0,1 p=0,3 p=0,1 p=0,3
0.15
0.20
P(X=x)
P(X=x)
P(X=x)
P(X=x)
0.15
0.10
0.00
0.00
0.00
0.00
0 5 10 15 20 0 5 10 15 20 0 10 20 30 0 10 20 30
x x x x
0.15
0.10
0.15
P(X=x)
P(X=x)
P(X=x)
P(X=x)
0.00 0.10
0.00
0.00
0.00
0 5 10 15 20 0 5 10 15 20 0 10 20 30 0 10 20 30
x x x x
8 9
Exemplo Exemplo
O professor da disciplina de Estatística elaborou uma prova de múltipla escolha,
composta de 10 questões cada uma com 5 alternativas. Aprovação na disciplina x f(x) F(x)
requer pelo menos 6 questões corretas. Se um aluno responde a todas as 0 0,107374 0,10737
questões baseado em palpite (“chute”), qual a probabilidade de ser aprovado? 1 0,268435 0,37581
Solução. X é a v.a. número de questões respondidas corretamente nas 10 2 0,301990 0,67780
questões. Eventos: S: “questão respondida corretamente” e F: “questão 3 0,201327 0,87913
respondida incorretamente”.
4 0,088080 0,96721
P(S) = 1 / 5 e P(F) = 4 / 5. Logo, X ~ B(10, p). 5 0,026424 0,99363
10 1 x 10− x 6 0,005505 0,99914
4 7 0,000786 0,99992
, se x = 0,1,⋯,10,
f ( x) = x 5
5 8 0,000074 1,00000
0, c.c.
9 0,000004 1,00000
A probabilidade de aprovação é
10 0,000000 1,00000
P( X ≥ 6) = 1 − P( X < 6) = 1 − P( X ≤ 5) = 1 − F (5)
= 1 − 0,9936306 = 0,00637.
10 11
Exemplo Exemplo
0.30
(a) O fabricante seleciona 15 componentes de um lote para inspeção. Qual a
probabilidade de que seja encontrado pelo menos um componente defeituoso
neste lote?
0.20 (b) O fabricante adquire 10 lotes por mês e de cada lote são selecionados 15
componentes para inspeção, como no item (a). Qual a probabilidade de que
P(X=x)
P( X ≥ 1) = 1 − P(X < 1 ) = 1 − P( X = 0)
0 2 4 6 8 10
15
= 1 − × 0,02 0 × (1 − 0,02)15− 0 Em Excel:
x 0
= 1 - DISTRBINOM(0; 15; 0,02; FALSO)
= 1 − 0,9815 = 0,261.
12 13
0.20
M N − M
P(Y = y)
P(X = x)
x n − x ,
0.15
N
0.10
n
0, c.c.
0.2
0.05
com parâmetros N, M e n.
0.0
M M M N − n
0 5 10 15 0 2 4 6 8 10 Se X ~ H(N, M, n), então E( X ) = n e Var( X ) = n 1− .
x y N N N N − 1
14 15
Exemplo (Hines et al., 2006, p. 105) Exemplo (Hines et al., 2006, p. 105)
Em um departamento de inspeção de recebimento, lotes de um certo item são
recebidos periodicamente. Os lotes contêm 100 unidades e o seguinte plano de
amostragem de aceitação é usado. Seleciona-se uma amostra de 10 unidades
0.6
sem reposição. O lote é aceito se a amostra tiver, no máximo, um item
defeituoso. Suponha que um lote seja recebido e que 5% dos itens sejam
0.5
defeituosos. Qual a probabilidade de que o lote seja aceito ?
X: número de defeituosos na amostra ⇒ X ~ H(N = 100, M = 5, n = 10).
0.4
P(X=x)
P(aceitar o lote) = P( X ≤ 1) = P( X = 0) + P( X = 1)
0.3
5 95 5 95
0.2
0 10 1 9 = 0,923.
= +
0.1
100 100
10 10
0.0
0 1 2 3 4 5
Em Excel: =DIST.HIPERGEOM(0;10;5;100) + DIST.HIPERGEOM(1;10;5;100).
x
16 17
3. Número de pequenos defeitos por cm2 de uma placa de circuito. • a probabilidade de ocorrência de um evento em um subintervalo
seja a mesma para todos os subintervalos e proporcional ao
4. Número de veículos que passam por um ponto de uma estrada a comprimento do subintervalo e
cada 10 min.
• a contagem em cada subintervalo seja independente de outros
5. Número de microorganismos por cm3 de água contaminada. subintervalos.
Pode ser provado que a distribuição do número de ocorrências é
Poisson.
18 19
Distribuição de Poisson Distribuição Po(µ)
Uma v. a. discreta X tem distribuição de Poisson com parâmetro µ se sua Po(0,8) Po(2)
0.4
0.2
se x = 0,1,2, ⋯ ,
f ( x ) = x! ,
0,
0.0
c.c.,
0 5 10 15 20 25 0 5 10 15 20 25
x x
em que x é número de eventos em t unidades de medida,
Po(5,7) Po(10)
λ é o número médio de eventos (taxa) em uma unidade de medida (t = 1) e
P(X = x)
P(X = x)
0.10
Notação: X ~ Po(µ) indica que a v.a. X tem distribuição de Poisson com
parâmetro µ.
0.00
Propriedades: E(X) = µ e Var(X) = µ. 0 5 10 15 20 25 0 5 10 15 20 25
x x
20 21
Exemplo Exemplo
O número de pedidos de reparos que uma construtora recebe por mês é uma
As chegadas a um posto de atendimento ocorrem de forma variável aleatória, sendo que em média são recebidos 7,5 pedidos por mês.
independente seguindo a distribuição de Poisson. Suponha que a Determine as probabilidades de que, em um mês qualquer, a construtora
média de chegadas é 3 a cada 4 minutos. Qual é a probabilidade de receba
que este posto receba no máximo 2 solicitações em um intervalo de 2 (a) Exatamente 2 pedidos de reparo;
minutos?
Solução. Se X é número de chegadas a este posto a cada 2 minutos, (b) No máximo 2 pedidos de reparo;
Po(7,5)
então X ~ Po(µ). Aqui, t = 2 min e λ = ¾ = 0,75. Logo, µ = 0,75 × 2 = 1,5. Ou seja, (c) No mínimo 8 pedidos de reparo.
0.15
Po(1,5)
X ~ Po(1,5) e
Solução. Supomos que X (número de
0.00 0.05 0.10 0.15 0.20 0.25 0.30
0.10
f ( x) = , se x = 0,1,2,3.... recebe por mês) tem distribuição
P(X = x)
P(X = x)
Calculamos
0.05
P( X ≤ 2) = F (2) = P( X = 0) + P( X = 1) + P( X = 2)
e − 7 ,5 7,5 x
1,52 f ( x) = , se x = 0,1,2, ⋯.
= e − 1,5 (1 + 1,5 + ) = 0,809. 0 2 4 6 8 10
x!
2
0.00
x
0 5 10 15 20
Em Excel: =POISSON(2;1,5; VERDADEIRO).
x
22 23
Exemplo Exemplo
x f(x)=P(X=x)
0 0,000553 Em Excel:
1 0,004148 Calculamos
2 0,015555
e − 7 ,5 (7,5) 2
3 0,038889
4 0,072916
5 0,109375 (a ) P( X = 2) = = 0,0156,
6
7
0,136718
0,146484 2
8 0,137329
(b) P( X ≤ 2) = F (2) = P( X = 0) + P( X = 1) + P( X = 2)
9 0,114440
10 0,085830
11 0,058521
12
13
0,036575
0,021101 = 0,000553 + 0,004148 + 0,015555 = 0,0203 e
14 0,011304
7
∑
15 0,005652
16
17
0,002649
0,001169
(c) P( X ≥ 8) = 1 − P( X < 8) = 1 − F (7) = 1 − P( X = x)
18 0,000487 x= 0
19 0,000192
20
21
0,000072
0,000026 = 1 − (0,000553 + ⋯ + 0,146484)
22 0,000009
23
24
0,000003
0,000001
= 1 − 0,5246385 = 0,4754.
25 0,000000
26 0,000000
27 0,000000
24 25
Exemplo
O número de partículas contaminantes que ocorrem em um líquido tem uma Resultado. Se X1,..., Xn são variáveis aleatórias independentes com
distribuição de Poisson e o número médio de partículas por cm3 é 0,1. Um frasco distribuição de Poisson com parâmetros µ1,..., µn respectivamente,
de 100 cm3 será analisado. Calcule a probabilidade de que 12 partículas sejam então a variável aleatória Y = X1 + ... + Xn tem distribuição Poisson com
encontradas no frasco.
parâmetro µ = µ1 + ... + µn.
Exemplo. Em uma fábrica, dados históricos mostram que em três
Solução. Se X é o número de partículas no
frasco, então X ~ Po(µ). Temos t = 100 Po(10)
semanas típicas os números médios de acidentes são 2,5 na primeira
cm3 e λ = 0,1 por cm3. Logo, µ = t × λ = semana, 2 na segunda semana e 1,5 na terceira semana. Suponha que o
0.12
100 × 0,1 = 10. Ou seja, X ~ Po(10) e número de acidentes por semana segue uma distribuição de Poisson.
Qual a probabilidade de que ocorram 4 acidentes em três semanas
0.10
e − 1010 x típicas?
f ( x) = , x = 0,1,2, ⋯
0.08
x!
P(X = x)
Calculamos
1,2,3, com Xi ~ Po(µi). Supomos que X1, X2 e X3 são independentes.
0.04
26 27
4.5. Modelo geométrico Distribuição geométrica
Ensaios de Bernoulli são realizados de forma independente e cada um Se ensaios de Bernoulli independentes e com probabilidade de sucesso
com probabilidade de sucesso igual a p. igual a p são realizados, o número de ensaios que antecedem o primeiro
sucesso tem uma distribuição geométrica com parâmetro p e sua função
Estamos interessados no número de ensaios que antecedem a
de probabilidade é dada por
ocorrência do 1o sucesso.
A v.a. X que conta este número tem distribuição geométrica com parâmetro p,
notando que X ∈ {0, 1 , 2, ...}. f ( x) = P( X = x) = (1 − p ) x p, se x = 0,1,2,... e 0 < p < 1.
Se “S” e “F” representam os eventos sucesso e fracasso e X = x, temos a Notação: X ~ Geo(p).
sequência
Se X ~ Geo(p), então
E(X) = (1 – p) / p e
Var(X) = (1 – p) / p2.
Sendo assim,
Propriedade: Se X ~ Geo(p), então P(X > k + m | X > m) = P(X > k).
É a única distribuição discreta com esta propriedade (“falta de
memória”).
28 29
0.2
0.0
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5
x x
30 31
Exemplo (Hines et al., 2006, p. 101) Exemplo (Hines et al., 2006, p. 101)
Certo experimento deve ser realizado até que seja obtido um resultado bem Na letra (b) devemos calcular P(C(Y) > 500000). Usando a expressão de C(Y),
sucedido. As realizações são independentes e o custo de cada experimento é
$25.000, sendo que se o resultado for um insucesso, há um custo adicional P(C(Y) > 500000) = P(30000 Y – 5000) > 500000)
de $5.000 para o preparo da próxima realização. = P(Y > 505000 / 30000) = P(Y > 16,8)
(a) Obtenha o custo esperado do experimento. = 1 – P(Y ≤ 16,8) = 1 – P(Y ≤ 16)
(b) Se o orçamento não pode ultrapassar $500.000, qual a probabilidade de que 16
este valor seja ultrapassado. = 1− ∑
k= 1
(1 − p) k − 1 p, 0 < p < 1.
Solução. Definimos Y como sendo o número de realizações até que ocorra o
1.0
primeiro resultado bem sucedido, notando que Y ∈ {1, 2, ...} e tem distribuição
geométrica com parâmetro p e f(y) = (1 – p)y–1p (veja lâmina 29). Pelo enunciado,
0.8
Se p = 0,25,
0.6
C(Y) = 25000 Y + 5000 (Y – 1) = 30000 Y – 5000.
0.4
Usando propriedades do valor esperado obtemos
0.2
E[C(Y)] = 30000 E(Y) – 5000 = 30000 / p – 5000.
0.0
Se p = 0,25, o custo esperado vale $115.000. 0.0 0.1 0.2 0.3 0.4
p
32 33
34 35
Distribuição BN(r, p)
BN(r = 2, p = 0.3) BN(r = 4, p = 0.3)
0.08
0.12
P(X = x)
P(X = x)
0.04
0.06
0.00
0.00
5 10 15 20 25 10 20 30 40
x x
P(X = x)
0.15
0.00
5 10 15 20 25 10 20 30 40
x x
36