Distribuicao Discreta Prof. Camilo Daleles Renno Do INPE

Estatística: Aplicação ao Sensoriamento Remoto
ANO 2010
Camilo Daleles Rennó

camilo@dpi.inpe.br
http://www.dpi.inpe.br/~camilo/estatistica/
Funções de Distribuição (Discreta)
- Uniforme Discreta
- Binomial
- Bernoulli
- Geométrica
- Binomial Negativa (Pascal)
- Hipergeométrica
- Poisson
Distribuição Uniforme Discreta
Considere uma v.a. X cujos valores são inteiros de 1 a N, equiprováveis, ou seja,
todos os valores têm igual probabilidade de ocorrência.
Exemplo: Lança-se um dado e define-se uma v.a. X como o valor obtido neste dado.
N
X: {1, 2, 3, 4, 5, 6} E ( X )   xP( X  x ) 1
x 1

N
N
P(X = 1) = 1/6 1
P(X = 2) = 1/6
E( X ) 
N
x
N ( N  1)
P(X = 3) = 1/6
x 1
1 N ( N  1) 2
P(X = 4) = 1/6 E( X ) 
P(X = 5) = 1/6 N 2
P(X = 6) = 1/6
N 1
1 E( X ) 
f(x) = ? 2
N
6
E( X )  ?
Var ( X )  ?
X: {1, 2, 3, 4, 5, 6} Var ( X )  E ( X 2 )  [ E ( X )]2

N
P(X = 1) = 1/6 E ( X )   x 2 P( X  x )
2
1
P(X = 2) = 1/6 x 1

N
P(X = 3) = 1/6 1 N
P(X = 4) = 1/6 E( X ) 
2
N
x 2
N ( N  1)(2 N  1)
P(X = 5) = 1/6 x 1 
6
P(X = 6) = 1/6 1 N ( N  1)(2 N  1)
E( X 2 ) 
1 N 6
f(x) =
N ( N  1)(2 N  1)
E( X 2 ) 
N 1 6
E( X ) 
2
X: {1, 2, 3, 4, 5, 6} Var ( X )  E ( X 2 )  [ E ( X )]2
P(X = 1) = 1/6 ( N  1)(2 N  1) ( N  1) 2

Var ( X )  
P(X = 2) = 1/6 6 4
P(X = 3) = 1/6  (2 N  1) ( N  1) 
P(X = 4) = 1/6 Var ( X )  ( N  1)  
 6 4 
P(X = 5) = 1/6
P(X = 6) = 1/6  4 N  2  3N  3 
Var ( X )  ( N  1)  
1  12
f(x) = ( N  1)
N Var ( X )  ( N  1)
12
N 1
E( X )  N 2 1
2 Var ( X ) 
12
1 1
f ( x)   X:
X: {1,
{1, 2,
2, ...,
..., N}
6}
N 6
N 1 6 1
E( X )    3,5
2 2
N 2  1 36  1
Var ( X )    2, 92
12 12
Distribuição Binomial
Considere o experimento: retiram-se 3 bolas da urna (com reposição).
Define-se uma v.a. X cujos valores representam o número total de
bolas vermelhas dentre as 3 escolhidas.
X: {0, 1, 2, 3}
O experimento envolve 3 eventos independentes.

Para cada evento:
P(vermelha) = 5/7 = p (probabilidade de sucesso)
P(azul) = 2/7 = q (probabilidade de fracasso, q = 1 - p)
Define-se uma v.a. X cujos valores representam o número total de bolas
vermelhas dentre as 3 escolhidas.
X: {0, 1, 2, 3} p = 5/7 q = 2/7 n = 3 (número de bolas retiradas da urna)

3 3
2 2 2 2 8 5 5 5  5  125
P ( X  0)      P ( X  3)   
7 7 7  7  343 7 7 7  7  343
qqq ppp
2
3! 5 2 2 n!
 3     
5 2 60 p x qn x
P ( X  1)  f (x) = ?
1!2! 7 7 7  7  7  343 x !(n  x )!
pqq
n
3! 5 5 2
2
f ( x)    p x qn x
 3     
5 2 150
P ( X  2)   x
2!1! 7 7 7  7   7  343
ppq
X: {0, 1, 2, 3}
n
f ( x )    p x qn x
 x
E( X )  ?
Var ( X )  ?
Analisando o caso particular onde n = 1:
Bernoulli
Distribuição Bernoulli
Considere o experimento: retira-se uma bola da urna. Define-se uma
v.a. X cujos valores são 1 se a bola escolhida for vermelha (sucesso) e
0 caso contrário (fracasso).
X: {0, 1}
P(X = 0) = 2/7 = q (probabilidade de fracasso, q = 1 - p)

P(X = 1) = 5/7 = p (probabilidade de sucesso)
x 1 x
 5x 1x 2 
f(x) = ?p q  
7 7
E( X )  ?
Var ( X )  ?
1
E ( X )   xP( X  x )
X: {0, 1} x 0
P(X = 0) = 2/7 E ( X )  0q  1 p
P(X = 1) = 5/7
x 1 x E( X )  p
f(x) = p q
Var ( X )  E ( X 2 )  [ E ( X )]2
X: {0, 1}
1
P(X = 0) = 2/7 E ( X )   x 2 P( X  x )
2
P(X = 1) = 5/7 x 0
E ( X 2 )  02 q  12 p
x 1 x
f(x) = p q
E( X 2 )  p
E( X )  p
Var ( X )  E ( X 2 )  [ E ( X )]2
X: {0, 1}
P(X = 0) = 2/7 Var ( X )  p  p 2

P(X = 1) = 5/7
Var ( X )  p(1  p )
x 1 x
f(x) = p q
Var ( X )  pq
E( X )  p
x 1 x
 5 2
f ( x )  p x q1 x      X: {0, 1}
7 7
5
E( X )  p   0,714
7
5 2 10
Var ( X )  pq    0, 204
7 7 49
A v.a. Binomial pode ser entendida como uma

X: {0, 1, 2, 3} somatória de n v.a. Bernoulli, já que, para cada evento
(tirar uma bola) há uma probabilidade p de sucesso
(tirar bola vermelha) e q de fracasso (tirar bola azul).
n
f ( x )    p x qn x n
 x X   Yi onde cada Yi tem distribuição Bernoulli (0 ou 1)
i 1
Y1 = 0 Y2 = 1 Y3 = 1
E( X )  ? Por exemplo: q p p X=2
Var ( X )  ?  n  n n
E ( X )  E  Yi    E (Yi )   p  np
 i 1  i 1 i 1
 n  n n
Var ( X )  Var   Yi   Var (Yi )   pq  npq
 i 1  i 1 i 1
x 3 x
p = 5/7  n  x n x  3   5   2 
q = 2/7 f ( x)    p q        X: {0, 1, ...,
2, 3}n}
n=3
 x  x 7   7 
5 15
E ( X )  np  3   2,143
7 7
5 2 30
Var ( X )  npq  3   0,612
7 7 49
Distribuição Geométrica
Considere o experimento: retiram-se bolas da urna (com reposição),
até que se consiga uma bola vermelha. Define-se uma v.a. X cujos
valores representam o número total de bolas azuis (fracassos)
retiradas da urna até obter uma bola vermelha (sucesso).
X: {0, 1, 2, ..., }
O experimento envolve de 1 a infinitos eventos independentes.

Para cada evento:
X: {0, 1, 2, ..., } p = 5/7 q = 2/7

3
2225
     
2 5 40
5 P ( X  3)   0,017
P ( X  0)   0,714 7777 7
   7 2401
7 qqqp
p
2 5 10
P ( X  1)    0, 204
7 7 49 f (x) = ?pq x
qp
2
2 2 5  2   5  20
P ( X  2)     0, 058
7 7 7  7   7  343
qqp

d  q 
X: {0, 1, 2, ..., } E ( X )   xP( X  x ) E ( X )  pq
x 0 dq  1  q   1
2

1 p
E ( X )   xpq x E ( X )  pq 2
p
f ( x )  pq x x 0

E ( X )  pq  xq x 1 dq x q
x 1  E( X ) 
dq p

dq x
E( X )  ? E ( X )  pq 
x 1 dq
Var ( X )  ?
d  x
E ( X )  pq  q q
dq x 1 
1 q
Var ( X )  E ( X 2 )  [ E ( X )]2
X: {0, 1, 2, ..., }

E ( X )   x 2 P( X  x )
2
x 0
f ( x )  pq x 
E ( X )   x 2 pq x
2
x 0
q2  q
E( X ) 
2
q p2
E( X ) 
p
Var ( X )  E ( X 2 )  [ E ( X )]2
X: {0, 1, 2, ..., }
q2  q q2
Var ( X )   2
p2 p
f ( x )  pq x
q
Var ( X ) 
p2
q
E( X ) 
p
x
p = 5/7
f ( x )  pq   
x5 2
q = 2/7 X: {0, 1, 2, ..., }
77
q 27 2
E( X )     0, 4
p 75 5
q 2 49 14
Var ( X )     0,56
p 2 7 25 25
Distribuição Binomial Negativa
até que se consiga 3 bolas vermelhas. Define-se uma v.a. X cujos
retiradas da urna até obter as 3 bolas vermelhas (sucessos).
X: {0, 1, 2, ..., }
O experimento envolve de 3 a infinitos eventos independentes.

Para cada evento:
X: {0, 1, 2, ..., } p = 5/7 q = 2/7 r=3
5 5 5 5
3
 x  r  1 r x
P ( X  0)      0,364 f (x) = ? pq
7 7 7 7  x 
ppp
3
3! 2 5 5 5 25
P ( X  1)   3    0,312
1!2! 7 7 7 7 77
qppp
2 3
4! 2 2 5 5 5 2 5
P ( X  2)   6      0,178
2!2! 7 7 7 7 7 7 7
qqppp
A v.a. Binomial Negativa pode ser entendida como uma

X: {0, 1, 2, ..., } somatória de r v.a. Geométrica.
r
X   Yi onde cada Yi tem distribuição Geométrica
 x  r  1 r x i 1
Y1 = 2 Y2 = 4 Y3 = 3
f ( x)    pq
 x  Por exemplo: q q p q q q q p q q q p  X = 9
 r  r r
q rq
E ( X )  E  Yi    E (Yi )   
E( X )  ?  i 1  i 1 i 1 p p
Var ( X )  ?  r  r r
q rq
Var ( X )  Var   Yi   Var (Yi )   2  2
 i 1  i 1 i 1 p p
p = 5/7  x  r  1 r x  x  2   5 3  2  x
q = 2/7
f ( x)   p q      X: {0, 1, 2, ..., }
 x   x  7   7 
r=3
rq 27 6
E( X )  3   1, 2
p 75 5
rq 2 49 42
Var ( X )   3   1,68
p2 7 25 25
Distribuição Hipergeométrica
Considere o experimento: retiram-se 3 bolas da urna (sem
reposição). Define-se uma v.a. X cujos valores representam o número
total de bolas vermelhas dentre as 3 escolhidas.
número de
número
bolas retiradas
total
número
de bolas
da
de urna
bolas
na urna
vermelhas na urna
X: {1, 2, 3} n=3 M=7 K=5
210 5 4 3 12 2
P ( X  0)  0 P ( X  3)   
765 7 6 5 42 7
aaa vvv
K! ( M  K )!
3! 5 2 1 2 1
P ( X  1)  3  n! ( K  x)! [( M  K )  (n  x)]!
1!2! 7 6 5 42 7 f (x) = ?
vaa
x !(n  x)! M!
( M  n)!
3! 5 4 2 8 4
P ( X  2)  3   K  M  K 
2!1! 7 6 5 42 7  x  n  x 
vva f ( x)     
M 
n
 
K
E( X )  n
M
X: {1, 2, 3}
K M K M n
Var ( X )  n
M M M 1
 K  M  K 
 x  n  x  OBS: se M for muito grande:
f ( x)     
M  K
 p (probabilidade de sucesso)
n M
 
M K
 q (probabilidade de fracasso)
E( X )  ? M
Var ( X )  ? M n
 1  E ( X )  np Var ( X )  npq
M 1
Hipergeométrica  Binomial
 K  M  K   5 2 
 x  n  x   x3 x
M=7
K=5
f ( x)         X :{1,
X: ...,3}?}n  M  K ),..., min( n, K )}
{max(0,
{?, 2,
M  7
n=3 n  3
   
K 5
E( X )  n  3  2,143
M 7
K M K M n 5 2 4 120
Var ( X )  n 3   0, 408
M M M 1 7 7 6 294
Distribuição de Poisson
Suponha que uma central telefônica recebeu 270 chamadas num período de 3
horas, ou seja, 1,5 chamadas por minuto. Deseja-se calcular a probabilidade de
que nos próximos 3 minutos sejam recebidas 0, 1, 2, etc chamadas.
Considere que a qualquer instante, uma chamada é tão provável de ocorrer
como em qualquer outro instante e assim, a probabilidade permanece
constante.
Pode-se considerar cada intervalo como
0 1 2 3 min uma Bernoulli, sendo sucesso receber uma
chamada e fracasso não receber nenhuma
chamada.
Sendo assim, quanto vale p = P(sucesso)?
E ( X )  4,5 (X é o número de chamadas recebidas em 3 minutos)

como n = 9, então
np = 4,5
portanto p = 0,5
Problema: não considera a possibilidade
9 9 de 2 ou mais chamadas dentro do
f ( x )     0,5  0,5     0,5 
x 9 x 9
mesmo intervalo!
 x  x
constante.
0 1 2 3 min
E ( X )  4,5
como n = 18, então
p = 0,25
Problema: não considera a possibilidade
 18 
f ( x )     0, 25  0,75 
x 18 x
de 2 ou mais chamadas dentro do
x mesmo intervalo!
constante.
0 1 2 3 min
n intervalos
E ( X )  4,5    np Se n  , então p  0 e f(x) tende para:

então
 e   x
p f ( x)  (distribuição de Poisson)
n x!
x nx
n    
f ( x)      1   E ( x)   Var ( x )  
 x n   n
constante.
0,25
Binomial
0,2
n = 10, p = 0,45
Binomial
Binomial
0,15
nn = 160,
20, pp==0,225
0,028
0,1
0,05
Poisson
0
0 5 10 15 20
Dica para identificação: eventos em que somente é possível contar os sucessos mas não os fracassos
Resumo Distribuições Discretas
n=1
r=1

Distribuicao Discreta Prof. Camilo Daleles Renno Do INPE

Enviado por

Dados do documento

Título original

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

Distribuicao Discreta Prof. Camilo Daleles Renno Do INPE

Enviado por

Direitos autorais:

Formatos disponíveis

Estatística: Aplicação ao Sensoriamento Remoto

Camilo Daleles Rennó

- Binomial Negativa (Pascal)

X: {1, 2, 3, 4, 5, 6} Var ( X )  E ( X 2 )  [ E ( X )]2

X: {1, 2, 3, 4, 5, 6} Var ( X )  E ( X 2 )  [ E ( X )]2

P(X = 1) = 1/6 ( N  1)(2 N  1) ( N  1) 2

O experimento envolve 3 eventos independentes.

X: {0, 1, 2, 3} p = 5/7 q = 2/7 n = 3 (número de bolas retiradas da urna)

P(X = 0) = 2/7 = q (probabilidade de fracasso, q = 1 - p)

P(X = 0) = 2/7 Var ( X )  p  p 2

A v.a. Binomial pode ser entendida como uma

O experimento envolve de 1 a infinitos eventos independentes.

X: {0, 1, 2, ..., } p = 5/7 q = 2/7

O experimento envolve de 3 a infinitos eventos independentes.

X: {0, 1, 2, ..., } p = 5/7 q = 2/7 r=3

A v.a. Binomial Negativa pode ser entendida como uma

E ( X )  4,5 (X é o número de chamadas recebidas em 3 minutos)

E ( X )  4,5    np Se n  , então p  0 e f(x) tende para:

Você também pode gostar