V. A. • Uma V.A. é uma função X que associa um valor numérico a cada resultado de um experimento.
• Embora diferentes resultados do experimento
possam compartilhar o mesmo valor associado a X, há um único valor numérico da variável aleatória, associado a cada resultado. Exemplo • Considere o lançamento simultâneo de duas moedas, distinguíveis uma da outra. • A) Determine o Espaço amostral • B) Determine a probabilidade de cada evento • C) X é uma V.A. definida como o numero de faces, determine as probabilidades dos eventos elementares FMP e FAP V.A. Discreta
• Assumi apenas valores numéricos inteiros e,
também, pode estar associado a um espaço amostral finito e numerável. V.A. Continua • Por outro lado, se a variável aleatória X pode assumir qualquer valor real, ela é do tipo contínuo e, nesse caso, a função equivalente à FMP é denominada função densidade de probabilidade (FDP). • Essa função não negativa, aqui denotada por f(x) FDP FAP FAP • FAP de uma variável aleatória contínua X, aqui representada por F(x), fornece a probabilidade de não superação do argumento x, ou seja, P(X≤x). Considerações • Como requisito geral, para que se trate de uma densidade de probabilidades, a função deve ser não negativa e o resultado de sua integração, ao longo de todo o domínio de variação de X, deve ser igual a 1.
• Em particular, a função densidade de
probabilidade de uma variável contínua X pode ter uma grande variedade de formas. Exemplo • Considere que a variável aleatória ‘vazão media diária máxima anual’, em m3/s, em uma certa estação fluviométrica, seja representada por X e que sua função densidade de probabilidade seja dada pela Figura a seguir . Pede-se • (a) P(X < 100 m3/s) • (b) P(X > 300 m3/s). Medidas Descritivas Populacionais • A população de uma variável aleatória X é integralmente conhecida, sob o ponto de vista estatístico, pela completa especificação da função de probabilidades.
• Analogia com a estatística descritiva amostral
– Inferência Valor Esperado (Média populacional) • O valor esperado de X é o resultado da ponderação dos valores possíveis da variável aleatória. Propriedades • O operador esperança matemática apresenta as seguintes propriedades: Exemplo • A esperança matemática E[X-µ] é denominado momento central de ordem 1 e corresponde à média das distâncias de x, em relação à média µ, ponderada pela FDP ou pela FMP de X. Use as propriedades do operador esperança matemática para mostrar que é nulo o momento central de ordem 1. Variância Populacional • A variância populacional de uma variável aleatória X, representada por Var[X], ou σ2, é definida como sendo o momento central de segunda ordem. • Corresponde à medida populacional mais frequentemente empregada para caracterizar a dispersão das funções de probabilidade. Variância Populacional
• Expandindo usando as propriedades de E[X]
Exemplo • Os possíveis valores de uma variável aleatória X são {0, 1, 2, 3, 4}, com as seguintes probabilidades:
• P(X=0)=0,6561; P(X=1)=0,2916; P(X=2)=0,0486;
P(X=3)=0,0036; P(X=4)=0,0001
• Determine as medidas descritivas
populacionais. Distribuições de probabilidades
• Um modelo de distribuição de probabilidades
é uma forma matemática abstrata, a qual, por suas características intrínsecas de variabilidade e conformação, devem ser capazes de representar, de modo conciso, as variações possíveis de uma variável aleatória. Distribuições de probabilidades
• Um modelo de distribuição de probabilidades
também é uma forma paramétrica, cujos valores numéricos o definem completamente e o particularizam para uma certa amostra de observações de uma variável aleatória. Distribuições discretas • Processos de Bernoulli – Inclui as distribuições binomial, geométrica e binomial negativa.
• Processos de Poisson – Distribuição de Poisson
• Distribuições hipergeométrica e multinomial
Processos de Bernoulli • Considere um experimento com somente dois resultados possíveis e dicotômicos: {S,F}
• Se a probabilidade de ocorrer um sucesso é
igual a p e se associarmos a esse experimento uma variável aleatória discreta X, cujos valores possíveis são X = 1 para o resultado S e X = 0 para o resultado F, diz-se que X segue uma distribuição de Bernoulli. Processos de Bernoulli • Agora, de modo mais geral, suponha que a escala de tempo de um determinado processo estocástico tenha sido discretizada em intervalos de largura definida, indexados por i =1, 2, ... • Suponha também que, em cada intervalo de tempo, pode ocorrer um único ‘sucesso’, com probabilidade p, ou uma única ‘falha’, com probabilidade (1-p), e que essas probabilidades não são afetadas pelas ocorrências anteriores. Processos de Bernoulli • i. a variável é dita binomial, quando Y refere-se ao número de ‘sucessos’ em N repetições independentes; • ii. a variável é denominada geométrica, quando Y refere-se ao número de repetições independentes necessárias para que um único ‘sucesso’ ocorra; • iii. a variável é denominada binomial negativa, quando Y refere-se ao número de repetições independentes necessárias para que um certo número r de ‘sucessos’ ocorram. Distribuição Binomial • Considere um experimento composto por uma sequência de N repetições independentes de um experimento de Bernoulli.
• A probabilidade de ocorrer um ‘sucesso’,
designado por S, é constante e igual a p, e a probabilidade de ‘falha’ F é dada por (1-p). Distribuição Binomial • Para cada experimento isolado, a variável de Bernoulli, denotada por X, pode ter o valor X = 1, se o resultado for um ‘sucesso’, ou X=0, se o experimento resultar em uma ‘falha’.
• Considere que a variável aleatória discreta Y
representa o número de ‘sucessos’, entre as N possibilidades. Distribuição Binomial Exemplo • Suponha que numa linha de produção a probabilidade de se obter uma peça defeituosa (sucesso) é p = 0,1. Toma-se uma amostra de 10 peças para serem inspecionadas. Qual a probabilidade de se obter:
• 1. Uma peça defeituosa?
• 2. Nenhuma peça defeituosa? • 3. Duas peças defeituosas? • 4. No mínimo duas peças defeituosas? • 5. No máximo duas peças defeituosas? Distribuição Geométrica • Considere novamente uma sequência de ensaios de Bernoulli independentes. • Suponha agora que o experimento é repetido até que ocorra sucesso pela primeira vez. • A variável aleatória X é definida agora como o número de repetições necessárias para se obter o primeiro sucesso. • IMPORTANTE: No modelo Binomial o número de repetições é predeterminado (fixo), ao passo que no modelo Geométrico o número de repetições é uma variável aleatória. Distribuição Geométrica • A distribuição de probabilidade do número X de tentativas de Bernoulli necessárias para alcançar um sucesso: Exemplo
• Um pesquisador está realizando um
experimento no laboratório de química e sabe que a probabilidade de que cada experimento apresente uma reação positiva é 0,3. Qual é a probabilidade de que menos de 5 reações negativas ocorram antes da primeira positiva? Distribuição Binomial Negativa • Seja X uma variável aleatória que conta o número de tentativas necessárias para se obter k sucessos, em n ensaios de Bernoulli com probabilidade p em cada ensaio. • Notemos que neste caso o último ensaio será k-ésimo sucesso. Exemplo • Suponha que, para se ganhar um jogo de dados seja necessário obter 3 vezes a face voltada para cima do dado com o número 1. Sendo que o número de lançamentos devem ser 6 e devemos obter a face 1 voltada para cima pela terceira vez no sexto lançamento. Supondo que o dado seja honesto, qual será a probabilidade de vencermos o jogo. Processos de Poisson • Estão entre os mais importantes processos estocásticos. • Eles podem ser considerados como um caso limite de um processo de Bernoulli que se desenvolve em uma escala de tempo, embora possam ser aplicados ao longo de um comprimento, ou de uma área, ou de um volume. Processos de Poisson • Considere um intervalo de tempo de comprimento t, o qual é subdividido em N subintervalos de comprimento t / N. • Suponha que cada subintervalo é suficientemente pequeno para que a probabilidade de mais de uma ocorrência de um certo evento S, no tempo t /N, seja considerada desprezível, quando comparada à probabilidade p de apenas uma única ocorrência do evento S nesse intervalo. • Considere ainda que a probabilidade p é constante para cada um dos subintervalos. Processos de Poisson • Finalmente, suponha que o número médio de ocorrências do evento S, em um intervalo de tempo qualquer, é proporcional ao comprimento de tal intervalo e que a constante de proporcionalidade é dada por λ. Processos de Poisson • Se, nessa expressão, fizermos p = λt/N suficiente pequeno e N suficiente grande, de modo que Np = λt, é possível demonstrar que Distribuição Poisson • Uma variável aleatória discreta X segue a distribuição de Poisson com parâmetro λ, se sua função de probabilidade for dada por Exemplo • Embarcações chegam a uma eclusa à razão média de 4/hora. Se a chegada de embarcações é um processo de Poisson, calcule • (a) a probabilidade de que 6 barcos cheguem em 2 horas • (b) a probabilidade de que o operador da eclusa possa se ausentar por 15 minutos sem que nenhum barco chegue nesse intervalo Distribuição Hipergeométrica • Suponha um conjunto com N itens, dos quais A possuem um certo atributo e (N-A) possuem o atributo b. • Considere que uma amostra contendo n itens, sorteados sem reposição, será retirada do conjunto de N itens. • Finalmente, considere que a variável aleatória discreta Y refere-se ao número de itens com atributo a, contidos na amostra de n itens. Distribuição Hipergeométrica Exemplo • Suponha que durante o mês de Fevereiro, ocorreram 18 dias chuvosos em Ponte Nova do Paraopeba. Suponha também que a ocorrência de um dia chuvoso não depende de ter chovido ou não no dia anterior. Se uma amostra de 10 dias é selecionada ao acaso, pergunta-se • (a) qual é a probabilidade de que 7 dias dessa amostra sejam chuvosos? e • (b) qual é a probabilidade de que pelo menos 6 dias dessa amostra sejam chuvosos?