Variaveis Aleatorias Distribuições - Caso Unidimensional - Discreto-Net-Aulas

Variáveis Aleatórias e Distribuições
Teóricas
Caso Unidimensional Discreto

Iola Maria Silvério Pinto
ipinto@deetc.isel.ipl.pt
Ano Lectivo 2010/2011
1 P.E. ISEL Ano Lectivo de 2010/2011

1.Introdução Geral
o espaço de resultados S é
constituído por elementos
Qualitativa expressos numa escala
nominal ou ordinal
S é um conjunto
Variável discreta numerável
Quantitativa
contínua S é um conjunto
não numerável

Definição: Variável Aleatória
É uma função que a cada elemento s do espaço de resultados S
faz corresponder um número real.
X Variável aleatória
s1
x1=X (s1) Recta real
s2
s3 x2 = X (s2)= X (s3)
S
Espaço de resultados

Definição: Variável Aleatória Discreta
A variável aleatória (v.a.) X diz-se discreta se o conjunto de

valores possíveis que pode assumir é finito ou infinito numerável.
Exemplos:
 Número de tentativas efectuadas até enviar uma mensagem de rádio;
 Número de partículas radioactivas emitidas por uma fonte durante um

intervalo de tempo;

Definição: Variável Aleatória Contínua
A v.a. X diz-se contínua se tomar valores num intervalo ou
Numa colecção de intervalos.
Exemplos:
 Observação do tempo entre avarias de uma máquina em

funcionamento numa fábrica;
 Distância percorrida por um automóvel com 1 litro de
gasolina.

2. Variáveis Unidimensionais Discretas
EXERCÍCIO 1
Uma caixa contém, duas bolas azuis e três verdes.

Considere uma experiência aleatória que consiste em
retirar ao acaso, duas bolas, sucessivamente e com
reposição. Considere ainda definida a variável
aleatória - “número de bolas azuis extraídas”.

Sejam os eventos:
a: “é extraída uma bola azul”

v: “ é extraída uma bola verde”
Espaço de resultados S = aa, av, va, vv

X (aa)=2 então X=2
5 BOLAS
X(av)=1 então X=1
X(va)=1 então X=1
X(vv)=0 então X=0

Da mesma forma que calculamos as probabilidades de

ocorrência dos eventos que constituem o espaço de
resultados S, também podemos atribuir
probabilidades aos valores que a variável aleatória
assume, utilizando para tal a correspondência entre o
espaço de resultados e a característica numérica em
estudo.

Como a extracção é realizada com reposição, os
resultados das duas extracções são independentes.
P(X=0)= P (vv)=3/5.3/5=0,36
P(X=1)= P (av)+P (va)=

= (2/5.3/5)+(3/5.2/5)=2.(6/25)=0,48
P(X=2)=P (aa)=2/5.2/5=0,16

Exercício 1:COM REPOSIÇÃO
Função de Probabilidade: forma tabular
X 0 1 2
f(x) 0,36 0,48 0,16
f(x)=0 para outros valores de X

Definição: Função de probabilidade
Seja X uma v.a. discreta. A função de probabilidade
de X é uma função com domínio e conjunto de
Chegada [0,1], que associa a cada valor possível x de
X a sua probabilidade:
f(x)  P(X  x)
Esta função verifica as seguintes propriedades:
(1) f(x)  0, x 
(2)  f(x)  1
x
(3) Caso X tome valores em número infinito, a série

 f ( x ) terá de ser convergente.

i 1
i

Qual a probabilidade de se obter no máximo uma
bola azul?
P(X≤1)=f(0)+f(1)=0,84
Existe uma função que nos permite calcular o valor

desta probabilidade:
Designa-se por Função de distribuição e representa-
se por F(X).

Definição: Função de Distribuição
Seja X uma v.a. discreta com função de probabilidade f(x). A
sua função de distribuição F(x) está definida em e permite
calcular a probabilidade de X tomar valores menores ou iguais
a x.
F(x)  P(X  x)   f(x )

xi  x
i

Propriedades da função de distribuição:
 Tem domínio e conjunto de chegada [0,1];

 0  F(x)  1, x 
 F(x )  F(x ), x ,x , com x  x (crescente em sentido lato)
2 1 1 2 2 1
 limF(x)  0 e limF(x)  1
x  x 
 F(x) é contínua à direita e descontínua à esquerda nos pontos

em que a probabilidade é diferente de zero.

Exercício 1: Função de distribuição F(X)
(forma tabular)
X X<0 0≤X<1 1≤X<2 X≥2
F(x) 0 f(0)=0,36 f(0)+f(1)=0,84 f(0)+f(1)+f(2)=1

Parâmetros
Valor médio ou
X  E(X)   xif(xi )
valor esperado i
Var(X)  E(X )  E(X)

2
2
Variância
E(X )   x f(x )
2
i
2
i
i

Parâmetros
Desvio padrão  X  Var(X)

Coeficiente de X
Cv X 
variação X

2. Variáveis Unidimensionais discretas.
Propriedades do valor médio:
E(k) = k
E(kX ) = kE(X )
E(aX ± bY) = aE(X ) ± bE(Y)
Propriedades da variância:
Var(k) = 0
Var(kX ) = k2 Var(X )

3. Distribuições teóricas de variáveis
discretas unidimensionais
Considere-se uma experiência aleatória com

apenas dois resultados possíveis, sucesso e
insucesso.
Variável aleatória: X que toma os valores 0 e 1
1, se a experiência é bem sucedida:sucesso

X
0, se a experiência é malsucedida: insucesso

Definição:
Diz-se que a v.a. X tem distribuição de Bernoulli com
probabilidade de sucesso p e probabilidade de insucesso 1-p
e escreve-se
X Bernoulli(p)
quando X tem a função de probabilidade:
forma tabular
q  1  p, se x  0
 X 0 1
f(x)  p , se x  1
0 ou f(x) 1-p p
 , outros casos

X Bernoulli(p)
0, x  0

Função de distribuição: F(x)  1  p, 0  x  1
1 , x  1

Parâmetros: E(X)  p
Var(X)  pq
Exemplo: A probabilidade de que um bit transmitido
através dum canal de ruído seja recebido com erro é 0,1.
0 se há erro
X
1 se não há erro
0,9 se x  1

Função de probabilidade f(x)  0,1 se x  0
0 outros valores


Processo de Bernoulli, ou uma sucessão de
provas de Bernoulli
é uma experiência estatística com as seguintes características:
 Procede-se à repetição de n tentativas;
 Cada tentativa tem dois resultados possíveis: sucesso e
insucesso;
 A probabilidade de sucesso p, mantém-se em todas as
tentativas;
 As várias tentativas produzem resultados que são
independentes;
A distribuição Binomial é uma generalização da

distribuição de Bernoulli, para o caso de se terem n
tentativas de Bernoulli, sendo o objectivo contabilizar
o número de sucessos obtidos nas n tentativas.

EXERCÍCIO 1
Uma caixa contém, duas bolas azuis e três verdes. Considere
uma experiência aleatória que consiste em retirar ao acaso,
duas bolas, sucessivamente e com reposição. Considere ainda
definida a variável aleatória - “número de bolas azuis
extraídas”.
Um exemplo de uma variável com distribuição
Binomial é:
X: “número de bolas azuis extraídas”.

1. n é o nº de provas que é igual a 2, pois temos 2
extracções;
2. as provas são independentes porque as extracções
são com reposição;
3.o resultado de cada prova é um de dois possíveis:
bola verde ou bola azul
4. P é a probabilidade de sucesso por prova que é
constante e igual a 2/5.

X B(n,p) Lê-se X tem distribuição Binomial

de parâmetros n e p;
Definição:
A v.a. X tem distribuição Binomial de parâmetros n
e p, se a função de probabilidade de X é dada por:

C p (1  p)
n x n x
x  0,1,2,...,n
f(x)  
x

0 x  0,1,2,...,n
Função de probabilidade: Distribuição Binomial n=10 e p=0,2

Função de distribuição e parâmetros da
distribuição Binomial
0 ,x  0

F(x)    C p (1 p) ,0  x  n
x
n i n i
i
 i0
1 ,x  n
E(X)  n.p
Var(X)  n.p.(1  p)
Propriedades da distribuição Binomial:
A distribuição de Bernoulli (p) e a distribuição Bin (n =1, p) são

idênticas;
Da definição de Binomial decorre que, sendo
Xi Bin(ni,p),i  1,...,m
e se X1,...,Xm são variáveis aleatórias independentes então,

X1  X 2   Xm Bin(n1  n2   nm ),p
A distribuição Bin (n, p ) é simétrica se e só se p=0,5.

Considere-se o enunciado do exercício 1, agora

sem reposição. Neste caso os resultados das duas
extracções não são independentes.

2/5
1/4 Sem
5 BOLAS reposição
3/4
2/4
3/5
2/4
Variável aleatória
X: nº de bolas azuis extraídas

Como a extracção é realizada Sem Reposição, os
resultados das duas extracções não são
independentes, obtendo-se as probabilidades:
P(X=0)= P (vv)=3/5.2/4=0,3
P(X=1)= P (av)+P (va)= (3/5.2/4)+(2/5.3/4)=0,6
P(X=2)=P (aa)=2/5.1/4=0,1

Exercício 1: Tiragens Sem reposição
Função de Probabilidade:
X 0 1 2
f(x) 0,3 0,6 0,1
f(x)=0 para outros valores de X

Para determinar as probabilidades
associadas a cada valor que a variável
aleatória assume podemos igualmente
raciocinar considerando uma só tiragem
simultânea:
X: nº de bolas azuis extraídas

3
C2 2 C0
f(0)=P(X=0)= 5
 0,3
C2
3
f(1)=P(X=1)= C1 2 C1
5
 0,6
C2
3
f(2)=P(X=2)= C0 2 C2
5
 0,1
C2
Quando raciocinamos considerando uma extracção

simultânea, estamos a utilizar uma outra
distribuição teórica:
Distribuição Hipergeométrica

 Esta distribuição utiliza-se com frequência quando se
escolhem elementos de um conjunto finito constituído por
dois tipos de objectos;
 Tem-se um número finito de N objectos, dos quais k são dum

tipo e os restantes N-k são de outro tipo;
 A experiência consiste em seleccionar sucessivamente e sem

reposição n dos N objectos.

A v.a. X representa o nº de objectos escolhidos do primeiro tipo.
Em resumo, deve-se utilizar a distribuição hipergeométrica

quando:
 O tamanho da população é finito;
 As várias tentativas são dependentes e consequentemente a

probabilidade de sucesso não se mantém de tentativa para
tentativa.

Aproximação entre as distribuições Binomial e Hipergeométrica
Se n é pequeno, quando comparado com N, na prática, n  N ,

10
K
a distribuição binomial com p  , constitui uma aproximação
N
razoável da distribuição hipergeométrica.
Nesse caso torna-se indiferente utilizar uma das duas distribuições

para o cálculo de probabilidades.

Distribuição Hipergeométrica
Exemplo de aplicação usual:
Contagem do número de elementos de determinado

tipo (por exemplo defeituosos) contidos numa amostra
de tamanho n, retirada (sem reposição) duma
população finita com N elementos, dos quais K (K≤ N)
são desse tipo (defeituosos).

Definição:
Seja X o número de sucessos contidos numa amostra de tamanho
n retirada sem reposição, de uma população de N elementos, dos
quais K constituem sucesso.
Diz-se que X H(N,n,p) e lê-se X tem distribuição
Hipergeométrica com parâmetros N, n e p se a sua função de
probabilidade for dada por:
 CKx CNnxK
 , x  0, 1,..,n k
f(x)   Cn N
p 
N
0
 , outros casos
discretas
Parâmetros da distribuição hipergeométrica
K
Valor médio E(X)  n.p com p 
N
Nn
Variância Var(X)  n.p(1  p)
N1

discretas
Distribuição de Poisson
Um processo de Poisson utiliza-se para caracterizar o número de eventos
que ocorrem num domínio contínuo: num intervalo de tempo, numa
região espacial, num volume, numa superfície, etc…, sob a hipótese de
que as ocorrências são eventos independentes.
Propriedades
• É um processo sem memória ( o número de eventos que ocorre num
intervalo é independente do que ocorre noutro intervalo disjunto do
primeiro); assim o número de ocorrências em intervalos não sobrepostos
são variáveis independentes.
discretas
Propriedades
 A distribuição do número de ocorrências em cada intervalo
é a mesma para todos os intervalos. A probabilidade de um
certo número de ocorrências se verificar, é a mesma para
todos os intervalos da mesma dimensão. O valor desta
probabilidade só depende da dimensão do intervalo e não da
sua localização.
 A probabilidade de ocorrer mais do que um evento num

intervalo muito pequeno é tão baixa que se considera nula.

discretas
Definição:
Com µ >0 o número médio de eventos que ocorrem num
dado intervalo de tempo (ou numa dada região espacial), a
v.a. X representa o número de eventos que ocorrem nesse
intervalo de tempo ou região, tendo-se como pressuposto
que os eventos ocorrem de forma independente uns dos
outros.

discretas
Escreve-se X P( ) e lê-se X segue uma distribuição

de Poisson de parâmetro µ, tendo-se a função de
probabilidade:
 e   x
 ,x  0,1,2,...
f(x)   x!
0 , outros valores

discretas
Parâmetros:
Valor médio E(X)  
Variância Var(X)  

discretas
O parâmetro µ é proporcional às unidades do domínio a
que se refere a v.a. X. Assim, poderá será prático utilizar
em vez de X a v.a. Xt onde:
Xt representa o número de ocorrências no período t
Veja-se que: X P(   t), onde  representao
t
nºdeocorrências por unidade de tempo
e para t  1   
discretas
Aditividade
A soma de variáveis aleatórias com distribuição de Poisson
independentes é ainda uma v.a. de Poisson.
Xi P( i ), i  1,2,...,m
X1  X 2   Xm P( 1  2   m )
Aproximação da Binomial à Poisson

A distribuição Binomial converge para a distribuição
  np de
Poisson, quando n   e p  0 , mantendo-se np constante .
A aproximação já é razoável para n  20 e p  0,05.

Variaveis Aleatorias Distribuições - Caso Unidimensional - Discreto-Net-Aulas

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Variaveis Aleatorias Distribuições - Caso Unidimensional - Discreto-Net-Aulas

Hochgeladen von

Copyright:

Verfügbare Formate

Variáveis Aleatórias e Distribuições

Caso Unidimensional Discreto

Ano Lectivo 2010/2011

1 P.E. ISEL Ano Lectivo de 2010/2011

2 P.E. ISEL Ano Lectivo de 2010/2011

3 P.E. ISEL Ano Lectivo de 2010/2011

A variável aleatória (v.a.) X diz-se discreta se o conjunto de

 Número de tentativas efectuadas até enviar uma mensagem de rádio;

 Número de partículas radioactivas emitidas por uma fonte durante um

4 P.E. ISEL Ano Lectivo de 2010/2011

 Observação do tempo entre avarias de uma máquina em

5 P.E. ISEL Ano Lectivo de 2010/2011

Uma caixa contém, duas bolas azuis e três verdes.

6 P.E. ISEL Ano Lectivo de 2010/2011

a: “é extraída uma bola azul”

Espaço de resultados S = aa, av, va, vv

7 P.E. ISEL Ano Lectivo de 2010/2011

X(va)=1 então X=1

X(vv)=0 então X=0

8 P.E. ISEL Ano Lectivo de 2010/2011

Da mesma forma que calculamos as probabilidades de

9 P.E. ISEL Ano Lectivo de 2010/2011

P(X=1)= P (av)+P (va)=

10 P.E. ISEL Ano Lectivo de 2010/2011

Função de Probabilidade: forma tabular

f(x)=0 para outros valores de X

11 P.E. ISEL Ano Lectivo de 2010/2011

Esta função verifica as seguintes propriedades:

 f ( x ) terá de ser convergente.

13 P.E. ISEL Ano Lectivo de 2010/2011

Existe uma função que nos permite calcular o valor

14 P.E. ISEL Ano Lectivo de 2010/2011

F(x)  P(X  x)   f(x )

15 P.E. ISEL Ano Lectivo de 2010/2011

 Tem domínio e conjunto de chegada [0,1];

 F(x) é contínua à direita e descontínua à esquerda nos pontos

16 P.E. ISEL Ano Lectivo de 2010/2011

X X<0 0≤X<1 1≤X<2 X≥2

F(x) 0 f(0)=0,36 f(0)+f(1)=0,84 f(0)+f(1)+f(2)=1

17 P.E. ISEL Ano Lectivo de 2010/2011

Var(X)  E(X )  E(X)

18 P.E. ISEL Ano Lectivo de 2010/2011

Desvio padrão  X  Var(X)

19 P.E. ISEL Ano Lectivo de 2010/2011

20 P.E. ISEL Ano Lectivo de 2010/2011

Considere-se uma experiência aleatória com

Variável aleatória: X que toma os valores 0 e 1

1, se a experiência é bem sucedida:sucesso

21 P.E. ISEL Ano Lectivo de 2010/2011

22 P.E. ISEL Ano Lectivo de 2010/2011

24 P.E. ISEL Ano Lectivo de 2010/2011

A distribuição Binomial é uma generalização da

26 P.E. ISEL Ano Lectivo de 2010/2011

X: “número de bolas azuis extraídas”.

27 P.E. ISEL Ano Lectivo de 2010/2011

28 P.E. ISEL Ano Lectivo de 2010/2011

X B(n,p) Lê-se X tem distribuição Binomial

30 P.E. ISEL Ano Lectivo de 2010/2011

A distribuição de Bernoulli (p) e a distribuição Bin (n =1, p) são

e se X1,...,Xm são variáveis aleatórias independentes então,

32 P.E. ISEL Ano Lectivo de 2010/2011

Considere-se o enunciado do exercício 1, agora

33 P.E. ISEL Ano Lectivo de 2010/2011