SlideShare uma empresa Scribd logo
1 de 41
Estatística II
UNIVERSIDADE FEDERAL DO PARÁ
INSTITUTO DE CIÊNCIAS SOCIAIS APLICADAS
FACULDADE DE ECONOMIA
Prof. Dr. Ricardo Bruno Nascimento dos Santos
I – Variáveis Aleatórias e Distribuições de Probabilidade
*) Definição: Seja E um experimento e S o espaço associado ao
experimento. Uma função X, que associe a cada elemento s  S um
número real X(s) é denominada variável aleatória.
s 
S
X(s) 
R
X
Variável Aleatória
Um empresário pretende estabelecer uma firma para montagem
de um produto composto de uma esfera e um cilindro. As partes são
adquiridas em fábricas diferentes (A e B), e a montagem consistirá
em juntar as duas partes e pintá-las. O produto acabado deve ser o
comprimento (definido pelo cilindro) e a espessura (definida pela
esfera) dentro de certos limites e isso só poderá ser verificado após a
montagem. Para estudar a viabilidade de seu empreendimento, o
empresário quer ter uma ideia da distribuição do lucro por peça
montada.
Sabe-se que cada componente pode ser classificado como
bom, longo ou curto, conforme sua medida esteja dentro da
especificação, maior ou menor que a especificada, respectivamente.
Além disso, foram obtidos dos fabricantes o preço de cada
componente (R$ 5,00) e as probabilidades de produção de cada
componente com as características bom, longo e curto. Tais valores
podem ser verificados na tabela a seguir
I.1 – Variáveis Aleatórias Discretas
Produto Fábrica A
Cilindro
Fábrica B
Esfera
Dentro das especificações.............. Bom(B) 0,80 0,70
Maior que as especificações.......... Longo(L) 0,10 0,20
Menor que as especificações......... Curto (C) 0,10 0,10
Nosso primeiro objetivo e construir as probabilidades associadas a
combinação do produto a ser criado, primeiramente temos que construir o
espaço amostral (S), como são construídos em fábricas diferentes,
consideramos que a construção das peças se dá de forma independente,
portanto teríamos o seguintes elementos em S:
Se o produto final apresentar algum componente com defeito com a
característica curto (C), ele será irrecuperável, e o conjunto será vendido
como sucata a R$ 5,00. Cada componente longo poderá ser recuperado a um
custo adicional de R$ 5,00. Se o preço de venda de cada unidade for R$
25,00, como seria a distribuição de frequências da variável X: Lucro por
conjunto montado?
Tabela I1
I.1 – Variáveis Aleatórias Discretas
Então como ficaria a tabela
Com os valores de custo?
Cilindro Esfera
B
B
0,70
0,20
0,10
0,70
0,20
0,10
0,70
0,20
0,10
0,80
0,10
0,10
L
C
B
L
C
B
L
C
0,56
0,16
0,08
0,07
0,02
0,01
0,07
0,02
0,01
Produto Probabilidade
Lucro por
Montagem (X)
BB 0,56 15
BL 0,16 10
BC 0,08 -5
LB 0,07 10
LL 0,02 5
LC 0,01 -5
CB 0,07 -5
CL 0,02 -5
CC 0,01 -5
Tabela I2
L
C
I.1 – Variáveis Aleatórias Discretas
Então, pode-se notar que existem quatro possibilidades associadas as
ocorrências de fabricação do produto e de lucro, as quais seriam:
15, se ocorrer o evento A1 = {BB};
10, se ocorrer o evento A2 = {BL, LB};
5, se ocorrer o evento A3 = {LL};
-5, se ocorrer o evento A4 = {BC, CB, CL, LC, CC};
Cada um desses eventos possui uma probabilidade associada, onde:
P(A1)= 0,56; P(A2)= 0,23; P(A3)= 0,02; P(A4)=0,19
Isso nos permitirá construir a função [x, p(x)], que é um modelo teórico
para a distribuição da variável X, que o empresário poderá usar para julgar
a viabilidade econômica do projeto que ele pretende realizar. Aqui o x é o
valor da V.A. X e p(x) é a probabilidade de X tomar o valor x.
I.1 – Variáveis Aleatórias Discretas
x p(x)
15 0,56
10 0,23
5 0,02
-5 0,19
Total 1,00
Assim, teríamos a seguinte tabela
Tabela I3
I.1 – Variáveis Aleatórias Discretas
Vamos introduzir o conceito de valor médio por meio do exemplo
anterior:
A principal pergunta a ser feita pelo empresário diante da sua
distribuição de Lucro seria em procurar saber qual seria o seu lucro médio
por conjunto montado. A partir da tabela I3,, observamos que 56% das
montagens devem produzir um lucro de R$ 15, 23% um lucro de R$10 e
assim por diante. Logo, o lucro esperado por montagem será dado por
Lucro médio = (0,56)(15) + (0,23)(10) + (0,02)(5) + (0,19)(-5) = R$
9,85
** Definição: dada a v.a. X discreta, assumindo os valores
chamamos valor médio ou ESPERANÇA matemática de X ao valor:
1
,..., n
x x
1 1
( ) ( )
n n
i i i i
i i
E X x P X x x p
 
   
I.1 – Variáveis Aleatórias Discretas
I.1.1) Valor Médio de uma VA
A variância da V.A. X pode ser obtida pela clássica expressão de
variância, onde corresponde ao valor observado menos a média elevado ao
quadrado:
Já o desvio padrão é a raiz da Var(X), vamos verificar em um exemplo
prático como calcular a variância e o desvio padrão no Excel:
I.1 – Variáveis Aleatórias Discretas
I.1.2) A variância e desvio de uma variável aleatória
2
1
var( ) [ ( )]
n
i i
i
X x E X p

 
Para melhor retratar as propriedades do valor médio podemos
partir da seguinte dúvida do empresário:
Suponha que todos os preços determinados pelo empresário
estivessem errados. Na realidade, todos os valores deveriam ser
duplicados, isto é, custos e preços de venda. Isso corresponde à
transformação Z=2X. As probabilidades associadas à V.A. Z serão as
mesmas da V.A. X, pois cada valor de X irá corresponder a um único
valor de Z. Assim, o valor médio da distribuição de Z será dado por:
I.1 – Variáveis Aleatórias Discretas
I.1.3) Propriedades do valor médio
1
( ) ( )
n
i i
i
E Z z p z

 
1
(2 ) 19, 70
n
i i
i
x p

 
Podemos visualizar em uma tabela esse comportamento:
I.1 – Variáveis Aleatórias Discretas
I.1.3) Propriedades do valor médio
x z=2x p(z)=p(x) z*p(z)
15 30 0,56 16,80
10 20 0,23 4,60
5 10 0,02 0,20
-5 -10 0,19 -1,90
Total - 1,00 19,70
Tabela I4
Assim, dada a V.A. discreta X e a respectiva função de
probabilidade p(x), a esperança matemática da função h(X) é dada
por
As seguintes propriedades podem ser facilmente demonstradas:
a) Se h(X)=aX + b, onde a e b são constantes, então
b)
I.1 – Variáveis Aleatórias Discretas
I.1.3) Propriedades do valor médio
1
[ ( )] ( ) ( )
n
i i
i
E h X h x p x

 
2
[ )] ( )
var( ) var( )
E aX b aE X b
aX b a X
  
 
2
2 2 2
var( ) ( ) [ ( )] ( ) ( )i i i i
X E X E X x p x x p x       
Vamos construir então a Var(X), para tanto vamos mostrar isso em
na tabela I5:
Assim: var(X)=154,25 – (9,85)2 = 57,23
Simbolicamente podemos representar média e variância por:
I.1 – Variáveis Aleatórias Discretas
I.1.3) Propriedades do valor médio
w p(w) w*p(w)
152=225 0,56 126,00
102=100 0,23 23,00
(5 ou -5)2= 25 0,21 5,25
Total 1,00 154,25
Tabela I5: nesse caso supondo que w=X2
2
( ) ( )
var( ) ( )
E X X
X X




I.1 – Variáveis Aleatórias Discretas
I.1.4) Função de distribuição acumulada
Construindo um gráfico podemos demonstrar que:
I.1 – Variáveis Aleatórias Discretas
I.1.4) Função de distribuição acumulada
( ) lim ( ).x a
F a F x 
 
I.1 – Variáveis Aleatórias Discretas
I.1.5) Alguns modelos probabilísticos para V.A.D.
E que a função acumulada é dada por
( )
1 ( )
( )
ix x
n x
F x
k k
 
Graficamente teríamos
I.1 – Variáveis Aleatórias Discretas
I.1.5) Alguns modelos probabilísticos para V.A.D.
(a) Função de Probabilidade (b) Função de distribuição
I.1.5.2) Distribuição de Bernoulli: Muitos experimentos são tais
que os resultados apresentam ou não uma determinada característica.
Por exemplo:
(1) Uma moeda é lançada: o resultado ou é cara ou não (ocorrendo,
então, coroa);
(2) Um dado é lançado: ou ocorre face 5 ou não (ocorrendo, então,
uma das faces 1, 2, 3, 4 ou 6);
(3) Uma peça é escolhida ao acaso de um lote contendo 500 peças:
essa peça é defeituosa ou não;
(4) Uma pessoa escolhida ao acaso dentre 1.000 é ou não do sexo
masculino;
(5) Uma pessoa é escolhida ao acaso entre os moradores de uma
cidade e verifica-se se ela é favorável ou não a um projeto municipal.
I.1 – Variáveis Aleatórias Discretas
I.1.5) Alguns modelos probabilísticos para V.A.D.
Em todos os casos anteriormente citados, estamos interessados na
ocorrência de um sucesso ou fracasso. Essa terminologia (sucesso ou
fracasso) será usada frequentemente.
Para cada experimento acima podemos definir uma v.a. X, que
assume apenas dois valores: 1, se ocorrer sucesso e 0, se ocorrer
fracasso. Indicaremos por p a probabilidade de sucesso, isto é,
P(sucesso) = P(S)=p, 0 < p <1.
Definição: A variável aleatória X, que assume apenas os valores 1 e
0; com função de probabilidade (x, p(x)) tal que:
Que é conhecida como a variável aleatória de Bernoulli
I.1 – Variáveis Aleatórias Discretas
I.1.5) Alguns modelos probabilísticos para V.A.D.
(0) ( 0) 1
(1) ( 1) ,
p P X p
p P X p
   
  
I.1 – Variáveis Aleatórias Discretas
I.1.5) Alguns modelos probabilísticos para V.A.D.
Exemplo: vamos supor o caso do experimento (2). Supondo o dado
perfeito, teremos P(X=0)=5/6, P(X=1)=1/6,
E(X)=1/6, Var(X)=(1/6)(5/6)= 5/36
I.1 – Variáveis Aleatórias Discretas
I.1.5) Alguns modelos probabilísticos para V.A.D.
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
Vamos então considerar as seguintes situações, obtidas de (1) a (5) no
exemplo de Bernoulli:
(1’) uma moeda é lançada três vezes; qual é a probabilidade de se obter
duas caras?
(2’) um dado é lançado cinco vezes; qual a probabilidade de se obter face
5 no máximo três vezes?
(3’) dez peças são extraídas, ao acaso, com reposição, de um lote
contendo 500 peças; qual é a probabilidade de que todas sejam
defeituosas, sabendo-se que 10% das peças do lote são defeituosas?
(4’) cinco pessoas são escolhidas ao acaso entre 1.000; qual a
probabilidade de que duas sejam do sexo masculino?
(5’) Sabe-se que 90% das pessoas de uma cidade são favoráveis a um
projeto municipal. Escolhendo-se 100 pessoas ao acaso entre os
moradores, qual é a probabilidade de que pelo menos 80 sejam
favoráveis ao projeto?
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
Nos casos (4’) e (5’), o fato de estarmos extraindo indivíduos de um
conjunto muito grande implica que podemos supor que as extrações sejam
praticamente independentes.
Exemplo: Consideremos a situação (1’), supondo que a moeda não esteja
viciada, isto é, P(sucesso)=P(cara)=1/2. Indiquemos o sucesso (cara) por S e
fracasso (coroa), por F. Então, estamos interessados na probabilidade do
evento:
A ={ A ={
SSF, (1, 1, 0);
SFS, (1, 0, 1);
FSS} (0, 1, 1)}
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
p
q
p
q
p
q
p
q
p
q
p
q
p
q
S
F
S
F
S
F
S
F
3
p
2
p q
2
p q
2
pq
2
p q
2
pq
2
pq
3
q
Nº de sucessos Probabilidades p=1/2
0 q3 1/8
1 3pq2 3/8
2 3p2q 3/8
3 p3 1/8
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
Tabela I6: Probabilidades binomiais para n=3 e P(S) = p
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
Você pode empregar a Distribuição de Poisson em situações nas
quais não se está interessado no número de sucessos obtidos em n
tentativas, como ocorre no caso da distribuição binomial, entretanto,
esse número de sucessos deve estar dentro de um intervalo contínuo,
ou seja, o número de sucessos ocorridos durante um intervalo
contínuo, que pode ser um intervalo de tempo, espaço etc.
Imagine que você queira estudar o número de suicídios ocorridos
em uma cidade durante um ano ou o número de acidentes
automobilísticos ocorridos em uma rodovia em um mês ou o número
de defeitos encontrados em um rolo de arame ovalado de 500m.
Essas situações são exemplos daquelas que se enquadram na
DISTRIBUIÇÃO DE POISSON.
I.1 – Variáveis Aleatórias Discretas
I.1.7) Distribuição de Poisson
I.1 – Variáveis Aleatórias Discretas
I.1.7) Distribuição de Poisson
I.1 – Variáveis Aleatórias Discretas
I.1.7) Distribuição de Poisson
I.1 – Variáveis Aleatórias Discretas
I.1.7) Distribuição de Poisson
I.1 – Variáveis Aleatórias Discretas
I.1.8) Distribuição Hipergeométrica
Exemplo: Uma empresa fabrica um tipo de adaptador que são
embalados em lote de 25 unidades. Para aceitar o lote enviado por
essa fábrica, o controle de qualidade da empresa tomou o seguinte
procedimento: sorteia-se um lote e desse lote selecionam-
se 8 adaptadores para teste, sem reposição. Se for constatado, no
máximo, dois adaptadores defeituosos, aceita-se o lote fornecido pela
fábrica. Se o lote sorteado tiver 7 peças defeituosas, qual a
probabilidade de se aceitar o lote?
N=25
r=7
n=8
I.1 – Variáveis Aleatórias Discretas
I.1.8) Distribuição Hipergeométrica
Próxima AULA
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Mais conteúdo relacionado

Mais procurados

Exercícios - Distribuições de Probabilidade
Exercícios - Distribuições de ProbabilidadeExercícios - Distribuições de Probabilidade
Exercícios - Distribuições de Probabilidade
Cleibson Almeida
 
Aula de distribuição de probabilidade[1] cópia
Aula de distribuição de probabilidade[1]   cópiaAula de distribuição de probabilidade[1]   cópia
Aula de distribuição de probabilidade[1] cópia
Tuane Paixão
 
Correlacao
CorrelacaoCorrelacao
Correlacao
jon024
 
Variaveis+aleatorias
Variaveis+aleatoriasVariaveis+aleatorias
Variaveis+aleatorias
Fagner Talles
 
Lista de-exercc3adcios-sobre-angulos-formados-por-duas-retas-e-uma-transversal
Lista de-exercc3adcios-sobre-angulos-formados-por-duas-retas-e-uma-transversalLista de-exercc3adcios-sobre-angulos-formados-por-duas-retas-e-uma-transversal
Lista de-exercc3adcios-sobre-angulos-formados-por-duas-retas-e-uma-transversal
Huelio Vieira
 
Resumo sobre Integração de Funções Racionais e Frações Parciais
Resumo sobre Integração de Funções Racionais e Frações ParciaisResumo sobre Integração de Funções Racionais e Frações Parciais
Resumo sobre Integração de Funções Racionais e Frações Parciais
Gustavo Fernandes
 
Aula de distribuição de probabilidade[1]
Aula de distribuição de probabilidade[1]Aula de distribuição de probabilidade[1]
Aula de distribuição de probabilidade[1]
Tuane Paixão
 

Mais procurados (20)

Probabilidade e estatística - Variáveis Aleatórias
Probabilidade e estatística - Variáveis AleatóriasProbabilidade e estatística - Variáveis Aleatórias
Probabilidade e estatística - Variáveis Aleatórias
 
Exercícios - Distribuições de Probabilidade
Exercícios - Distribuições de ProbabilidadeExercícios - Distribuições de Probabilidade
Exercícios - Distribuições de Probabilidade
 
Distribuição normal
Distribuição normalDistribuição normal
Distribuição normal
 
Testes hipoteses introducao
Testes hipoteses introducaoTestes hipoteses introducao
Testes hipoteses introducao
 
Aula 4 Profmat - Algoritmo de Euclides - MDC e MMC 25 08-17
Aula 4   Profmat - Algoritmo de Euclides - MDC e MMC 25 08-17Aula 4   Profmat - Algoritmo de Euclides - MDC e MMC 25 08-17
Aula 4 Profmat - Algoritmo de Euclides - MDC e MMC 25 08-17
 
Aula de distribuição de probabilidade[1] cópia
Aula de distribuição de probabilidade[1]   cópiaAula de distribuição de probabilidade[1]   cópia
Aula de distribuição de probabilidade[1] cópia
 
Estatística Para Engenharia - Correlação e Regressão Linear - Exercícios.
Estatística Para Engenharia - Correlação e Regressão Linear - Exercícios.Estatística Para Engenharia - Correlação e Regressão Linear - Exercícios.
Estatística Para Engenharia - Correlação e Regressão Linear - Exercícios.
 
Correlacao
CorrelacaoCorrelacao
Correlacao
 
Distribuição binomial, poisson e hipergeométrica - Estatística I
Distribuição binomial, poisson e hipergeométrica - Estatística IDistribuição binomial, poisson e hipergeométrica - Estatística I
Distribuição binomial, poisson e hipergeométrica - Estatística I
 
Variaveis+aleatorias
Variaveis+aleatoriasVariaveis+aleatorias
Variaveis+aleatorias
 
Distribuição Normal
Distribuição NormalDistribuição Normal
Distribuição Normal
 
Lista de-exercc3adcios-sobre-angulos-formados-por-duas-retas-e-uma-transversal
Lista de-exercc3adcios-sobre-angulos-formados-por-duas-retas-e-uma-transversalLista de-exercc3adcios-sobre-angulos-formados-por-duas-retas-e-uma-transversal
Lista de-exercc3adcios-sobre-angulos-formados-por-duas-retas-e-uma-transversal
 
Polinomios
PolinomiosPolinomios
Polinomios
 
Distribuição Gama de Probabilidade - Resolução de Questão
Distribuição Gama de Probabilidade - Resolução de QuestãoDistribuição Gama de Probabilidade - Resolução de Questão
Distribuição Gama de Probabilidade - Resolução de Questão
 
Resumo sobre Integração de Funções Racionais e Frações Parciais
Resumo sobre Integração de Funções Racionais e Frações ParciaisResumo sobre Integração de Funções Racionais e Frações Parciais
Resumo sobre Integração de Funções Racionais e Frações Parciais
 
Aula de distribuição de probabilidade[1]
Aula de distribuição de probabilidade[1]Aula de distribuição de probabilidade[1]
Aula de distribuição de probabilidade[1]
 
Aula 7 variáveis aleatórias
Aula 7   variáveis aleatóriasAula 7   variáveis aleatórias
Aula 7 variáveis aleatórias
 
Potenciação e Radiciação
Potenciação e RadiciaçãoPotenciação e Radiciação
Potenciação e Radiciação
 
Probabilidades
ProbabilidadesProbabilidades
Probabilidades
 
Testes de hipoteses
Testes de hipotesesTestes de hipoteses
Testes de hipoteses
 

Destaque

Destaque (11)

Tópico 4 regressão linear simples 01
Tópico 4   regressão linear simples 01Tópico 4   regressão linear simples 01
Tópico 4 regressão linear simples 01
 
Tópico 07 - Limite de uma função
Tópico 07 - Limite de uma funçãoTópico 07 - Limite de uma função
Tópico 07 - Limite de uma função
 
Tópico 2 Intervalo de Confiança
Tópico 2   Intervalo de ConfiançaTópico 2   Intervalo de Confiança
Tópico 2 Intervalo de Confiança
 
Variáveis aleatórias contínuas - Estatística II
Variáveis aleatórias contínuas - Estatística IIVariáveis aleatórias contínuas - Estatística II
Variáveis aleatórias contínuas - Estatística II
 
Aplicação derivada e integral
Aplicação derivada e integralAplicação derivada e integral
Aplicação derivada e integral
 
Probabilidade - Estatística I
Probabilidade - Estatística IProbabilidade - Estatística I
Probabilidade - Estatística I
 
Tópico 3 Testes de Hipóteses - 2 amostras
Tópico 3   Testes de Hipóteses - 2 amostrasTópico 3   Testes de Hipóteses - 2 amostras
Tópico 3 Testes de Hipóteses - 2 amostras
 
Tópico 09 - Integral
Tópico 09 - IntegralTópico 09 - Integral
Tópico 09 - Integral
 
Tópico 4 regressão linear simples 02
Tópico 4   regressão linear simples 02Tópico 4   regressão linear simples 02
Tópico 4 regressão linear simples 02
 
Tópico 3 testes de hípoteses - 1 amostra
Tópico 3   testes de hípoteses - 1 amostraTópico 3   testes de hípoteses - 1 amostra
Tópico 3 testes de hípoteses - 1 amostra
 
Variáveis Aleatórias Multidimensionais
Variáveis Aleatórias MultidimensionaisVariáveis Aleatórias Multidimensionais
Variáveis Aleatórias Multidimensionais
 

Semelhante a Variáveis aleatórias discretas - Estatística II

06 variavel-aleatoria
06 variavel-aleatoria06 variavel-aleatoria
06 variavel-aleatoria
奈莫 里玛
 
2 etapa -matematica_-_resolvidas (1)
2 etapa  -matematica_-_resolvidas (1)2 etapa  -matematica_-_resolvidas (1)
2 etapa -matematica_-_resolvidas (1)
Junior Dou
 

Semelhante a Variáveis aleatórias discretas - Estatística II (20)

Apostila de matemática cursinho
Apostila de matemática   cursinhoApostila de matemática   cursinho
Apostila de matemática cursinho
 
Pc ep14 2012_2_exponencial e logaritmo
Pc ep14 2012_2_exponencial e logaritmoPc ep14 2012_2_exponencial e logaritmo
Pc ep14 2012_2_exponencial e logaritmo
 
Derivadas apresent definiç_2016
Derivadas apresent definiç_2016Derivadas apresent definiç_2016
Derivadas apresent definiç_2016
 
Cursocalc1ead
Cursocalc1eadCursocalc1ead
Cursocalc1ead
 
06 variavel-aleatoria
06 variavel-aleatoria06 variavel-aleatoria
06 variavel-aleatoria
 
Livro texto - unidade ii
Livro  texto - unidade iiLivro  texto - unidade ii
Livro texto - unidade ii
 
2 etapa -matematica_-_resolvidas (1)
2 etapa  -matematica_-_resolvidas (1)2 etapa  -matematica_-_resolvidas (1)
2 etapa -matematica_-_resolvidas (1)
 
Aritmética de máquina
Aritmética de máquinaAritmética de máquina
Aritmética de máquina
 
Função Quadrática
Função QuadráticaFunção Quadrática
Função Quadrática
 
Função Quadrática
Função QuadráticaFunção Quadrática
Função Quadrática
 
Função Quadrática
Função QuadráticaFunção Quadrática
Função Quadrática
 
Revisaoestatistica
RevisaoestatisticaRevisaoestatistica
Revisaoestatistica
 
Critério de kelly
Critério de kellyCritério de kelly
Critério de kelly
 
Monica Barros - Econometria - ENCE - 2010 - Resumo Capitulo 7 Gujarati
Monica Barros - Econometria - ENCE - 2010 - Resumo Capitulo 7 GujaratiMonica Barros - Econometria - ENCE - 2010 - Resumo Capitulo 7 Gujarati
Monica Barros - Econometria - ENCE - 2010 - Resumo Capitulo 7 Gujarati
 
Apostila funções
Apostila funçõesApostila funções
Apostila funções
 
Função Quadrática Zeros, Vérticees.ppt
Função Quadrática Zeros, Vérticees.pptFunção Quadrática Zeros, Vérticees.ppt
Função Quadrática Zeros, Vérticees.ppt
 
Introdução à cadeias de markov
Introdução à cadeias de markovIntrodução à cadeias de markov
Introdução à cadeias de markov
 
Modulo a6 alunos
Modulo a6 alunosModulo a6 alunos
Modulo a6 alunos
 
Funcoes parte1
Funcoes parte1Funcoes parte1
Funcoes parte1
 
Aula de Funções - Noções básicas, Inequações
Aula de Funções - Noções básicas, InequaçõesAula de Funções - Noções básicas, Inequações
Aula de Funções - Noções básicas, Inequações
 

Mais de Ricardo Bruno - Universidade Federal do Pará

Mais de Ricardo Bruno - Universidade Federal do Pará (14)

Estatística Descritiva
Estatística DescritivaEstatística Descritiva
Estatística Descritiva
 
Tópico 08 - Derivadas
Tópico 08 - DerivadasTópico 08 - Derivadas
Tópico 08 - Derivadas
 
Tópico 06 - Funções Compostas e Irracionas
Tópico 06 - Funções Compostas e IrracionasTópico 06 - Funções Compostas e Irracionas
Tópico 06 - Funções Compostas e Irracionas
 
Tópico 05 - Funções Exponenciais e Logarítmicas
Tópico 05 - Funções Exponenciais e LogarítmicasTópico 05 - Funções Exponenciais e Logarítmicas
Tópico 05 - Funções Exponenciais e Logarítmicas
 
Matemática I - Tópico 04: Equações do 1º e 2º graus e Inequações
Matemática I - Tópico 04: Equações do 1º e 2º graus e InequaçõesMatemática I - Tópico 04: Equações do 1º e 2º graus e Inequações
Matemática I - Tópico 04: Equações do 1º e 2º graus e Inequações
 
Matemática I - Tópico 02 e 03
Matemática I - Tópico 02 e 03Matemática I - Tópico 02 e 03
Matemática I - Tópico 02 e 03
 
Matemática I - Tópico 01
Matemática I - Tópico 01 Matemática I - Tópico 01
Matemática I - Tópico 01
 
07 tópico 6 - autocorrelação
07   tópico 6 - autocorrelação07   tópico 6 - autocorrelação
07 tópico 6 - autocorrelação
 
06 tópico 5 - heterocedasticidade
06   tópico 5 - heterocedasticidade06   tópico 5 - heterocedasticidade
06 tópico 5 - heterocedasticidade
 
05 tópico 4 - multicolinearidade
05   tópico 4 - multicolinearidade05   tópico 4 - multicolinearidade
05 tópico 4 - multicolinearidade
 
04 tópico 3 - regressão multipla
04   tópico 3 - regressão multipla04   tópico 3 - regressão multipla
04 tópico 3 - regressão multipla
 
03 tópico 2 - regressão multipla
03   tópico 2 - regressão multipla03   tópico 2 - regressão multipla
03 tópico 2 - regressão multipla
 
02 tópico 1 - regressão linear simples 02 - Econometria - Graduação - UFPA
02   tópico 1 - regressão linear simples 02 - Econometria - Graduação - UFPA02   tópico 1 - regressão linear simples 02 - Econometria - Graduação - UFPA
02 tópico 1 - regressão linear simples 02 - Econometria - Graduação - UFPA
 
02 tópico 1 - regressão linear simples 01 - Econometria - Graduação - UFPA
02   tópico 1 - regressão linear simples 01 - Econometria - Graduação - UFPA02   tópico 1 - regressão linear simples 01 - Econometria - Graduação - UFPA
02 tópico 1 - regressão linear simples 01 - Econometria - Graduação - UFPA
 

Último

atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...
atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...
atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...
WelitaDiaz1
 
Regulamento do Festival de Teatro Negro - FESTIAFRO 2024 - 10ª edição - CEI...
Regulamento do Festival de Teatro Negro -  FESTIAFRO 2024 - 10ª edição -  CEI...Regulamento do Festival de Teatro Negro -  FESTIAFRO 2024 - 10ª edição -  CEI...
Regulamento do Festival de Teatro Negro - FESTIAFRO 2024 - 10ª edição - CEI...
Eró Cunha
 
História concisa da literatura brasileira- Alfredo Bosi..pdf
História concisa da literatura brasileira- Alfredo Bosi..pdfHistória concisa da literatura brasileira- Alfredo Bosi..pdf
História concisa da literatura brasileira- Alfredo Bosi..pdf
GisellySobral
 
Filosofia - 1º ano - Ensino Médio do ensino médio para primeiro bimestre
Filosofia - 1º ano - Ensino Médio do ensino médio para primeiro bimestreFilosofia - 1º ano - Ensino Médio do ensino médio para primeiro bimestre
Filosofia - 1º ano - Ensino Médio do ensino médio para primeiro bimestre
LeandroLima265595
 
ATIVIDADE 3 - DESENVOLVIMENTO E APRENDIZAGEM MOTORA - 52_2024
ATIVIDADE 3 - DESENVOLVIMENTO E APRENDIZAGEM MOTORA - 52_2024ATIVIDADE 3 - DESENVOLVIMENTO E APRENDIZAGEM MOTORA - 52_2024
ATIVIDADE 3 - DESENVOLVIMENTO E APRENDIZAGEM MOTORA - 52_2024
azulassessoria9
 

Último (20)

Química-ensino médio ESTEQUIOMETRIA.pptx
Química-ensino médio ESTEQUIOMETRIA.pptxQuímica-ensino médio ESTEQUIOMETRIA.pptx
Química-ensino médio ESTEQUIOMETRIA.pptx
 
Acróstico - Maio Laranja
Acróstico  - Maio Laranja Acróstico  - Maio Laranja
Acróstico - Maio Laranja
 
atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...
atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...
atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...
 
Regulamento do Festival de Teatro Negro - FESTIAFRO 2024 - 10ª edição - CEI...
Regulamento do Festival de Teatro Negro -  FESTIAFRO 2024 - 10ª edição -  CEI...Regulamento do Festival de Teatro Negro -  FESTIAFRO 2024 - 10ª edição -  CEI...
Regulamento do Festival de Teatro Negro - FESTIAFRO 2024 - 10ª edição - CEI...
 
Edital do processo seletivo para contratação de agentes de saúde em Floresta, PE
Edital do processo seletivo para contratação de agentes de saúde em Floresta, PEEdital do processo seletivo para contratação de agentes de saúde em Floresta, PE
Edital do processo seletivo para contratação de agentes de saúde em Floresta, PE
 
Novena de Pentecostes com textos de São João Eudes
Novena de Pentecostes com textos de São João EudesNovena de Pentecostes com textos de São João Eudes
Novena de Pentecostes com textos de São João Eudes
 
ESPANHOL PARA O ENEM (2).pdf questões da prova
ESPANHOL PARA O ENEM (2).pdf questões da provaESPANHOL PARA O ENEM (2).pdf questões da prova
ESPANHOL PARA O ENEM (2).pdf questões da prova
 
MESTRES DA CULTURA DE ASSARÉ Prof. Francisco Leite.pdf
MESTRES DA CULTURA DE ASSARÉ Prof. Francisco Leite.pdfMESTRES DA CULTURA DE ASSARÉ Prof. Francisco Leite.pdf
MESTRES DA CULTURA DE ASSARÉ Prof. Francisco Leite.pdf
 
Religiosidade de Assaré - Prof. Francisco Leite
Religiosidade de Assaré - Prof. Francisco LeiteReligiosidade de Assaré - Prof. Francisco Leite
Religiosidade de Assaré - Prof. Francisco Leite
 
12_mch9_nervoso.pptx...........................
12_mch9_nervoso.pptx...........................12_mch9_nervoso.pptx...........................
12_mch9_nervoso.pptx...........................
 
QUESTÃO 4 Os estudos das competências pessoais é de extrema importância, pr...
QUESTÃO 4   Os estudos das competências pessoais é de extrema importância, pr...QUESTÃO 4   Os estudos das competências pessoais é de extrema importância, pr...
QUESTÃO 4 Os estudos das competências pessoais é de extrema importância, pr...
 
Apresentação | Símbolos e Valores da União Europeia
Apresentação | Símbolos e Valores da União EuropeiaApresentação | Símbolos e Valores da União Europeia
Apresentação | Símbolos e Valores da União Europeia
 
Sopa de letras | Dia da Europa 2024 (nível 1)
Sopa de letras | Dia da Europa 2024 (nível 1)Sopa de letras | Dia da Europa 2024 (nível 1)
Sopa de letras | Dia da Europa 2024 (nível 1)
 
Teatro como estrategias de ensino secundario
Teatro como estrategias de ensino secundarioTeatro como estrategias de ensino secundario
Teatro como estrategias de ensino secundario
 
VIDA E OBRA , PRINCIPAIS ESTUDOS ARISTOTELES.pdf
VIDA E OBRA , PRINCIPAIS ESTUDOS ARISTOTELES.pdfVIDA E OBRA , PRINCIPAIS ESTUDOS ARISTOTELES.pdf
VIDA E OBRA , PRINCIPAIS ESTUDOS ARISTOTELES.pdf
 
História concisa da literatura brasileira- Alfredo Bosi..pdf
História concisa da literatura brasileira- Alfredo Bosi..pdfHistória concisa da literatura brasileira- Alfredo Bosi..pdf
História concisa da literatura brasileira- Alfredo Bosi..pdf
 
Filosofia - 1º ano - Ensino Médio do ensino médio para primeiro bimestre
Filosofia - 1º ano - Ensino Médio do ensino médio para primeiro bimestreFilosofia - 1º ano - Ensino Médio do ensino médio para primeiro bimestre
Filosofia - 1º ano - Ensino Médio do ensino médio para primeiro bimestre
 
Slides Lição 06, Central Gospel, O Anticristo, 1Tr24.pptx
Slides Lição 06, Central Gospel, O Anticristo, 1Tr24.pptxSlides Lição 06, Central Gospel, O Anticristo, 1Tr24.pptx
Slides Lição 06, Central Gospel, O Anticristo, 1Tr24.pptx
 
Formação T.2 do Modulo I da Formação HTML & CSS
Formação T.2 do Modulo I da Formação HTML & CSSFormação T.2 do Modulo I da Formação HTML & CSS
Formação T.2 do Modulo I da Formação HTML & CSS
 
ATIVIDADE 3 - DESENVOLVIMENTO E APRENDIZAGEM MOTORA - 52_2024
ATIVIDADE 3 - DESENVOLVIMENTO E APRENDIZAGEM MOTORA - 52_2024ATIVIDADE 3 - DESENVOLVIMENTO E APRENDIZAGEM MOTORA - 52_2024
ATIVIDADE 3 - DESENVOLVIMENTO E APRENDIZAGEM MOTORA - 52_2024
 

Variáveis aleatórias discretas - Estatística II

  • 1. Estatística II UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS SOCIAIS APLICADAS FACULDADE DE ECONOMIA Prof. Dr. Ricardo Bruno Nascimento dos Santos
  • 2. I – Variáveis Aleatórias e Distribuições de Probabilidade *) Definição: Seja E um experimento e S o espaço associado ao experimento. Uma função X, que associe a cada elemento s  S um número real X(s) é denominada variável aleatória. s  S X(s)  R X Variável Aleatória
  • 3. Um empresário pretende estabelecer uma firma para montagem de um produto composto de uma esfera e um cilindro. As partes são adquiridas em fábricas diferentes (A e B), e a montagem consistirá em juntar as duas partes e pintá-las. O produto acabado deve ser o comprimento (definido pelo cilindro) e a espessura (definida pela esfera) dentro de certos limites e isso só poderá ser verificado após a montagem. Para estudar a viabilidade de seu empreendimento, o empresário quer ter uma ideia da distribuição do lucro por peça montada. Sabe-se que cada componente pode ser classificado como bom, longo ou curto, conforme sua medida esteja dentro da especificação, maior ou menor que a especificada, respectivamente. Além disso, foram obtidos dos fabricantes o preço de cada componente (R$ 5,00) e as probabilidades de produção de cada componente com as características bom, longo e curto. Tais valores podem ser verificados na tabela a seguir I.1 – Variáveis Aleatórias Discretas
  • 4. Produto Fábrica A Cilindro Fábrica B Esfera Dentro das especificações.............. Bom(B) 0,80 0,70 Maior que as especificações.......... Longo(L) 0,10 0,20 Menor que as especificações......... Curto (C) 0,10 0,10 Nosso primeiro objetivo e construir as probabilidades associadas a combinação do produto a ser criado, primeiramente temos que construir o espaço amostral (S), como são construídos em fábricas diferentes, consideramos que a construção das peças se dá de forma independente, portanto teríamos o seguintes elementos em S: Se o produto final apresentar algum componente com defeito com a característica curto (C), ele será irrecuperável, e o conjunto será vendido como sucata a R$ 5,00. Cada componente longo poderá ser recuperado a um custo adicional de R$ 5,00. Se o preço de venda de cada unidade for R$ 25,00, como seria a distribuição de frequências da variável X: Lucro por conjunto montado? Tabela I1 I.1 – Variáveis Aleatórias Discretas
  • 5. Então como ficaria a tabela Com os valores de custo? Cilindro Esfera B B 0,70 0,20 0,10 0,70 0,20 0,10 0,70 0,20 0,10 0,80 0,10 0,10 L C B L C B L C 0,56 0,16 0,08 0,07 0,02 0,01 0,07 0,02 0,01 Produto Probabilidade Lucro por Montagem (X) BB 0,56 15 BL 0,16 10 BC 0,08 -5 LB 0,07 10 LL 0,02 5 LC 0,01 -5 CB 0,07 -5 CL 0,02 -5 CC 0,01 -5 Tabela I2 L C I.1 – Variáveis Aleatórias Discretas
  • 6. Então, pode-se notar que existem quatro possibilidades associadas as ocorrências de fabricação do produto e de lucro, as quais seriam: 15, se ocorrer o evento A1 = {BB}; 10, se ocorrer o evento A2 = {BL, LB}; 5, se ocorrer o evento A3 = {LL}; -5, se ocorrer o evento A4 = {BC, CB, CL, LC, CC}; Cada um desses eventos possui uma probabilidade associada, onde: P(A1)= 0,56; P(A2)= 0,23; P(A3)= 0,02; P(A4)=0,19 Isso nos permitirá construir a função [x, p(x)], que é um modelo teórico para a distribuição da variável X, que o empresário poderá usar para julgar a viabilidade econômica do projeto que ele pretende realizar. Aqui o x é o valor da V.A. X e p(x) é a probabilidade de X tomar o valor x. I.1 – Variáveis Aleatórias Discretas
  • 7. x p(x) 15 0,56 10 0,23 5 0,02 -5 0,19 Total 1,00 Assim, teríamos a seguinte tabela Tabela I3 I.1 – Variáveis Aleatórias Discretas
  • 8. Vamos introduzir o conceito de valor médio por meio do exemplo anterior: A principal pergunta a ser feita pelo empresário diante da sua distribuição de Lucro seria em procurar saber qual seria o seu lucro médio por conjunto montado. A partir da tabela I3,, observamos que 56% das montagens devem produzir um lucro de R$ 15, 23% um lucro de R$10 e assim por diante. Logo, o lucro esperado por montagem será dado por Lucro médio = (0,56)(15) + (0,23)(10) + (0,02)(5) + (0,19)(-5) = R$ 9,85 ** Definição: dada a v.a. X discreta, assumindo os valores chamamos valor médio ou ESPERANÇA matemática de X ao valor: 1 ,..., n x x 1 1 ( ) ( ) n n i i i i i i E X x P X x x p       I.1 – Variáveis Aleatórias Discretas I.1.1) Valor Médio de uma VA
  • 9. A variância da V.A. X pode ser obtida pela clássica expressão de variância, onde corresponde ao valor observado menos a média elevado ao quadrado: Já o desvio padrão é a raiz da Var(X), vamos verificar em um exemplo prático como calcular a variância e o desvio padrão no Excel: I.1 – Variáveis Aleatórias Discretas I.1.2) A variância e desvio de uma variável aleatória 2 1 var( ) [ ( )] n i i i X x E X p   
  • 10. Para melhor retratar as propriedades do valor médio podemos partir da seguinte dúvida do empresário: Suponha que todos os preços determinados pelo empresário estivessem errados. Na realidade, todos os valores deveriam ser duplicados, isto é, custos e preços de venda. Isso corresponde à transformação Z=2X. As probabilidades associadas à V.A. Z serão as mesmas da V.A. X, pois cada valor de X irá corresponder a um único valor de Z. Assim, o valor médio da distribuição de Z será dado por: I.1 – Variáveis Aleatórias Discretas I.1.3) Propriedades do valor médio 1 ( ) ( ) n i i i E Z z p z    1 (2 ) 19, 70 n i i i x p   
  • 11. Podemos visualizar em uma tabela esse comportamento: I.1 – Variáveis Aleatórias Discretas I.1.3) Propriedades do valor médio x z=2x p(z)=p(x) z*p(z) 15 30 0,56 16,80 10 20 0,23 4,60 5 10 0,02 0,20 -5 -10 0,19 -1,90 Total - 1,00 19,70 Tabela I4
  • 12. Assim, dada a V.A. discreta X e a respectiva função de probabilidade p(x), a esperança matemática da função h(X) é dada por As seguintes propriedades podem ser facilmente demonstradas: a) Se h(X)=aX + b, onde a e b são constantes, então b) I.1 – Variáveis Aleatórias Discretas I.1.3) Propriedades do valor médio 1 [ ( )] ( ) ( ) n i i i E h X h x p x    2 [ )] ( ) var( ) var( ) E aX b aE X b aX b a X      2 2 2 2 var( ) ( ) [ ( )] ( ) ( )i i i i X E X E X x p x x p x       
  • 13. Vamos construir então a Var(X), para tanto vamos mostrar isso em na tabela I5: Assim: var(X)=154,25 – (9,85)2 = 57,23 Simbolicamente podemos representar média e variância por: I.1 – Variáveis Aleatórias Discretas I.1.3) Propriedades do valor médio w p(w) w*p(w) 152=225 0,56 126,00 102=100 0,23 23,00 (5 ou -5)2= 25 0,21 5,25 Total 1,00 154,25 Tabela I5: nesse caso supondo que w=X2 2 ( ) ( ) var( ) ( ) E X X X X    
  • 14. I.1 – Variáveis Aleatórias Discretas I.1.4) Função de distribuição acumulada
  • 15. Construindo um gráfico podemos demonstrar que: I.1 – Variáveis Aleatórias Discretas I.1.4) Função de distribuição acumulada ( ) lim ( ).x a F a F x   
  • 16. I.1 – Variáveis Aleatórias Discretas I.1.5) Alguns modelos probabilísticos para V.A.D. E que a função acumulada é dada por ( ) 1 ( ) ( ) ix x n x F x k k  
  • 17. Graficamente teríamos I.1 – Variáveis Aleatórias Discretas I.1.5) Alguns modelos probabilísticos para V.A.D. (a) Função de Probabilidade (b) Função de distribuição
  • 18. I.1.5.2) Distribuição de Bernoulli: Muitos experimentos são tais que os resultados apresentam ou não uma determinada característica. Por exemplo: (1) Uma moeda é lançada: o resultado ou é cara ou não (ocorrendo, então, coroa); (2) Um dado é lançado: ou ocorre face 5 ou não (ocorrendo, então, uma das faces 1, 2, 3, 4 ou 6); (3) Uma peça é escolhida ao acaso de um lote contendo 500 peças: essa peça é defeituosa ou não; (4) Uma pessoa escolhida ao acaso dentre 1.000 é ou não do sexo masculino; (5) Uma pessoa é escolhida ao acaso entre os moradores de uma cidade e verifica-se se ela é favorável ou não a um projeto municipal. I.1 – Variáveis Aleatórias Discretas I.1.5) Alguns modelos probabilísticos para V.A.D.
  • 19. Em todos os casos anteriormente citados, estamos interessados na ocorrência de um sucesso ou fracasso. Essa terminologia (sucesso ou fracasso) será usada frequentemente. Para cada experimento acima podemos definir uma v.a. X, que assume apenas dois valores: 1, se ocorrer sucesso e 0, se ocorrer fracasso. Indicaremos por p a probabilidade de sucesso, isto é, P(sucesso) = P(S)=p, 0 < p <1. Definição: A variável aleatória X, que assume apenas os valores 1 e 0; com função de probabilidade (x, p(x)) tal que: Que é conhecida como a variável aleatória de Bernoulli I.1 – Variáveis Aleatórias Discretas I.1.5) Alguns modelos probabilísticos para V.A.D. (0) ( 0) 1 (1) ( 1) , p P X p p P X p       
  • 20. I.1 – Variáveis Aleatórias Discretas I.1.5) Alguns modelos probabilísticos para V.A.D.
  • 21. Exemplo: vamos supor o caso do experimento (2). Supondo o dado perfeito, teremos P(X=0)=5/6, P(X=1)=1/6, E(X)=1/6, Var(X)=(1/6)(5/6)= 5/36 I.1 – Variáveis Aleatórias Discretas I.1.5) Alguns modelos probabilísticos para V.A.D.
  • 22. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  • 23. Vamos então considerar as seguintes situações, obtidas de (1) a (5) no exemplo de Bernoulli: (1’) uma moeda é lançada três vezes; qual é a probabilidade de se obter duas caras? (2’) um dado é lançado cinco vezes; qual a probabilidade de se obter face 5 no máximo três vezes? (3’) dez peças são extraídas, ao acaso, com reposição, de um lote contendo 500 peças; qual é a probabilidade de que todas sejam defeituosas, sabendo-se que 10% das peças do lote são defeituosas? (4’) cinco pessoas são escolhidas ao acaso entre 1.000; qual a probabilidade de que duas sejam do sexo masculino? (5’) Sabe-se que 90% das pessoas de uma cidade são favoráveis a um projeto municipal. Escolhendo-se 100 pessoas ao acaso entre os moradores, qual é a probabilidade de que pelo menos 80 sejam favoráveis ao projeto? I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  • 24. Nos casos (4’) e (5’), o fato de estarmos extraindo indivíduos de um conjunto muito grande implica que podemos supor que as extrações sejam praticamente independentes. Exemplo: Consideremos a situação (1’), supondo que a moeda não esteja viciada, isto é, P(sucesso)=P(cara)=1/2. Indiquemos o sucesso (cara) por S e fracasso (coroa), por F. Então, estamos interessados na probabilidade do evento: A ={ A ={ SSF, (1, 1, 0); SFS, (1, 0, 1); FSS} (0, 1, 1)} I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  • 25. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  • 26. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial p q p q p q p q p q p q p q S F S F S F S F 3 p 2 p q 2 p q 2 pq 2 p q 2 pq 2 pq 3 q
  • 27. Nº de sucessos Probabilidades p=1/2 0 q3 1/8 1 3pq2 3/8 2 3p2q 3/8 3 p3 1/8 I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial Tabela I6: Probabilidades binomiais para n=3 e P(S) = p
  • 28. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  • 29. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  • 30. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  • 31. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  • 32. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  • 33. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  • 34. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  • 35. Você pode empregar a Distribuição de Poisson em situações nas quais não se está interessado no número de sucessos obtidos em n tentativas, como ocorre no caso da distribuição binomial, entretanto, esse número de sucessos deve estar dentro de um intervalo contínuo, ou seja, o número de sucessos ocorridos durante um intervalo contínuo, que pode ser um intervalo de tempo, espaço etc. Imagine que você queira estudar o número de suicídios ocorridos em uma cidade durante um ano ou o número de acidentes automobilísticos ocorridos em uma rodovia em um mês ou o número de defeitos encontrados em um rolo de arame ovalado de 500m. Essas situações são exemplos daquelas que se enquadram na DISTRIBUIÇÃO DE POISSON. I.1 – Variáveis Aleatórias Discretas I.1.7) Distribuição de Poisson
  • 36. I.1 – Variáveis Aleatórias Discretas I.1.7) Distribuição de Poisson
  • 37. I.1 – Variáveis Aleatórias Discretas I.1.7) Distribuição de Poisson
  • 38. I.1 – Variáveis Aleatórias Discretas I.1.7) Distribuição de Poisson
  • 39. I.1 – Variáveis Aleatórias Discretas I.1.8) Distribuição Hipergeométrica
  • 40. Exemplo: Uma empresa fabrica um tipo de adaptador que são embalados em lote de 25 unidades. Para aceitar o lote enviado por essa fábrica, o controle de qualidade da empresa tomou o seguinte procedimento: sorteia-se um lote e desse lote selecionam- se 8 adaptadores para teste, sem reposição. Se for constatado, no máximo, dois adaptadores defeituosos, aceita-se o lote fornecido pela fábrica. Se o lote sorteado tiver 7 peças defeituosas, qual a probabilidade de se aceitar o lote? N=25 r=7 n=8 I.1 – Variáveis Aleatórias Discretas I.1.8) Distribuição Hipergeométrica