Variáveis aleatórias discretas - Estatística II

2.305 visualizações

Publicada em

Publicada em: Educação
0 comentários
1 gostou
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
2.305
No SlideShare
0
A partir de incorporações
0
Número de incorporações
7
Ações
Compartilhamentos
0
Downloads
114
Comentários
0
Gostaram
1
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Variáveis aleatórias discretas - Estatística II

  1. 1. Estatística II UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS SOCIAIS APLICADAS FACULDADE DE ECONOMIA Prof. Dr. Ricardo Bruno Nascimento dos Santos
  2. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 14. I.1 – Variáveis Aleatórias Discretas I.1.4) Função de distribuição acumulada
  15. 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. 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. 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. 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. 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. 20. I.1 – Variáveis Aleatórias Discretas I.1.5) Alguns modelos probabilísticos para V.A.D.
  21. 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. 22. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  23. 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. 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. 25. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  26. 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. 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. 28. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  29. 29. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  30. 30. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  31. 31. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  32. 32. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  33. 33. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  34. 34. I.1 – Variáveis Aleatórias Discretas I.1.6) Distribuição Binomial
  35. 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. 36. I.1 – Variáveis Aleatórias Discretas I.1.7) Distribuição de Poisson
  37. 37. I.1 – Variáveis Aleatórias Discretas I.1.7) Distribuição de Poisson
  38. 38. I.1 – Variáveis Aleatórias Discretas I.1.7) Distribuição de Poisson
  39. 39. I.1 – Variáveis Aleatórias Discretas I.1.8) Distribuição Hipergeométrica
  40. 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
  41. 41. Próxima AULA VARIÁVEIS ALEATÓRIAS CONTÍNUAS

×