Documente Academic
Documente Profesional
Documente Cultură
Discretos
Modelo Bernoulli
Considere um experimento aleatrio com 2 resultados possveis
denominados de sucesso e fracasso. Seja X a varivel indicadora de
sucesso, isto :
X = 1 se ocorre sucesso e
X = 0 se ocorre fracasso
P(X = 0) = 1 - p
Modelo Binomial
X: nmero de questes marcadas corretamente numa prova com 4 questes
de mltipla escolha com 3 itens cada onde apenas um est correto e onde
cada questo respondida ao acaso
P(X = 0) =
0,674
P(X = 1) = 4 x 0,33 x 0,673
P(X = 2) = 6 x 0,332 x 0,672
P(X = 3) = 4 x 0,333 x 0,67
P(X = 4) =
0,334
=
=
=
=
=
1 x 0,330 x 0,674
4 x 0,331 x 0,673
6 x 0,332 x 0,672
4 x 0,333 x 0,671
1 x 0,334 x 0,670
4
P(X = x ) = 0,33x 0,67 4 - x
x
= 1 x 0,330 x 0,674-0
= 4 x 0,331 x 0,674-1
= 6 x 0,332 x 0,674-2
= 4 x 0,333 x 0,674-3
= 1 x 0,334 x 0,674-4
x = 0,...,4
n
de quantas maneiras podemos ter x sucessos em n questes
x
4
= 1
0
4
= 4
1
n
n!
=
x x!(n x)!
4
= 6
2
4
= 4
3
4
= 1
4
4 4! 4 x3! 4
=
=
= =4
1 1!3! 1!3!| 1!
Modelo Binomial:
Considere n realizaes independentes de um experimento aleatrio
com 2 resultados possveis chamados de sucesso (S) e fracasso (F),
que resulta em sucesso com probabilidade p , isto P(S) = p.
Seja X: nmero de sucessos nas n realizaes do experimento,
Diz-se que X segue um modelo binomial com parmetros n e p,
e
n
P ( X = x ) = p x (1- p) n-x , x = 0,1,..., n
x
Notao: X ~ B(n,p)
X segue modelo binomial com parmetros n e p
E(X) = np
VAR(X)= np (1-p)
Para o exemplo:
X ~B(4,0,33)
15
P( X = 2) = 0,12 (1 - 0.1)13 = 105(0,1) 2 (0,9)13 = 0,2669
2
Qual a probabilidade de encontramos no mximo 2 desempregados?
P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = 0,2059 + 0,3431 + 0,2669 = 0,8116
Qual o nmero esperado de desempregados numa amostra de 15 pessoas? E
a varincia?
E(X) = 15 x 0,10 = 1,5
15
P(Y = 13) = 0,12 (1 - 0.1)13 = 105(0,1) 2 (0,9)13 = 0,2669 = P(X = 2)
13
6 7 8 9
10
11
12
13
14
15
Y 15 14 13 12 11 10 9 8 7 6
p =
X
n
100
X
100
x = 20
para obter P( X x)
dbinom(x,n,prob)
para obter P( X = x)
pbinom(x,n,prob, lower.tail=FALSE)
qbinom(p,n,prob) para obter quantil de ordem p Q(p) i.e. o menor x tal que P(X x) p
P(X = 20)
> dbinom(20,100,0.1)
[1] 0.001170987
P(X 20)
> pbinom(20,100,0.10)
[1] 0.9991924
> pbinom(20,100,0.10,lower.tail=F)
[1] 0.0008075739
Q(0.20)
> qbinom(0.20,100,0.1)
[1] 7
0.12
Binomial(100,0.10))
0.00
0.02
0.04
P(X=x)
0.06
0.08
0.10
20
40
60
80
100
15
20
0.05
0.00
0.05
0.00
10
0.10
P(X=x)
0.15
0.10
P(X=x)
0.20
0.15
10
15
B i n o m i a l (2 0 , 0 . 9 0 ))
B i n o m i a l (2 0 , 0 . 7 0 ))
20
10
15
20
0.00
0.00
0.05
0.05
0.10
0.15
P(X=x)
0.20
0.15
0.10
P(X=x)
0.10
0.05
0.00
0.25
P(X=x)
B i n o m i a l (2 0 , 0 . 5 0 ))
0.15
B i n o m i a l (2 0 , 0 . 3 0 ))
0.25
B i n o m i a l (2 0 , 0 . 1 0 ))
10
15
20
10
15
20
Modelo Hipergeomtrico
Uma turma possui 50 alunos sendo 30 homens e 20 mulheres. Se uma amostra
de 10 alunos obtida sem reposio dentre os 50 alunos qual a probabilidade de
que 5 sejam homens?
De quantas maneiras podemos obter 10 alunos em 50?
50
10
30 20
5 x 5
P(5H) =
50
10
Distribuio Hipergeomtrica
Considere uma populao com N objetos:
r objetos do tipo 1.
N r objetos do tipo 2.
r N - r
x n - x
x = 0,..., min(r, n )
P(X = x ) =
N
n
Objetos
Tipo de Objeto Selecionados No Selecionados Total
Tipo 1
r-x
Tipo 2
n-x
Nrn-x
N-r
Total
N-n
E (X) = np
VAR(X) = np(1 - p)
p=
N-n
N -1
r
a proporo de objetos do tipo 1
N
VAR(X) = np(1 - p)
N-n
np(1 - p)
N -1
P(X=x)
0.00
0.02
0.04
0.06
0.08
0.10
0.12
b ino m i a l
hi p e rg e o m e tri c a
10
15
20
25
30
NO R:
m nmero de objetos do tipo 1
N nmero de objetos do tipo 2
K numero de objetos selecionados
X ~ Hipergeomtrica(N = 10.000, n=100, r= 1000)
P(X = 20)
> dhyper(20,m=1000,n=9000,k=100)
[1] 0.001117507
P(X 20)
> phyper(20,m=1000,n=9000,k=100)
[1] 0.999244
Q(0,20)
> qhyper(0.20,m=1000,n=9000,k=100)
[1] 7
Distribuio de Poisson
A distribuio de Poisson pode ser vista como o limite da distribuio Binomial
quando n e q pequeno
0
k +1
n k 1
n 1
P(X = k + 1) k + 1 n n
=
k
n k1
P (X = k )
n 1
k
n n
n k
k +1 n
=
1
n
n n
P(X = 0) = 1 = exp( )
0 n n
n!
n
k + 1
n k + 1!( n k 1)! n
=
=
1 =
n!
n 1
1
k
k!(n k )! n
n
n k
n
k
k +1 n n k
=
k + 1 n n k + 1 k + 1 n
Quando n 0
n k + 1 k + 1
0
k + 1 n
P( X = k + 1)
P (X = k )
k + 1
P(X = 1) = P(X = 0)
P(X = 2) = P(X = 1)
P(X = 3) = P(X = 2)
2
=
P( X = x ) =
e
1
e
1 2
2 e
2 x1 3
2 e
2 x1
3e
3 x 2 x1
x e
x!
P(X = x ) =
x e
x!
, x = 0,1,2......
0.06
0.00
0.02
0.04
P(X=x)
0.08
0.10
binomial
Poisson
10
15
20
25
30
espao ou no tempo
e 4 4 2
P ( X = 2) =
= 0,1465
2!
10
> ppois(3,4)
[1] 0.4334701
3) Obtendo Q(0,25)
> qpois(0.25,4)
[1] 3
Nmero de quadrados
com X plantas
26
21
23
14
11
Acima de 8
Total
109
= x =
Qual a distribuio de X se
as plantas se distribuem
completamente ao acaso
na rea estudada?
X ~ Poisson()
nmero mdio de plantas
por quadrado.
desconhecido estim-lo
11
Nmero de quadrados
com X plantas
P(X = x)
Nmero esperado de
quadrados com X plantas
26
0,1116
21
0,2447
26,68
23
0,2683
29,25
14
0,1961
21,38
11
0,1075
11,72
0,0471
5,14
0,0172
1,88
0,0054
0,59
0,0015
0,16
Acima de 8
0,0004
0,04
Total
109
109
Processo de Poisson
Processo Estocstico: coleo de variveis aleatrias indexadas pelo tempo
Exemplos:
1) Nmero de usurios em uma fila de banco em um determinado instante
2) ndice pluviomtrico em cada dia do ms
3) Nmero de dias que choveram em cada ms do ano
Processo de Contagem
N(t) nmero de eventos ocorridos at o tempo t
Propriedades:
1)N(t) 0
N(0) = 0
2) N(t) assume valores inteiros
3) Se s < t N(s) N(t)
4) Se s < t, N(t) N(s) igual ao numero de eventos ocorridos no intervalo (s,t]
Exemplo: Nmero de acidentes de transito ocorridos at o tempo t
12
Processo de Poisson
1) Os nmeros de eventos em intervalos de tempos disjuntos so independentes.
Considere os tempos 0 t0 t1 t2 ...... tn para n > 0
N(t0), N(t1) - N(t0), N(t2) - N(t1), ....., N(tn) - N(tn - 1) so variveis aleatrias
independentes
2) Considere dois intervalos de tempo de mesmo comprimento : (t , t + ) e (s, t + ).
P[N(t + ) - N(t) = k] = P[N(s + ) - N(s) = k] para qualquer inteiro K, > 0 e s t
A probabilidade de ocorrer k eventos num intervalo de comprimento depedende
somente do comprimento do intervalo, no da sua localizao.
3) Para h suficientemente pequeno P(N(h) = 1) h
P(N(h) = 0) 1 h
P(N(h) 2) 0
Num intervalo suficientemente pequeno a probabilidade de ocorrncia de 2 ou mais
acidentes desprezvel.
Relao entre o Processo de Poisson e a distribuio de Poisson:
Para qualquer processo de Poisson o nmero de eventos em um intervalo de
comprimento t tem distribuio de Poisson com mdia t.
Exemplo
N(t) Nmero de acidentes por envolvendo um segurado de seguro
automvel at o tempo t
1)
2)
3)
13
14