Modelos Probabilsticos

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

Seja p a probabilidade de sucesso

P(X = 1) = p

P(X = 0) = 1 - p

Diz-se que X uma varivel aleatria Bernoulli.

Propriedades:
E(X) = 0 (1 - p) + 1(p) = p
VAR(X) = E(X2) - (E(X))2 = p p2 = p(1-p)

Exemplo 1: Uma moeda lanada e observa-se a face voltada para cima.

X = 0 se ocorre cara
X = 1 se ocorre coroa
P(X = 0) =
P(X = 1) =
X segue um modelo Bernolli com parmetro p = .
Exemplo 2: Pergunta-se a um eleitor de Belo Horizonte se ele aprova a
administrao municipal. Seja X a resposta do eleitor
X = 0 se no aprova
X = 1 se aprova
P(X = 0) = 1 - p
P(X = 1) = p
X segue um modelo Bernolli com parmetro p
Exemplo 3: Suponha que 10% dos indivduos de certa populao so desempregados.
Seja X a condio de emprego de uma pessoa selecionada ao acaso desta populao.
X = 0 se desempregado
X = 1 se empregado
P(X = 0) = 0,10
P(X = 1) = 0,90
X segue um modelo Bernolli com parmetro p = 0,90

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!

n!= n(n 1)....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)

E(X) = 4 x 0,33 = 1,32

VAR(X) = 4 x 0,33 x 0,67 = 0,88

Exemplo: Em certa populao 10% das pessoas esto desempregadas. Se 15

pessoas so selecionadas ao caso com reposio, qual a probabilidade de que 2
delas estejam desempregadas?
X: nmero de desempregados numa amostra de 15 pessoas
X ~B(15, 010)

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

VAR(X) = 15 x 0,10 x 0,90 = 1,35

Seja Y o nmero de empregados numa amostra de 15 pessoas

Qual a distribuio de Y?
Y ~ B(15, 0.90)
Qual a probabilidade da amostrar conter 13 empregados?

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

Exemplo: Um pesquisador acredita que 10% da populao est

desempregada. Considerando que a hiptese de pesquisador est
correta, qual a probabilidade de numa amostra de 100 pessoas obtida
com reposio encontrarmos uma proporo de desempregados maior
ou igual a 0,20?
X nmero de desempregados numa amostra de 100 pessoas
X ~ b(100;0,20)

p =

X
n

proporo de desempregados numa amostra de 100 pessoas

100
X

P(p 0,20) = P 0,20 = P

0,20 = P[X 20] = P(X = x )

100
x = 20

Obtendo probabilidade no R para uma B(n,p)

pbinom(x,n,prob)

para obter P( X x)

dbinom(x,n,prob)

para obter P( X = x)

pbinom(x,n,prob, lower.tail=FALSE)

para obter P( X > x) B(n,p)

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

P(X > 20) = P(X 19)

> 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

> plot(0:100, dbinom(0:100,100,0.10),

type="h", ylab="P(X=x)",xlab="x",
main="Binomial(100,0.10))")

20

40

60

80

100

Como o valo de p influencia a forma da B(n,p)?

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

De quantas maneiras podemos 10 alunos em 50, sendo 5 homens e 5 mulheres?

30 20
5 x 5

Como as combinaes so equiprovveis

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.

Uma amostra de n objetos selecionada aleatoriamente e sem reposio desta

populao. Seja X: nmero de objetos do tipo 1 na amostra.
Ento:

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

Se N grande, quando comparado com n, amostragem com ou sem reposio so

praticamente equivalentes. Ento as probabilidades calculadas pelo modelo
binomial e hipergeomtrica sero aproximadamente iguais. A esperana e
varincia tambm sero aproximadamente iguais.

VAR(X) = np(1 - p)

N-n
np(1 - p)
N -1

Comparao da Binomial e Hipergeomtrica

Caso de n pequeno relativo a N
X ~ B(100,0.10)
X ~ Hipergeometrica(N = 10.000, n=100, r= 1000)
B (1 0 0 ,0 .1 0 ) e H ip e r (N = 1 0 0 0 0 , r = 1 0 0 0 ,n = 1 0 0 )

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

Faa X ~B(n , p = /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!

Uma varivel aleatria X tem distribuio de Poisson se

P(X = x ) =

x e
x!

, x = 0,1,2......

Pr opriedade : E(X ) = VAR (X ) =

Comparao de uma B(100,0.05) com uma Poisson(5)

B(300,0.05) e Poisson(15)

0.06
0.00

0.02

0.04

P(X=x)

0.08

0.10

binomial
Poisson

10

15

20

25

30

Aplicaes da distribuio de Poisson

Descrever eventos que ocorrem aleatoriamente e independentemente no

espao ou no tempo

Exemplo: Suponha que o nmero de acidentes automobilsticos ocorridos por dia

num trecho de uma rodovia tenha distribuio de Poisson com parmetro = 4.
Qual a probabilidade de num dia qualquer ocorrerem 2 acidentes?
X nmero de acidentes por dia

e 4 4 2
P ( X = 2) =
= 0,1465
2!

10

Obtendo Quantis e probabilidades para uma v.a. Poisson no R

X nmero de acidentes por dia
X ~ Poisson( = 4)
1) Calculando P(X = 3)
> dpois(3,4)
[1] 0.1953668
2) Calculando P(X 3)

> ppois(3,4)
[1] 0.4334701

3) Obtendo Q(0,25)
> qpois(0.25,4)
[1] 3

Exemplo: Uma certa regio florestal foi dividida em 109 quadrados de

mesma rea. Para cada quadrado foram contadas o nmero de rvores.
Os resultados so dados na tabela abaixo:
X nmero de plantas
por quadrado

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

(0 x 26) + (1 x 21) + ( 2 x 23) + (14 x 4) + ...... + (8 x 1)

= 2,1926
109

11

Se o modelo Poisson adequado quais seriam as freqncias esperadas de

quadrados com X plantas, X = 0,1,2,..., ?
X nmero de plantas
por quadrado

Nmero de quadrados
com X plantas

P(X = x)

Nmero esperado de
quadrados com X plantas

26

0,1116

109 x 0,1116 = 12,17

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

Observe que as freqncias observadas (coluna 2) so bastante distintas das

frequncias esperadas sob o modelo Poisson (coluna 4), indicando que a
distribuio das plantas no regio no completamente aleatria

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)

Suposio 1 indica que o fato de envolver-se em um acidente no

modifica a probabilidade de envolver-se em uma acidente no
futuro.

2)

Suposio 2 indica que condies que podem afetar a ocorrncia

de acidentes, tais como condies metereolgicas e condies
de segurana podem ser negligenciadas no modelo.

3)

Suposio 3 indica que comparada s probabildades de sofrer 0

ou 1 acidentes, a probabilidade de envolver-se em 2 ou mais
acidentes num intervalo de tempo pequeno muito pequena.

13

Suponha que o nmero de acidentes automobilsticos ocorridos por dia

um trecho de uma rodovia tenha distribuio de Poisson com
parmetro = 4.
Considerando que o nmero de acidentes ocorridos at o tempo t pode
ser descrito por um processo de Poisson, qual a distribuio de:
a) Y - Nmero de acidentes observados por semana?
Y ~ Poisson( = 4 x 7 = 28)
a) Z - Nmero de acidentes observados por hora?
Z ~ Poisson( = 4/24 = 0,17)

14