Vari aveis Aleat orias Discretas - uel.br 7 - Variaveis... · Exerc cio 4: Em um experimento com...
Transcript of Vari aveis Aleat orias Discretas - uel.br 7 - Variaveis... · Exerc cio 4: Em um experimento com...
Costa, S.C. 1
Universidade Estadual de LondrinaDepartamento de Estatıstica
Variaveis Aleatorias Discretas
Silvano Cesar da Costa
Londrina - Parana
Costa, S.C. 2
Variaveis Aleatorias Discretas
Exemplo:
Um pesquisador desenvolveu uma nova tecnica de inseminacao artificial que,segundo ele, garante 60% de sucesso. Um fazendeiro resolveu aplicar estanova tecnica em seus animais. Para isso ele selecionou 3 animais de seurebanho.
Considere inicialmente, o experimento: “aplicar a nova tecnica de inse-minacao e observar o resultado”. Sejam os eventos:E “o animal emprenhar” e E o evento “o animal nao emprenhar”.
a) Construir o espaco amostral associado a esse experimento;
b) Calcular as probabilidades associadas a cada um dos elementos do espacoamostral;
c) Considerar Y o numero de animais prenhes e associar um valor y acada um dos elementos do espaco amostral.
Costa, S.C. 3
Resultados Possıveis Probabilidades y
E // EEE 0,216 3
E
::uuuuuu
$$III
III
E // EEE 0,144 2
E
CC
666
6666
666
E // EEE 0,144 2
E
::uuuuuu
$$III
III
E // EEE 0,096 1
•
II
Costa, S.C. 4
Resultados Possıveis Probabilidades y
•
*******************
E // EEE 0,144 2
E
::uuuuuu
$$III
III
E // EEE 0,096 1
E
CC
666
6666
666
E // EEE 0,096 1
E
::uuuuuu
$$III
III
E // EEE 0,064 0
Costa, S.C. 5
Variavel Aleatoria Discreta
Uma funcao definida sobre o espaco amostral Ω e assumindo valores num con-junto enumeravel de pontos do conjunto real e dita uma variavel aleatoriadiscreta.
Distribuicao de uma Variavel Aleatoria
O conjunto dos valores da variavel e as respectivas probabilidades, ou seja,yi e P (yi), i = 1, . . . , n e chamado distribuicao da variavel aleatoria Y .
Observacao:
n∑i=1
P (yi) = 1.
Costuma-se adotar, tambem, a notacao P (Y = yi) para designar a probabi-lidade de a variavel aleatoria Y assumir o valor yi.
Portanto, a distribuicao da variavel aleatoria (v.a.) Y e dada por:
Costa, S.C. 6
Tabela 1: Distribuicao da variavel aleatoria Y = Numero de animaisprenhe.
y P(Y=y)
0 0,064
1 0,288
2 0,432
3 0,216
cuja representacao grafica e apresentada na Figura 1.
Costa, S.C. 7
Número de Sucessos
Pro
babi
lidad
es
0 1 2 3
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
Figura 1: Grafico das probabilidades de prenhez dos animais.
Costa, S.C. 8
Qual e a porcentagem esperada de :
i) tres animais emprenharem?
ii) nenhum animal emprenhar?
iii) pelo menos um animal emprenhar?
Costa, S.C. 9
Para elaborar a Tabela 1 e construir o grafico usando o R, bastam os coman-dos:
vacas = 0:3
prob_suc = 0.6
prenhe = data.frame(Pr = dbinom(vacas, 3, prob_suc))
rownames(prenhe) = 0:3
cbind(prenhe)
plot(vacas, dbinom(vacas, size=3, prob=prob_suc),
xlab="Numero de Sucessos", ylab="Probabilidades",
main=’’, axes=F, type="h", col=’blue’)
points(vacas, dbinom(vacas, size=3, prob=prob_suc),
pch=16, , col=’blue’)
axis(1, vacas)
axis(2, seq(0, 0.45, .05), las=1)
abline(h=0, col="gray", cex=2.5, lwd=2)
box(bty=’l’)
Costa, S.C. 10
Funcao de Probabilidade
A funcao que fornece as probabilidades de ocorrencias dos valores que avariavel aleatoria pode assumir e chamada funcao de probabilidades.
Exemplo: A funcao de probabilidades da variavel Y = Numero de animaisprenhe e dada por:
P (Y = y) =
(3
y
)0, 3y (1− 0, 3)3−y, y = 0, . . . , 3.
em que (3
y
)=
3!
y!(3− y)!
Costa, S.C. 11
Exercıcios: Calcular P (Y = 0), P (Y = 1), P (Y = 2) e P (Y = 3), atravesda funcao de probabilidades e interpretar o resultado.
Valor medio ou Esperanca Matematica de Y
Para responder sobre “qual o numero medio esperado de animais emprenha-dos?” e necessario calcular o valor medio definido por:
Dada a variavel aleatoria Y , assumindo os valores y1, y2, . . . , yn comas respectivas probabilidades P (y1), P (y2), . . . , P (yn), chamamos va-lor medio ou esperanca matematica de Y ao valor:
µY = E(Y ) =
n∑i=1
yi P (yi) (1)
Costa, S.C. 12
Exemplo: Para os dados da Tabela 1, calcula-se a esperanca de Y como:
y P (Y = y) y × P (Y = y)
0 0,064
1 0,288
2 0,432
3 0,216
Total 1,000
Portanto, E(Y ) = animais emprenhados.
Interpretacao: Espera-se obter um numero medio de animais em-prenhados.
Costa, S.C. 13
Propriedades da Esperanca Matematica
Supondo k uma constante e X e Y variaveis aleatorias, podemos definir asseguintes propriedades da esperanca matematica:
a) E(k) = k
b) E(kX) = kE(X)
c) E(X ± Y ) = E(X)± E(Y )
d) E(X ± k) = E(X)± k
e) Se X e Y sao variaveis aleatorias independentes, entao:
E(XY ) = E(X)E(Y )
Costa, S.C. 14
Variancia de Y
Dada a variavel aleatoria Y , chamamos de variancia de Y , ao valor:
σ2Y = V (Y ) =
n∑i=1
[yi − E(Y )
]2P (yi). (2)
Logo, para o exemplo dado:
y P (Y = y)[yi − E(Y )
]2 [yi − E(Y )
]2P (Y = y)
0 0,064 3,24 0,20736
1 0,288 0,64 0,18432
2 0,432 0,04 0,01728
3 0,216 1,44 0,31104
Total 1,000 0,72
Costa, S.C. 15
Portanto, V (Y ) = 0, 72. Assim, o Desvio Padrao e o Coeficiente de Variacaosao dados, respectivamente, por:
σY = 0, 8485281 e CV =σY
µY100 = 47, 14%.
Uma maneira mais pratica para o calculo da variancia de Y e:
σ2Y = V (Y ) = E(Y 2)−
[E(Y )
]2em que
E(Y ) =
n∑i=1
yi × P (Y = yi)
E(Y 2) =n∑
i=1
y2i × P (Y = yi)
Costa, S.C. 16
Logo,
y P (Y = y) y2i y2i P (Y = y)
0 0,064 0 0,000
1 0,288 1 0,288
2 0,432 4 1,728
3 0,216 9 1,944
Total 1,000 3,960
Assim,
V (Y ) = E(Y 2)−[E(Y )
]2V (Y ) = 3, 96−
(1, 8
)2
V (Y ) = 0, 72.
Costa, S.C. 17
Propriedades da Variancia
Supondo k uma constante e X e Y variaveis aleatorias, pode-se definir asseguintes propriedades para a variancia:
a) V (k) = 0
b) V (kX) = k2 V (X)
c) V (X ± Y ) = V (X)± V (Y ) + 2 COV (X,Y )
d) V (X ± Y ) = V (X)± V (Y ), se X e Y sao independentes.
e) V (X ± k) = V (X)
f) Se X e Y sao variaveis aleatorias independentes, entao: COV (XY ) =E(XY )− E(X) E(Y ) = 0.
Obs.: O fato de COV (X,Y ) = 0 nao implica que X e Y sejam independen-tes.
Costa, S.C. 18
Distribuicao acumulada de uma variavel aleatoria
O conjunto dos valores da variavel e as probabilidades acumuladas ate os res-pectivos valores, ou seja, yi e F (yi) = P (Y ≤ yi) i = 1, 2, . . . , n e chamadadistribuicao acumulada da variavel aleatoria Y .
Obter a tabela de distribuicao acumulada de probabilidades da variavelaleatoria Y ou distribuicao acumulada de Y relativos a inseminacao artificialdos apresentados na Tabela 1.
y P (Y = y) F (y) = P (Y ≤ y)
0 0,064
1 0,288
2 0,432
3 0,216
Costa, S.C. 19
Distribuicao acumulada de uma variavel aleatoria
O conjunto dos valores da variavel e as probabilidades acumuladas ate os res-pectivos valores, ou seja, yi e F (yi) = P (Y ≤ yi) i = 1, 2, . . . , n e chamadadistribuicao acumulada da variavel aleatoria Y .
Obter a tabela de distribuicao acumulada de probabilidades da variavelaleatoria Y ou distribuicao acumulada de Y relativos a inseminacao artificialdos apresentados na Tabela 1.
y P (Y = y) F (y) = P (Y ≤ y)
0 0,064 0,064
1 0,288 0,352
2 0,432 0,784
3 0,216 1,000
Costa, S.C. 20
Os valores completos da funcao de distribuicao sao os seguintes:
F (y) =
0 se y < 0;
0, 064 se 0 ≤ y < 1
0, 352 se 1 ≤ y < 2
0, 784 se 2 ≤ y < 3
1 se y > 3
cujo grafico e apresentado na Figura 2
Costa, S.C. 21
0.0 0.5 1.0 1.5 2.0 2.5 3.0
0.2
0.4
0.6
0.8
1.0
Número de Sucessos
Probab
ilidade
s
Figura 2: Distribuicao acumulada da prenhez dos animais.
Interpretar o valor F (1) = P (Y ≤ 1) = P (Y = 0) + P (Y = 1).
Costa, S.C. 22
Exercıcio 1: Uma moeda viciada tem probabilidade de cara igual a 0, 4.Para dois lancamentos independentes dessa moeda, estude o comportamentoda variavel numero de caras e faca um grafico de sua funcao de probabili-dade.
Exercıcio 2: Considere um pasto com 3 vacas da raca Holandesa e 5 vacasda raca Gir. Serao retirados do pasto 3 animais, atraves de sorteio e semreposicao. Defina a variavel Y como sendo o numero de animais da racaGir. Pede-se:
a) obter uma tabela contendo todos os possıveis resultados desse experimentoe as probabilidades associadas a cada um deles;
b) obter a distribuicao da variavel aleatoria Y e um grafico que a represente.
Exercıcio 3: Seja Y a variavel aleatoria discreta numero de obitos observa-dos mensalmente no Hospital Veterinario, cuja distribuicao de probabilidadese dada por:
y 0 1 2 3 4 5
P (y) 0,1 0,2 0,3 0,2 0,1 0,1
Costa, S.C. 23
Pede-se:
a) obter a funcao de distribuicao acumulada F (y) para a variavel aleatoriaY e um grafico que a represente;
b) calcular o numero medio de ovos;
c) calcular: E(4Y ), E(Y + 1), E(Y 2) e a variancia de Y;
d) calcular V ar(2Y ) e V ar(Y + 1).
Exercıcio 4: Em um experimento com chocadeira automatica sao colocados5 ovos e observado o numero de ovos eclodidos. Sabendo-se que teoricamente,90% dos ovos eclodem, obter:
a) a distribuicao de probabilidades da variavel aleatoria Y = numero deovos eclodidos e um grafico que a represente;
b) a probabilidade de pelo menos 3 ovos eclodirem;
c) a esperanca e a variancia de Y .
Costa, S.C. 24
Principais Distribuicoes de Probabilidades
# Distribuicao de Bernoulli;
# Distribuicao Binomial;
# Distribuicao de Poisson;
# Distribuicao Geometrica;
# Distribuicao Hipergeometrica;
# Distribuicao Uniforme;
# Distribuicao Binomial Negativa.
Serao estudadas apenas as 5 primeiras.
Costa, S.C. 25
Distribuicao de Bernoulli
Nos experimentos de Bernoullia o espaco amostral e composto por apenasdois resultados possıveis: “sucesso” (resultado de interesse) ou “fracasso”(resultado pelo qual nao estamos interessados).
Exemplos:
a) Lancar uma moeda. Pode sair cara ou coroa;
b) Inseminar um animal. Pode emprenhar ou nao;
c) Colocar uma estaca em um vaso com terra. Pode enraizar ou nao;
d) Plantar uma semente. Pode germinar ou nao;
aJakob Bernoulli (Nascido em 27/12/1654 em Basel, Suıca e falecido em 16/08/1705),tambem conhecido como Jacob, Jacques ou James Bernoulli.
Costa, S.C. 26
Seja Y a variavel aleatoria numero de sucessos e p a probabilidade deocorrer sucesso. Assim,
Resultados Possıveis Probabilidades y
S (Sucesso) p 1
•
;;wwwwww
##GGG
GGGG
F (Fracasso) 1− p 0
A distribuicao de probabilidade de Y com distribuicao de Bernoulli, comparametro p e dada por:
Costa, S.C. 27
Tabela 2: Distribuicao da v.a. Y de Bernoulli.
y P(Y=y)
0 1− p
1 p
Total 1
Pode-se calcular a media desta distribuicao utilizando-se a Equacao (1). As-sim:
µY = E(Y ) =n∑
i=1
yi P (Y = yi)
µY = E(Y ) = 0 (1− p) + 1 p
µY = E(Y ) = p
Costa, S.C. 28
Da Equacao (1), pode-se calcular a variancia que e:
V (Y ) =n∑
i=1
[yi − E(Y )
]2P (Y = yi)
V (Y ) = (0− p)2 (1− p) + (1− p)2 p
V (Y ) = p2(1− p) + p(1− p)2
V (Y ) = p(1− p)
Portanto,
E(Y ) = pe
V (Y ) = p(1− p)
Notacao: Y ∼ Be(p).
Funcao de Probabilidades: A funcao de probabilidades de uma distri-buicao de Bernoulli e dada por:
P (Y = y) = py(1− p)1−y, y = 0, 1.
Costa, S.C. 29
Distribuicao Binomial
a) Supor uma serie de n experimentos independentes (o resultado de umexperimento nao e afetado pelo resultado dos outros) de Bernoulli;
b) A probabilidade de sucesso em cada experimento e sempre igual a p;
c) O numero de sucessos observado e um numero inteiro entre 0 e n.
Entao diz-se que a variavel aleatoria Y = numero de sucessos nos n ensaiostem distribuicao binomial com parametros n e p.
Notacao: Y ∼ Bin(n, p).
Costa, S.C. 30
Funcao de Probabilidades: A funcao de probabilidades de uma variavelY com distribuicao binomial Bin(n, p) e dada por:
P (Y = y) =
(n
y
)py(1− p)n−y, y = 0, 1, . . . , n.
em que
(n
y
)=
n!
y!(n− y)!.
Costa, S.C. 31
E a mais importante das distribuicoes de probabilidades discretas. Temesse nome devido ao calculo das probabilidades ser feito usando termos daexpansao do binomio de Newton. O teorema do binomio de Newton e dadopor:
(x+ y)n
=n∑
k=0
(n
k
)xn−k yk
=
(n
0
)xn−0 y0 +
(n
1
)xn−1 y1 +
(n
2
)xn−2 y2 + . . .+
(n
n
)xn−n yn
(x+ y)n
= xn + nxn−1 y1 +
(n
2
)xn−2 y2 +
(n
3
)xn−3 y3 + . . .+ yn
em que
(n
k
)=
n!
k!(n− k)!.
Costa, S.C. 32
Exemplo: Se considerarmos uma variavel aleatoria com distribuicao bino-mial Bin(10; 0, 3), ou seja, o estudo de uma variavel, cujo numero de ensaiosseja igual a 10 realizacoes e a probabilidade de sucesso e igual a 30%, o graficodesta situacao (apresentado na Figura 3) sera:
Costa, S.C. 33
Número de Sucessos
Pro
babi
lidad
es
0 1 2 3 4 5 6 7 8 9 10
0.00
0.05
0.10
0.15
0.20
0.25
Figura 3: Grafico da distribuicao Binomial, para n = 10 ensaios com proba-bilidade de sucesso p = 0, 30.
Costa, S.C. 34
A esperanca e a variancia de uma variavel aleatoria Y com distribuicao bi-nomial Bin(n, p) sao dadas, respectivamente, por:
E(Y ) = npe
V (Y ) = np(1− p)
Para gerar o grafico da distribuicao no R bastam os seguintes comandos:
db <- 0:10
plot(db, dbinom(db, size=10, prob=0.3), las=1, main=’’, type="h",
xlab="Numero de Sucessos", ylab="Probabilidades", bty=’l’,
col=’blue’)
points(db, dbinom(db, size=10, prob=0.3), pch=16, , col=’blue’)
abline(h=0, col="gray")
Se o interesse for apenas nos valores das probabilidades, os mesmos podemser obtidos com:
data.frame(Pr=dbinom(0:10, size=10, prob=0.3))
Costa, S.C. 35
Exemplo 1: Uma moeda e lancada dez vezes; qual a probabilidade de seobter duas caras? Determine a esperanca e a variancia.
Exemplo 2: Uma infeccao experimental em camundongos determina mortede 30% dos animais a ela submetidos. Qual a probabilidade de obter numlote de 10 animais, uma mortalidade de, no maximo 20%?
Exemplo 3: Voce leva sua cadela ao veterinario e descobre atraves de umexame de ultrasonografia que ela esta gravida com uma ninhada de 8 filhotes.
a) Qual e a probabilidade de que exatamente 3 dos filhotes sejam femeas?
b) Qual e a probabilidade de que existam um numero igual de machos efemeas?
c) Qual e a probabilidade de que existam mais machos do femeas?
Costa, S.C. 36
Distribuicao de Poisson
A distribuicao de Poissona e largamente empregada quando se deseja contaro numero de ocorrencias de um evento de interesse, por unidade de tempo,comprimento, area ou volume. E tambem chamada de distribuicao dos even-tos raros.Exemplos:
a) Numero de insetos de uma especie coletados por armadilha por dia;
b) Numero de furos em pneus por km rodado;
c) Numero de bacterias por ml de urina;
d) Numero de pacientes que chegam a um pronto atendimento de uma pe-quena cidade durante a madrugada;
e) Numero de arvores de uma certa especie, por ha.
Note que os possıveis valores que as variaveis descritas podem assumir sao:0, 1, . . . ,.
aSimeon-Denis Poisson, matematico Frances, 1781–1840.
Costa, S.C. 37
O comportamento dessas variaveis pode ser descrito pela chamada distri-buicao de Poisson.
Funcao de Probabilidades: A funcao de probabilidades de uma variavelY com distribuicao Poisson, Y ∼ Pois(λ) e dada por:
P (Y = y) =e−λ λy
y!, y = 0, 1, . . .
em que λ e igual ao numero medio de ocorrencias do evento de interesse porunidade de tempo, distancia, area, ...
Notacao: Y ∼ Poi(λ).
O grafico gerado pela funcao de probabilidades de uma distribuicao de Pois-son, para λ = 4, e apresentado na Figura 4.
Obs.: Para valores de Y maiores que 12, com λ = 4, as probabilidadestendem a zero.
Costa, S.C. 38
x
Pro
babi
lidad
es
0 1 2 3 4 5 6 7 8 9 10 11 12
0.00
0.05
0.10
0.15
0.20
Figura 4: Grafico da distribuicao de Poisson, cuja media (λ) e 4,0.
Os pressupostos basicos para a utilizacao do modelo sao:
Costa, S.C. 39
1) as condicoes permanecem estaveis no decorrer do tempo, isto e, a taxamedia de ocorrencias (λ) e constante ao longo do tempo;
2) intervalos de tempo disjuntos sao independentes, isto e, a informacaosobre o numero de ocorrencias em um intervalo nada revela sobre o numerode ocorrencias em outro intervalo.
A esperanca e a variancia de uma variavel aleatoria Y com distribuicao Pois-son Pois(λ) sao dadas, respectivamente, por:
E(Y ) = λe
V (Y ) = λ
Costa, S.C. 40
Exemplo 1: Uma vacina contra a febre aftosa tem probabilidade igual a0, 001 de nao imunizar um animal. Se forem vacinados cinco mil animais,qual a probabilidade de nao ficarem imunes:
a) tres animais
b) dois animais ou mais
Exemplo 2: Um pesquisador esta interessado no numero de ovos deposita-dos por uma especie de passaro. Na primavera, ele procura e acha 80 ninhos.O numero medio de ovos por ninho foi 3,8 e a variancia foi 3,1. Porque avariancia e aproximadamente igual a media, ele acha que pode ser razoaveldescrever o numero de ovos por ninho como tendo uma distribuicao Poissoncom media 3,8.
a) Construa o grafico dessa distribuicao de probabilidades;
b) Se esta realmente representa a distribuicao populacional, qual seria a pro-babilidade de nao encontrar ovo num ninho?
c) Qual seria a probabilidade de encontrar um ninho com mais que 5 ovos?
d) Qual a probabilidade de encontrar de 3 a 6 ovos?
Costa, S.C. 41
Exemplo 3: O numero de consultas medicas anuais (Y) de um associado deum plano de saude e, naturalmente, um numero finito. Uma aproximacao,que simplifica a especificacao de sua distribuicao, e supor queY pode assumirqualquer valor do conjunto 0, 1, 2, . . . . Em um plano de saude com 5.694filiados, ao fim de um ano, foram realizadas 13.098 consultas, de acordo coma Tabela 3.
Tabela 3: Numero de consultas realizadas pelos associados.
Numero de consultas Frequencias Numero de consultas Frequencias0 589 5 3041 1.274 6 1262 1.542 7 393 1.144 8 104 663 9 3
Pede-se:
a) Especifique o modelo de Poisson para esses dados.
b) Qual a probabilidade de se ter 7 consultas ou mais?
c) Compare os valores observados com o esperado pelo modelo.
Costa, S.C. 42
Distribuicao Geometrica
Destinada ao calculo de probabilidades de situacoes em que sao feitas suces-sivas tentativas independentes de um mesmo experimento aleatorio ate queapareca o 1o sucesso.
As principais caracterısticas da distribuicao geometrica sao:
a) experimento realizado ate que ocorra o primeiro sucesso;
b) a variavel aleatoria e o numero de falhas ate obter o primeiro sucesso.Assim, se designarmos S como sucesso e F como fracasso, e realizarmosn ensaios ate que ocorra o primeiro sucesso, o espaco amostral deste ex-perimento sera o conjunto:
Ω = S, FS, FFS, . . . , FFF · · ·S, . . .
c) as tentativas sao sucessivas e independentes, com probabilidade de sucessop;
Costa, S.C. 43
Funcao de Probabilidade
# Y e o numero de falhas ate obter o primeiro sucesso;
# as tentativas sao sucessivas e independentes, com probabilidade de sucessop;
A funcao de probabilidade e dada por:
P (Y = y) = (1− p)y × p y = 0, 1, 2, . . .
Notacao: Y ∼ G(p).
A esperanca e a variancia de uma variavel aleatoria com distribuicao hiper-geometrica e dada por:
E(Y ) =1− p
pe
V (Y ) =1− p
p2
Costa, S.C. 44
Exemplo 1: A probabilidade de se encontrar aberto o sinal de transito numaesquina e 0, 20. Qual a probabilidade de que seja necessario passar pelo local5 vezes para encontrar o sinal aberto pela primeira vez?
Exemplo 2: Um casal com problemas para engravidar, recorreu a umatecnica de inseminacao artificial no intuito de conseguir o primeiro filho. Aeficiencia da referida tecnica e de 0, 40. Qual a probabilidade de que o casalobtenha exito na terceira tentativa?
Costa, S.C. 45
Distribuicao Hipergeometrica
Exemplo: Em uma sala ha 40 alunos, dos quais 32 sao mulheres. Seraoselecionados 5 alunos para um estagio. Qual a probabilidade de que 4 sejamhomens?
Exemplo: Num canil para adocao ha 20 animais, dos quais 15 sao SRD(Sem Raca Definida). Todo final de semana sao adotados 4 animais. Quala probabilidade de, no proximo final de semana, serem adotados 3 animaisSRD? Construa a distribuicao de probabilidades para SRD.
Exemplo: Um baralho de cartas tem 4 naipes de 13 cartas: espadas, paus,ouros e copas.
a) Qual e a probabilidade de que em uma mao de 5 cartas exatamente 3sejam paus?
b) Qual e a probabilidade de que em uma mao de 5 cartas exatamente 3sejam do mesmo naipe?
Costa, S.C. 46
As principais caracterısticas da distribuicao hipergeometrica sao:
a) a distribuicao hipergeometrica nao necessita de independencia e se baseiaem amostragem feita sem reposicao;
b) Este tipo de modelo surge da contagem de objetos de certo tipo, retiradosao acaso e sem reposicao, de um conjunto contendo dois tipos de objetos.
Esquematicamente, teremos:
n elementos
m Tipo 1
n−m Tipo 2
r amostras
k Tipo 1
r − k Tipo 2
Costa, S.C. 47
Assim, ha(mk
)formas diferentes de se escolher k elementos em m do Tipo 1.
Da mesma forma, havera(n−mr−k
)formas diferentes de se escolher (r − k) ele-
mentos em (n−m) do Tipo 2.
Logo, o numero de resultados favoraveis ao evento que se quer estudar seradado por: (
m
k
)(n−m
r − k
)O numero total de resultados possıveis sera dado por:(
n
r
)
Costa, S.C. 48
Funcao de Probabilidade
Se a populacao tem n elementos, m de um tipo e (n−m) de outro e e retiradauma amostra de r elementos, sem reposicao, a funcao de probabilidade e dadapor:
P (Y = k) =
(mk
)(n−mr−k
)(nr
) , k = 0, 1, . . . ,min(r,m)
Costa, S.C. 49
A esperanca e a variancia de uma variavel aleatoria com distribuicao hiper-geometrica e dada por:
E(Y ) = r × m
ne
V (Y ) =m
n× (n−m)
n×
[1− r − 1
n− 1
]
Costa, S.C. 50
Exemplo: Em uma sala ha 40 alunos, dos quais 32 sao mulheres. Seraoselecionados 5 alunos para um estagio. Qual a probabilidade de que 4 sejamhomens?
Costa, S.C. 51
Exemplo: Num canil para adocao ha 20 animais, dos quais 15 sao SRD(Sem Raca Definida). Todo final de semana sao adotados 4 animais. Quala probabilidade de, no proximo final de semana, serem adotados 3 animaisSRD? Construa a distribuicao de probabilidades para SRD.
Costa, S.C. 52
Exemplo: Probabilidades de acerto na megasena.
Costa, S.C. 53
1. Qual a probabilidade de acertar a quina no jogo da mega-sena?
2. Qual a probabilidade de acertar a quina num jogo de 8 numeros?