Olá, pessoal. Tudo certo? No artigo de hoje veremos o Resumo das Distribuições Discretas para ISS-BH.
Veremos as seguintes distribuições:
Preparado (a)? Vamos lá
Iniciemos o Resumo das Distribuições Discretas para ISS-BH pela Distribuição Uniforme.
Na Distribuição Uniforme todos os valores são equiprováveis, ou seja, todos os elementos têm a mesma chance de serem sorteados.
Como todos os valores têm a mesma probabilidade, a esperança matemática é calculada da mesma forma de a média “convencional”.
Também é uma fórmula já conhecida, a média dos quadrados menos o quadrado da média.
Exemplo: FGV/2015 – TJ/RO Suponha que o número de advogados atendidos por um diretor de vara, por dia, é uma variável aleatória distribuída uniformemente entre 11 e 25, inclusive. Então, se em um dia qualquer, até certo horário, 18 advogados foram atendidos, a probabilidade de que mais de 23 sejam atendidos naquele dia é:
Casos totais: 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25
Os casos que queremos dividido pelos casos possíveis
24 ou 25 (mais de 23) / 18, 19, 20, 21, 22, 23, 24, 25 (18 já foram atendidos)
2 / 8 = 0,25
A Distribuição de Bernoulli trata-se de um experimento com 2 possíveis, realizados uma única vez.
Condições:
Assim a probabilidade de sucesso P[X = 1] = p e a probabilidade do fracasso será seu complemento P[X = 0] = q = 1 – p
E (X) = P
Variância
v (X) = p x q
A Distribuição Binomial é basicamente a Distribuição de Bernoulli repetida várias vezes, ou seja, teremos dois resultados possíveis, porém vários ensaios independentes.
Para utilizarmos a Distribuição Binomial, temos que garantir que os ensaios sejam independentes, assim observe.
Condições para ensaio independente:
Dissemos que a distribuição binominal é a repetição do ensaio de Bernoulli, assim veja que a esperança matemática e a variância são a mesma da Distribuição de Bernoulli vezes o número de ensaios (n).
E (X) = n x p
Variância
V (X) = n x p x q
Exemplo: (2018 – Câmara de Goiânia) Considere uma variável aleatória X com distribuição binomial e parâmetros p = 1/3 e n = 4. Qual é a probabilidade de X = 2?
P (X = 2) = C4,2 x (1/3)² x (2/3)²
P (X = 2) = C4,2 x (1/3)² x (2/3)²
P (X = 2) = 6 x 1/9 x 4/9
P (X = 2) = 8/27
A distribuição geométrica também se baseia nos ensaios de Bernoulli, entretanto a distribuição corresponde ao número de ensaios até o primeiro sucesso. Ou seja, vários fracassos até o primeiro sucesso – F + F + F …. P
E (X) = 1/p
Exemplo: (2018 – IPM – Adaptada) Sabe-se que a distribuição geométrica pode ser interpretada como uma sequência de ensaios de Bernoulli, independentes, até a ocorrência do primeiro sucesso. Qual o valor da média e da variância de uma distribuição geométrica cujo parâmetro é p = 0,64 e tendo como parametrização o número de ensaios de Bernoulli até se obter um sucesso.
A esperança matemática (média) será:
Média = 1 / 0,64
Média = 1,56
Enquanto a variância:
VAR = (1 – 0,64) / 0,64²
VAR = 0,36 / 0,4096
VAR = 0,88
Na distribuição hipergeométrica também temos dois resultados possíveis (sucesso ou fracasso), porém a seleção ocorre sem reposição, ou seja, os eventos não são independentes.
Onde,
Exemplo: Suponha que haja N= 10 peças, no total, das quais S = 4 peças sejam defeituosas. Se retirarmos n = 3 peças, a probabilidade de encontrar k = 2 defeituosas é:
P (X = 2) = C4,2 x C6,1 / C10,3
P (X = 2) = 6 x 6 / 120
P (X = 2) = 0,3 = 30%
Também é possível calcular sem utilizar fórmulas
Temos que selecionar duas peças defeituosas e outra boa, não é? Seria D D B
P = (4 / 10) x (3 / 9) x (6 x 8)
Entretanto pode ser em qualquer ordem e temos uma repetição, assim devemos utilizar a permuta com repetição
P = (4 / 10) x (3 / 9) x (6 x 8) x 3 x 2! /!
P = 30%
E (X) = n.p
Para finalizar o Resumo das Distribuições Discretas para ISS-BH, vejamos sobre a Distribuição de Poisson.
A Distribuição de Poisson é utilizada como uma alternativa para quando “n” é muito grande e “p” é muito pequeno.
Podemos dizer que se trata de uma aproximação da Binomial para n -> ∞ e p -> 0
Obs.: O número neperiano “e” é aproximadamente 2,718
A esperança matemática (média) é determinada pela demonstrada pela lambda.
λ = n x p
E (X) = λ
Na Distribuição de Poisson o valor da lambda também demonstra o valor da variância.
v (X) = λ
Vale ressaltar os pressupostos da distribuição de Poisson.
Exemplo: (FGV/2014 – TJ/BA) Suponha que a quantidade total de erros cometidos pelo judiciário segue o padrão de um Processo de Poisson com parâmetro λ = 4, relativo ao período de um ano. Então a probabilidade de que sejam cometidos exatamente três erros, nos próximos 18 meses, é igual a:
Se o lambda é 4 para um ano, logo para 18 meses (1 ano e meio)
Lambda = 4 x 1,5 = 6
Logo,
P (X = 3) = (e^-4 x 4³) / 3
Adotando 0,018 para e^-4
P (X = 3) = (0,018 x 64) / 3
P (X = 3) = 0,384
P (X = 3) = 38,4
Pessoal, chegamos ao final do Resumo das Distribuições Discretas para ISS-BH. Espero que o artigo tenha sido útil para sua revisão.
Lembre-se que se trata apenas de um resumo, assim não deixe de conferir a aula na íntegra para estudar o assunto de forma mais aprofundada (com exemplos, diversos exercícios resolvidos e etc.), além de outros assuntos como por exemplo a Distribuição Binomial Negativa.
Além disso, estatística só se aprende de fato praticando, assim não deixe de realizar muitas questões em nosso Sistema de Questões.
Sistema de Questões (SQ) – Estratégia Concursos
Gostou do artigo? Não deixe de seguir
https://www.instagram.com/resumospassarin/
Prepare-se com o melhor material e com quem mais aprova em Concursos Públicos em todo o país.
Até mais e bons estudos!