Baixe o app para aproveitar ainda mais
Prévia do material em texto
Probabilidade Variável Aleatória Def.: Variável Aleatória é uma função 𝑋 que associa cada ponto do espaço amostral a um valor na reta real, ou seja: onde: 𝑋 Variável aleatória 𝑎𝑖 Resultados do espaço amostral (Ω) 𝑥(𝑎𝑖) Valores que X assume nos Reais Probabilidade 𝑋 - 𝑥(𝑎1) 𝑎𝑖 - 𝑥(𝑎2) ……. - 𝑥(𝑎𝑛) Ω ℛ Variável Aleatória Exemplo: Seja 𝑋 a Variável aleatória (𝑣. 𝑎.) representando a ocorrência de caras no lançamento de duas moedas. Construa o diagrama do comportamento dessa 𝑣. 𝑎.. Sol.: Diagrama de comportamento da v. a. X Probabilidade 1 2 k (kk) k 1 2 1 2 c (kc) k (ck) 1 2 1 2 c 1 2 c (cc) 𝑋 → 𝑣.𝑎. 𝑐𝑎𝑟𝑎𝑠 𝑥 = 0, 1, 2 𝑋 𝑘𝑘 - 2 𝑘𝑐 𝑐𝑘 - 1 𝑐𝑐 - 0 Ω ℛ Variável Aleatória Obs.: Uma variável aleatória 𝑋 pode ser do tipo DISCRETA ou CONTÍNUA. Ela será discreta se o número de valores possíveis de 𝑋 for finito ou infinito enumerável. Caso contrário, ela será uma variável contínua. Funções de Probabilidade VARIÁVEL ALEATÓRIA DISCRETA Seja 𝑋 uma variável aleatória discreta. A probabilidade de que a variável aleatória 𝑋 assuma um particular valor 𝑥, é a função de probabilidade de 𝑋 que se representa por 𝑃(𝑋 = 𝑥) ou simplesmente 𝑃(𝑥). A função 𝑃(𝑋 = 𝑥) determina a distribuição de probabilidades da variável aleatória, e pode ser representada por uma tabela, gráfico ou fórmula. Obs.: σ𝑃 𝑥𝑖 = 1. Probabilidade Exemplo: Construa a função distribuição de probabilidades (f. d. p.) da variável aleatória 𝑋 que representa a ocorrência de caras no lançamento de duas moedas e represente-a de forma: a) tabular; b) gráfica; c) modelo matemático. Sol.: Experimento: lançamento de duas moedas ⇒ Ω = {𝑘𝑘, 𝑘𝑐, 𝑐𝑘, 𝑐𝑐} Variável: 𝑋 → representa a ocorrência de caras ⇒ 𝑋 pode assumir os valores: 0, 1, 2. Logo: para 𝑋 = 0 ⇒ 𝑃 𝑥 = 𝑃 𝑋 = 0 = 𝑝 𝑐𝑐 = 1 2 . 1 2 = 1 4 ⇒ 𝑃 𝑋 = 0 = 1 4 para 𝑋 = 1 ⇒ 𝑃 𝑥 = 𝑃 𝑋 = 1 = 𝑝 𝑘𝑐, 𝑐𝑘 = 1 2 . 1 2 + 1 2 . 1 2 = 2 4 ⇒ 𝑃 𝑋 = 1 = 2 4 para 𝑋 = 2 ⇒ 𝑃 𝑥 = 𝑃 𝑋 = 2 = 𝑝 𝑘𝑘 = 1 2 . 1 2 = 1 4 ⇒ 𝑃 𝑋 = 2 = 1 4 Probabilidade Exemplo: (cont.) Variável: 𝑋 → representa a ocorrência de caras ⇒ 𝑋 pode assumir os valores: 0, 1, 2. para 𝑋 = 0 ⇒ 𝑃 𝑥 = 𝑃 𝑋 = 0 = 𝑝 𝑐𝑐 = 1 2 . 1 2 = 1 4 ⇒ 𝑃 𝑋 = 0 = 1 4 para 𝑋 = 1 ⇒ 𝑃 𝑥 = 𝑃 𝑋 = 1 = 𝑝 𝑘𝑐, 𝑐𝑘 = 1 2 . 1 2 + 1 2 . 1 2 = 2 4 ⇒ 𝑃 𝑋 = 1 = 2 4 para 𝑋 = 2 ⇒ 𝑃 𝑥 = 𝑃 𝑋 = 2 = 𝑝 𝑘𝑘 = 1 2 . 1 2 = 1 4 ⇒ 𝑃 𝑋 = 2 = 1 4 Probabilidade 𝑎) 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎çã𝑜 𝑡𝑎𝑏𝑢𝑙𝑎𝑟 𝑋 0 1 2 𝑃(𝑥) 1 4 2 4 1 4 1 𝑐) 𝑚𝑜𝑑𝑒𝑙𝑜 𝑚𝑎𝑡𝑒𝑚á𝑡𝑖𝑐𝑜 𝑃(𝑥) = 1 4 2 𝑥 𝑐) 𝑚𝑜𝑑𝑒𝑙𝑜 𝑚𝑎𝑡𝑒𝑚á𝑡𝑖𝑐𝑜 𝑃(𝑥) = 1 4 2 𝑥 𝑜𝑏𝑠.: 2 𝑥 = 𝐶𝑛 ;𝑥 = 𝑛! 𝑥! (𝑛 − 𝑥)! 𝑎) 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎çã𝑜 𝑡𝑎𝑏𝑢𝑙𝑎𝑟 𝑋 0 1 2 𝑃(𝑥) 1 4 2 4 1 4 1 𝑏) 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎çã𝑜 𝑡𝑎𝑏𝑢𝑙𝑎𝑟 𝑃(𝑥) 1 - 2 4 --------------- 1 4 ----------------------- 0 1 2 𝑥 𝑏) 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎çã𝑜 𝑔𝑟á𝑓𝑖𝑐𝑎 Obs.: Qualquer combinação de variáveis aleatórias gera uma variável aleatória, ou seja, se 𝑋 𝑒 𝑌 são 𝑣. 𝑎., então Z = 𝜑(𝑥; 𝑦) também será uma variável aleatória. Exemplo: sejam as seguintes variáveis aleatórias: 𝑋 → Representando os pontos de um dado; 𝑌 = 𝑋1 + 𝑋2 → Representando a soma dos pontos de dois dados (𝑋1 𝑒 𝑋2) ; 𝑍 = 𝑀𝑎𝑥{ 𝑥1, 𝑥2 → onde 𝑥1, 𝑥2 são os pontos de dois dados. Represente, de forma tabular, as funções distribuições de probabilidade dessas variáveis aleatórias 𝑋; 𝑌; 𝑒 𝑍. Sol.: No lançamento de um dado, 𝑋 pode assumir os valores: 1, 2, 3, 4, 5, 6 todos com probabilidades iguais a 1 6 , logo: A distribuição de probabilidades de 𝑋, representada por uma tabela, será: Probabilidade 𝑋 1 2 3 4 5 6 𝑃(𝑥) 1 6 1 6 1 6 1 6 1 6 1 6 1 Exemplo: (cont.) 𝑌 = 𝑋 + 𝑋 → Representando a soma dos pontos de dois dados; Sol.: Construindo o espaço amostral dos dados 𝑋1 e 𝑋2 e de 𝑌: Logo, a distribuição de probabilidade de 𝑌 = 𝑋1 + 𝑋2 será: Probabilidade 𝐸𝑠𝑝𝑎ç𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙 𝑑𝑒 𝑋1 𝑐𝑜𝑚 𝑋2 𝐸𝑠𝑝𝑎ç𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙 𝑑𝑒 𝑌 = 𝑋1 + 𝑋2 1 2 3 4 5 6 1 2 3 4 5 6 1 11 12 13 14 15 16 1 2 3 4 5 6 7 2 21 22 23 24 25 26 2 3 4 5 6 7 8 3 31 32 33 34 35 36 3 4 5 6 7 8 9 4 41 42 43 44 45 46 4 5 6 7 8 9 10 5 51 52 53 54 55 56 5 6 7 8 9 10 11 6 61 62 63 64 65 66 6 7 8 9 10 11 12 𝐸𝑠𝑝𝑎ç𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙 𝑑𝑒 𝑋1 𝑐𝑜𝑚 𝑋2 𝐸𝑠𝑝𝑎ç𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙 𝑑𝑒 𝑌 = 𝑋1 + 𝑋2 1 2 3 4 5 6 1 2 3 4 5 6 1 11 12 13 14 15 16 1 2 3 4 5 6 7 2 21 22 23 24 25 26 2 3 4 5 6 7 8 3 31 32 33 34 35 36 3 4 5 6 7 8 9 4 41 42 43 44 45 464 5 6 7 8 9 10 5 51 52 53 54 55 56 5 6 7 8 9 10 11 6 61 62 63 64 65 66 6 7 8 9 10 11 12 𝑌 2 3 4 5 6 7 8 9 10 11 12 𝑃(𝑦) 1 36 2 36 3 36 4 36 5 36 6 36 5 36 4 36 3 36 2 36 1 36 Exemplo: (cont.) 𝑍 = 𝑀𝑎𝑥{ 𝑥1, 𝑥2 → onde 𝑥1, 𝑥2 são os pontos de dois dados Sol.: Construindo o espaço amostral dos dados 𝑋1 e 𝑋2: ex.: 𝑀𝑎𝑥 1, 1 = 1 𝑀𝑎𝑥 1, 2 =2 ...................................... 𝑀𝑎𝑥 6, 6 =6 Logo, a distribuição de probabilidade de 𝑍 = 𝑀𝑎𝑥{ 𝑥1, 𝑥2 } será: Probabilidade 𝐸𝑠𝑝𝑎ç𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙 𝑑𝑒 𝑋1 𝑐𝑜𝑚 𝑋2 𝐸𝑠𝑝𝑎ç𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙 𝑑𝑒 𝑌 = 𝑋1 + 𝑋2 1 2 3 4 5 6 1 2 3 4 5 6 1 11 12 13 14 15 16 1 2 3 4 5 6 7 2 21 22 23 24 25 26 2 3 4 5 6 7 8 3 31 32 33 34 35 36 3 4 5 6 7 8 9 4 41 42 43 44 45 46 4 5 6 7 8 9 10 5 51 52 53 54 55 56 5 6 7 8 9 10 11 6 61 62 63 64 65 66 6 7 8 9 10 11 12 𝑍 1 2 3 4 5 6 𝑃(𝑧) 1 36 3 36 5 36 7 36 9 36 11 36 1 1 – Média aritmética ou Esperança Matemática Def.: Seja 𝑋 uma variável aleatória discreta com probabilidades 𝑃(𝑥𝑖) . O valor esperado de 𝑋, denotado por Ε(𝑋) é dado por: Ε 𝑋 = 𝑖=1 𝑛 𝑥𝑖𝑃(𝑥𝑖) 2 – Variância Def.: Define-se variância da 𝑣. 𝑎. 𝑋 como sendo “a esperança matemática do quadrado dos desvios de cada elemento com relação a sua média”, ou seja: 𝑉 𝑋 = 𝜎𝑋 2 = Ε 𝑋 − Ε 𝑋 2 Probabilidade Desenvolvendo-se o quadrado perfeito da expressão da 𝑉 𝑋 , pode-se chegar a um modo alternativo do cálculo de seu valor, ou seja: 𝑉 𝑋 = 𝜎𝑋 2 = Ε 𝑋 − Ε 𝑋 2 = Ε 𝑋2 − 2. 𝑋. Ε 𝑋 + Ε 𝑋 2 = = Ε 𝑋2 − Ε 2. 𝑋. Ε 𝑋 + Ε Ε 𝑋 2 = Ε 𝑋2 − 2. Ε 𝑋 Ε 𝑋 + Ε 𝑋 2 = = Ε 𝑋2 − 2 Ε 𝑋 2 + Ε 𝑋 2 = Ε 𝑋2 − Ε 𝑋 2 ⇒ ⇒ 𝑉 𝑋 = Ε 𝑋2 − Ε 𝑋 2 ; 𝑜𝑛𝑑𝑒 𝛦 𝑋2 = σ𝑥2𝑃(𝑥) 3 – Desvio padrão Def.: É, por definição, a raiz quadrada da variância, ou seja: 𝜎𝑋 = 𝑉(𝑋) Probabilidade Aplicação: No lançamento de duas moedas, seja 𝑋a 𝑣. 𝑎. representando a ocorrência de caras. Determine a Esperança Matemática e a Variância de 𝑋. Sol.: Sabe-se que a função distribuição de probabilidade (f. d. p) de 𝑋 é dada por: Logo: Probabilidade 𝑋 0 1 2 𝑃(𝑋) 1 4 2 4 1 4 1 𝑬𝒔𝒑𝒆𝒓𝒂𝒏ç𝒂 𝒅𝒆 𝑿 𝛦(𝑋) = σ 𝑥𝑖𝑃(𝑥𝑖) 𝑛 𝑖=1 = = 0. 1 4 + 1. 2 4 + 2 1 4 = = 0 + 2 4 + 2 4 = 4 4 = 1 ⇒ 𝑬(𝑿) = 𝟏 𝑽𝒂𝒓𝒊â𝒏𝒄𝒊𝒂 𝒅𝒆 𝑿 𝑉(𝑋) = 𝛦(𝑋2) − 𝛦(𝑋) 2 𝛦(𝑋2) = σ 𝑥𝑖 2𝑃(𝑥𝑖) 𝑛 𝑖=1 = = 02. 1 4 + 12. 2 4 + 22. 1 4 = 0 + 2 4 + 4 4 = 6 4 = 3 2 ⇒ 𝑽(𝑿) = 𝟑 𝟐 − (𝟏)𝟐 = 𝟑 𝟐 − 𝟏 = 𝟏 𝟐 𝛦(𝑋) = 1 ⇒ 𝛦(𝑋) 2 = (1)2 = 1 Aplicação Um jogador lança duas moedas não viciadas. Ganha R$1,00 ou R$2,00, conforme ocorra uma ou duas caras. Por outro lado, perde R$5,00 se não ocorrer cara. Ache o valor esperado do jogo e se o mesmo é favorável ao jogador. Sol.: Experimento: lançamento de duas moedas ⇒ Ω = {𝑘𝑘, 𝑘𝑐, 𝑐𝑘, 𝑐𝑐} Variável: 𝑋 → representa a ocorrência de caras ⇒ 𝑋 pode assumir os valores: 0, 1, 2. Logo: Ε 𝐺𝑎𝑛ℎ𝑜 = σ𝑖=1 3 𝑔𝑎𝑛ℎ𝑜𝑖𝑃(𝑔𝑎𝑛ℎ𝑜𝑖) ⇒ ⇒ Ε 𝐺𝑎𝑛ℎ𝑜 = −5,00 1 4 + 1,00 2 4 + 2,00 1 4 ⇒ ⇒ Ε 𝐺𝑎𝑛ℎ𝑜 = −5,00 4 + 2,00 4 + 2,00 4 = −5,00+2,00+2,00 4 = −1,00 4 = −0,25 Conclusão: Como se pode ver o jogo é desfavorável ao jogador com uma perda estimada em R$0,25, ou seja, de 25 centavos. Probabilidade 𝑋 0 1 2 𝐺𝑎𝑛ℎ𝑜 − 5,00 1,00 2,00 𝑃(𝑋) 1 4 2 4 1 4 Exercícios: Determine a Esperança Matemática, a Variância e o Desvio padrão das seguintes variáveis aleatórias: 𝑋 → Representando os pontos de um dado; 𝑌 = 𝑋1 + 𝑋2 → Representando a soma dos pontos de dois dados (𝑋1 𝑒 𝑋2) ; 𝑍 = 𝑀𝑎𝑥{ 𝑥1, 𝑥2 → onde 𝑥1, 𝑥2 são os pontos de dois dados. DEVER DE CASA! Probabilidade Principais Distribuições de Probabilidade da Variável Aleatória Discreta Bernoulli (Jokob Bernoulli – 1654/1705 – Basiléia/Suiça) Binomial ( “ “ “ ) Multinomial ( “ “ “ ) Poisson (Siméon Denis Poisson – 1781/1840 – Paris/França) etc Distribuição Bernoulli Descreve o comportamento de variáveis, cujos experimentos apresentam apenas dois resultados possíveis: ocorrer ou não o que se espera. Ex.: 1.) lançamento de uma moeda: ocorrência ou não de cara; 2.) um dado é lançado: ocorrência ou não da face 5; 3.) um lote de peças produzidas por uma máquina: ocorrência ou não de peça defeituosa; 4. etc. Probabilidade Distribuição Bernoulli Def.: Seja 𝑋 uma 𝑣. 𝑎. proveniente de um experimento aleatório onde “𝑝” é a probabilidade de “sucesso” (ocorrer o que se pretende) e “ 𝑞 = 1 − 𝑝 ” a probabilidade de “fracasso” (ocorrer o que não se deseja). Se adotarmos que para cada “sucesso” a 𝑣. 𝑎. 𝑋 assuma valor “1” e “0” para cada “fracasso”, podemos construir sua 𝑓. 𝑑. 𝑝. , dada por: Características: Ε 𝑋 = 𝑖=1 𝑛 𝑥𝑖𝑃(𝑥𝑖) = 1. 𝑝 + 0. 𝑞 ⇒ 𝜠 𝑿 = 𝒑 𝑉 𝑋 = Ε 𝑋2 − 𝐸(𝑋) 2 = 12. 𝑝 + 02 − 𝑝2 = 𝑝 − 𝑝2 = 𝑝 1 − 𝑝 = 𝑝𝑞 ⇒ 𝑽 𝑿 = 𝒑𝒒 Probabilidade 𝑋 1 0 𝑃(𝑥) 𝑝 𝑞 1 Distribuição Binomial - Def.: Seja 𝑋 = {𝑥1, 𝑥2, … , 𝑥𝑛} uma 𝑣. 𝑎. proveniente de “ 𝑛 ” provas de um experimento do tipo Bernoulli com parâmetro “ 𝑝 ”. A probabilidade de ocorrer, exatamente, “𝑥 − 𝑠𝑢𝑐𝑒𝑠𝑠𝑜𝑠” é dada por: 𝑃 𝑋 = 𝑥 = 𝑛 𝑥 𝑝𝑥𝑞𝑛−𝑥 → 𝑏(𝑥; 𝑛, 𝑝) onde: 𝑝 → 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑠𝑢𝑐𝑒𝑠𝑠𝑜; 𝑞 → 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑓𝑟𝑎𝑐𝑎𝑠𝑠𝑜 Características: Ε 𝑋 = Ε 𝑥1 + 𝑥2 +⋯+ 𝑥𝑛 = Ε 𝑥1) + Ε(𝑥2) + ⋯+ Ε(𝑥𝑛 = 𝑝 + 𝑝 +⋯+ 𝑝 ⇒ 𝜠 𝑿 = 𝒏𝒑 V 𝑋 = 𝑉 𝑥1 + 𝑥2 +⋯+ 𝑥𝑛 = 𝑉 𝑥1) + 𝑉(𝑥2) + ⋯+ 𝑉(𝑥𝑛 = 𝑝𝑞 + 𝑝𝑞 +⋯+ 𝑝𝑞 ⇒ 𝑽 𝑿 = 𝒏𝒑𝒒 Probabilidade Distribuição Binomial - Aplicação: 1.) Uma moeda não viciada é lançada seis vezes. Determine a probabilidade de que ocorra a) exatamente duas caras; b) mais de quatro caras; c) Calcule a Esperança matemática, a Variância e o Desvio Padrão. Sol.: Seja “𝑥” a 𝑣. 𝑎. representando a ocorrência de cara, logo: 𝑝 = 1 2 ; 𝑞 = 1 2 , 𝑐𝑜𝑚 𝑛 = 6: a) 𝑃 𝑋 = 𝑥 = 𝑛 𝑥 𝑝𝑥𝑞𝑛−𝑥 ⇒ 𝑃 𝑋 = 2 = 6 2 1 2 2 1 2 6−2 = 6! 2! 6−2 ! 1 2 2 1 2 4 ⇒ ⇒ 𝑃 𝑋 = 2 = 6.5.4! 2.1.4! 1 2 6 = 15 1 64 ⇒ 𝑃 𝑋 = 2 = 15 64 = 0,234. 𝛦 𝑋 = 𝑛𝑝 = 6 1 2 = 3; 𝑉 𝑋 = 𝑛𝑝𝑞 = 6. 1 2 . 1 2 = 3 2 = 1,5 𝜎 = 𝑉(𝑋) = 1,5 = 1,22 b) 𝑃 𝑋 > 4 = 𝑃 𝑋 = 5 + 𝑃 𝑋 = 6 = 7 64 = 0,109. Obs.: o item “b” resolve da mesma forma que o “a”. DEVER DE CASA Probabilidade Distribuição Binomial - Aplicação: 2.) Três dados comuns e honestos serão lançados. Determine a probabilidade de que o número 6 seja obtido mais de uma vez. Calcule a E(X); V(X); 𝜎 𝑋 . Sol.: O número 6 ser obtido mais de uma vez, é obter duas ou três vezes, ou seja: Seja 𝑋 a 𝑣. 𝑎. representando a ocorrência do número 6, logo: 𝑃 𝑋 ≥ 2 =? Lançar três dados é o mesmo que lançar um dado três vezes, logo, a probabilidade de “sucesso” é ocorrer face 6, ou seja, 𝑝 = 1 6 . Não ocorrer face6 seria o “fracasso”, ou seja, 𝑞 = 1 − 𝑝 = 1 − 1 6 = 5 6 . (obs.: o valor de 𝑝 é referente a obter o 6 quando lança-se um dado, uma única vez). 𝑃 𝑋 ≥ 2 = 𝑃 𝑋 = 2 + 𝑃 𝑋 = 3 → 𝑏 𝑥; 𝑛; 𝑝 → 𝑏 2; 3; 1 6 ; 𝑏(3; 3; 1 6 ) . Probabilidade Distribuição Binomial - Aplicação: 2.) Sol.: (cont.) 𝑃 𝑋 ≥ 2 = 𝑃 𝑋 = 2 + 𝑃 𝑋 = 3 → 𝑏 𝑥; 𝑛; 𝑝 → 𝑏 2; 3; 1 6 ; 𝑏(3; 3; 1 6 ) . 𝑃 𝑋 = 𝑥 = 𝑛 𝑥 𝑝𝑥𝑞𝑛−𝑥 ⇒? 𝑃 𝑋 = 2 = 3 2 1 6 2 5 6 3−2 = 3! 2!(3−2! 1 6 2 5 6 1 = 3.2! 2!.1 . 1 36 . 5 6 = 15 216 𝑃 𝑋 = 3 = 3 3 1 6 3 5 6 3−3 = 3! 3!(3−3! 1 6 3 5 6 0 = 1. 1 216 . 1 = 1 216 Logo: 𝑃 𝑋 ≥ 2 = 𝑃 𝑋 = 2 + 𝑃 𝑋 = 3 = 15 216 + 1 216 = 16 216 = 2 27 ⇒ 𝑷 𝑿 ≥ 𝟐 = 𝟐 𝟐𝟕 = 𝟎, 𝟎𝟕𝟒. 𝛦 𝑋 = 𝑛𝑝 = 3 1 6 = 3 6 = 0,5; 𝑉 𝑋 = 𝑛𝑝𝑞 = 3. 1 6 . 5 6 = 15 36 = 0, 417; 𝜎 = 𝑉(𝑋) = 0,417 = 0,65 Probabilidade Distribuição Binomial - Aplicação: 3.) Num teste do tipo certo-errado, com 100 perguntas, qual a probabilidade de um aluno, respondendo as questões ao acaso, acertar 70% das perguntas? Sol.: - observa-se que o teste é do tipo certo-errado ⇒ 𝑝 = 𝑞 = 1 2 ; - o total de questões é igual a 100. Acertar 70% ⇒ 𝑥 = 70%. 100 = 70; logo: 𝑃 𝑋 = 𝑥 = 𝑛 𝑥 𝑝𝑥𝑞𝑛−𝑥 ⇒? 𝑏 𝑥; 𝑛; 𝑝 → 𝑏 70; 100; 1 2 𝑃 𝑋 = 𝑥 = 𝑃 𝑋 = 70 = 100 70 1 2 70 1 2 100−70 = 100 70 1 2 100 ⇒ 𝑃 𝑋 = 70 = 100 70 1 2 100 ⇒ ⇒ 𝑃 𝑋 = 70 = 2,31707 10 −5 Probabilidade Distribuição Binomial - Aplicação: 4.) Se 10% das peças produzidas por uma maquina são defeituosas, achar a probabilidade de que, numa amostra de 50 peças, escolhidas ao acaso, tenhamos: a) três defeituosas; b) duas boas Sol.: item a): a) como nesse item o “sucesso” se refere a peças defeituosas, e como o problema informa que 10% são defeituosas, então esse é o valor de 𝑝. Logo: 𝑛 = 50; 𝑝 = 10% = 0,10; 𝑒 𝑥 = 3, 𝑜𝑢 𝑠𝑒𝑗𝑎: 𝑏 𝑛; 𝑥; 𝑝 = 𝑏 50; 3; 0,10 . 𝑃 𝑋 = 𝑥 = 𝑛 𝑥 𝑝𝑥𝑞𝑛−𝑥 ⇒ 𝑃 𝑋 = 3 = 50 3 0,10 3 0,90 50−3 = 50! 3! 50−3 ! 0,10 3 0,90 47 ⇒ 𝑃 𝑋 = 3 = 50.49.48.47! 3.2.1.47! 0,001 0,007070 ⇒ 𝑃 𝑋 = 3 = 0,1386. Probabilidade Distribuição Binomial - Aplicação: (cont.) 4.) Se 10% das peças produzidas por uma maquina são defeituosas, achar a probabilidade de que, numa amostra de 50 peças, escolhidas ao acaso, tenhamos: a) três defeituosas; b) duas boas Sol.: item b): b) como nesse item o “sucesso” se refere a peças boas, e como o problema informa que 90% são boas, então esse é o valor de 𝑝. Logo: 𝑛 = 50; 𝑝 = 90% = 0,90; 𝑒 𝑥 = 2, 𝑜𝑢 𝑠𝑒𝑗𝑎: 𝑏 𝑛; 𝑥; 𝑝 = 𝑏 50; 2; 0,90 . 𝑃 𝑋 = 𝑥 = 𝑛 𝑥 𝑝𝑥𝑞𝑛−𝑥 ⇒ 𝑃 𝑋 = 2 = 50 2 0,90 2 0,10 50−2 = 50! 2! 50−2 ! 0,90 2 0,10 48 ⇒ 𝑃 𝑋 = 2 = 50.49.48! 3.2.1.48! 0,81 . 10 −48 ⇒ 𝑃 𝑋 = 2 ≅ 9,9225 10 −46. Probabilidade Distribuição Binomial Dever de casa: Série I – Capítulo 3 – Livro: Curso de Estatística Autores: Jairo S. da Fonseca e Gilberto de A. Martins Exercícios: 1; 2; 3; 4; 5; 6; 7; 8; 9; 10. Probabilidade
Compartilhar