Baixe o app para aproveitar ainda mais
Prévia do material em texto
PROBABILIDADE E ESTATÍSTICA Profª Kellen Lima AULA 14 Distribuições de Probabilidades Discretas (Parte 02) CONTÍNUAS Hipergeométrica Poisson Distribuições de Probabilidades DISCRETAS Normal Uniforme Exponencial Binomial 3. Binomial 3.1 Definição Para construir o modelo binomial vamos introduzir uma sequência de ensaios de Bernoulli; O Modelo de Bernoulli é aplicado em experimentos aleatórios, cujo espaço amostral é finito com dois possíveis resultados; O espaço amostral de um Ensaio de Bernoulli: Ω = {sucesso,fracasso} A BINOMIAL é um dos modelos matemáticos de maior utilidade. A BINOMIAL é utilizada quando a variável discreta de interesse é o n° de sucessos em uma amostra de n observações. Uma fábrica classifica produtos como defeituosos ou aceitáveis; Uma firma em leilões por contratos ganha ou não ganha o contrato referente a cada leilão; Uma empresa de marketing recebe respostas de vários entrevistados para uma questão como “sim, compraria o produto” ou “não, não compraria o produto”; Candidatos entrevista dos para uma vaga aceitam ou rejeitam a oferta de emprego; Seu time perde ou ganha um jogo de futebol. Exemplos 3. Binomial 3.1 Propriedades • A amostra consiste em um n° fixo de observações, n. • Cada tentativa pode resultar em um de 2 resultados possíveis, chamados de sucesso (S) ou fracasso (F). • As tentativas são independentes, de forma que o resultado de qualquer tentativa particular não influencia o resultado de qualquer outra tentativa. • . • A prob. de sucesso é constante de uma tentativa para outra. Denominamos essa prob. de p. 3. Binomial 3.2 Técnicas de Contagem Suponha que o sucesso é definido se “sairem 2 caras em 3 vezes ao jogarmos uma moeda”. O sucesso pode sair de quantas formas diferentes? Possibilidades de Sucesso: CCK, CKC, KCC. Logo, existem 3 possibilidades de sucesso. E, de forma geral? É o n° de combinações possíveis de selecionar x objetos de um total de n: X)!(nX! n! X n Cxn Onde: n=3 e X=2 Quantas combinações diferentes de um sorvete de 3 bolas você poderia criar se na loja existem 31 sabores? n = 31 e selecionamos X = 3. 4495 28!*1*2*3 28!*29*30*31 3!28! 31! 3)!(313! 31! 3 31 C331 3. Binomial 3.3 Fórmula knk )(1 k)!(nk! n! k)P(X pp U s a re m o s a n o ta ç ã o X ~ B in (n ,p ) Sendo que: Seja X o número de sucessos obtidos na realização de n ensaios de Bernoulli independentes. Diremos que X tem distribuição binomial com parâmetros n e p, onde p é a probabilidade de sucesso em cada ensaio, se sua função de probabilidade for dada por: Combinações de n elementos tomados de k a k. A prob. de um espaço amostral com sucessos nos k primeiros ensaios e falhas nos n-k ensaios seguintes. 0,32805 ,9)(5)(0,1)(0 0,1)(1(0,1) 1)!(51! 5! )(1 k)!(nk! n! 1)P(X 4 151 knk pp Qual a prob. de observarmos um sucesso em 5 tentativas se a prob. de sucesso em cada tentativa é de 0,1? X = 1, n = 5, e p = 0,1 Se a prob. de comprarmos um computador com defeito é de 0,02. Qual a prob. de comprarmos 2 computadores com defeitos em um lote de 10 computadores? EXERCÍCIO RESOLVIDO 0,01531 4)(0,8508)(45)(0,000 0,02)(1(0,02) 2)!(102! 10! )(1 k)!(nk! n! 2)P(X 2102 knk pp p = 0,02 (sucesso); n=10 (os ensaios de Bernoulli são 10 cópias selecionadas aleatoriamente; X=2 Resolução 3. Binomial 3.4 Formato da Distribuição Binomial O formato da distribuição binomial depende dos valores de n e de p n = 5 p = 0,1 0 .2 .4 .6 0 1 2 3 4 5 x P(x) n = 5 p = 0,5 .2 .4 .6 0 1 2 3 4 5 x P(x) 0 n = 5 e p = 0,1 p ≠ 0,5 (assimétrica) n = 5 e p = 0,5 p=0,5 (simétrica independe do valor de n) Ex: Para X = 2 a P(X) = 0,3125 Ex: Para X = 0 a P(X) = 0,59049 3. Binomial 3.5 Usando a Tabela n = 10 x … p=.20 p=.25 p=.30 p=.35 p=.40 p=.45 p=.50 0 1 2 3 4 5 6 7 8 9 10 … … … … … … … … … … … 0.1074 0.2684 0.3020 0.2013 0.0881 0.0264 0.0055 0.0008 0.0001 0.0000 0.0000 0.0563 0.1877 0.2816 0.2503 0.1460 0.0584 0.0162 0.0031 0.0004 0.0000 0.0000 0.0282 0.1211 0.2335 0.2668 0.2001 0.1029 0.0368 0.0090 0.0014 0.0001 0.0000 0.0135 0.0725 0.1757 0.2522 0.2377 0.1536 0.0689 0.0212 0.0043 0.0005 0.0000 0.0060 0.0403 0.1209 0.2150 0.2508 0.2007 0.1115 0.0425 0.0106 0.0016 0.0001 0.0025 0.0207 0.0763 0.1665 0.2384 0.2340 0.1596 0.0746 0.0229 0.0042 0.0003 0.0010 0.0098 0.0439 0.1172 0.2051 0.2461 0.2051 0.1172 0.0439 0.0098 0.0010 10 9 8 7 6 5 4 3 2 1 0 … p=.80 p=.75 p=.70 p=.65 p=.60 p=.55 p=.50 x Exemplo: n = 10, p = 0,35, X = 3 P(X = 3|n =10, p = 0,35) = 0,2522 n = 10, p = 0,75, X = 2 P(X = 2|n =10, p = 0,75) = 0,0004 3. Binomial 3.1 Características Média Variância e desvio-padrão pnE(x) )-(1nσ2 pp )-(1nσ pp Sendo que: 0,5(5)(0,1)nE(X) p 0,6708 0,1)(5)(0,1)(1)-(1nσ pp 2,5(5)(0,5)nE(X) p 1,118 0,5)(5)(0,5)(1)-(1nσ pp Exemplos 4. Hipergeométrica 4.1 Definição n N Xn AN X A XP )( n N Xn AN X A XP )( Também está relacionada com o número de sucessos em uma amostra contendo n observações; Os dados da amostra “n” são selecionados sem reposição de uma população finita de tamanho N, ou seja, resultado de uma observação é dependente dos resultados das observações anteriores; Há informações tanto da POPULAÇÂO como da AMOSTRA; Cada indivíduo da população é classificado como “Sucesso” ou “Fracasso”. A população possui A “Sucessos”. 4. Hipergeométrica 4.1 Fórmula n N xn AN x A XP )( Para X~Hipergeométrica(N,A,n) X)!(nX! n! X n Onde: Lembrando que: 4. Hipergeométrica 4.1 Características Média N nA E(X) Desvio-padrão 1- N n-N N A)-nA(N σ 2 “Fator de correção de população finita”, pelo fato de estarmos selecionando sem reposição a partir de uma população finita. 1- N n-N Sendo que: Diferenças entre Binomial e Hipergeométrica PARA APLICAR A BINOMIAL • amostra com reposição a partir de população finita. A prob. de cada item da amostra independe dos itens selecionados anteriormente e é constante. PARA APLICAR A HIPERGEOMÉTRICA• amostra sem reposição a partir de população finita. A prob. de um item da amostra depende dos itens que já foram selecionados anteriormente. 0,3 120 (6)(6) 3 10 1 6 2 4 n N Xn AN X A 2)p(X Temos: N = 10, n = 3, A = 4, x = 2 Em um departamento existem 10 computadores diferentes. Dentre estes, 4 tem programas ilegais instalados. A equipe de informática decide inspecionar 3 computadores aleatoriamente. Qual a prob. de que 2 dos 3 computadores tenham programas ilegais instalados? EXERCÍCIO RESOLVIDO Portanto, a prob. de que 2 de 3 computadores tenham programas ilegais instalados é de 0,3 ou seja, 30%. 4. Poisson 4.1 Definição X! λe P(X) Xλ X! λe P(X) Xλ Os intervalos podem ser de tempo, distância, área, volume ou alguma unidade similar. LOGO, É UMA DISTRIBUIÇÃO DE PROBABILIDADE DISCRETA QUE SE APLICA À OCORRÊNCIA DE EVENTOS AO LONGO DE INTERVALOS ESPECIFICADOS; Note que nos exemplos acima, não há como determinar‐se a probabilidade de ocorrência de um sucesso, mas sim a frequência média de sua ocorrência, como por exemplo, dois suicídios por ano, a qual será que denominada ; EXEMPLOS: O n° de arranhões na pintura do carro; O n° de falhas na rede em um determinado dia; O n° de vezes que o computador trava em um dia. É empregada em experimentos, nos quais NÂO se está interessado no número de sucessos obtidos em n tentativas, como ocorre no caso da Distribuição Binomial, mas sim no número de sucessos ocorridos durante um intervalo contínuo, que pode ser um intervalo de tempo, espaço, etc; 4. Poisson 4.2 Propriedades APLICA-SE A DISTRIBUIÇÃO DE POISSON QUANDO: Deseja saber a prob. do n° de vezes que um evento pode ocorrer em uma área de oportunidade; O n° de eventos que ocorre em uma área de oportunidade é independente do n° de eventos que ocorrem em outras áreas de oportunidade; A prob. de 2 ou mais eventos acontecerem em uma área de oportunidade se aproxima de 0 à medida que a área fica menor; O n° médio de eventos por unidade é dado por (lambda). 4. Poisson 4.3 Fórmula X! λe P(X) Xλ Para X~Poisson(λ) Sendo: 𝝁 = 𝝀 Média ou esperança ou valor esperado) Variância 𝝈𝟐 = 𝝀 0,104 7! 5e X! λe P(7) 75Xλ Assim, X = 7 e λ = 5 Suponha que, na média, 5 carros entrem um em estacionamento por minuto. Qual a probabilidade de 7 carros entrarem no estacionamento em um dado minuto? EXERCÍCIO RESOLVIDO Portanto, existe uma chance de 10,4% de 7 carros entrarem no estacionamento no próximo minuto. 4. Poisson 4.4 Usando a Tabela X 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0 1 2 3 4 5 6 7 0.9048 0.0905 0.0045 0.0002 0.0000 0.0000 0.0000 0.0000 0.8187 0.1637 0.0164 0.0011 0.0001 0.0000 0.0000 0.0000 0.7408 0.2222 0.0333 0.0033 0.0003 0.0000 0.0000 0.0000 0.6703 0.2681 0.0536 0.0072 0.0007 0.0001 0.0000 0.0000 0.6065 0.3033 0.0758 0.0126 0.0016 0.0002 0.0000 0.0000 0.5488 0.3293 0.0988 0.0198 0.0030 0.0004 0.0000 0.0000 0.4966 0.3476 0.1217 0.0284 0.0050 0.0007 0.0001 0.0000 0.4493 0.3595 0.1438 0.0383 0.0077 0.0012 0.0002 0.0000 0.4066 0.3659 0.1647 0.0494 0.0111 0.0020 0.0003 0.0000 Exemplo: Encontre P(X = 2) se = 0,50 0,0758 2! (0,50)e X! λe 2)P(X 20.50Xλ 4. Poisson 4.5 Formato 0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0 1 2 3 4 5 6 7 P( x) X P(X = 2) = 0,0758 X P(X) 0 1 2 3 4 5 6 7 0,6065 0,3033 0,0758 0,0126 0,0016 0,0002 0,0000 0,0000 = 0,50 0,00 0,05 0,10 0,15 0,20 0,25 1 2 3 4 5 6 7 8 9 10 11 12 P( x) x 0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0 1 2 3 4 5 6 7 P( x) x = 0,50 = 3,00 O formato da distribuição de Poisson depende do parâmetro : Portanto... Deseja saber a prob. do n° de vezes que um evento pode ocorrer em uma área de oportunidade (unidade contínua, ou intervalo de tempo, ou volume ou área). A prob. de cada item da amostra independe dos itens selecionados anteriormente e é constante. Amostra com reposição a partir de população finita. A prob. de um item da amostra depende dos itens que já foram selecionados anteriormente. Amostra sem reposição a partir de população finita. BINOMIAL HIPERGEOMÉTRICA POISSON 𝑃 𝑋 > 2 = 1 – 𝑃 𝑿 ≤ 𝟐 𝑃 𝑋 > 2 = 1 − [𝑃(𝑋 = 0 + 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 ] 𝑃 𝑋 ≥ 2 = 1 − 𝑃(𝑿 ≤ 𝟏) 𝑃 𝑋 ≥ 2 = 1 − [𝑃(𝑋 = 0 + 𝑃 𝑋 = 1 ] Pelo menos ≥ IMPORTANTE!!!! Resumo Em duas aulas, vimos: A probabilidade de uma variável aleatória discreta. Discutimos as seguintes distribuições: • Binomial • Hipergeométrica • Poisson Obrigada pela atenção & Bons Estudos! Cinco indivíduos de uma população animal supostamente ameaçada de extinção de certa região foram capturados, marcados e liberados para se misturarem à população. Após terem uma oportunidade de cruzarem, foi selecionada uma amostra aleatória de 10 desses animais. Seja X o número de animais marcados na segunda amostra. Se, na verdade, houver 25 animais desse tipo na região, qual será a probabilidade de X=2? Resposta: 0,385 Faça os cálculos de maneira detalhada!! EXERCÍCIO – AULA 14
Compartilhar