Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIDADE 4 – NOÇÕES DE PROBABILIDADE 1. Distribuição de Probabilidade discreta: A Distribuição Binomial 4.1 O MODELO DE BERNOULLI Modelo adequado para experimentos aleatórios em que o espaço amostral consta de somente dois resultados: Sucesso, com probabilidade p; ou Fracasso, com probabilidade q=1-p. Um experimento dessa natureza é chamado de “experimento de Bernoulli” ou “ensaio de Bernoulli”. Exemplos: Uma moeda é lançada: o resultado ou é cara (sucesso), ou não (fracasso – coroa); Um dado é lançado; ou ocorre a face 5 (sucesso) ou não (fracasso – as faces 1, 2, 3, 4 e 6); Uma lâmpada é escolhida ao acaso de um lote contendo 500 lâmpadas; essa lâmpada acende (sucesso), ou não (fracasso); Uma pessoa é escolhida ao acaso dentre 1.000 é ou não do sexo masculino. 4.1 O MODELO DE BERNOULLI Dada a constante p, (onde 0<p<1), temos uma variável aleatória X que somente assume os valores 0 (fracasso) ou 1 (sucesso), de tal forma que: p(0) = P (X=0) = 1-p p(1) = P(X=1) = p Experimentos que resultam numa v.a. de Bernoulli são indicados por: X ~ Ber(p) Lê-se: “a variável aleatória X possui distribuição de Bernoulli com parâmetro p”. 4.1 O MODELO DE BERNOULLI A partir das probabilidade de sucesso – P(X=1) – e fracasso – P(X=0) – temos que: E(X) = p; Var(X) = p(1-p) Ou seja, o valor esperado, a média, ou a esperança de X é igual ao valor da probabilidade de sucesso. A variância de X é igual ao valor da probabilidade de sucesso vezes a probabilidade de fracasso. 4.2 A DISTRIBUIÇÃO BINOMIAL Imagine, agora, que repetimos um ensaio de Bernoulli n vezes, ou, de maneira alternativa, obtemos uma amostra de tamanho n de uma distribuição de Bernoulli. Suponha, ainda, que as repetições são independentes, isto é, o resultado de um ensaio não tem influência nenhuma no resultado de qualquer outro ensaio. Uma amostra será constituída de uma sequência de sucessos e fracassos, ou de 1’s e 0’s. 4.2 A DISTRIBUIÇÃO BINOMIAL Exemplo: Se repetirmos um ensaio de Bernoulli cinco vezes (n=5), um particular resultado pode ser: FSSFS – (0,1,1,0,1) Seja a probabilidade de sucesso P(S) = p e a de fracasso P(F) = (1-p), temos então: (1-p)*p*p*(1-p)*p = p3(1-p)2 4.2 A DISTRIBUIÇÃO BINOMIAL Exemplos: Uma moeda é lançada três vezes; qual é a probabilidade de se obter duas caras? Um dado é lançado 5 vezes; qual a probabilidade de se obter a face 5 no máximo três vezes? 10 lâmpadas são extraídas, ao acaso, com reposição, de um lote contendo 500 lâmpadas; qual a probabilidade de que todas sejam defeituosas, sabendo que 10% das lâmpadas do lote são defeituosas? Cinco pessoas são escolhidas ao acaso entre 1.000, qual é a probabilidade de que duas sejam do sexo masculino? 4.2 A DISTRIBUIÇÃO BINOMIAL Exemplo: Uma moeda é lançada três vezes; qual é a probabilidade de se obter duas caras? Supondo que a moeda é “honesta”, isto é, P(sucesso)=P(cara)=1/2. Indiquemos o sucesso (cara) por S, e o fracasso (coroa), por F. 4.2 A DISTRIBUIÇÃO BINOMIAL Exemplo: Estamos interessados na probabilidade do evento A=duas caras (ou dois sucessos S) A={SSF,SFS,FSS} ou A= { (1,1,0); (1,0,1); (0,1,1) } Temos que P(A) = P(SSF) + P(SFS) + P(FSS) Como os ensaios são independentes: P(SSF) = ½ * ½* ½ = 1/8 P(SFS) = ½ * ½* ½ = 1/8 P(FSS) = ½ * ½* ½ =1/8 Assim: P(A) = 1/8 + 1/8 + 1/8 = 3/8 4.2 A DISTRIBUIÇÃO BINOMIAL Exemplo: Suponha que tivéssemos uma probabilidade de sucesso qualquer p, no lugar de p=1/2. A probabilidade de fracasso é (1-p). Temos que P(A) = P(SSF) + P(SFS) + P(FSS) Como os ensaios são independentes: P(SSF) = p * p* (1-p) = p2(1-p) P(SFS) = ½ * ½* ½ = p*(1-p)*p = p2(1-p) P(FSS) = ½ * ½* ½ =(1-p) * p * p = p2(1-p) Assim: P(A) = p2(1-p) + p2(1-p) + p2(1-p) = 3* p2(1-p) 4.2 A DISTRIBUIÇÃO BINOMIAL Uma característica importante dos experimentos considerados é que estamos interessados apenas no número total de sucessos e não na ordem em que eles ocorrem. 4.2 A DISTRIBUIÇÃO BINOMIAL p (1-p) Sucesso Fracasso p p p*p*p = p 3 p*p*(1-p) = p2(1-p) p*(1-p)*p = p2(1-p) (1-p)*p*p = p2(1-p) (1-p)*(1-p)*(1-p) = (1-p)3 (1-p)*(1-p)*p = p*(1-p)2 (1-p)*p*(1-p) = p*(1-p)2 p*(1-p)*(1-p) = p*(1-p)2 (1-p) (1-p) (1-p) (1-p) (1-p) (1-p) p p p 4.2 A DISTRIBUIÇÃO BINOMIAL Número de Sucessos Probabilidades p=1/2 0 (1-p)3 1/8 1 3*p*(1-p)2 3/8 2 3*p2*(1-p) 3/8 3 p3 1/8 4.2 A DISTRIBUIÇÃO BINOMIAL Esse resultado pode ser generalizado para o caso de n realizações independentes de um ensaio Bernoulli, com probabilidades de sucesso p e de fracasso (1-p). Se X é a variável aleatória que representa o nº de sucessos nos n ensaios, as probabilidades de X assumir os valores 0,1,2,...,n serão dadas por: 𝑃 𝑋 = 𝑥 = 𝑛 𝑥 𝑝𝑥(1 − 𝑝)(𝑛−𝑥) 4.2 A DISTRIBUIÇÃO BINOMIAL O símbolo 𝑛𝑥 vem da análise combinatória. É a combinação de n elementos tomados x a x. 𝐶𝑥 = 𝑛 𝑥 = 𝑛! 𝑥! 𝑛 − 𝑥 !𝑛 4.2 A DISTRIBUIÇÃO BINOMIAL Quando a variável aleatória tiver distribuição binomial com parâmetros n e p, escreveremos: X~Bin(n,p) A média e a variância de uma variável aleatória binomial, com parâmetros n e p são dadas, respectivamente, por: 𝐸 𝑋 = 𝑛 ∗ 𝑝 𝑉𝑎𝑟 𝑋 = 𝑛 ∗ 𝑝 ∗ 1 − 𝑝 4.2 A DISTRIBUIÇÃO BINOMIAL Para finalizar, vamos formalizar os principais pontos apresentados aqui: Definição: Chama-se de experimento binomial ao experimento: A) Que consiste em n ensaios Bernoulli; B) Cujos ensaios são independentes; C) Para o qual a probabilidade de sucesso em cada ensaio é sempre igual a p, com 0<p<1. 4.2 A DISTRIBUIÇÃO BINOMIAL Definição: A variável aleatória X, corresponde ao nº de sucessos num experimento binomial e tem distribuição binomial Bin(n,p), com função de distribuição (ou função de probabilidade) igual a: 𝑃 𝑋 = 𝑥 = 𝑛 𝑥 𝑝𝑥(1 − 𝑝)(𝑛−𝑥), 𝑥 = 0,1,2, … , 𝑛 4.3 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Suponha que tenha um aluno que precise de 2 questões corretas para passar em determinada matéria. A prova dessa matéria será uma prova com 3 questões de múltipla escolha. Cada questão possui 5 opções de resposta, e apenas 1 correta. Digamos que esse aluno tenha a “excelente” ideia de não estudar e chutar as respostas das questões. Qual a probabilidade desse aluno ser aprovado? 4.3 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Nossa variável aleatória X é o número de questões que o aluno acertará. Se cada questão possui 5 opções e apenas 1 correta, nossa probabilidade de sucesso é p=1/5 = 0,20. Logo, a probabilidade de fracasso é (1-p)=0,8. Como são 3 questões, n=3. Vamos calcular cada uma das probabilidades, lembrando que 𝑃 𝑋 = 𝑥 = 𝑛𝑥 𝑝 𝑥(1 − 𝑝)(𝑛−𝑥), 𝑥 = 0,1,2, … , 𝑛 𝐸𝑟𝑟𝑎𝑟 𝑡𝑜𝑑𝑎𝑠 𝑎𝑠 𝑞𝑢𝑒𝑠𝑡õ𝑒𝑠: 𝑃 𝑋 = 0 = 30 0,2 0(0,8)(3)= (0,8)(3)= 0,512 4.3 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Vamos calcular cada uma das probabilidades, lembrando que 𝑃 𝑋 = 𝑥 = 𝑛𝑥 𝑝 𝑥(1 − 𝑝)(𝑛−𝑥), 𝑥 = 0,1,2, … , 𝑛 𝐴𝑐𝑒𝑟𝑡𝑎𝑟 1𝑞𝑢𝑒𝑠𝑡ã𝑜: 𝑃 𝑋 = 1 = 31 0,2 1(0,8)(3)= 3 ∗ 0,2 ∗ 0,8 2 = 0,384 𝐴𝑐𝑒𝑟𝑡𝑎𝑟 2 𝑞𝑢𝑒𝑠𝑡õ𝑒𝑠: 𝑃 𝑋 = 2 = 32 0,2 2(0,8)(1)= 3 ∗ 0,22 ∗ 0,8 1 = 0,096 𝐴𝑐𝑒𝑟𝑡𝑎𝑟 3 𝑞𝑢𝑒𝑠𝑡õ𝑒𝑠: 𝑃 𝑋 = 3 = 33 0,2 3(0,8)(0)= 1 ∗ 0,23 ∗ 0,8 0 = 0,008 O exercício ainda não acabou! 4.3 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS A pergunta foi “Qual a probabilidade desse aluno ser aprovado?” Esse aluno será aprovado se acertar 2 ou mais questões. Então, desejamos saber 𝑃 𝑋 ≥ 2 . 𝑃 𝑋 ≥ 2 = 𝑃 𝑋 = 2 + 𝑃 𝑋 = 3 = 0,096 + 0,008 = 0,104 = 10,4% Assim, a probabilidade desse aluno passar, usando essa estratégia, é de cerca de 10%. 4.3 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Determinado produto é vendido em caixas com 1000 peças. É uma característica da fabricação produzir 10% defeituosos. Normalmente, cada caixa é vendida por 12,00 unidades monetárias (u.m.). Um comprador faz a seguinte proposta: de cada caixa, ele escolhe uma amostra de 20 peças: Se tiver 0 defeituoso; ele paga 20,00 u.m.; 1 ou 2 defeituosos, ele paga 10,00 u.m.; 3 ou mais defeituosos ele paga 8,00 u.m.. Qual alternativa é a mais vantajosa para o fabricante? 4.3 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Para responder essa pergunta, é preciso saber qual o preço médio pago pela caixa, de acordo com a proposta feita pelo comprador. Se X for a variável aleatória nº de peças defeituosas numa amostra de 20 peças, tem-se X~Bin(20; 0,10). Assim, vamos calcular cada uma das probabilidades, lembrando que 𝑃 𝑋 = 𝑥 = 𝑛𝑥 𝑝 𝑥(1 − 𝑝)(𝑛−𝑥), 𝑥 = 0,1,2, … , 𝑛 0 𝑝𝑒ç𝑎𝑠 𝑐𝑜𝑚 𝑑𝑒𝑓𝑒𝑖𝑡𝑜: 𝑃 𝑋 = 0 = 20 0 0,10(0,9)(20)= 1 ∗ 1 ∗ 0,9 20 = 0,1216 1 𝑝𝑒ç𝑎 𝑐𝑜𝑚 𝑑𝑒𝑓𝑒𝑖𝑡𝑜: 𝑃 𝑋 = 1 = 20 1 0,11(0,9)(19)= 20 ∗ 0,1 ∗ 0,9 19 = 0,2702 2 𝑝𝑒ç𝑎𝑠 𝑐𝑜𝑚 𝑑𝑒𝑓𝑒𝑖𝑡𝑜: 𝑃 𝑋 = 2 = 20 2 0,12(0,9)(18)= 190 ∗ 0,12 ∗ 0,9 18 = 0,2852 3 𝑝𝑒ç𝑎𝑠 𝑐𝑜𝑚 𝑑𝑒𝑓𝑒𝑖𝑡𝑜: 𝑃 𝑋 ≥ 0 = 1 − 𝑃 𝑋 < 3 = 1 − 𝑃 𝑋 = 2 + 𝑃 𝑋 = 1 + 𝑃 𝑋 = 0 = = 1 − 0,1216 + 0,2702 + 0,2852 = 0,323 4.3 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Para sabermos qual proposta é mais vantajosa, precisamos saber qual o retorno esperado. Dessa maneira, o preço médio pago por uma caixa é 2,432+5,554+2,584 = 10,57. Assim, é mais vantajoso para o fabricante vender suas caixas a 12,00. X 0 1 ou 2 3 ou mais P(X=x) 0,1216 0,2702+0,2852=0,5554 0,323 Preço pago 20 10 8 Retorno Esperado 2,432 5,554 2,584 4.4 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Um curso de treinamento aumenta a produtividade de uma certa população de funcionários em 80% dos casos. Se dez funcionários quaisquer participam desse curso, encontre a probabilidade de: A) Exatamente sete funcionários aumentarem a produtividade; B) Não mais do que oito funcionários aumentarem a produtividade; C) Pelo menos três funcionários não aumentarem a produtividade. 4.4 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Um curso de treinamento aumenta a produtividade de uma certa população de funcionários em 80% dos casos. Se dez funcionários quaisquer participam desse curso, encontre a probabilidade de: A) Exatamente sete funcionários aumentarem a produtividade; Seja X a variável aleatória nº de funcionários que aumentam a produtividade com o curso de treinamento. Tem-se que X~Bin(10;0,8). Para saber a probabilidade de exatamente sete funcionários aumentarem a produtividade, temos que achar P(X=7). 4.4 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Um curso de treinamento aumenta a produtividade de uma certa população de funcionários em 80% dos casos. Se dez funcionários quaisquer participam desse curso, encontre a probabilidade de: A) Exatamente sete funcionários aumentarem a produtividade; Seja X a variável aleatória nº de funcionários que aumentam a produtividade com o curso de treinamento. Tem-se que X~Bin(10;0,8). Para saber a probabilidade de exatamente sete funcionários aumentarem a produtividade, temos que achar P(X=7). 𝑃 𝑋 = 7 = 10 7 0,87(1 − 0,8)(10−7)= 10! 7! 10 − 7 ! ∗ 0,87 ∗ 0,2 3 = 120 ∗ 0,21 ∗ 0,008 = 0,2016 4.4 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Um curso de treinamento aumenta a produtividade de uma certa população de funcionários em 80% dos casos. Se dez funcionários quaisquer participam desse curso, encontre a probabilidade de: B) Não mais do que oito funcionários aumentarem a produtividade; Seja X a variável aleatória nº de funcionários que aumentam a produtividade com o curso de treinamento. Tem-se que X~Bin(10;0,8). Para saber a probabilidade de não mais do que oito funcionários aumentarem a produtividade, temos que achar P(X≤8). 4.4 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Um curso de treinamento aumenta a produtividade de uma certa população de funcionários em 80% dos casos. Se dez funcionários quaisquer participam desse curso, encontre a probabilidade de: B) Não mais do que oito funcionários aumentarem a produtividade; Seja X a variável aleatória nº de funcionários que aumentam a produtividade com o curso de treinamento. Tem-se que X~Bin(10;0,8). Para saber a probabilidade de não mais do que oito funcionários aumentarem a produtividade, temos que achar P(X≤8). 𝑃 𝑋 ≤ 8 = 𝑃(𝑋 = 𝑥) 8 𝑥=0 = 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 + 𝑃 𝑋 = 3 + 𝑃 𝑋 = 4 + 𝑃 𝑋 = 5 + 𝑃 𝑋 = 6 + 𝑃 𝑋 = 7 + 𝑃 𝑋 = 8 4.4 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS P(X=x) 𝒏 𝒙 𝒑𝒙(𝟏 −𝒑)(𝒏−𝒙) Resultado P(X=0) 𝟏𝟎 𝟎 𝟎, 𝟖𝟎(𝟎, 𝟐)(𝟏𝟎) 1,02E-07 P(X=1) 𝟏𝟎 𝟏 𝟎, 𝟖𝟏(𝟎, 𝟐)(𝟗) 4,10E-06 P(X=2) 𝟏𝟎 𝟐 𝟎, 𝟖𝟐(𝟎, 𝟐)(𝟖) 7,37E-05 P(X=3) 𝟏𝟎 𝟑 𝟎, 𝟖𝟑(𝟎, 𝟐)(𝟕) 0,00079 P(X=4) 𝟏𝟎 𝟒 𝟎, 𝟖𝟒(𝟎, 𝟐)(𝟔) 0,00551 P(X=5) 𝟏𝟎 𝟓 𝟎, 𝟖𝟓(𝟎, 𝟐)(𝟓) 0,02642 P(X=6) 𝟏𝟎 𝟔 𝟎, 𝟖𝟔(𝟎, 𝟐)(𝟒) 0,08808 P(X=7) 𝟏𝟎 𝟕 𝟎, 𝟖𝟕(𝟎, 𝟐)(𝟑) 0,20133 P(X=8) 𝟏𝟎 𝟖 𝟎, 𝟖𝟖(𝟎, 𝟐)(𝟐) 0,30199 4.4 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Um curso de treinamento aumenta a produtividade de uma certa população de funcionários em 80% dos casos. Se dez funcionários quaisquer participam desse curso, encontre a probabilidade de: B) Não mais do que oito funcionários aumentarem a produtividade; Assim, 𝑃 𝑋 ≤ 8 = 𝑃 𝑋 = 𝑥 = 0,62419 8 𝑥=0 4.4 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Um curso de treinamento aumenta a produtividade de uma certa população de funcionários em 80% dos casos. Se dez funcionários quaisquer participam desse curso, encontre a probabilidade de: C) Pelo menos três funcionários não aumentarem a produtividade. Isso equivale a dizer que, no máximo, 7 funcionários aumentaram. 𝑃 𝑋 ≤ 7 = 𝑃(𝑋 = 𝑥) 7 𝑥=0 4.4 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS P(X=x) 𝒏 𝒙 𝒑𝒙(𝟏 −𝒑)(𝒏−𝒙) Resultado P(X=0) 𝟏𝟎 𝟎 𝟎, 𝟖𝟎(𝟎, 𝟐)(𝟏𝟎) 1,02E-07 P(X=1) 𝟏𝟎 𝟏 𝟎, 𝟖𝟏(𝟎, 𝟐)(𝟗) 4,10E-06 P(X=2) 𝟏𝟎 𝟐 𝟎, 𝟖𝟐(𝟎, 𝟐)(𝟖) 7,37E-05 P(X=3) 𝟏𝟎 𝟑 𝟎, 𝟖𝟑(𝟎, 𝟐)(𝟕) 0,00079 P(X=4) 𝟏𝟎 𝟒 𝟎, 𝟖𝟒(𝟎, 𝟐)(𝟔) 0,00551 P(X=5) 𝟏𝟎 𝟓 𝟎, 𝟖𝟓(𝟎, 𝟐)(𝟓) 0,02642 P(X=6) 𝟏𝟎 𝟔 𝟎, 𝟖𝟔(𝟎, 𝟐)(𝟒) 0,08808 P(X=7) 𝟏𝟎 𝟕 𝟎, 𝟖𝟕(𝟎, 𝟐)(𝟑) 0,20133 4.4 A DISTRIBUIÇÃO BINOMIAL - EXEMPLOS Um curso de treinamentoaumenta a produtividade de uma certa população de funcionários em 80% dos casos. Se dez funcionários quaisquer participam desse curso, encontre a probabilidade de: C) Pelo menos três funcionários não aumentarem a produtividade. Isso equivale a dizer que, no máximo, 7 funcionários aumentaram. Assim, 𝑃 𝑋 ≤ 7 = 𝑃(𝑋 = 𝑥) 7 𝑥=0 = 0,3222
Compartilhar