Baixe o app para aproveitar ainda mais
Prévia do material em texto
0303200 – Probabilidade – Aula 07 Magno T. M. Silva Escola Polite´cnica da USP Maio de 2017 A maior parte dos exemplos dessa aula foram extra´ıdos de Jay L. Devore, Probabilidade e Estat´ıstica para engenharia e cieˆncias, traduc¸a˜o da 8a edic¸a˜o americana, Cengage, 2014 Essa parte da mate´ria esta´ no Cap´ıtulo 4 do livro do Dantas. Suma´rio Modelos Probabil´ısticos Discretos 3.4 Distribuic¸a˜o de probabilidade binomial 4.3 Distribuic¸a˜o Geome´trica (Dantas) 3.6 Distribuic¸a˜o de probabilidade de Poisson 3.4 Experimento binomial Ha´ diversos experimentos que satisfazem exatamente ou aproximadamente os seguintes requisitos: I O experimento consiste em uma sequeˆncia de n experimentos menores denominados ensaios, em que n e´ fixado com antecedeˆncia I Cada ensaio pode resultar em um de dois resultados poss´ıveis: sucesso (S) ou falha (F) I Os ensaios sa˜o independentes, de forma que o resultado de qualquer ensaio particular na˜o influencia o resultado de qualquer outro ensaio I A probabilidade de sucesso P (S) = p e´ a mesma para cada ensaio I A probabilidade de falha e´ dada por P (F ) = 1−P (S) = 1− p Um experimento para o qual essas condic¸o˜es sa˜o satisfeitas e´ denominado experimento binomial e os ensaios sa˜o denominados de ensaios de Bernoulli. 3.4 Exemplo 3.28 A cor da semente de ervilhas e´ determinada por um u´nico locus gene´tico. I Se dois alelos desse locus sa˜o AA ou Aa (o geno´tipo), enta˜o a ervilha sera´ amarela (o feno´tipo); I Se o alelo for aa, sera´ verde. Suponha que organizemos 20 sementes Aa aos pares e cruzemos as duas ervilhas de cada par para obtenc¸a˜o de 10 novos geno´tipos. Cada novo geno´tipo sera´: I um sucesso S se for aa I uma falha, caso contra´rio. Determine a probabilidade de sucesso P (S) = p 3.4 Exemplo 3.28 Resoluc¸a˜o: Com o identificador S ou F , trata-se de um experimento binomial com n = 10. Se cada membro do par for igualmente prova´vel de contribuir com a ou A, enta˜o P (S) = p = P (a) · P (a) = 1 2 · 1 2 = 1 4 3.4 Exemplo 3.29 Uma cidade tem 50 restaurantes licenciados, dos quais I 15 possuem pelo menos uma violac¸a˜o grave do co´digo de sau´de e I os outros 35 na˜o possuem violac¸o˜es graves. Ha´ 5 inspetores, cada um dos quais inspeciona um restaurante por semana. O nome de cada restaurante e´ escrito em um pedac¸o de papel e, apo´s serem misturados, cada inspetor retira um dos pedac¸os de papel sem reposic¸a˜o. O i-e´simo ensaio sera´ um sucesso S se o i-e´simo restaurante selecionado (i = 1, · · · , 5) na˜o tiver violac¸o˜es graves. Verifique se o experimento e´ binomial. 3.4 Exemplo 3.29 Resoluc¸a˜o: P (S na primeira tentativa) = 35 50 = 0,70 P (S na segunda tentativa) = P (SS) + P (FS) = P (S na segunda|S na primeira)P (S na primeira) + P (S na segunda|F na primeira)P (F na primeira) = 34 49 · 35 50 + 35 49 · 15 50 = 35 50 ( 34 49 + 15 49 ) = 0,70 Analogamente, P (S na i-e´sima tentativa) = 0,70 para i = 3,4,5. 3.4 Exemplo 3.29 Entretanto, P (S na quinta tentativa|SSSS) = 31 46 = 0,67 P (S na quinta tentativa|FFFF ) = 35 46 = 0,76 Os ensaios na˜o sa˜o independentes e portanto, o experimento na˜o e´ binomial. I Em geral, se a amostragem for feita sem reposic¸a˜o, o experimento na˜o tera´ ensaios independentes I Se cada pedac¸o de papel fosse reposto apo´s sua retirada, os ensaios seriam independentes e o mesmo restaurante poderia ser inspecionado por mais de um inspetor. 3.4 Varia´vel aleato´ria binomial Na maioria dos experimentos binomiais, interessa o nu´mero total de S e na˜o o conhecimento de exatamente quais tentativas resultaram em S. A varia´vel aleato´ria binomial X ∼ Bin(n,p) associada a um experimento binomial formado por n ensaios e´ definida como X = a quantidade de S (sucessos) em n ensaios sendo p a probabilidade de sucesso. Suponha que n = 3, enta˜o havera´ 8 resultados poss´ıveis para o experimento: SSS SSF SFS SFF FSS FSF FFS FFF Assim, X(SSF ) = 2, X(SFF ) = 1 e assim por diante. Os poss´ıveis valores de X em um experimento de n ensaios sa˜o x = 0,1,2, · · · ,n. 3.4 Distribuic¸a˜o de probabilidade binomial Considere o caso de n = 4. A probabilidade de ocorrer SSFS vale P (SSFS) = P (S) · P (S) · P (F ) · P (S) = p3(1− p)1. Resultado x Probabilidade Resultado x Probabilidade SSSS 4 p4(1− p)0 FSSS 3 p3(1− p)1 SSSF 3 p3(1− p)1 FSSF 2 p2(1− p)2 SSFS 3 p3(1− p)1 FSFS 2 p2(1− p)2 SSFF 2 p2(1− p)2 FSFF 1 p1(1− p)3 SFSS 3 p3(1− p)1 FFSS 2 p2(1− p)2 SFSF 2 p2(1− p)2 FFSF 1 p1(1− p)3 SFFS 2 p2(1− p)2 FFFS 1 p1(1− p)3 SFFF 1 p1(1− p)3 FFFF 0 p0(1− p)4 3.4 Distribuic¸a˜o de probabilidade binomial Note que X = 3 em quatro resultados poss´ıveis. Cada um com probabilidade p3(1− p)1, ou seja, P [X=3]=P (SSSF )+P (SSFS)+P (SFSS)+P (FSSS)=4p3(1−p)1 De forma geral P [X=x]={nu´mero de sequeˆncias de comprimento n com x S} · px(1− p)n−x = ( n x ) px(1− p)n−x, x = 0,1,2,3, · · · , n 0, caso contra´rio 3.4 Exemplo 3.31 Cada um de 6 consumidores aleato´rios de refrigerante de cola recebe um copo com refrigerante de cola S e outro com refrigerante de cola F . Os copos teˆm apareˆncia ideˆntica, exceto pelo co´digo que conte´m no fundo para identificar o tipo do refrigerante de cola. Suponha que na˜o ha´ uma tendeˆncia de prefereˆncia entre os consumidores. Defina X = nu´mero de consumidores entre os seis que preferem S e determine: I P [X = 3] I P (X ≤ 1) I P (X ≥ 3) 3.4 Exemplo 3.31 Resoluc¸a˜o: Como na˜o ha´ uma tendeˆncia de prefereˆncia, p = P (um indiv´ıduo selecionado preferir S) = 0,5 e X ∼ Bin(6, 0,5). Assim, P [X = 3] = ( 6 3 ) (0,5)3(0,5)3 = 20(0,5)6 = 0,313. A probabilidade de no ma´ximo um preferir S e´ P (X ≤ 1) =P [X = 0] + P [X = 1] = ( 6 0 ) (0,5)0(0,5)6 + ( 6 1 ) (0,5)1(0,5)5 = 0,109. 3.4 Exemplo 3.31 A probabilidade de pelo menos treˆs preferirem S e´ P (X ≥ 3) =P [X = 3] + P [X = 4] + P [X = 5] + P [X = 6] = 6∑ x=3 P [X = x] = 6∑ x=3 ( 6 x ) (0,5)x(0,5)6−x = 0,656. 3.4 Func¸a˜o de distribuic¸a˜o binomial Para X ∼ Bin(n,p), a func¸a˜o de distribuic¸a˜o e´ dada por F (x) = P [X ≤ x] = x∑ y=0 P [X = y], x = 0,1,2, · · · ,n 3.4 Exemplo 3.32 Suponha que 20% de todas as co´pias de um livro-texto apresentem falha em um determinado teste de resisteˆncia de encadernac¸a˜o. Seja X o nu´mero de co´pias que apresentam falhas entre 15 co´pias selecionadas aleatoriamente. Determine a probabilidade de: I no ma´ximo 8 apresentarem falha I exatamente 8 apresentarem falha I no m´ınimo 8 apresentarem falha I 4 a 7 (inclusive) apresentarem falha 3.4 Exemplo 3.32 Resoluc¸a˜o: Note que n = 15 e p = 0,2, ou seja, X ∼ Bin(15, 0,2). Vamos calcular as probabilidades de: I no ma´ximo 8 apresentarem falha P (X ≤ 8) = 8∑ y=0 P [X = y] = 8∑ y=0 ( 15 y ) (0,2)y(0,8)15−y =F (8) = 0,999 I exatamente 8 apresentarem falha P [X = 8] = P [X ≤ 8]− P [X ≤ 7] = F (8)− F (7) = 0,999− 0,996 = 0,003 3.4 Exemplo 3.32 I no m´ınimo 8 apresentarem falha P [X ≥ 8] =1− P [X ≤ 7] =1− F (7) = 1− 0,996 = 0,004 I 4 a 7 (inclusive) apresentarem falha P [4 ≤ X ≤ 7] = P [X = 4, 5, 6, ou 7] = P [X ≤ 7]− P [X ≤ 3] = F (7)− F (3) = 0,996− 0,648 = 0,348 Lembrar que para uma v.a. discreta vale: P (a ≤ X ≤ b) = F (b)− F (a−) em que a ≤ b 3.4 Tabela da distribuic¸a˜o binomial para n = 15 3.4 Me´dia e variaˆncia da binomial Se X ∼ Bin(n,p) e´ poss´ıvel mostrar (ver Dantas) que I a me´dia vale E(X) = n∑ y=0 y ( n y ) py(1− p)n−y = np I a variaˆncia vale σ2(X) = n∑ y=0 (y − np)2 ( n y ) py(1− p)n−y = np(1− p) 3.4 Exemplo 3.34Se 75% de todas as compras de uma determinada loja forem feitas com carta˜o de cre´dito e X for a quantidade de compras feitas com carta˜o de cre´dito entre 10 compras selecionadas aleatoriamente, enta˜o X ∼ Bin(n, p) = Bin(10, 0,75). Determine a me´dia, a variaˆncia e o desvio padra˜o de X. Resoluc¸a˜o: I a me´dia vale E(X) = np = 10(0,75) = 7,5 I a variaˆncia vale σ2(X) = np(1− p) = 10(0,75)(0,25) = 1,875 I o desvio padra˜o vale σ(X) = √ 1,875 = 1,37 I a probabilidade de X estar a um desvio padra˜o de seu valor me´dio vale P [7,5− 1,37 ≤ X ≤ 7,5 + 1,37] = P [6,13 ≤ X ≤ 8,87] = P [X = 7 ou X = 8] = 0,532 4.3 Distribuic¸a˜o Geome´trica (Dantas) I Consideremos uma sequeˆncia ilimitada de ensaios de Bernoulli, com probabilidade de Sucesso (S) igual a p e de Falha (F ) igual a (1− p) em cada ensaio. I Ensaios sa˜o realizados ate´ que ocorra o primeiro sucesso. I O espac¸o amostral desse experimento e´ o conjunto {S, FS, FFS, . . . , FFFFS, . . . , FFFFFFS, . . .} I Um elemento t´ıpico desse espac¸o amostral e´ uma sequeˆncia de comprimento n em que as primeiras n− 1 posic¸o˜es temos F e na n-e´sima temos S I Seja X a varia´vel aleato´ria que da´ o nu´mero de falhas que precedem o primeiro sucesso. I A distribuic¸a˜o de probabilidade de X para j = 0,1, . . . e´ P [X = j] = (1− p)jp Observac¸a˜o – Distr. Geome´trica – Ex. 3.12 (Aula 04) Iniciando em um hora´rio fixo, observamos o sexo de cada crianc¸a nascida em um determinado hospital ate´ que nasc¸a um menino (H). Seja p = P (H), presuma que nascimentos sucessivos sejam independentes e considere a v.a. X = nu´mero de nascimentos observados. Determine a func¸a˜o de distribuic¸a˜o de X. P [X = 1] = P (H) = p P [X = 2] = P (MH) = P (M) · P (H) = (1− p)p P [X = 3] = P (MMH) = P (M) · P (M) · P (H) = (1− p)2p ... ... P [X = k] = { (1− p)k−1p, k = 1, 2, 3, . . . 0, caso contra´rio E(X) = 1/p (da aula passada) 4.3 Distribuic¸a˜o Geome´trica (Dantas) Vamos calcular a me´dia da distribuic¸a˜o geome´trica. Para isso consideremos a soma de uma PG ∞∑ i=1 xi = x 1− x. Derivando ambos os lados em relac¸a˜o a x, obtemos d dx ∞∑ i=1 xi = ∞∑ i=1 ixi−1 = 1 (1− x)2 . Usando a definic¸a˜o da esperanc¸a E(X) = ∞∑ j=0 j · P [X = j] = ∞∑ j=0 j(1− p)jp = p(1− p) ∞∑ j=1 j(1− p)j−1 E(X) = p(1− p) p2 = 1− p p 4.3 Distribuic¸a˜o Geome´trica (Dantas) Usando a func¸a˜o geradora de momentos, podemos calcular E(X2) e obter a variaˆncia de X que vale σ2(X) = 1− p p2 4.3 Distribuic¸a˜o Geome´trica (Dantas) – Exemplo 4.3.1 I Um banco de sangue necessita sangue do tipo O−. I Seja p = 0,1 a proporc¸a˜o de indiv´ıduos na populac¸a˜o com esse tipo de sangue. I Suponha que as pessoas sa˜o escolhidas ao acaso para serem examinadas se tem esse tipo de sangue. I Calcule a probabilidade de a primeira pessoa a ser encontrada com esse tipo de sangue ser a quinta. Resoluc¸a˜o: Seja X o nu´mero de pessoas examinadas antes de encontrar a primeira com tipo de sangue O−. Note que X tem distribuic¸a˜o geome´trica com paraˆmetro p = 0,1. Queremos calcular P [X = 4] que vale: P [X = 4] = (1− p)4p = (0,9)40,1 = 0,0656. 3.6 Distribuic¸a˜o de Poisson Uma varia´vel aleato´ria X tem distribuic¸a˜o de Poisson com paraˆmero λ (λ > 0) se a distribuic¸a˜o de probabilidade de X for P [X = k] = e−λ · λk k! , k = 0,1,2, · · · I O fato de ∞∑ k=0 P [X = k] = 1 e´ uma consequeˆncia da expansa˜o em se´rie de Taylor de eλ: eλ = 1 + λ+ λ2 2! + λ3 3! + · · · = ∞∑ k=0 λk k! Multiplicando os dois termos extremos dessa expressa˜o por e−λ chega-se a 1 = ∞∑ k=0 e−λ · λk k! 3.6 Distribuic¸a˜o de Poisson Seja X uma v.a. discreta com distribuic¸a˜o de Poisson, vamos calcular a me´dia de X E(X) = ∞∑ k=0 k e−λ · λk k! = e−λ ∞∑ k=1 λk (k − 1)! Fazendo j = k − 1, E(X) = λ · e−λ ∞∑ j=0 λj j!︸ ︷︷ ︸ eλ = λ Analogamente, σ2(X) = λ 3.6 Distribuic¸a˜o de Poisson como um limite O uso da distribuic¸a˜o de Poisson se deve a um limite da binomial. I Seja Xb uma v.a. com distribuic¸a˜o binomial com paraˆmetros n e p e Xp uma v.a. com distribuic¸a˜o de Poisson com paraˆmetro λ. I Suponha que na distribuic¸a˜o binomial P [Xb = x] consideremos n→∞ e p→ 0 de tal forma que np se aproxima de um valor constante λ > 0. I Neste caso, P [Xb = x]→ P [Xp = x] Resumindo: em qualquer experimento binomial no qual n e´ grande (n > 50) e p e´ pequeno (p < 5/n), P [Xb = x] ≈ P [Xp = x] em que λ = np. 3.6 Exemplo 3.39 Seja X o nu´mero de certo tipo de animais capturados em uma armadilha durante certo per´ıodo de tempo. Suponha que X tenha uma distribuic¸a˜o de Poisson com λ = 4,5, de modo que em me´dia, cada armadilha conte´m 4,5 animais. Determine a probabilidade de uma armadilha conter: I exatamente 5 animais I no ma´ximo 5 animais 3.6 Exemplo 3.39 Resoluc¸a˜o: A probabilidade de uma armadilha conter: I exatamente 5 animais e´ P [X = 5] = e−4,5 · (4,5)5 5! = 0,1708 I no ma´ximo 5 animais e´ P [X ≤ 5] = 5∑ k=0 e−4,5 · (4,5)k k! = e−4,5 [ 1 + 4,5 + (4,5)2 2! + · · ·+ (4,5) 5 5! ] = 0,7029 3.6 Exemplo 3.40 Se uma editora de livros na˜o te´cnicos se esforc¸a para garantir que seus livros na˜o possuam erros tipogra´ficos, de forma que a probabilidade de uma pa´gina conter um erro desse tipo e´ de 0,005 e os erros sa˜o independentes de pa´gina para pa´gina. Determine a probabilidade de um de seus romances de 400 pa´ginas conter: I exatamente uma pa´gina com erros I no ma´ximo treˆs pa´ginas com erros 3.6 Exemplo 3.40 Resoluc¸a˜o: Vamos denotar I S uma pa´gina com ao menos um erro I F uma pa´gina sem erros I Xb a quantidade de pa´ginas com ao menos um erro Xb e´ binomial com n = 400 e p = 0,005, de modo que np = 2. A probabilidade do romance conter I exatamente uma pa´gina com erros e´ P [Xb=1]=0,270669 ≈ P [Xp=1]= e −2(2)1 1! =0,270671 Note que o resultado e´ pro´ximo ao considerarmos uma v.a. Xp com distribuic¸a˜o de Poisson e paraˆmetro λ = np = 2 3.6 Exemplo 3.40 A probabilidade do romance conter I no ma´ximo treˆs pa´ginas com erros e´ P [Xb ≤ 3] ≈ 3∑ x=0 P [Xp = x] = 3∑ x=0 e−2 2x x! = 0,8571 que e´ um valor bem pro´ximo da binomial que da´ 0,8576. 3.6 Exemplo 3.42 Suponha que pulsos cheguem ao contador em uma taxa me´dia de seis por minuto. Determine a probabilidade de pelo menos um pulso ser recebido em um intervalo de meio minuto. 3.6 Exemplo 3.42 Resoluc¸a˜o: O nu´mero de pulsos no intervalo de meio minuto tem distribuic¸a˜o de Poisson com paraˆmetro λ = αt = 6(0,5) = 3. Dessa forma P (X ≥ 1) = 1− P [X = 0] = 1− e −3(3)0 0! = 0,95 Modelos Probabilísticos Discretos 3.4 Distribuição de probabilidade binomial 4.3 Distribuição Geométrica (Dantas) 3.6 Distribuição de probabilidade de Poisson
Compartilhar