Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 www.todaamatematica.com fb.com/todaamatematica TODA A MATEMÁTICA GUSTAVO VIEGAS PROBABILIDADE https://www.youtube.com/user/cursogustavoviegas ÍNDICE 01 Variáveis aleatórias 02 Valor esperado 03 Variância 04 Distribuição binomial 05 Distribuição hipergeométrica 06 Aproximação binomial da hipergeométrica 07 Distribuição Poisson 08 Aproximação Poisson da binomial 09 Distribuição normal 10 Aproximação normal da binomial 2 www.todaamatematica.com fb.com/todaamatematica VARIÁVEIS ALEATÓRIAS Definição – variável aleatória Uma variável aleatória X é uma função que associa a um número real a cada elemento de um espaço amostral. Uma variável aleatória é discreta se pode assumir um conjunto de valores que é subconjunto de {0, 1, 2, … }. Exemplo 1 Considere o lançamento de duas moedas. Com a notação K se sair cara e C se sair coroa, o espaço amostral é: S = {KK, KC, CK, CC}. Seja X o número de coroas que aparecem. X(KK) = 0 X(KC) = 1 X(CK) = 1 X(CC) = 2 Definição - distribuição de probabilidade Seja X uma variável aleatória discreta que pode assumir os valores x1, x2, x3… .Uma distribuição de probabilidade é uma função que determina a probabilidade de cada um dos x: 𝑓(x) = P(X = x). A função possui as seguintes características: i) 𝑓(x) 0 ii) ∑𝑓(x) x = 1 Também pode ser chamada de função de probabilidade ou função massa de probabilidade. Exemplo 2 No lançamento de duas moedas, com K se sair cara e C se sair coroa, as possibilidades são: {KK, KC, CK, CC}. Seja X o número de coroas que aparecem. P(X = 0) = 1 4 KK P(X = 1) = 2 4 KC KC P(X = 2) = 1 4 CC Note que nenhuma probabilidade é negativa e ainda: 1 4 + 2 4 + 1 4 = 1 Podemos representar de algumas maneiras: x 0 1 2 𝑓(x) 1 4 2 4 1 4 Gráfico de barras Histograma Note que cada retângulo tem base 1 e a área total é 1. Definição - distribuição acumulada de probabilidade A função de distribuição acumulada de X é: F(x) = P(X x). Exemplo 3 No lançamento de duas moedas, P(X 0) = 1 4 P(X 1) = 1 4 + 2 4 = 3 4 P(X 2) = 1 4 + 2 4 + 1 4 = 1 F(x) = { 0, x < 0 1 4 , 0 x < 1 3 4 , 1 x < 2 1, x 2 Podemos representar graficamente. 3 www.todaamatematica.com fb.com/todaamatematica VALOR ESPERADO Nota histórica O conceito de valor esperado surgiu basicamente de uma troca de cartas entre Pascal e Fermat, discutindo sobre apostas em jogos de azar. Blaise Pascal (1623 — 1662) Pierre de Fermat (1607 – 1665) Definição - valor esperado Considere a variável aleatória X com distribuição de probabilidade: x x1 x2 xn 𝑓(x) 𝑓(x1) 𝑓(x2) … 𝑓(xn) O valor esperado (média ou esperança) da variável X é: E(X) = x1𝑓(x1) + x2𝑓(x2) + ⋯+ xn𝑓(xn) = ∑xi𝑓(xi) n i=1 Exemplo 1 No lançamento de duas moedas, com K se sair cara e C se sair coroa, o espaço amostral é {KK, KC, CK, CC}. Seja X o número de coroas que aparecem. x 0 1 2 𝑓(x) 1 4 2 4 1 4 E(X) = 0 1 4 + 1 2 4 + 2 1 4 = 1 Assim, se uma pessoa jogar duas moedas muitas vezes, na média, obterá uma coroa por jogada. Exemplo 2 Suponha que uma pessoa joga roleta, pagando R$ 1 para escolher um único número. x +35 −1 𝑓(x) 1 37 36 37 E(X) = 35 1 37 + (−1) 36 37 = −0,027 Assim, se jogarmos muitas vezes, perderemos em muitas delas, ganharemos vez e outra, o que dá uma média de perder 2,7 centavos por jogada. VARIÂNCIA Definição - variância Considere a variável aleatória X com distribuição de probabilidade: x x1 x2 xn 𝑓(x) 𝑓(x1) 𝑓(x2) … 𝑓(xn) Seja o valor esperado. A variância 2 da variável X é: Var(X) = 𝑓(x1)(x1 − ) 2 +⋯+ 𝑓(xn)(xn − ) 2 =∑𝑓(xi)(xi − ) 2 n i=1 Observação A variância é uma medida do quanto os valores estão dispersos em relação à média. Nesse exemplo, X e Y possuem a mesma média, com isso, Var(X) < Var(Y). Proposição Var(X) =∑xi 2𝑓(xi) n i=1 − (∑xi𝑓(xi) n i=1 ) 2 = E(X2) − [E(X)]2 Definição - desvio Padrão O desvio padrão da variável X é = √2. Exemplo 1 No lançamento de duas moedas, com K se sair cara e C se sair coroa, o espaço amostral é {KK, KC, CK, CC}. Seja X o número de coroas que aparecem. x 0 1 2 𝑓(x) 1 4 2 4 1 4 Var(X) = 1 4 (0 − 1)2 + 2 4 (1 − 1)2 + 1 4 (2 − 1)2 = 1 4 1 + 2 4 0 + 1 4 1 = 0,5 Ou ainda, E(X) = 0 1 4 + 1 2 4 + 2 1 4 = 1 E(X2) = 02 1 4 + 12 2 4 + 22 1 4 = 1,5 Var(X) = 1,5 − 12 = 0,5 4 www.todaamatematica.com fb.com/todaamatematica DISTRIBUIÇÃO BINOMIAL Ensaio de Bernoulli Um ensaio de Bernoulli é uma experiência que permite apenas dois resultados possíveis: sucesso com probabilidade p e fracasso com probabilidade q = 1 − p e essas probabilidades não mudam cada vez que se efetua a experiência. Jakob Bernoulli (1654 —1705) Distribuição Binomial Realizando o experimento n vezes, a probabilidade de haver x sucessos é: P(X = x) = Cn xpxqn−x Exemplo 1 No lançamento de um dado, a probabilidade de sair o 4 é p = 1/6 e a probabilidade de não sair o 4 é q = 5/6. Essas probabilidades não são alteradas, não importa quantas vezes o dado seja lançado. Considere que um dado é lançado 3 vezes. A probabilidade de o 4 sair 2 vezes é: ppq + pqp + qpp = C3 2 ( 1 6 ) 2 5 6 Exemplo 2 Considere que 3 peças foram selecionadas certa máquina com a característica de produzir 20% de peças defeituosas. A probabilidade de haver 0 defeituosas é: P(X = 0) = C3 00,200,83 = 1 ∙ 1 ∙ 0,83 A probabilidade de haver 1 defeituosa é: P(X = 1) = C3 10,210,82 = 3 ∙ 0,2 ∙ 0,82 A probabilidade de haver 2 defeituosas é: P(X = 2) = C3 20,220,81 = 3 ∙ 2 2 ∙ 1 ∙ 0,22 ∙ 0,8 A probabilidade de haver 3 defeituosas é: P(X = 3) = C3 30,230,80 = 3 ∙ 2 ∙ 1 3 ∙ 2 ∙ 1 ∙ 0,23 ∙ 1 Observação O nome distribuição binomial vem do fato de que as probabilidades podem ser obtidas através do binômio: (0,2 + 0,8)3 = = C3 00,200,83 + C3 10,210,82 + C3 20,220,81 + C3 30,230,80 Propriedades da distribuição binomial E(X) = np Var(X) = npq Exemplo 3 Considere que 5 pessoas foram selecionadas de um grande grupo com 10% de doentes. a) Qual a probabilidade de haver no máximo 2 doentes? P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = C5 00,100,95 + C5 10,110,94 + C5 20,120,93 = 1 ∙ 1 ∙ 0,95 + 5 ∙ 0,1 ∙ 0,94 + 5 ∙ 4 2 ∙ 1 ∙ 0,12 ∙ 0,93 = 0,9914 b) Qual a probabilidade de haver pelos menos 2 doentes? P(X 2) = 1 − P(X = 0) − P(X = 1) 1 − C5 00,100,95 − C5 10,110,94 = 0,0814 c) Qual o número esperado de doentes e com qual variância? E(X) = np = 50,1 = 0,5. Var(X) = npq = 50,10,9 = 0,45.5 www.todaamatematica.com fb.com/todaamatematica DISTRIBUIÇÃO HIPERGEOMÉTRICA Considere um conjunto com N elementos dos quais r possuem certa característica. Escolhendo-se uma amostra de tamanho n, a chance de que x possuam a característica é: P(X = x) = Cr xCN−r n−x CN n Exemplo 1 Uma caixa contém 6 bolas azuis e 4 vermelhas. Numa amostra de 5 bolas, qual a probabilidade de 3 serem azuis? O número de casos totais é C10 5 , o número de maneiras de escolher 5 bolas dentre as 10 disponíveis. Os casos favoráveis são aqueles com 3 bolas azuis e 2 bolas vermelhas. Existem C6 3 maneiras de escolher 3 bolas azuis dentre as 6 azuis disponíveis e C4 2 maneiras de escolher 2 bolas vermelhas dentre as 2 vermelhas disponíveis. P(X = 3) = C6 3C4 2 C10 5 Propriedades da distribuição hipergeométrica E(X) = np nr N Var(X) = npq N − n N − 1 = n r N (1 − r N ) N − n N − 1 Exemplo 2 Uma caixa contém 12 lâmpadas das quais 5 estão queimadas. São escolhidas 6 lâmpadas. a) Qual a probabilidade de que nenhuma esteja queimada? P(X = 0) = C5 0C7 6 C12 6 = 1 ∙ 7 ∙ 6 ∙ 5 ∙ 4 ∙ 3 ∙ 2 6 ∙ 5 ∙ 4 ∙ 3 ∙ 2 ∙ 1 12 ∙ 11 ∙ 10 ∙ 9 ∙ 8 ∙ 7 6 ∙ 5 ∙ 4 ∙ 3 ∙ 2 ∙ 1 = 1 132 b) Qual a probabilidade de que pelo menos 1 esteja queimada? P(X 1) = 1 − P(x = 0) = 1 − C5 0C7 5 C12 6 c) Qual o número esperado de lâmpadas queimadas e com qual variância? E(X) = np = 6 5 12 = 2,5 Var(X) = npq N − n N − 1 = 6 5 12 7 12 6 11 APROXIMAÇÃO BINOMIAL DA HIPERGEOMÉTRICA Considere a distribuição hipergeométrica: P(X = x) = Cr xCN−r n−x CN n Se o tamanho n da amostra é pequeno em relação ao tamanho N da população, a hipergeométrica é aproximada pela distribuição binomial com p = r/N. A aproximação é boa se n/N ≤ 0,05. Exemplo 1 Um fabricante de pneus relatou que, entre um carregamento de 5000 envidados a um distribuidor local, 1000 estavam levemente manchados. Determine a probabilidade de alguém comprar 10 desses pneus e encontrar 3 que sejam manchados, utilizando: a) a distribuição hipergeométrica. P(X = 3) = C1000 3 C4000 7 C5000 10 = 1000 ∙ 999 ∙ 998 3 ∙ 2 ∙ 1 ∙ 4000 ∙ 3999 ∙ … ∙ 3994 3 ∙ 2 ∙ 1 5000 ∙ 4999 ∙ … ∙ 4992 ∙ 4991 10 ∙ 9 ∙ … ∙ 2 ∙ 1 = 0,2014 b) a aproximação binomial. P(X = x) = Cn xpxqn−x. P(X = 3) = C10 3 ( 1 5 ) 3 ( 4 5 ) 7 = 10 ∙ 9 ∙ 8 3 ∙ 2 ∙ 1 ∙ ( 1 5 ) 3 ( 4 5 ) 7 = 0,2013 6 www.todaamatematica.com fb.com/todaamatematica DISTRIBUIÇÃO POISSON Considere que um evento ocorre com média por unidade de medida. A probabilidade de ocorrerem x eventos na mesma unidade de medida é: P(X = x) = e−x x! Observação Em 1711, Moivre trabalhou na distribuição que acabou levando o nome de Poisson, que pensou no assunto em 1837. Abraham de Moivre (1667 –1754) Siméon Poisson ( 1781 — 1840) Exemplo 1 Em 1898, o modelo foi usado para estudar o número de soldados da Prússia mortos por atropelamento a cavalo. Considere que ocorrem 2 mortes desse tipo por mês num batalhão. a) Qual a probabilidade de não haver mortes em 1 mês? Com, = 2 mortes por mês, P(X = 0) = e−220 0! b) Qual a probabilidade de haver 1 morte em 1 mês? Com, = 2 mortes por mês, P(X = 1) = e−221 1! c) Qual a probabilidade de haver 3 mortes em 1 mês? Com = 2 mortes por mês, P(X = 3) = e−223 3! d) Qual a probabilidade de haver 3 mortes em 2 meses? Com = 4 mortes por 2 meses, P(X = 3) = e−443 3! e) Qual a probabilidade de haver 3 mortes em 3 meses? Com = 2 mortes por 3 meses, P(X = 3) = e−663 3! Propriedades da distribuição Poisson E(X) = Var(X) = Exemplo 2 Em 1909, Erlang utilizou a distribuição Poisson para analisar o número de ligações recebidas numa central telefônica Considere que uma central receba 3 ligações por minuto. Agner Erlang (1878– 1929) a) Qual a probabilidade de a central receber no máximo 2 ligações em 6 minutos? P(X = 0) + P(X = 1) + P(X = 2) = = e−660 0! + e−661 1! + e−662 2! b) Qual a probabilidade de a central receber pelo menos 1 ligação em 6 minutos? 1 − P(X = 0) = 1 − e−660 0! 7 www.todaamatematica.com fb.com/todaamatematica APROXIMAÇÃO POISSON DA BINOMIAL Considere a distribuição binomial: P(X = x) = Cn xpxqn−x. Se n é grande e p é um evento raro, a binomial é aproximada pela distribuição Poisson com λ = np. A aproximação é boa se n ≥ 50, np ≤ 5. Exemplo 1 Uma amostra de 50 peças é retirada de uma máquina produz 2% de peças defeituosas. Determine a probabilidade de se encontrarem duas peças defeituosas na amostra, utilizando: a) a distribuição binomial P(X = 2) = C50 2 (0,02)2(0,98)48 = 50 ∙ 49 2 ∙ 1 (0,02)2(0,98)48 = 0,1857 b) a aproximação de Poisson λ = np = 50 ∙ 0,02 = 1 P(X = x) = e−x x! P(X = 2) = e−112 2! = 0,1839 DISTRIBUIÇÃO NORMAL Curva gaussiana A curva em forma de sino foi estudada em 1733, por Moivre. Um entendimento maior de sua importcia aconteceu em 1774, com Laplace, e em 1809 com Gauss. Abraham de Moivre (1667 – 1754) Pierre Laplace (1749 — 1827) Carl Gauss (1777 – 1855) Distribuição normal A versão moderna da distribuição normal é de 1915, com Fischer. Uma variável aleatória X tem distribuição normal se sua função densidade é: 𝑓(x) = 1 √2π e − (x−)2 22 para x ∈ (−,). Ronald Fisher (1890 – 1962) Observação é a média e o desvio padrão. Distribuição normal padrão A normal padrão (ou reduzida) tem média = 0 e desvio padrão = 1. A notação é N(0,1). 𝑓(z) = 1 √2π e− z2 2 Função de distribuição normal padrão O cálculo da probabilidade P(Z z) é tabelado. P(Z z) = ∫ 1 √2π e− t2 2 dt z − 8 www.todaamatematica.com fb.com/todaamatematica Exemplo 1 a) P(Z 1,02) = = ∫ 1 √2π e− t2 2 dt 1,02 − = 0,8461 b) P(0,41 Z 0,90) = = P(Z 0,90) − P( Z 0,41) = 0,8159 − 0,6591 = 0,1568 c) P(Z 0,25) = = 1 − P(Z 0,25) = 1 − 0,5987 = 0,4013 Mudança de variável Se a variável aleatória X tem distribuição normal de média e desvio padrão , indicado por X~N(,), calculamos sua probabilidade através da mudança de variáveis: Z = X − Exemplo 2 Certo grupo de cachorros tem massa com média 10 kg e desvio padrão 2 kg. Considere a variável aleatória X que representa a massa do cachorro e a mudança de variáveis: Z = X − 10 2 a) Qual a probabilidade de um cachorro ter menos do que 10,9 kg? Z = 10,9 − 10 2 = 0,45 P(X 10,9) = P(Z 0,45) = 0,6736 b) Qual a probabilidade de um cachorro ter entre 11 kg e 12 kg? Z = 11 − 10 2 = 0,5 Z = 12 − 10 2 = 2 P(11 X 12) = = P(0,5 Z 1) = P(Z 1) − P( Z 0,5) = 0,8413 − 0,6915 = 0,1498 c) Qual a probabilidade de um cachorro ter mais do que 10,3 kg? Z = 10,3 − 10 2 = 0,15P(X 10,3) = = P(Z 0,15) = 1 − P(Z 0,15) = 1 − 0,5596 = 0,4404 9 www.todaamatematica.com fb.com/todaamatematica APROXIMAÇÃO NORMAL DA BINOMIAL Considere a distribuição binomial: P(X = x) = Cn xpxqn−x. Se n é grande e p e q não são muito próximos de zero, a binomial é aproximada pela distribuição normal com = np e 2 = npq. A aproximação é boa se np ≥ 5 e nq ≥ 5. Correção da continuidade A aproximação da binomial por uma normal melhora com a correção: Correção P(X ≤ b) P(X ≤ b + 0,5) P(X < b) P(X < b − 0,5) P(X ≥ a) P(X ≥ a − 0,5) P(X > a) P(X > a + 0,5) P(X = a) P(a − 0,5 < X < a + 0,5) Exemplo 1 Determine a probabilidade de se obter entre 3 e 6 caras (inclusive) em 10 jogadas de uma moeda, utilizando: a) distribuição binomial; P(X = 3) = C10 3 ( 1 2 ) 3 ( 1 2 ) 7 = 10 ∙ 9 ∙ 8 3 ∙ 2 ∙ 1 1 210 = 120 1024 P(X = 4) = C10 4 ( 1 2 ) 4 ( 1 2 ) 6 = 10 ∙ 9 ∙ 8 ∙ 7 4 ∙ 3 ∙ 2 ∙ 1 1 210 = 210 1024 P(X = 5) = C10 5 ( 1 2 ) 5 ( 1 2 ) 5 = 10 ∙ 9 ∙ 8 ∙ 7 ∙ 6 5 ∙ 4 ∙ 3 ∙ 2 ∙ 1 1 210 = 252 1024 P(X = 6) = C10 6 ( 1 2 ) 6 ( 1 2 ) 4 = 10 ∙ 9 ∙ 8 ∙ 7 ∙ 6 ∙ 5 6 ∙ 5 ∙ 4 ∙ 3 ∙ 2 ∙ 1 1 210 = 210 1024 P(3 ≤ X ≤ 6) = 792 1024 = 0,7734 b) a aproximação normal da binomial. = np = 10 ( 1 2 ) = 5 2 = npq = 10 ( 1 2 ) ( 1 2 ) = 2,5 Z = X − = 2,5 − 5 √2,5 = −1,58 Z = X − = 6,5 − 5 √2,5 = 0,95 P(2,5 ≤ X ≤ 6,5) = P(−1,58 ≤ Z ≤ 0,95) = 0,8289 − 0,0571 = 0,7718 10 www.todaamatematica.com fb.com/todaamatematica EXERCÍCIOS Exercício 1 Determine a probabilidade de, em 4 lançamentos de um dado, o número 5 sair na face voltada para cima: a) pelo menos uma vez; b) no máximo duas vezes. Exercício 2 A taxa de imunização de uma doença é de 80%. Num grupo de 20 pessoas vacinadas, qual a chance de 15 estarem imunizadas? 0,175 Exercício 3 20% das peças produzidas por uma máquina são defeituosas. a) Determine a probabilidade de que, em 5 peças escolhidas aleatoriamente, menos de duas sejam defeituosas. b) Num lote de 400 peças, qual a média de peças defeituosas e com qual desvio padrão? Exercício 4 O “peso” médio de um grande grupo de alunos é 70 kg com desvio padrão de 4 kg. Determine a probabilidade de uma parte deles ter: a) menos de 60 kg; b) entre 68 kg e 72 kg; c) mais de 78 kg. Exercício 5 Determine a probabilidade de se obter entre 240 e 260 caras (inclusive) em 500 jogadas de uma moeda, utilizando: a) distribuição binomial (apenas indique as contas); b) aproximação normal da binomial. Exercício 6 No lançamento de 30 moedas honestas, a probabilidade de saírem exatamente 12 caras, utilizando: a) distribuição binomial; 8,06% b) a aproximação normal da binomial. 8,11% Exercício 7 Em um certo tipo de fabricação de fita magnética, ocorrem defeitos a uma taxa de 1 a cada 2000 metros. Qual a probabilidade de que um rolo com 6000 metros de fita magnética tenha: a) no máximo dois defeitos? b) pelo menos dois defeitos? Exercício 8 Se a probabilidade de um indivíduo acusar reação negativa à injeção de determinado soro é 0,001, determine a probabilidade de que, em 2000 indivíduos, exatamente mais de 2 acusem reação negativa. Utilize a aproximação Poisson da binomial. 0,323 Exercício 9 Uma caixa contém 16 fichas azuis e 4 vermelhas. Se 5 fichas forem retiradas, qual a chance de 2 serem vermelhas? 0,217 Exercício 10 Uma caixa contém 1600 fichas azuis e 400 vermelhas. Se 5 fichas forem retiradas, qual a chance de 2 serem vermelhas? Utilize a aproximação binomial da hipergeométrica.
Compartilhar