Baixe o app para aproveitar ainda mais
Prévia do material em texto
PROBABILIDADE E ESTATÍSTICA Divanete Maria Bitdinger de Oliveira Universidade Tecnológica Federal do Paraná Veremos algumas das distribuições de probabilidade mais importantes, que serão úteis ao longo de nosso estudo. São elas: • A distribuição Uniforme Discreta • A distribuição Binomial • A distribuição de Poisson É a mais simples de todas as distribuições de probabilidade discretas, é aquela em que a variável aleatória assume cada um de seus valores com igual probabilidade. Se a variável X assume os valores 𝑥1, 𝑥2, ..., 𝑥𝑘 com igual probabilidade, então a distribuição uniforme discreta é dada por 𝑓 𝑥; 𝑘 = 1 𝑘 , 𝑥 = 𝑥1, 𝑥2, … , 𝑥𝑘 . Usamos a notação 𝑓 𝑥; 𝑘 em vez de 𝑓 𝑥 para indicar que a distribuição uniforme depende do parâmetro k. Quando selecionamos uma lâmpada, aleatoriamente, de uma caixa que contêm uma lâmpada de 40 watts, uma de 60 watts, uma de 75 watts e uma de 100 watts, cada elemento do espaço amostral S = {40, 60, 75, 100} ocorre com probabilidade de ¼. Portanto, temos uma distribuição uniforme, com 𝑓 𝑥; 4 = 1 4 , 𝑥 = 40, 60, 75, 100 Quando um dado não adulterado é lançado, cada elemento do espaço amostral S = {1, 2, 3, 4, 5, 6} ocorre com probabilidade de 1/6. Portanto, temos uma distribuição uniforme, com 𝑓 𝑥; 6 = 1 6 , 𝑥 = 1, 2, 3, 4, 5, 6. Uma rifa tem 100 bilhetes numerados de 1 a 100. Tenho 5 bilhetes consecutivos numerados de 21 a 25 e meu colega tem outros 5 bilhetes, com os números 1, 11, 29, 68 e 93. Quem tem maior probabilidade de ser sorteado? Solução: Assumindo a honestidade da rifa, todos os números tem a mesma probabilidade de ocorrência, com 1/100 para cada um. A variável aleatória ‘o número sorteado’ segue o modelo Uniforme e, portanto, eu e meu colega com 5 bilhetes temos a mesma probabilidade de ganhar a rifa. Ou seja, a probabilidade de ganhar depende de quantos bilhetes se tem e não da particular escolha do número. Nasce do processo de Bernoulli, definido da seguinte maneira: • É um experimento que só pode apresentar dois resultados mutuamente exclusivos, um deles chamado fracasso e o outro, sucesso; • A probabilidade de sucesso ou fracasso é a mesma ao longo do tempo, ou seja, é inalterável de um experimento ao outro; • Um experimento é independente do outro. Sabe-se que o processo de usinagem de uma peça ainda não está perfeitamente ajustado, o que faz com que uma peça em cada dez saia da produção com defeito. Pergunta-se: tiradas duas peças da linha de produção, quais são as probabilidades de que apresentem zero, um ou dois defeitos? Solução: Vamos chamar de sucesso ao fato de se obter uma peça defeituosa (D) e de fracasso ao fato de se obter uma peça perfeita (ND) na produção. Assim temos as seguintes probabilidades: P(D) = 0,10 P(ND) = 0,90 Teremos nesse exemplo uma sequência de dois processos de Bernoulli: Número de peças defeituosas Probabilidade de ocorrência 0 0,81 1 0,18 2 0,01 Assim, a distribuição binomial é aquela que resulta do cálculo da probabilidade de obter k sucessos em n tentativas (k = 0, 1, 2, 3, ..., n), em que cada tentativa é por si mesma um processo de Bernoulli. Sabe-se que a eficiência de uma vacina é de 80%. Um grupo de três indivíduos é sorteado, dentre a população vacinada, e submetido a testes para verificar se a imunização foi efetivada, evento representado por I. Se classificarmos como sucesso a ocorrência de imunização temos a repetição independente de três ensaios de Bernoulli. Suponha que desejamos estudar o comportamento da variável X: número de indivíduos imunizados nesse grupo. Ela assume os valores 0, 1, 2 e 3 apresentadas na tabela seguinte. Consequentemente, a função de probabilidade de X fica Ou seja, o comportamento de X é completamente determinado pela expressão: 𝑃 𝑋 = 𝑘 = 3 𝑘 0,8𝑘0,23−𝑘, 𝑘 = 0, 1, 2, 3 ou 𝑃 𝑘 = 𝑛! 𝑘! 𝑛 − 𝑘 ! 𝑝𝑘(1 − 𝑝)𝑛−𝑘 Eventos Probabilidade X 𝐼𝐼𝐼 0,83 3 𝐼𝐼 𝐼 0,82. 0,2 2 𝐼 𝐼𝐼 0,82. 0,2 2 𝐼 𝐼 𝐼 0,8. 0,22 1 𝐼𝐼𝐼 0,82. 0,2 2 𝐼𝐼 𝐼 0,8. 0,22 1 𝐼 𝐼𝐼 0,8. 0,22 1 𝐼 𝐼 𝐼 0,23 0 X 0 1 2 3 𝒑𝒊 0,2 3 3.0,8. 0,22 3. 0,82. 0,2 0,83 Calcula-se a probabilidade de se obter k sucessos em n tentativas como : 𝑃 𝑘 = 𝑛! 𝑘! 𝑛 − 𝑘 ! 𝑝𝑘(1 − 𝑝)𝑛−𝑘 onde: n – número de tentativas k – número de sucessos obtidos em n tentativas p – probabilidade de um sucesso individual É dada por: 𝜇 = 𝑛𝑝 No caso das duas peças retiradas da produção do exemplo anterior, tem-se: 𝜇 = 2.0,1 = 0,2 É dado por: 𝜎 = 𝑛𝑝(1 − 𝑝) No exemplo que estamos trabalhando, 𝜎 = 2.0,1(1 − 0,1) = 0,4243 Um desportista pratica tiro ao alvo, tentando acertar, em sequências de cinco pratos, um por vez. A probabilidade de acertar em uma dada tentativa é de 0,95. Determinar a distribuição de probabilidade resultante, ou seja, as probabilidades de que o desportista acerte 0, 1, 2, 3, 4 ou 5 pratos em uma sequência. Adicionalmente, determinar a média e o desvio padrão da distribuição. Solução: Usaremos a equação: 𝑃 𝑘 = 𝑛! 𝑘! 𝑛 − 𝑘 ! 𝑝𝑘(1 − 𝑝)𝑛−𝑘 Para k = 0 𝑃 0 = 5! 0! 5 − 0 ! 0,950(1 − 0,95)5−0= 0,00000 Para k = 1: 0,00003 Para k = 2: 0,00113 Para k = 3: 0,02256 Para k = 4: 0,20363 Para k = 5: 0,77378. Os valores encontrados estão reunidos na tabela abaixo: O cálculo da média nos fornece: 𝜇 = 𝑛𝑝 = 5 0,95 = 4,75 e o desvio padrão: 𝜎 = 𝑛𝑝(1 − 𝑝) = 5(0,95)(1 − 0,95) = 0,4873 Número de pratos acertados (k) Probabilidade P(k) 0 0,00000 1 0,00003 2 0,00113 3 0,02256 4 0,20363 5 0,77378 A probabilidade de que um paciente se recupere de uma doença sanguínea rara é de 0,4. Se 15 pessoas contraíram essa doença, qual é a probabilidade de que: a) Pelo menos dez sobrevivam b) De três a oito pessoas sobrevivam c) Exatamente cinco sobrevivam. Solução: a) 𝑃 𝑋 ≥ 10 = 1 − 𝑃 𝑋 < 10 = 1 − 0,9662 = 0,0338 b) 𝑃 3 ≤ 𝑋 ≤ 8 = 0,9050 − 0,0271 = 0,8779 c) 𝑃 𝑋 = 5 = 0,4032 − 0,2173 = 0,1859 • Esta distribuição é um caso limite da distribuição binomial, que dá o número de ocorrências de um evento num intervalo de tempo. Ela se aplica quando se tem um número muito grande de eventos e quando a probabilidade de sucesso de cada tentativa é muito pequena e por isso é também chamada de distribuição de eventos raros. • Na prática a distribuição de Poisson se aplica à análise de controle da qualidade para estabelecer o número de itens defeituosos ou o número de paradas da máquina, em um dado intervalo de tempo. Vamos supor um posto de pedágio, ao qual sabe-se que chegam três carros, em média, a cada 10 segundos. A questão básica é esta: tendo em vista apenas a informação de que chegam, em média, três carros a cada 10 segundos ao posto, será possível saber a probabilidade de que cheguem cinco carros em um dado intervalo de 10 segundos? A distribuição de Poisson supõe uma certa unidade de exposição na qual há uma certa ocorrência média de um evento ou de uma variável aleatória. No nosso exemplo, a unidade de exposição é o intervalo de 10 segundos, e a variável aleatória é o número de carros que chegam ao posto. Precisamos de duas hipóteses adicionais: • É constante a probabilidade de a variável aleatória tomar qualquer dado valor na unidade de exposição; • As observações são independentes entre si. Ao conjunto formado pelos valores da variável nessa situação e suas respectivas probabilidades, dá-se o nome de distribuição de Poisson. Tendo kcomo variável aleatória representando o número de eventos raros, então a probabilidade destes k eventos ocorrerem em algum intervalo de tempo especificado (ou espaço) é dado pela fórmula: 𝑃 𝑘 = 𝜇𝑘𝑒−𝜇 𝑘! onde temos: 𝑃 𝑘 - probabilidade de a variável assumir o valor k por unidade de exposição; 𝜇 – valor médio da variável por unidade de exposição; e – base do sistema de logaritmos naturais (2,7183...). O desvio padrão de uma distribuição de Poisson é facilmente obtido, pois liga-se de forma simples à média: 𝜎 = 𝜇 Retomemos o caso do posto de pedágio, em que chegam, em média, três carros a cada 10 segundos. Calculemos as probabilidades de que cheguem 0, 1, 2, 3, ... carros em um certo intervalo de 10 segundos. Repare-se de imediato que, em princípio, o número de carros que podem chegar em um certo intervalo de 10 segundos pode ser muito grande, mas a probabilidade de chegarem números maiores vai diminuindo rapidamente. Solução: Para k=0: P 0 = 30e−3 0! = 0,04979 Da mesma forma, calculamos para os demais valores de k, obtendo a seguinte tabela: Solução: Como o valor da probabilidade diminui rapidamente, para um número de carros maior que 13 já não é mais possível calcular a probabilidade dentro da faixa de precisão da tabela. Nº de carros a cada 10 segundos (k) Probabilidad e P(k) Nº de carros a cada 10 segundos (k) Probabilidade P(k) 0 0,04979 7 0,02161 1 0,14937 8 0,00810 2 0,22406 9 0,00270 3 0,22406 10 0,00081 4 0,16804 11 0,00022 5 0,10082 12 0,00001 6 0,05041 13 0,00001 1. Qual é a probabilidade de que, num determinado minuto, exatamente dois clientes irão chegar na agência bancária, sabendo que: no horário de almoço, de 12 às 13 horas, chegam em média 180 clientes? 2. No problema 1, qual seria a chance de mais de dois clientes chegarem em um dado minuto? 3. Um processo de produção produz 10 itens defeituosos por hora. Encontre a probabilidade de que 4 ou mais itens sejam defeituosos em uma retirada aleatória por hora. Respostas: 1. 0,2240 2. 0,5768 3. 0,0292 4. Em média há 2 chamadas por hora num certo telefone. a) Calcular a probabilidade de se receber no máximo 3 chamadas em 2 horas. b) Calcular a probabilidade de nenhuma chamada em 90 minutos. Solução: a) 𝑃 𝑋 ≤ 3, 2ℎ = 𝑃 𝑋 = 0, 2ℎ + 𝑃 𝑋 = 1, 2ℎ + 𝑃(𝑋 = • Barbetta, P. A.; Reis, M. M.; Bornia, A. C. Estatística para cursos de engenharia e informática. 3 ed. São Paulo, Atlas, 2010. • Fonseca, J. S.; Martins, G. A. Curso de Estatística. 6 ed. São Paulo, 1996. • Levine, D. M. [et al.]. Estatística: teoria e aplicações: usando Microsoft Excel em português. Rio de Janeiro: LTC, 2013. • Magalhães, Marcos N.; Lima, Antonio P. Noções de Probabilidade e Estatística. 6 ed. São Paulo: EDUSP, 2004. • Walpole, R. E.; Myers, R. H.; Myers, S. L.; Ye, K. Probabilidade e estatística para engenharia e ciências. São Paulo: Pearson, 2009.
Compartilhar