Baixe o app para aproveitar ainda mais
Prévia do material em texto
Função de probabilidade da V.A.D Qualquer função P que atribua pesos a eventos associados a um espaço amostral e que satisfaça as propriedades abaixo será denominada probabilidade. Seja X a variável aleatória discreta (v.a.d). A cada possível resultado xi associamos um número p(xi) = P (X = xi), denominado probabilidade de xi. Os números p(xi) onde i = 1, 2, ..., n devem satisfazer as condições: i. P(xi) ≥ 0, para todo i; ii. 𝑖 𝑛 𝑃 𝑥𝑖 = 1 Exemplo: Seja o lançamento de um dado viciado cuja probabilidade é proporcional ao valor obtido no lançamento. Determine a função de probabilidade e a distribuição de probabilidade dos valores obtidos no lançamento. S = {1, 2, 3, 4, 5, 6} Queremos avaliar a v.a.d X, onde X = {número de pontos obtidos no lançamento}. X pode assumir qualquer valor de S, porém as respectivas probabilidades são 1p, 2p, 3p, 4p, 5p e 6p. De ii), temos que a soma das probabilidades é 1. Função de probabilidade da V.A.D Exemplos de Função de probabilidade e de Probabilidade acumulada. Em nosso exemplo, podemos representar a função como: 𝑥𝑖 21 , para xi = 1, ..., 6 є N 0, para x ≠ xi Função de Distribuição (Acumulada) de v.a.d Um método alternativo para descrever uma distribuição de probabilidades de uma variável aleatória é utilizar probabilidades acumuladas como P(X ≤ 𝑥). Exemplo: Estamos interessados na probabilidade de encontrar 3 ou menos bits defeituosos em uma população. Dados: 𝑃 𝑋 = 0 = 0,6561, 𝑃 𝑋 = 1 = 0,2916, 𝑃 𝑋 = 2) = 0,0486 , 𝑃 𝑋 = 3 = 0,0036 Buscamos P(X ≤ 3). Nesse caso de v.a.d, esse evento é a união dos eventos {X = 0}, {X = 1}, {X = 2} e {X = 3}, mutuamente excludentes (não há interseção). Logo, 𝑃 𝑋 ≤ 3 = 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 + 𝑃(𝑋 = 3) Suponha que saibamos P X ≤ 2 𝑒 P(X ≤ 3) e queremos P(X = 3) P(X = 3)= P X ≤ 3 − P(X ≤ 2). A função de distribuição acumulada de uma v.a.d X será: F(x) = P( 𝐗 ≤ 𝒙) = 𝒊=𝟏 𝒏 𝒇(𝒙𝒊) Média ou Valor esperado, variância Para resumir uma distribuição de probabilidades podemos utilizar a média ( ou E) e a variância. 𝜇 𝑜𝑢 𝑬 𝒙 = 𝒙=𝟏 𝒏 𝒙𝒇(𝒙) 𝜎2(𝑚é𝑑𝑖𝑎 𝑑𝑜𝑠 𝑞𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑑𝑜𝑠 𝑑𝑒𝑠𝑣𝑖𝑜𝑠) = 𝐸 𝑋 − 𝜇 2 = 𝑥=1 𝑛 𝑥 − 𝜇 2𝑓 𝑥 = 𝑥=1 𝑛 𝑥2𝑓 𝑥 − 𝜇² 𝑥2 − 2𝑥𝜇 + 𝜇2 𝑓 𝑥 = 𝑥2𝑓 𝑥 − 2𝜇 𝑥𝑓 𝑥 + 𝜇² 𝑓 𝑥 = 𝒙𝟐𝒇(𝒙) − 𝝁² O desvio padrão 𝝈² = 𝝈 =1=𝜇 Exemplo: O número de mensagens enviadas por hora em uma rede de computadores têm a seguinte distribuição de probabilidades: Determine a média e o desvio padrão do número de mensagens enviadas por hora. 20171\Tabela aula 2.xlsx É possível calcular o valor esperado ou esperança de funções de variáveis aleatórias, visto que f(x) também é variável aleatória. X (nº msgs) 10 11 12 13 14 15 F(x) 0,08 0,15 0,30 0,20 0,20 0,07 Distribuições Binomial ou de Bernoulli É uma distribuição discreta de probabilidades, ou seja, refere-se à variáveis aleatórias discretas (v.a.d.). O matemático Bernoulli conduziu um experimento, definido como ensaio de Bernoulli: 1. Em cada ensaio considera-se somente a ocorrência ou não-ocorrência de um certo evento que será denominado sucesso (S) e cuja não-ocorrência será denominada falha (F). 2. Os ensaios são independentes. 3. A probabilidade de sucesso, que denotaremos por p, é a mesma em a cada ensaio. A probabilidade de falha será denotada por q = 1 – p. A probabilidade de um ponto amostral com sucessos nos k primeiros ensaios e falhas nos n - k ensaios seguintes é de 𝒑 𝑿 = 𝒑𝒌(𝟏 − 𝒑)𝒏−𝒌 . Mas isso vale para 1 ponto apenas, e em nosso caso precisamos saber o número de elementos do evento que estamos considerando, que é escolher x objetos dentre n. A combinação realiza essa tarefa: 𝑪𝒏,𝒌 = 𝒏! 𝒌! 𝒏−𝒌 ! DISTRIBUIÇÕES DE V.A.D Distribuição Binomial 1. Qual a probabilidade de obter exatamente 2 caras em 6 lances de uma moeda não viciada? Passo 1: De quantas maneiras podemos escolher 2 caras em 6 lances (6 caras)? Obs: Escolhidas as caras, as outras só podem ser coroas (já estão determinadas) 𝑪𝟔,𝟐 = 𝟔! 𝟐! 𝟒 ! Passo 2: Qual a probabilidade de encontrar cara nas duas? Qual a probabilidade de encontrar coroa nas outras? 1 2 2 . 1 2 4 Passo 3: Multiplicamos os valores encontrados no passo 1 e no passo 2: 15 64 Distribuição Binomial Suponha que numa linha de produção a probabilidade de se obter uma peça defeituosa (sucesso) é p = 0, 1. Toma-se uma amostra de 10 pecas para serem inspecionadas. Qual a probabilidade de se obter: A) Uma peca defeituosa? P(X=1) = 𝐂𝟏𝟎,𝟏. (𝟎, 𝟏) 𝟏. (𝟏 − 𝟎, 𝟏) 𝟗 B) Nenhuma peca defeituosa? P(X=0) = 𝐂𝟏𝟎,𝟎. (𝟎, 𝟏) 𝟎. (𝟎, 𝟗) 𝟏𝟎 C) Duas pecas defeituosas? P(X=2) = 𝐂𝟏𝟎,𝟐. (𝟎, 𝟏) 𝟐. (𝟎, 𝟗) 𝟖 D) No mínimo duas pecas defeituosas? Isso quer dizer que podemos ter 2, 3, ..., 10 peças defeituosas. Somar essas probabilidades pode ser cansativo, no caso podemos fazer a probabilidade de nenhuma peça defeituosa e de 1 peça defeituosa e subtrair de 1, que seria a soma de todas as probabilidades. (1 – probabilidade do que não quero = o que quero) P(X ≥ 2) = 1 – (𝐂𝟏𝟎,𝟏. (𝟎, 𝟏) 𝟏. (𝟎, 𝟗) 𝟗+ 𝐂𝟏𝟎,𝟎. (𝟎, 𝟏) 𝟎. (𝟎, 𝟗) 𝟏𝟎) E) No máximo duas pecas defeituosas? Basta somarmos A, B e C. Média e Variância em uma Distribuição Binomial A média de uma distribuição binomial é 𝝁 = 𝒏. 𝒑 A variância é 𝝈𝟐 = 𝒏. 𝒑. 𝒒 Exemplo: De 100 lances de uma moeda viciada, cuja probabilidade de dar cara é 60%, calcule a média (ou valor esperado) e a variância. 𝛍 = 𝐧. 𝐩 = 100 . 0,6 = 60 caras. 𝝈𝟐 = 𝒏. 𝒑. 𝒒 = 100. 0,6 . 0,4 = 24 caras O desvio padrão é 𝟐𝟒 ≈ 𝟓 Distribuição de Poisson É utilizada quando o número de tentativas de um experimento binomial tende a infinito (ocorre em um intervalo), enquanto a média é constante. Ou seja, é uma distribuição discreta em um espaço amostral contínuo). Ex.: Acidentes por dia, defeitos por metro, clientes por hora, telefonemas por minuto, etc. 𝒇 𝒙 = 𝝁𝒙.𝒆−𝝁 𝒙! , onde x é o número de ocorrências (x = 1,2,...) e 𝜇 é a média no intervalo. Exemplo: Se a probabilidade de um indivíduo sofrer uma reação nociva pela injeção de um soro é 0,001, determine a probabilidade de, entre 2000 indivíduos: A) Exatamente 3 sofrerem a reação: f 𝑥 = 𝜇𝑥.𝑒−𝜇 𝑥! , onde 𝜇 = 2000 . 0,001 = 2 B) Mais que 2 sofrerem a reação: Nesse caso, é melhor fazermos 1 – (probabilidade de 2 ou menos sofrerem) f(0) = 𝟐𝟎.𝒆−𝟐 𝟎! , f(1) = 𝟐𝟏.𝒆−𝟐 𝟏! , f(2) = 𝟐𝟐 𝒆−𝟐 𝟐! f(x > 2) = 1 – 1 𝑒2 + 2 𝑒2 + 2 𝑒2 = 1 - 5 𝑒2 ≈ 0,323 Distribuição de Poisson Exemplo: Um fabricante de determinado tipo de fio condutor de energia informa que seu produto apresenta, em média, 3 falhas a cada 100 metros de fio. Se um engenheiro eletricista escolhe aleatoriamente um rolo desse fio para inspeção, calcule a probabilidade de que ele encontre: A) 4 falhas, se esse rolo tem 100 m de fio: f 𝑥 = 𝜇𝑥.𝑒−𝜇 𝑥! , onde 𝜇 = 3, temos: f 4 = 34.𝑒−3 4! B) 1 falha, se esse rolo tem 50 m de fio: Nesse caso, 𝜇 = 1,5 pois temos 50 m de fio (grandezas proporcionais) f 1 = 1,51.𝑒−1,5 1! A média é 𝜇 e a variância também é 𝜇. Distribuição Binomial Negativa Seja X uma variável aleatória que conta o número de tentativas necessárias para se obter k sucessos, em n ensaios de Bernoulli com probabilidade p em cada ensaio. Notemos que neste caso o último ensaio será o k- ésimo sucesso. Essa variável é conhecida como binomial negativa. Neste caso, temos que a probabilidade de realizarmos x ensaios é dada por: Usamos a notação BN ~ (p, k). Ex. : Suponha que, para se ganhar um jogo de dados seja necessário obter 3 vezes a face voltada para cima do dado com o número de 1. Sendo que o número de lançamentos devem ser6 e devemos obter a face 1 voltada para cima pela terceira vez no sexto lançamento. Supondo que o dado seja honesto, qual será a probabilidade de vencermos o jogo. Ex.:Suponha que em uma fábrica produz resistência para chuveiros, com uma taxa de defeitos de 2%. Qual a probabilidade de que em uma inspeção de 10 resistências se tenha 3 resistências defeituosas sendo que a terceira defeituosa seja exatamente a décima inspecionada. Função Densidade de Probabilidade (F.D.P) É utilizada para variáveis aleatórias contínuas (v.a.c). Dizemos que X é variável aleatória absolutamente contínua se existe uma função densidade de probabilidade 𝑅 → 0,+∞ que: i. 𝑓 𝑥 ≥ 0, 𝑝𝑎𝑟𝑎 𝑎 < 𝑥 < 𝑏 ii. 𝑎 𝑏 𝑓 𝑥 𝑑𝑥 = 1, 𝑜𝑛𝑑𝑒 𝑎 𝑒 𝑏 𝑝𝑜𝑑𝑒𝑚 𝑠𝑒𝑟 − ∞ 𝑒 + ∞ Isso mostra que a área sob a curva da função f(x) entre as retas x = a e x = b é igual a 1. Exemplo de f.d.p de uma v.a.c. com distribuição normal. Distribuição (acumulada) para v.a.c Quando temos uma distribuição cumulativa de probabilidades, temos 3 características: A média ou valor esperado E(x) de uma distribuição: −∞ +∞ 𝒙. 𝒇 𝒙 𝒅𝒙 O histograma aproxima a curva da f.d.p. Se quisermos, a partir da distribuição acumulada encontrar a f.d.p, basta calcularmos sua derivada. F.d.p e f.d.a normal padrão. Distribuição (acumulada) para v.a.c Exemplo: Seja a v.a.c. X a corrente de um fio delgado de cobre. A faixa de X é [4,9 ; 5,1 mA]. Considere que a f.d.p de X seja f(x) = 5 para 4,9 ≤ x ≤5,1. Calcule a função de distribuição cumulativa. F(x) = 0, para x ≤ 4,9 F(x) = 4,9 𝑥 𝑓 𝑢 𝑑𝑢 = 4,9 𝑥 5𝑑𝑢 = 5𝑢 4,9 𝑥 F(x) = 1 se 5,1 ≤ x (Pois a soma das probabilidades é 1) Exemplo: Calcule o valor esperado da potência em mA quando uma resistência for de 100 ohms? Sabe-se que P = 10−6. R. I², onde I é a intensidade da corrente, entre 4,9 e 5,1, e R a resistência em ohms. Função Densidade de Probabilidade (F.D.P) Exemplo: Suponha que escolhamos ao acaso um número no intervalo [0, 1]. Qual a probabilidade de se escolher o número 0,31? Observe que temos uma v.a.c, onde buscamos a área sob a curva f(x) em 0,31: 0,31 0,31 𝑐𝑑𝑥 = 0 (os eventos são equiprováveis, então a função é uma constante) A probabilidade é zero, dado que há infinitos números passíveis de escolha. Exemplo: Seja A = {x / -1 < x < 5} e X uma v.a.c tal que sua f.d.p é definida abaixo, com c constante. Determine c. f(x) = 𝑐, 𝑠𝑒 𝑥 ∈ 𝐴 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜. Sabemos, pela propriedade ii) que −1 5 𝑓 𝑥 𝑑𝑥 = 1 Função Densidade de Probabilidade (F.D.P) Considere a função f(x) abaixo. Encontre k para que f(x) seja uma f.d.p de uma v.a.c. e determine a função que define f(x). Observe que, da propriedade ii) temos: 1 6 𝑓 𝑥 𝑑𝑥, mas não sabemos quem é f(x). Observe que a área sob a curva deve ser 1, e podemos formar um trapézio e descobrir o valor de K. Função Densidade de Probabilidade (F.D.P) Com o valor de k podemos definir a função: 𝑓 𝑥 = 𝑚𝑥 + 𝑏, 𝑜𝑛𝑑𝑒 𝑚 = ∆𝑦 ∆𝑥 Logo, 𝑓 𝑥 = 0,04𝑥 + 0,06, 1 < 𝑥 < 6 0, ∀ 𝑥 ≠ [1, 6] Ainda no exemplo, calcule P(2 ≤ 𝑥 ≤ 3) 2 3 0,04𝑥 + 0,06 𝑑𝑥 Distribuição Contínua Uniforme Se a f.d.p for 𝑓 𝑥 = 1 (𝑏−𝑎) , 𝑎 ≤ 𝑥 ≤ 𝑏 (𝑓 𝑥 é 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒), ela tem uma distribuição uniforme: F(x) = 𝑎 𝑥 1 𝑏−𝑎 𝑑𝑥 𝑠𝑒 𝑎 ≤ 𝑥 < 𝑏 0, 𝑠𝑒 𝑥 < 𝑎 1, 𝑠𝑒 𝑥 ≥ 𝑏 = 𝑥−𝑎 𝑏−𝑎 , 𝑠𝑒 𝑎 ≤ 𝑥 < 𝑏 0, 𝑠𝑒 𝑥 < 𝑎 1, 𝑠𝑒 𝑥 ≥ 𝑏 Nesse caso, a média ou E(x) = 𝑎 𝑏 𝑥. 1 𝑏−𝑎 dx = 𝑥² 2(𝑏−𝑎) 𝑎 𝑏 = 𝑎+𝑏 2 A variância é (𝑏−𝑎)² 12 . DISTRIBUIÇÕES DE V.A.C Distribuição Contínua Uniforme Exemplo: A ocorrência de panes em qualquer ponto de uma rede telefônica de 7 km foi modelada por uma distribuição uniforme no intervalo [0, 7]. Qual a probabilidade que uma pane venha a ocorrer nos primeiros 800 m? E qual a probabilidade que ocorra nos 3 km centrais da rede? A função densidade da distribuição uniforme é 𝑓 𝑥 = 1 𝑏−𝑎 = 1 7−0 𝑓 𝑥 = 1 7 , 𝑠𝑒 0 ≤ 𝑥 ≤ 7 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 Queremos P(x ≤ 0,8) = 0 0,8 𝑓 𝑥 𝑑𝑥 Nos 3 km centrais: P(2 ≤ x ≤5) = 2 5 𝑓 𝑥 𝑑𝑥 (isso nada mais é do que a probabilidade de ocorrer nos primeiros 5 km menos a probabilidade de ocorrer nos dois iniciais) Observe que qualquer trecho dessa linha com o mesmo comprimento tem essa probabilidade. Distribuição Exponencial A v.a.c X tem distribuição exponencial com parâmetro 𝜆, 𝜆 > 0, se tiver uma f.d.p dada por: 𝑓 𝑥 = 𝜆𝑒 −𝜆𝑥, 𝑠𝑒 𝑥 ≥ 0 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 Sabemos que a função de distribuição acumulada F(x) é dada pela integral de f(x): 𝐹 𝑥 = 0 𝑥 𝑓 𝑢 𝑑𝑢 = 0 𝑥 𝜆𝑒−𝜆𝑢𝑑𝑢 = 𝜆 0 𝑥 𝑒−𝜆𝑢𝑑𝑢 Integrando por substituição, temos v = −𝜆𝑢, então dv = −𝜆𝑑𝑢 → 𝑑𝑢 = −𝑑𝑣 𝜆 𝜆 0 𝑥 𝑒𝑣 −𝑑𝑣 𝜆 = − 1𝑒𝑣= −1𝑒𝜆𝑢 0 𝑥 =−𝑒𝜆𝑥+1 F 𝑥 = 1 − 𝑒 −𝜆𝑥, 𝑠𝑒 𝑥 ≥ 0 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 Notação X~ 𝐸𝑥𝑝(𝜆) É utilizada em modelos de tempo de vida de produtos e materiais. Distribuição Exponencial Ex.: O tempo até a falha do ventilador de motores a diesel tem uma distribuição exponencial com parâmetro 𝜆 = 1 28700 h. Qual a probabilidade de um desses ventiladores falhar nas primeiras 24.000 horas de funcionamento? P ( 0 ≤ 𝑥 ≤ 24000) = 1 − 𝑒−𝜆𝑥= 1 − 𝑒− 24000 28700 = 0,5667, ou seja, 56,7% Distribuição Normal ou de Gauss Foram coletados os pesos de 5000 recém nascidos no Brasil em um determinado ano. Essa variável aleatória e muitas outras podem ser descritas pelo modelo normal ou Gaussiano. Distribuição Normal Denotamos 𝑁 𝜇, 𝜎 a curva normal com média 𝜇 e desvio padrão 𝜎. A média refere-se ao centro da distribuição e o desvio padrão ao espalhamento (ou achatamento) da curva. A distribuição normal é simétrica em torno da média o que implica que e média, a mediana e a moda são todas coincidentes. A equação dessa curva ( f.d.p) dessa distribuição é: A área sob a curva normal (na verdade abaixo de qualquer função de densidade de probabilidade) é 1. Então, para quaisquer dois valores específicos podemos determinar a proporção de área sob a curva entre esses dois valores. P{a < x < b} Distribuição Normal Para calcular as probabilidades para diferentes valores de X de distribuição N 𝜇, 𝜎 , a transformamos em uma variável padronizada Z, onde a média é 0 e a variância 1. (Distribuição Normal padronizada) 𝑍 = 𝑥−𝜇 𝜎 , então 𝑓 𝑥 = 𝑒 −1𝑧² 2 𝜎 2𝜋 Temos uma tabela de distribuição, onde é possível encontrar os valores de P(Z ≤ a), assim não é necessário calcular o valor da função todas as vezes. Distribuição Normal e Normal Padrão Distribuição Normal Ex.: A concentração de um poluente em água liberada por uma fábrica tem distribuição N (8, 1.5). Qual a chance, de que num dado dia, a concentração do poluente exceda o limite regulatório de 10 ppm? Queremos P(x > 10). Padronizando a variável para Z, temos 𝑍 = 𝑥−𝜇 𝜎 = 10− 8 1,5 = 1,33 P(Z > 1,33) = 1 – P(Z ≤ 1,33) = 1 – 0,91 = 0,09 Ou seja, a probabilidade de que a concentração de poluente exceda o limite regulatório é 9%. Ex.: Determine a área sob uma curva normal padronizada para Z entre -0,204 e 1,93 Queremos P ( -0,204 ≤ Z ≤ 1,93) = P( Z ≤ 1,93) - P ( Z ≤ -0,20) Da tabela temos que P ( -0,204 ≤ Z ≤ 1,93) = 0,9732 – (1 – 0,5793) = 0,9732 – 0,4207 = 0,5525 Distribuição Normal Ex.: A altura em posição sentada de motoristas em um projeto de automóveis deve ser µ = 91,5 cm e 𝜎 = 3,5 𝑐𝑚. Os engenheiros projetam o automóvel para a altura até 98,5 cm. Encontre a probabilidade de que a altura de um homem sentado seja menor que 98,5 cm. Nossa variável X precisa ser padronizada para Z: 𝑍 =𝑥−𝜇 𝜎 = 98,5 − 91,5 3,5 = 2 Queremos P (x ≤ 98,5) = P (Z ≤ 2) = 0,9772 ou seja, 97,72% Aproximação da distribuição Binomial pela Normal É um método para melhorar a aproximação de probabilidades binomiais ( ou seja, uma método de v.a.c. para v.a.d), chamada correção de continuidade. Se X é a variável aleatória binomial com parâmetros n (número de experimentos) e p (probabilidade de sucesso) 𝑍 = 𝑋−𝑛𝑝 𝑛𝑝(1−𝑝) , será aproximadamente uma variável aleatória padrão. P (X ≤ x) = P( X ≤ x + 0,5) ≈ 𝑃 𝑍 ≤ 𝑥 + 0,5−𝑛𝑝 𝑛𝑝(1−𝑝) e P( X ≤ x - 0,5) ≈ 𝑃 𝑥 − 0,5−𝑛𝑝 𝑛𝑝(1−𝑝) ≤ 𝑍 A aproximação é boa para n.p > 5 e n (1-p) > 5 Aproximação da distribuição Binomial pela Normal Ex.: Em um canal, o número de bits com erro pode ser modelado por uma v.a. binomial. A probabilidade do bit ser recebido com erro é de 1 . 10−5. Se 16 milhões de bits foram transmitidos, qual a probabilidade de haver 150 erros ou menos? P (X ≤ 150) = 𝑥=0 150 𝐶150,𝑥 . 10 −5 𝑥(1 − 10−5)16.10 6 −𝑥 Observe que n. p = 16. 106. 10−5 = 160, podemos aproximar! P (X ≤ 150) = P (X ≤ 150,5) = 𝑃 𝑍 ≤ 𝑥 + 0,5−𝑛𝑝 𝑛𝑝(1−𝑝) 𝑃 𝑍 ≤ 150 + 0,5−16.106. 10−5 16.106. 10−5(1−10−5) = 𝑃 𝑍 ≤ 150,5−160 160 (1−10−5) = 𝑃 𝑍 ≤ −0,75 Pela tabela, temos 0,227 ou seja 22,7% Aproximação da distribuição de Poisson pela Normal Seja a variável aleatória de Poisson, com E(x) = 𝜇 𝒁 = 𝑿−𝝁 𝝁 A aproximação é boa se 𝜇 > 5 Ex.: O número de certa partícula em 1 m² de poeira em uma superfície segue a distribuição de Poisson, onde 𝜇 = 1000. Se 1 m² for analisado, qual a probabilidade de que 950 ou menos partículas sejam encontradas? P (X ≤ 950) = 𝑥=0 950 𝑒 −1000.1000𝑥 𝑥! ou 1 - 𝑥=0 50 𝑒 −1000.1000𝑥 𝑥! Aproximando pela Normal: P (X ≤ 950,5) ≈ 𝑃 𝑍 ≤ 𝑋−𝜇 𝜇 = 𝑃 𝑍 ≤ 950,5−1000 1000 P (Z ≤ -1,57) = 0,058 𝑜𝑢 𝑠𝑒𝑗𝑎, 5,8%
Compartilhar