Baixe o app para aproveitar ainda mais
Prévia do material em texto
Modelos Probabil´ısticos para Varia´veis Aleato´rias DISCRETAS UAEst/CCT/UFCG Disciplina: Introduc¸a˜o a` Probabilidade Modelos Probabil´ısticos Motivac¸a˜o Em muitas situac¸o˜es, alguns experimentos aleato´rios apresentam ca- racter´ısticas bastante peculiares. Este fato possibilita que, uma vez identificadas estas caracter´ısticas, um particular modelo probabil´ısti- co seja proposto para modelar o fenoˆmeno em estudo. E´ neste contexto, que passaremos ao estudo de alguns dos princi- pais modelos probabil´ısticos (tanto para varia´veis aleato´rias discretas quanto para cont´ınuas). Disciplina: Introduc¸a˜o a` Probabilidade Modelos Probabil´ısticos para Varia´veis Aleato´rias DISCRETAS 1 Modelo de Bernoulli; 2 Modelo Binomial; 3 Modelo Hipergeome´trico; 4 Modelo Geome´trico e 5 Modelo de Poisson. Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) de Bernoulli Em muitos experimentos os resultados sa˜o tais que ocorre ou na˜o ocorre determinada caracter´ıstica. Por exemplo: 1 Ao lanc¸ar uma moeda: o resultado ou e´ cara, ou na˜o (ocorrendo, enta˜o, coroa); 2 Ao lanc¸ar um dado: ocorre nu´mero par ou na˜o (ocorrendo nu´mero ı´mpar); 3 Uma pessoa e´ escolhida ao acaso dentre 1000: ou ela e´ do sexo masculino ou na˜o (e´ do sexo feminino); 4 Uma pessoa e´ escolhida ao acaso dentre 1000: ou ela e´ favora´vel a um determinado projeto governamental ou na˜o. Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) de Bernoulli Em muitos experimentos os resultados sa˜o tais que ocorre ou na˜o ocorre determinada caracter´ıstica. Por exemplo: 1 Ao lanc¸ar uma moeda: o resultado ou e´ cara, ou na˜o (ocorrendo, enta˜o, coroa); 2 Ao lanc¸ar um dado: ocorre nu´mero par ou na˜o (ocorrendo nu´mero ı´mpar); 3 Uma pessoa e´ escolhida ao acaso dentre 1000: ou ela e´ do sexo masculino ou na˜o (e´ do sexo feminino); 4 Uma pessoa e´ escolhida ao acaso dentre 1000: ou ela e´ favora´vel a um determinado projeto governamental ou na˜o. Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) de Bernoulli Em muitos experimentos os resultados sa˜o tais que ocorre ou na˜o ocorre determinada caracter´ıstica. Por exemplo: 1 Ao lanc¸ar uma moeda: o resultado ou e´ cara, ou na˜o (ocorrendo, enta˜o, coroa); 2 Ao lanc¸ar um dado: ocorre nu´mero par ou na˜o (ocorrendo nu´mero ı´mpar); 3 Uma pessoa e´ escolhida ao acaso dentre 1000: ou ela e´ do sexo masculino ou na˜o (e´ do sexo feminino); 4 Uma pessoa e´ escolhida ao acaso dentre 1000: ou ela e´ favora´vel a um determinado projeto governamental ou na˜o. Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) de Bernoulli Em muitos experimentos os resultados sa˜o tais que ocorre ou na˜o ocorre determinada caracter´ıstica. Por exemplo: 1 Ao lanc¸ar uma moeda: o resultado ou e´ cara, ou na˜o (ocorrendo, enta˜o, coroa); 2 Ao lanc¸ar um dado: ocorre nu´mero par ou na˜o (ocorrendo nu´mero ı´mpar); 3 Uma pessoa e´ escolhida ao acaso dentre 1000: ou ela e´ do sexo masculino ou na˜o (e´ do sexo feminino); 4 Uma pessoa e´ escolhida ao acaso dentre 1000: ou ela e´ favora´vel a um determinado projeto governamental ou na˜o. Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) de Bernoulli Em todas estes casos, estamos interessados na ocorreˆncia (sucesso) ou na˜o (fracasso) de determinada caracter´ıstica. Enta˜o, para cada experimento acima podemos definir uma v.a.X, que assume valores: 1, se ocorrer sucesso, e 0, se ocorrer fracasso. E, indicaremos por p a probabilidade de sucesso, isto e´, P (sucesso) = P (X = 1) = p, 0 < p < 1. Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) de Bernoulli Uma varia´vel aleato´ria X, que assume apenas os valores 0 e 1, e´ dita ter distribuic¸a˜o de Bernoulli com paraˆmetro p, 0 < p < 1, se sua func¸a˜o de probabilidade e´ dada por P (X = x) = { p, se x = 1 1− p, se x = 0 Notac¸a˜o: X ∼ Ber(p). Observac¸a˜o: Experimentos que resultam numa v.a. de Bernoulli sa˜o chamados ensaios de Bernoulli. Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = p V ar(X) = p(1− p) Exemplo 1 Ao lanc¸ar um dado perfeito, considere a varia´vel X: ocorre nu´mero menor que 3. Qual a distribuic¸a˜o de X? Obtenha os valores de E(X) e V ar(X). Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = p V ar(X) = p(1− p) Exemplo 1 Ao lanc¸ar um dado perfeito, considere a varia´vel X: ocorre nu´mero menor que 3. Qual a distribuic¸a˜o de X? Obtenha os valores de E(X) e V ar(X). Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = p V ar(X) = p(1− p) Exemplo 1 Ao lanc¸ar um dado perfeito, considere a varia´vel X: ocorre nu´mero menor que 3. Qual a distribuic¸a˜o de X? Obtenha os valores de E(X) e V ar(X). Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = p V ar(X) = p(1− p) Exemplo 1 Ao lanc¸ar um dado perfeito, considere a varia´vel X: ocorre nu´mero menor que 3. Qual a distribuic¸a˜o de X? Obtenha os valores de E(X) e V ar(X). Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) Binomial Definic¸a˜o (Experimento Binomial) Um experimento binomial consiste de n tentativas independentes de um mesmo experimento aleato´rio, onde cada tentativa admite apenas dois resultados: sucesso, com probabilidade p, e fracasso, com probabilidade 1 − p. Pode-se dizer ainda que um experimen- to binomial consiste de n ensaios independentes de Bernoulli, cuja probabilidade de sucesso em cada ensaio e´ constante e igual a p, 0 < p < 1. Definic¸a˜o (Varia´vel Aleato´ria Binomial) Uma varia´vel aleato´ria definida como X: nu´mero de sucessos num experimento binomial e´ dita ser uma Varia´vel Aleato´ria Binomial com paraˆmetros n e p. Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) Binomial Definic¸a˜o (Experimento Binomial) Um experimento binomial consiste de n tentativas independentes de um mesmo experimento aleato´rio, onde cada tentativa admite apenas dois resultados: sucesso, com probabilidade p, e fracasso, com probabilidade 1 − p. Pode-se dizer ainda que um experimen- to binomial consiste de n ensaios independentes de Bernoulli, cuja probabilidade de sucesso em cada ensaio e´ constante e igual a p, 0 < p < 1. Definic¸a˜o (Varia´vel Aleato´ria Binomial) Uma varia´vel aleato´ria definida como X: nu´mero de sucessos num experimento binomial e´ dita ser uma Varia´vel Aleato´ria Binomial com paraˆmetros n e p. Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) Binomial Teorema Se X e´ uma varia´vel aleato´ria binomial com paraˆmetros n e p, enta˜o P (X = x) = ( n x ) px(1− p)n−x, x = 0, 1, ..., n, onde x e´ o nu´mero de sucessos nos n ensaios de Bernoulli. Notac¸a˜o: X ∼ b(n, p). Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = np V ar(X) = np(1− p) Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = np V ar(X) = np(1− p) Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = np V ar(X) = np(1− p) Disciplina: Introduc¸a˜o a` Probabilidade Exemplo 2 Um fabricante de pec¸as de automo´vel garante que uma caixa de suas pec¸as contera´, no ma´ximo, duas defeituosas. Sabe-se que uma caixa conte´m 20 pec¸as, e a experieˆncia tem demonstrado que, em seu processo de fabricac¸a˜o, 6% das pec¸as sa˜o defeituosas. Selecionada uma dessas caixas, ao acaso, encontre: a) A probabilidade de que nenhum dos itens tenha defeito; b) A probabilidade de que todas as pec¸as sejam defei- tuosas; c) A probabilidade de que a caixa satisfac¸a a garantia; d) O nu´mero de pec¸as defeituosas esperadas nesta cai- xa.Disciplina: Introduc¸a˜o a` Probabilidade Exemplo 2 Um fabricante de pec¸as de automo´vel garante que uma caixa de suas pec¸as contera´, no ma´ximo, duas defeituosas. Sabe-se que uma caixa conte´m 20 pec¸as, e a experieˆncia tem demonstrado que, em seu processo de fabricac¸a˜o, 6% das pec¸as sa˜o defeituosas. Selecionada uma dessas caixas, ao acaso, encontre: a) A probabilidade de que nenhum dos itens tenha defeito; b) A probabilidade de que todas as pec¸as sejam defei- tuosas; c) A probabilidade de que a caixa satisfac¸a a garantia; d) O nu´mero de pec¸as defeituosas esperadas nesta cai- xa. Disciplina: Introduc¸a˜o a` Probabilidade Exemplo 2 Um fabricante de pec¸as de automo´vel garante que uma caixa de suas pec¸as contera´, no ma´ximo, duas defeituosas. Sabe-se que uma caixa conte´m 20 pec¸as, e a experieˆncia tem demonstrado que, em seu processo de fabricac¸a˜o, 6% das pec¸as sa˜o defeituosas. Selecionada uma dessas caixas, ao acaso, encontre: a) A probabilidade de que nenhum dos itens tenha defeito; b) A probabilidade de que todas as pec¸as sejam defei- tuosas; c) A probabilidade de que a caixa satisfac¸a a garantia; d) O nu´mero de pec¸as defeituosas esperadas nesta cai- xa. Disciplina: Introduc¸a˜o a` Probabilidade Exemplo 2 Um fabricante de pec¸as de automo´vel garante que uma caixa de suas pec¸as contera´, no ma´ximo, duas defeituosas. Sabe-se que uma caixa conte´m 20 pec¸as, e a experieˆncia tem demonstrado que, em seu processo de fabricac¸a˜o, 6% das pec¸as sa˜o defeituosas. Selecionada uma dessas caixas, ao acaso, encontre: a) A probabilidade de que nenhum dos itens tenha defeito; b) A probabilidade de que todas as pec¸as sejam defei- tuosas; c) A probabilidade de que a caixa satisfac¸a a garantia; d) O nu´mero de pec¸as defeituosas esperadas nesta cai- xa. Disciplina: Introduc¸a˜o a` Probabilidade EXERC´ICIO: Overbooking Overbooking e´ uma pra´tica realizada na aviac¸a˜o no mundo todo. Consiste na empresa ae´rea vender mais bilhetes do que o dispon´ıvel no voˆo (com base na me´dia de desisteˆncias dos voˆos anteriores). Considere uma empresa ae´rea que possui um avia˜o com capacidade para 100 lugares. Se para um certo voˆo essa empresa vendeu 103 passagens e, admitindo que a probabilidade de um passageiro na˜o comparecer para embarque e´ de 7%, qual a probabilidade de algum passageiro na˜o conseguir embarcar? Disciplina: Introduc¸a˜o a` Probabilidade EXERC´ICIO: Overbooking Overbooking e´ uma pra´tica realizada na aviac¸a˜o no mundo todo. Consiste na empresa ae´rea vender mais bilhetes do que o dispon´ıvel no voˆo (com base na me´dia de desisteˆncias dos voˆos anteriores). Considere uma empresa ae´rea que possui um avia˜o com capacidade para 100 lugares. Se para um certo voˆo essa empresa vendeu 103 passagens e, admitindo que a probabilidade de um passageiro na˜o comparecer para embarque e´ de 7%, qual a probabilidade de algum passageiro na˜o conseguir embarcar? Disciplina: Introduc¸a˜o a` Probabilidade “Hora da chamada...” Albert Einstein Tudo deveria se tornar o mais simples poss´ıvel, mas na˜o simplificado. Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) Hipergeome´trico(a) Considere uma populac¸a˜o (conjunto) composta de N objetos, r dos quais teˆm uma certa caracter´ıstica A, logo, N − r na˜o teˆm a ca- racter´ıstica A (A). Suponha que n desses objetos sa˜o escolhidos ao acaso sem reposic¸a˜o e que estamos interessados na varia´vel X : nu´mero de elementos que possuem a caracter´ıstica A dentre os n. Enta˜o, a varia´vel definida desta forma e´ dita ter distribuic¸a˜o hiper- geome´trica com paraˆmetros N , r e n e func¸a˜o de probabilidade dada por P (X = x) = ( r x )( N−r n− x ) ( N n ) , x = max{0, n−(N−r)}, ...,min{r, n}. Notac¸a˜o: X ∼ hip(N, r, n). Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) Hipergeome´trico(a) Considere uma populac¸a˜o (conjunto) composta de N objetos, r dos quais teˆm uma certa caracter´ıstica A, logo, N − r na˜o teˆm a ca- racter´ıstica A (A). Suponha que n desses objetos sa˜o escolhidos ao acaso sem reposic¸a˜o e que estamos interessados na varia´vel X : nu´mero de elementos que possuem a caracter´ıstica A dentre os n. Enta˜o, a varia´vel definida desta forma e´ dita ter distribuic¸a˜o hiper- geome´trica com paraˆmetros N , r e n e func¸a˜o de probabilidade dada por P (X = x) = ( r x )( N−r n− x ) ( N n ) , x = max{0, n−(N−r)}, ...,min{r, n}. Notac¸a˜o: X ∼ hip(N, r, n). Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) Hipergeome´trico(a) Considere uma populac¸a˜o (conjunto) composta de N objetos, r dos quais teˆm uma certa caracter´ıstica A, logo, N − r na˜o teˆm a ca- racter´ıstica A (A). Suponha que n desses objetos sa˜o escolhidos ao acaso sem reposic¸a˜o e que estamos interessados na varia´vel X : nu´mero de elementos que possuem a caracter´ıstica A dentre os n. Enta˜o, a varia´vel definida desta forma e´ dita ter distribuic¸a˜o hiper- geome´trica com paraˆmetros N , r e n e func¸a˜o de probabilidade dada por P (X = x) = ( r x )( N−r n− x ) ( N n ) , x = max{0, n−(N−r)}, ...,min{r, n}. Notac¸a˜o: X ∼ hip(N, r, n). Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) Hipergeome´trico(a) Considere uma populac¸a˜o (conjunto) composta de N objetos, r dos quais teˆm uma certa caracter´ıstica A, logo, N − r na˜o teˆm a ca- racter´ıstica A (A). Suponha que n desses objetos sa˜o escolhidos ao acaso sem reposic¸a˜o e que estamos interessados na varia´vel X : nu´mero de elementos que possuem a caracter´ıstica A dentre os n. Enta˜o, a varia´vel definida desta forma e´ dita ter distribuic¸a˜o hiper- geome´trica com paraˆmetros N , r e n e func¸a˜o de probabilidade dada por P (X = x) = ( r x )( N−r n− x ) ( N n ) , x = max{0, n−(N−r)}, ...,min{r, n}. Notac¸a˜o: X ∼ hip(N, r, n). Disciplina: Introduc¸a˜o a` Probabilidade Modelo (ou Distribuic¸a˜o) Hipergeome´trico(a) Considere uma populac¸a˜o (conjunto) composta de N objetos, r dos quais teˆm uma certa caracter´ıstica A, logo, N − r na˜o teˆm a ca- racter´ıstica A (A). Suponha que n desses objetos sa˜o escolhidos ao acaso sem reposic¸a˜o e que estamos interessados na varia´vel X : nu´mero de elementos que possuem a caracter´ıstica A dentre os n. Enta˜o, a varia´vel definida desta forma e´ dita ter distribuic¸a˜o hiper- geome´trica com paraˆmetros N , r e n e func¸a˜o de probabilidade dada por P (X = x) = ( r x )( N−r n− x ) ( N n ) , x = max{0, n−(N−r)}, ...,min{r, n}. Notac¸a˜o: X ∼ hip(N, r, n). Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = np V ar(X) = np(1− p)N−n N−1 , onde p = r N e´ a probabilidade de se obter um objeto com a caracte- r´ıstica A numa u´nica extrac¸a˜o. Observac¸a˜o: Quando a populac¸a˜o e´ muito grande, ou seja, N →∞, quando comparado com n, a retirada ao acaso, com ou sem reposic¸a˜o, sera˜o praticamente equivalentes, de modo que a distri- buic¸a˜o hipergeome´trica se aproxima da distribuic¸a˜o binomial. Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = np V ar(X) = np(1− p)N−n N−1 , onde p = r N e´ a probabilidade de se obter um objeto com a caracte- r´ıstica A numa u´nica extrac¸a˜o. Observac¸a˜o: Quando a populac¸a˜o e´ muito grande, ou seja, N →∞, quando comparado com n, a retirada ao acaso, com ou sem reposic¸a˜o, sera˜o praticamente equivalentes, de modo que a distri- buic¸a˜o hipergeome´trica se aproxima da distribuic¸a˜o binomial. Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = np V ar(X) = np(1− p)N−n N−1 , onde p = r N e´ a probabilidade de se obter um objeto com a caracte- r´ıstica A numa u´nica extrac¸a˜o.Observac¸a˜o: Quando a populac¸a˜o e´ muito grande, ou seja, N →∞, quando comparado com n, a retirada ao acaso, com ou sem reposic¸a˜o, sera˜o praticamente equivalentes, de modo que a distri- buic¸a˜o hipergeome´trica se aproxima da distribuic¸a˜o binomial. Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = np V ar(X) = np(1− p)N−n N−1 , onde p = r N e´ a probabilidade de se obter um objeto com a caracte- r´ıstica A numa u´nica extrac¸a˜o. Observac¸a˜o: Quando a populac¸a˜o e´ muito grande, ou seja, N →∞, quando comparado com n, a retirada ao acaso, com ou sem reposic¸a˜o, sera˜o praticamente equivalentes, de modo que a distri- buic¸a˜o hipergeome´trica se aproxima da distribuic¸a˜o binomial. Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = np V ar(X) = np(1− p)N−n N−1 , onde p = r N e´ a probabilidade de se obter um objeto com a caracte- r´ıstica A numa u´nica extrac¸a˜o. Observac¸a˜o: Quando a populac¸a˜o e´ muito grande, ou seja, N →∞, quando comparado com n, a retirada ao acaso, com ou sem reposic¸a˜o, sera˜o praticamente equivalentes, de modo que a distri- buic¸a˜o hipergeome´trica se aproxima da distribuic¸a˜o binomial. Disciplina: Introduc¸a˜o a` Probabilidade Exemplo 3 Em problemas de controle de qualidade, lotes com N itens sa˜o exa- minados. Se num certo lote de 100 itens, dentre os quais 10 sa˜o defeituosos, voceˆ escolhe ao acaso 5 itens, sem reposic¸a˜o, a) qual e´ a probabilidade de nenhum item ser defeituoso? b) qual e´ a probabilidade de na˜o mais do que um item seja defeituoso? c) qual e´ o nu´mero esperado de itens defeituosos? Disciplina: Introduc¸a˜o a` Probabilidade Exemplo 3 Em problemas de controle de qualidade, lotes com N itens sa˜o exa- minados. Se num certo lote de 100 itens, dentre os quais 10 sa˜o defeituosos, voceˆ escolhe ao acaso 5 itens, sem reposic¸a˜o, a) qual e´ a probabilidade de nenhum item ser defeituoso? b) qual e´ a probabilidade de na˜o mais do que um item seja defeituoso? c) qual e´ o nu´mero esperado de itens defeituosos? Disciplina: Introduc¸a˜o a` Probabilidade Exemplo 3 Em problemas de controle de qualidade, lotes com N itens sa˜o exa- minados. Se num certo lote de 100 itens, dentre os quais 10 sa˜o defeituosos, voceˆ escolhe ao acaso 5 itens, sem reposic¸a˜o, a) qual e´ a probabilidade de nenhum item ser defeituoso? b) qual e´ a probabilidade de na˜o mais do que um item seja defeituoso? c) qual e´ o nu´mero esperado de itens defeituosos? Disciplina: Introduc¸a˜o a` Probabilidade Distribuic¸a˜o Geome´trica Considere um experimento cujos resultados podem ser classificados como sucesso ou fracasso. Seja p a probabilidade de sucesso, logo, 1− p e´ a probabilidade de fracasso. Considere a varia´vel aleato´ria: X : nu´mero de ensaios ate´ ocorrer o primeiro sucesso. Se os ensaios sa˜o independentes, enta˜o a varia´vel aleato´ria definida dessa forma e´ dita ter distribuic¸a˜o geome´trica com paraˆmetro p e func¸a˜o de probabilidade dada por P (X = x) = (1− p)x−1p, x = 1, 2, ... Notac¸a˜o: X ∼ G(p). Disciplina: Introduc¸a˜o a` Probabilidade Distribuic¸a˜o Geome´trica Considere um experimento cujos resultados podem ser classificados como sucesso ou fracasso. Seja p a probabilidade de sucesso, logo, 1− p e´ a probabilidade de fracasso. Considere a varia´vel aleato´ria: X : nu´mero de ensaios ate´ ocorrer o primeiro sucesso. Se os ensaios sa˜o independentes, enta˜o a varia´vel aleato´ria definida dessa forma e´ dita ter distribuic¸a˜o geome´trica com paraˆmetro p e func¸a˜o de probabilidade dada por P (X = x) = (1− p)x−1p, x = 1, 2, ... Notac¸a˜o: X ∼ G(p). Disciplina: Introduc¸a˜o a` Probabilidade Distribuic¸a˜o Geome´trica Considere um experimento cujos resultados podem ser classificados como sucesso ou fracasso. Seja p a probabilidade de sucesso, logo, 1− p e´ a probabilidade de fracasso. Considere a varia´vel aleato´ria: X : nu´mero de ensaios ate´ ocorrer o primeiro sucesso. Se os ensaios sa˜o independentes, enta˜o a varia´vel aleato´ria definida dessa forma e´ dita ter distribuic¸a˜o geome´trica com paraˆmetro p e func¸a˜o de probabilidade dada por P (X = x) = (1− p)x−1p, x = 1, 2, ... Notac¸a˜o: X ∼ G(p). Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = 1 p . V ar(X) = 1−p p2 . Exemplo 4: A probabilidade de encontrar aberto o sinal de traˆnsito numa esquina e´ 0,15. Qual a probabilidade de que seja necessa´rio passar pelo local 4 vezes, para encontrar o sinal aberto pela primeira vez? Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = 1 p . V ar(X) = 1−p p2 . Exemplo 4: A probabilidade de encontrar aberto o sinal de traˆnsito numa esquina e´ 0,15. Qual a probabilidade de que seja necessa´rio passar pelo local 4 vezes, para encontrar o sinal aberto pela primeira vez? Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = 1 p . V ar(X) = 1−p p2 . Exemplo 4: A probabilidade de encontrar aberto o sinal de traˆnsito numa esquina e´ 0,15. Qual a probabilidade de que seja necessa´rio passar pelo local 4 vezes, para encontrar o sinal aberto pela primeira vez? Disciplina: Introduc¸a˜o a` Probabilidade Distribuic¸a˜o de Poisson Suponha, agora, que o interessse num certo experimento seja contar o nu´mero de ocorreˆncia de um certo evento, o qual pode ocorrer du- rante um intervalo de tempo, ao longo de uma superf´ıcie ou volume. Por exemplo: 1 Durante o intervalo de uma hora, observar o nu´mero de carros que passam numa rodovia; 2 Ao inspecionar a pintura de um carro, deseja-se observar o nu´mero de falhas; 3 Ao realizar o controle de qualidade de um produto aliment´ıcio, deseja-se conhecer o nu´mero de bacte´rias. Disciplina: Introduc¸a˜o a` Probabilidade Distribuic¸a˜o de Poisson Em todas estas condic¸o˜es poderemos trabalhar com a seguinte dis- tribuic¸a˜o de probabilidade: Definic¸a˜o (Distribuic¸a˜o de Poisson) Dizemos que a varia´vel aleato´ria X : nu´mero de ocorreˆncia de um certo evento num determinado intervalo de tempo, superf´ıcie ou volume, tem distribuic¸a˜o de Poisson com paraˆmetro λ (λ > 0), se sua func¸a˜o de probabilidade e´ dada por P (X = x) = e−λλx x! , x = 0, 1, 2, ... Notac¸a˜o: X ∼ Poisson(λ). O paraˆmetro λ e´ usualmente referido como a taxa de ocorreˆncia e diz respeito ao nu´mero de eventos de certo tipo que ocorrem em um intervalo de tempo, ou distaˆncia, ou a´rea, ou volume. Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = λ V ar(X) = λ Observac¸a˜o: Se X tem distribuic¸a˜o Binomial, ou seja, X ∼ b(n, p), em que n e´ bastante grande com p pequeno, de modo que np ≤ 7, enta˜o a distribuic¸a˜o de X se aproxima da distribuic¸a˜o de Poisson com paraˆmetro λ = np, isto e´, X ∼ Poisson(np). Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = λ V ar(X) = λ Observac¸a˜o: Se X tem distribuic¸a˜o Binomial, ou seja, X ∼ b(n, p), em que n e´ bastante grande com p pequeno, de modo que np ≤ 7, enta˜o a distribuic¸a˜o de X se aproxima da distribuic¸a˜o de Poisson com paraˆmetro λ = np, isto e´, X ∼ Poisson(np). Disciplina: Introduc¸a˜o a` Probabilidade Propriedades E(X) = λ V ar(X) = λ Observac¸a˜o: Se X tem distribuic¸a˜o Binomial, ou seja, X ∼ b(n, p), em que n e´ bastante grande com p pequeno, de modo que np ≤ 7, enta˜o a distribuic¸a˜o de X se aproxima da distribuic¸a˜o de Poisson com paraˆmetro λ = np, isto e´, X ∼ Poisson(np). Disciplina: Introduc¸a˜o a` Probabilidade Exemplo 5 Uma companhia recebe uma me´dia de 5 chamadas por minuto. Obtenha: a) A probabilidade de que a companhia na˜o receba chamadas durante o intervalo de 1 minuto. b) A probabilidade de que a companhia receba, no ma´ximo, 2 chamadasem 4 minutos. Disciplina: Introduc¸a˜o a` Probabilidade Exemplo 6 Seja X ∼ b(200, 0, 01). Calcular P (X = 10) usando a distribuic¸a˜o binomial e compare com o valor aproximado pela Poisson. Resp.: 3,326×10−5 e 3,819×10−5 Disciplina: Introduc¸a˜o a` Probabilidade Exemplo 6 Seja X ∼ b(200, 0, 01). Calcular P (X = 10) usando a distribuic¸a˜o binomial e compare com o valor aproximado pela Poisson. Resp.: 3,326×10−5 e 3,819×10−5 Disciplina: Introduc¸a˜o a` Probabilidade “Hora da chamada...” Plata˜o Vencer a si pro´prio e´ a maior das vito´rias. Disciplina: Introduc¸a˜o a` Probabilidade
Compartilhar