Você está na página 1de 5

Escola Politécnica de Pernambuco – UPE/POLI

Programa de Pós-graduação em Engenharia Civil – PEC


Estatística Aplicada
Prof. Dr. Willames Soares

DANIEL BRUNO PINTO DA SILVA


GEORGE DA MOTA PASSOS NETO

ATIVIDADE 03

DISTRIBUIÇÃO BINOMINAL

RECIFE

20/04/2018
Atividade 3 – Determinar a finalidade e explicar como calcula a função
densidade de probabilidade da DISTRIBUIÇÃO BINOMIAL.

Considere os seguintes experimentos aleatórios e variáveis aleatórias:

1. Jogue uma moeda 10 vezes. Seja X = número de caras obtidas;


2. Um tear produz 1% de peças defeituosas. Seja X = número de peças
defeituosas nas próximas 25 peças produzidas;
3. Um teste de múltipla escolha contém 10 questões, cada uma com quatro
escolhas. Você tenta adivinhar cada questão;
4. De todos os pacientes sofrendo de uma determinada doença, 35% deles
experimentam uma melhora proveniente de uma medicação particular. Nos
próximos 30 pacientes administrados com a medicação, seja X = número de
pacientes que experimentam melhora.

Esses exemplos ilustram que um modelo geral de probabilidade, que incluísse


esses experimentos como casos particulares, seria muito útil. Cada um desses
experimentos aleatórios pode ser pensado como consistindo em uma série de
tentativas aleatórias e repetidas. A variável aleatória em cada caso é uma
contagem do número de tentativas que encontram um critério especificado. O
resultado de cada tentativa satisfaz ou não o critério que X conta;
consequentemente, cada tentativa pode obter sucesso ou falha.

De acordo com Fonseca e Martins (2010), a distribuição binomial trata-se de uma


distribuição de probabilidade adequadas aos experimentos que apresentam
apenas dois resultados possíveis: ou sucesso ou fracasso. Esses termos são
apenas designações, mas podemos usar também A e B ou 0 e 1. Essa
distribuição fundamenta-se nas seguintes hipóteses:

1. n provas independentes e do mesmo tipo são realizadas. Isso implica que


o resultado de uma tentativa não tem efeito no resultado a ser obtido a
partir de outra tentativa;
2. cada prova admite dois resultados – ou sucesso ou fracasso;
3. a probabilidade de sucesso em cada prova é p e de fracasso é q, e tem-
se que: q = 1 – p .

1
Define-se a variável aleatória X como o número de sucessos das n provas.
Portanto, X pode tornar os seguintes valores: X = 0, 1, 2, 3, ..., n. Fazendo
sucesso corresponder a 1 e fracasso a 0, chamados de tentativas ou provas de
Bernoulli, tem-se:

 Para X = 0, tem-se uma sequência de n zeros: 000000 ... 0. Logo:

𝑃(𝑋 = 0) = 𝑞 . 𝑞 . 𝑞 . 𝑞 . . . 𝑞 = 𝑞 𝑛

 Para X = 1, tem-se uma sequência do tipo: 10000 ... 0 ou 01000 ... 0 ou


00100 ... 0. Serão n sequências, cada uma com um único sucesso e n–1,
fracasso. Logo:

𝑃(𝑋 = 1) = 𝑛. 𝑝. 𝑞 𝑛−1

 Para X = x, tem-se x sucessos e (n – x) fracassos, correspondendo às


sequencias com x algarismos 1 e (n – x) algarismos 0. Cada sequência
𝑛
terá a probabilidade dada por: 𝑝 𝑥 . 𝑞 𝑛−𝑥 , onde p=1-q, e como há ( )
𝑥
sequências distintas, tem-se:

𝑛
𝑃(𝑋 = 𝑥) = ( ) (𝑝 𝑥 ). (𝑞)𝑛−𝑥
𝑥

Portanto, a equação acima é dada como a expressão geral da distribuição


Binomial.

Média

De acordo com as hipóteses, vê-se que X é a soma de n variáveis do tipo


“Bernoulli”, desta forma:

µ = n x µ(x) = n x p

Variância

Lembrando do que foi feito acima, temos:

α² = n x α²(x) = n x p x q

2
Gráfico

Os gráficos de uma distribuição discreta de probabilidade são diferentes dos


obtidos para distribuição a normal e os cálculos de probabilidades devem
considerar as probabilidades nos pontos. Os gráficos das funções de densidade
e probabilidade são mostrados na Figura 1.

Figura 1 - Funções de probabilidade (esquerda) e de distribuição acumulada (direita)

Exemplo – Poluição Orgânica

Cada amostra de ar tem 10% de chance de conter um determinado poluente


orgânico. Considere que as amostras sejam independentes com relação à
presença do poluente.

a) Encontre a probabilidade de que nas próximas 18 amostras exatamente


2 contenham o poluente.

Solução:

x = 2 (número de amostras de ar que contém a molécula rara, variável aleatória


binomial);

p=0,1 (probabilidade de conter o poluente orgânico);

n=18 (próximas amostras analisadas).

18
𝑃(𝑋 = 2) = ( ) (0,1)2 . (1 − 0,1)(18−2)
2

3
18 18!
Sendo, ( ) = 2!16!= 153.
2
Logo, P (x=2) = 153 x 0,10² x 0,916 = 0,284 ou 28,40%.

b) Determine a probabilidade de que, no mínimo, quatro amostras


contenham o poluente.

Solução:

A probabilidade de que, no mínimo, quatro amostras tenham o poluente é dada


por:

18
P (x≥4) = ∑18
𝑋=4 ( ) (0,1) 𝑋 (0,9)(18−𝑋)
𝑥

No entanto, é mais fácil usa o evento complementar:

18
P (x<4) = 1 - ∑3𝑋=0 ( ) (0,1) 𝑋 (0,9)(18−𝑋)
𝑥
P (x<4) = 1 – (0,150 + 0,30 + 0,284 + 0,168) = 0,098 ou 9,8%

c) Determine a probabilidade de que 3 ≤ x < 7.

Solução:

18
P (3 ≤ x < 7) = ∑6𝑋=3 ( ) (0,1) 𝑋 (0,9)(18−𝑋)
𝑥
P (3 ≤ x < 7) = 0,168 + 0,070 + 0,022 + 0,005
P (3 ≤ x < 7) = 0,265 ou 26,5%

REFERÊNCIAS
FONSECA, JAIRO SIMON DA. Curso de estatística / Jairo Simon da
Fonseca, Gilberto de Andrade Martins. – 6. Ed. – 14. reimpr. – São Paulo:
Atlas, 2011.
MONTGOMERY; RUNGER. Estatística Aplicada e Probabilidade para
Engenheiros / Douglas C. Montgomery, George C. Runger. – 4. Ed. – LTC.