14/09/2019 Aula 4

Aula 4
Brenner Silva
05/09/2019

ENGD 02
Introdução a Probabilidade
QUESTÃO 01 - Distribuição Binomial
Suponha que haja doze perguntas de múltipla escolha em um teste de aula de inglês. Cada pergunta tem cinco respostas possíveis e apenas
uma delas está correta. Encontre a probabilidade de ter quatro ou menos respostas corretas se um aluno tentar responder todas as perguntas
aleatoriamente.

RRESPOSTA
Como apenas uma em cada cinco respostas possíveis está correta, a probabilidade de responder a uma pergunta corretamente aleatoriamente é
1/5 = 0.2 . Podemos encontrar a probabilidade de ter exatamente 4 respostas corretas por tentativas aleatórias da seguinte maneira.

stats::dbinom(x = 4, size = 12, prob = 0.2)

## [1] 0.1328756

Para encontrar a probabilidade de ter quatro ou menos respostas corretas por tentativas aleatórias, aplicamos a função dbinom com
x = 0, … , 4 .

stats::dbinom(x = 4, size = 12, prob = 0.2)

## [1] 0.1328756

stats::dbinom(x = 0, size = 12, prob = 0.2) +

stats::dbinom(x = 1, size = 12, prob = 0.2) +
stats::dbinom(x = 2, size = 12, prob = 0.2) +
stats::dbinom(x = 3, size = 12, prob = 0.2) +
stats::dbinom(x = 4, size = 12, prob = 0.2)

## [1] 0.9274445

Como alternativa, podemos usar a função de probabilidade cumulativa para distribuição binomial pbinom .

stats::pbinom(q = 4, size = 12, prob = 0.2)

## [1] 0.9274445

resp_q1 <- stats::pbinom(q = 4, size = 12, prob = 0.2)

cat(paste("A probabilidade de quatro ou menos perguntas respondidas de modo correto e",

"aleatoriamente em um questionário de múltipla escolha de doze perguntas é de ", sep="\n"),
paste0(round(resp_q1*100, 3), "%."))

## A probabilidade de quatro ou menos perguntas respondidas de modo correto e

## aleatoriamente em um questionário de múltipla escolha de doze perguntas é de 92.744%.

Fonte (http://www.r-tutor.com/elementary-statistics/probability-distributions/binomial-distribution)

QUESTÃO 02 - 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 peças
para serem inspecionadas. Qual a probabilidade de se obter:

1. Uma peça defeituosa?

2. Nenhuma peça defeituosa?

3. Duas peças defeituosas?

4. No mínimo duas peças defeituosas?

5. No máximo duas peças defeituosas?

rpubs.com/brennerbiasi/intro_probab 1/5
14/09/2019 Aula 4

RESPOSTA
1. QUESTÃO 02, PERGUNTA 01.

stats::dbinom(x = 1, size = 10, prob = 0.1)

## [1] 0.3874205

2. QUESTÃO 02, PERGUNTA 02.

stats::dbinom(x = 0, size = 10, prob = 0.1)

## [1] 0.3486784

3. QUESTÃO 02, PERGUNTA 03.

stats::dbinom(x = 2, size = 10, prob = 0.1)

## [1] 0.1937102

4. QUESTÃO 02, PERGUNTA 04.

1 - stats::pbinom(q = 1, size = 10, prob = 0.1)

## [1] 0.2639011

5. QUESTÃO 02, PERGUNTA 05.

stats::pbinom(q = 2, size = 10, prob = 0.1)

## [1] 0.9298092

Fonte (http://www.portalaction.com.br/probabilidades/51-distribuicao-binomial)

QUESTÃO 03 - Distribuição Poisson

Suponha que uma aplicação de tinta em um automóvel é feita de forma mecânica, e pode produzir defeitos de fabricação, como bolhas ou áreas
mal pintadas, de acordo com uma variável aleatória X que segue uma distribuição de Poisson de parâmetro λ = 1 . Suponha que sorteamos um
carro ao acaso para que sua pintura seja inspecionada, qual a probabilidade de encontrarmos, pelo menos, 1 defeito? E qual a probabilidade de
encontrarmos de 2 a 4 defeitos?

RESPOSTA
A probabilidade de encontrarmos pelo menos um defeito é dada por:

1 - stats::dpois(x = 1, lambda = 1)

## [1] 0.6321206

Já a probabilidade de encontrarmos entre 2 e 4 defeitos é de:

stats::dpois(x = 2, lambda = 1) +
stats::dpois(x = 3, lambda = 1) +
stats::dpois(x = 4, lambda = 1)

## [1] 0.2605813

Fonte (http://www.portalaction.com.br/probabilidades/52-distribuicao-de-poisson)

QUESTÃO 04 - Distribuição Poisson

Considere um processo que têm uma taxa de 0.2 defeitos por unidade. Qual a probabilidade de uma unidade qualquer apresentar:

a. um defeito?
b. zero defeito?

RESPOSTA
QUESTÃO 04, PERGUNTA a.

rpubs.com/brennerbiasi/intro_probab 2/5
14/09/2019 Aula 4

stats::dpois(x = 1, lambda = 0.2)

## [1] 0.1637462

QUESTÃO 04, PERGUNTA b.

stats::dpois(x = 0, lambda = 0.2)

## [1] 0.8187308

Fonte (http://www.portalaction.com.br/probabilidades/52-distribuicao-de-poisson)

QUESTÃO 05 - Distribuição Normal

Suponha que as notas dos testes de um vestibular se ajustem a uma distribuição normal. Além disso, a pontuação média no teste é 72 e o desvio
padrão é 15.2. Qual é a porcentagem de alunos com 84 ou mais notas no exame?

RESPOSTA
Aplicamos a função pnorm da distribuição normal com média 72 e desvio padrão 15.2. Como procuramos a porcentagem de alunos com
pontuação superior a 84 , estamos interessados na parte superior da distribuição normal ( lower.tail = FALSE ).

pnorm(q = 84, mean = 72, sd = 15.2, lower.tail = FALSE)

## [1] 0.2149176

O percentual de alunos com 84 ou mais notas no exame vestibular é de 21.5%.

Fonte (http://www.r-tutor.com/elementary-statistics/probability-distributions/normal-distribution)

COMENTÁRIOS
Essa introdução a probabilidade no R, permite constatar que realizar exercícios utilizando o software implica em simplicidade, rapidez e precisão.
Deste modo, o discente pode otimizar seu tempo de estudo, reduzindo o tempo realizando exercícios a mão e podendo proparcionar maior ganho
e percepção quanto a interpretação do problema.
As funções que lidam com distribuições de probabilidade em R têm um prefixo de uma letra que define o tipo de função que queremos usar.
Esses argumentos são d, p, q e r. Eles se referem às funções densidade/massa, cumulativa, quantil e amostragem, respectivamente.
Em um exemplo de 20 lançamentos de moedas usando p = 0.7 e traçar a função de densidade de X ∼ B(20, 0.7) . Primeiro, geramos um
vetor com a sequência de números 1, 2, … 20 e iteramos a função sobre esses valores.

den <- stats::dbinom(1:20, 20, 0.7)

plot(den, ylab = "Densitdade", xlab = "Nº de sucessos")

df <- data.frame(den = den,

id = 1:length(den))
library(ggplot2)

ggplot(df) +
geom_line(aes(x = id, y = den)) +
geom_point(aes(x = id, y = den)) +
xlab("Nº de sucessos") +
ylab("Densidade")

rpubs.com/brennerbiasi/intro_probab 3/5
14/09/2019 Aula 4

ggplot(df) +
geom_area(aes(x = id, y = den), fill = "blue") +
geom_point(aes(x = id, y = den)) +
xlab("Nº de sucessos") +
ylab("Densidade")

Trabalhando com a manipulação de dados, é possível plotar a máxima densidade de uma maneira bem simples utilizando o pacote dplyr e
funções residentes no R.

library(dplyr)

df2 <- df %>%

dplyr::arrange(dplyr::desc(den)) %>%
dplyr::mutate(id_max = as.factor(c(1, rep(2, 19))))

ggplot(df2) +
geom_area(aes(x = id, y = den), fill = "blue") +
geom_point(aes(x = id, y = den, col = id_max), size = 2) +
scale_color_manual(values = c("red", "black")) +
xlab("Nº de sucessos") +
ylab("Densidade")

rpubs.com/brennerbiasi/intro_probab 4/5
14/09/2019 Aula 4

Adaptado de:Fonte (https://www.r-bloggers.com/probability-distributions-in-r/)

CONSIDERAÇÕES FINAIS
A aplicação de probabilidade em R, nesta parte introdutória, pode ser bastante simples e prática. Podemos obter resultados com excelente
precisão numérica, rapidez e com uma linguagem computacional de baixa complexidade.
A utilização de ferramentas gráficas podem proporcionar melhor análise, e nos permite também expressar, de melhor maneira, os resultados
obtidos.

rpubs.com/brennerbiasi/intro_probab 5/5