Escolar Documentos
Profissional Documentos
Cultura Documentos
𝑬 𝑿 = 𝒑 𝒆 𝑬(𝑿𝟐 ) = 𝒑
𝑽𝒂𝒓 𝑿 = 𝒑 − 𝒑𝟐 = 𝒑 𝟏 − 𝒑 = 𝒑. 𝒒
Um exemplo clássico de uma experiência de Bernoulli é uma
jogada única de uma moeda.
O valor esperado de X é:
𝑬 𝑿 = 𝒑 = 𝟎, 𝟓
Com variância
𝑽𝒂𝒓 𝑿 = 𝒑 𝟏 − 𝒑 = 𝟎, 𝟓 𝟏 − 𝟎, 𝟓 = 𝟎, 𝟐𝟓
A função de distribuição acumulada de Bernoulli é dada por:
0 𝑠𝑒 𝑥 < 0
𝒇 𝒙, 𝒑 = 1 − 𝑝 𝑠𝑒 0 ≤ 𝑥 < 1
1 𝑠𝑒 𝑥 ≥ 1
Um circuito possui 30 semicondutores que conduzem com 0,5 V e
20 que conduzem com 0,7 V. O circuito conduziu. Calcular E(X),
Var(X) e P(X) sendo o evento condução com 0,7 V.
Seja X: nº de semicondutores que conduzem com 0,7 V.
Considere que 𝑷(𝑿 = 𝟎) = 𝒒 e 𝑷(𝑿 = 𝟏) = 𝒑. Assim:
𝟑𝟎 𝟑
0→𝒒= =
𝟓𝟎 𝟓
𝐗= 𝟐𝟎 𝟐
𝟏→𝒑= =
𝟓𝟎 𝟓
𝒏 𝒌 𝒏−𝒌 ,
𝑷 𝑿 = 𝒌 = 𝒃 𝒌; 𝒏; 𝒑 = 𝑷 𝒙 = 𝒑 𝟏−𝒑 com 𝒌 = 𝟎, 𝟏, 𝟐, 𝟑 … 𝒏
𝒌
𝒏 𝒌 𝒏−𝒌
𝑷 𝒙 = 𝒑 𝒒 , com 𝒌 = 𝟎, 𝟏, 𝟐, 𝟑 … 𝒏
𝒌
onde 𝒒 é a probabilidade de que o evento não se realize ou seja, o
insucesso.
Somente recordando:
𝒏 𝒏!
=
𝒌 𝒌! 𝒏 − 𝒌 !
Exemplo 1: Calcular as probabilidades de uma caixa com resistores apresentar resistores
defeituosos ao se retirar 3 resistores. Considere a probabilidade de sucesso 0,48.
Solução: Faremos o 𝒌 = 𝟎, 𝟏, 𝟐, 𝟑, 𝒑𝒂𝒓𝒂 𝒏 = 𝟑
a) 𝒌 = 𝟎; 𝒑 = 𝟎, 𝟒𝟖; 𝒏 = 𝟑
𝒏 𝒌 𝒏−𝒌 𝒏 𝒏!
𝑷 𝑿 = 𝒌 = 𝒃 𝒌; 𝒏; 𝒑 = 𝑷 𝒙 = 𝒑 𝟏−𝒑 ; =
𝒌 𝒌 𝒌! 𝒏 − 𝒌 !
𝟑!
𝑷 𝑿 = 𝟎 = 𝒃 𝟎; 𝟑; 𝟎, 𝟒𝟖 = 𝑷 𝟎 = 𝟎, 𝟒𝟖𝟎 (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟎
𝟎! 𝟑 − 𝟎 !
𝟑.𝟐.𝟏.𝟎! 𝟔
𝑷 𝟎 = . 𝟏. (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟎 = 𝟏.𝟔 . 𝟎, 𝟏𝟒 = 𝟎, 𝟏𝟒
𝟎!𝟑!
b) 𝒌 = 𝟏; 𝒑 = 𝟎, 𝟒𝟖; 𝒏 = 𝟑
𝟑.𝟐.𝟏.𝟎! 𝟔
𝑷 𝟏 = . 𝟎, 𝟒𝟖. (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟏 = 𝟏.𝟐 . 𝟎, 𝟓𝟐 = 𝟎, 𝟑𝟗
𝟏!𝟐!
c) 𝒌 = 𝟐; 𝒑 = 𝟎, 𝟒𝟖; 𝒏 = 𝟑
𝟑.𝟐.𝟏.𝟎! 𝟐 𝟔
𝑷 𝟐 = . 𝟎, 𝟒𝟖 . (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟐 = 𝟐.𝟏 . 𝟎, 𝟏𝟐 = 𝟎, 𝟑𝟔
𝟐!𝟏!
d) 𝒌 = 𝟑; 𝒑 = 𝟎, 𝟒𝟖; 𝒏 = 𝟑
𝟑.𝟐.𝟏.𝟎! 𝟑 𝟔
𝑷 𝟑 = . 𝟎, 𝟒𝟖 . (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟑 = 𝟔.𝟏 . 𝟎, 𝟏𝟏 = 𝟎, 𝟏𝟏
𝟑!𝟏!
A Figura abaixo apresenta 4 distribuições binomiais, onde se
observa que à medida que o número de tentativas (n)
cresce, as probabilidades vão diminuindo e ficando menos
concentradas, tendo a distribuição um formato de sino,
independente do parâmetro 𝒑, a probabilidade de sucesso.
A Figura abaixo mostra como a distribuição binomial é influenciada pela probabilidade de sucesso,𝒑. Percebe-se que
os pares 𝑷 𝒙 = 𝟎, 𝟎𝟓; 𝟎, 𝟗𝟓 , 𝟎, 𝟐𝟎; 𝟎, 𝟖𝟎 , (𝟎, 𝟒𝟎; 𝟎, 𝟔𝟎)(cuja soma é igual a 1) fornecem distribuições de
probabilidade que são imagens no espelho.
Valor Esperado e Variância
𝑬 𝑿 = 𝒏𝒑
𝑽𝒂𝒓 𝑿 = 𝝈𝟐 = 𝒏𝒑(𝟏 − 𝒑)
Probabilidade Cumulativa
O cálculo das probabilidades binomiais é árduo para valores altos
de tentativas (n).
Assim, existe uma tabela com os valores das probabilidades
binomiais cumulativas, que por sua vez são obtidas através da
soma das probabilidades individuais, aplicáveis a todos os níveis
da variável aleatória que estão em ou abaixo de um ponto
especificado.
Em resumo, a probabilidade binomial cumulativa (representada
pela letra maiúscula B) é definida pela equação abaixo.
𝒌
𝑷 𝑿 ≤ 𝒌 = 𝑩 𝒌, 𝒏, 𝒑 = 𝑷(𝑿 = 𝒋)
𝒋=𝟎
Para o Exemplo anterior, fica-se com a Tabela a seguir
No caso de se querer a probabilidade cumulativa para 2 resistores
defeituosos ou menos, tem-se o seguinte:
𝑷 𝑿 ≤ 𝟐 = 𝑷 𝑿 = 𝟎 + 𝑷 𝑿 = 𝟏 + 𝑷 𝑿 = 𝟐 = 𝟎, 𝟖𝟗
Nº de Resistores Defeituosos Probabilidade Individual Probabilidade cumulativa
k P(X=k) P(X≤k)
0 0,14 0,14
1 0,39 0,53
2 0,36 0,89
3 0,11 1
0,30
0,36
0,6
P(Xk)
0,25
P(k)
0,4
0,20
0,39
0,15 0,2
0,10
0,0
0 1 2 3 0 1 2 3
k k
No caso de se querer a probabilidade cumulativa para 2 resistores
defeituosos ou menos, tem-se o seguinte:
𝑷 𝑿 ≤ 𝟐 = 𝑷 𝑿 = 𝟎 + 𝑷 𝑿 = 𝟏 + 𝑷 𝑿 = 𝟐 = 𝟎, 𝟖𝟗
k P(x) F(x)
0 0,140608 0,140608
1 0,389376 0,529984
2 0,359424 0,889408
3 0,110592 1
Usando a interpolação
𝟎, 𝟒𝟖 − 𝟎, 𝟒𝟓 𝑷(𝒙) − 𝟎, 𝟏𝟔𝟔𝟒
=
𝟎, 𝟓𝟎 − 𝟎, 𝟒𝟓 𝟎, 𝟏𝟐𝟓𝟎 − 𝟎, 𝟏𝟔𝟔𝟒
𝑷 𝒙 = 𝟎, 𝟏𝟒𝟏𝟓𝟔
𝟑!
𝑷 𝑿 = 𝟎 = 𝒃 𝟎; 𝟑; 𝟎, 𝟒𝟖 = 𝑷 𝟎 = 𝟎, 𝟒𝟖𝟎 (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟎
𝟎! 𝟑 − 𝟎 !
𝟑.𝟐.𝟏.𝟎! 𝟔
𝑷 𝟎 = . 𝟏. (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟎 = . 𝟎, 𝟏𝟒 = 𝟎, 𝟏𝟒
𝟎!𝟑! 𝟏.𝟔
Exemplo: Como exemplo, considere uma amostra com 100 diodos. Estes
diodos tem as mesmas características técnicas porém são de
fabricantes diferentes A e B. Assuma que 40% dos diodos sorteados
são do fabricante A e considere esta probabilidade como sendo igual
a de sucesso,𝒑. Qual a probabilidade de que 35% ou menos dos
diodos sorteados sejam do fabricante A?
𝟏𝟎𝟎
𝑷 𝑿 = 𝒌 = 𝒃 𝒌; 𝒏; 𝒑 = 𝑷 𝒙 = 𝟎, 𝟒𝟎𝒌 𝟏 − 𝟎, 𝟒𝟎 𝟏𝟎𝟎−𝒌 ,
com 𝒌 = 𝟎, 𝟏, 𝟐, 𝟑 … 𝟏𝟎𝟎
𝒌
k P(x) F(x)
0 6,53E-23 6,53E-23
1 4,36E-21 4,42E-21
2 1,44E-19 1,48E-19
33 0,02975 0,091254
34 0,039083 0,130337
35 0,049133 0,179469
36 0,059141 0,238611
62 4,48E-06 0,999997
63 1,8E-06 0,999999
64 6,94E-07 1
65 2,56E-07 1
66 9,06E-08 1
67 3,06E-08 1
𝑷 𝑿 ≤ 𝟑𝟓 = 𝟎, 𝟏𝟕𝟗𝟓
Para o caso de no mínimo 50% dos diodos serem do fabricante A, tem-se:
k P(x) F(x)
0 6,53E-23 6,53E-23
1 4,36E-21 4,42E-21
2 1,44E-19 1,48E-19
38 0,075378 0,382188
39 0,079888 0,462075
40 0,081219 0,543294
41 0,079238 0,622533
42 0,074207 0,69674
43 0,066729 0,763469
44 0,05763 0,821098
45 0,047811 0,86891
46 0,03811 0,90702
47 0,029191 0,936211
48 0,021488 0,957699
49 0,015202 0,972901
50 0,010338 0,983238
51 0,006757 0,989995
𝑷 𝑿 ≥ 𝟓𝟎 = 𝟏 − 𝑿 ≤ 𝟒𝟗 = 𝟏 − 𝟎, 𝟗𝟕𝟐𝟗 = 𝟎, 𝟎𝟐𝟕𝟎
𝟏. 𝟓, 𝟕𝟓. 𝟏𝟎−𝟖
𝑷 𝑿=𝟎 = ≈𝟎
𝟏
Observando a função de Poisson
Verifica-se que para um certo valor de 𝝀 𝒆 𝒕, a medida que o evento (x) aumenta a
probabilidade de sua ocorrência reduz tendendo a zero. Por exemplo se 𝝀 = 𝟐 𝒆 𝒕 = 𝟏
tem-se:
𝟑𝟎
Tem-se 𝝀 = 𝟔𝟎𝟎 e 𝒕 = = (𝟏/𝟏𝟐𝟎) 𝒉.
𝟑𝟔𝟎𝟎
𝑷 𝒙, 𝝀, 𝒕 = 𝑷 𝑿 ≤ 𝒙 = 𝒑(𝒋; 𝝀; 𝒕)
𝒋=𝟎
Qual a probabilidade de serem encontrados menos que 5; 10 e
15 ruídos em uma faixa de frequências, que tem 𝛌 = 𝟎, 𝟏
por segundo, em uma medida de 200 s.
𝑷 𝑿 < 𝟓 = 𝟎, 𝟎𝟎𝟎𝟎𝟏𝟔𝟗
𝑷 𝑿 < 𝟏𝟎 = 𝟎, 𝟎𝟎𝟒𝟗𝟗
l=
t=
0,1
200
𝑷 𝑿 < 𝟏𝟓 = 𝟎, 𝟏𝟎𝟒𝟖
x p(x) P(X)
0 2,06115E-09 2,06115E-09
1 4,12231E-08 4,32842E-08
2 4,12231E-07 4,55515E-07
3 2,7482E-06 3,20372E-06
4 1,3741E-05 1,69447E-05
5 5,49641E-05 7,19088E-05
6 0,000183214 0,000255122
7 0,000523468 0,00077859
8 0,001308669 0,002087259
9 0,002908153 0,004995412
10 0,005816307 0,010811719
11 0,010575103 0,021386822
12 0,017625171 0,039011993
13 0,027115648 0,066127641
14 0,03873664 0,104864281
15 0,051648854 0,156513135
Qual a probabilidade de que mais de 20 ruídos sejam encontrados?
𝑬 𝑿 = 𝝀𝒕
𝑽𝒂𝒓 𝑿 = 𝝀𝒕
𝟑𝟒𝟐𝟎𝟎
𝑷 𝑿 = 𝟏 = 𝟒. = 𝟎, 𝟒𝟓
𝟑𝟎𝟑𝟔𝟎𝟎
Probabilidades Hipergeométricas
De modo a evitar a construção da enorme árvore de probabilidade, utiliza-
se a Equação
𝒑𝑵 𝟏−𝒑 𝑵
𝑪𝒌 𝑪𝒏−𝒌
𝑷 𝑿 = 𝒌 = 𝒉 𝒌; 𝒏; 𝒑; 𝑵 = 𝑵
𝒐𝒏𝒅𝒆 𝒌 = 𝟎, 𝟏, 𝟐, … 𝒏 𝒐𝒖 𝑵𝒑
𝑪𝒏
𝒃 𝒃! 𝒃−𝒂+𝟏 𝒃
𝑪𝒃𝒂 = = = 𝑪𝒂−𝟏
𝒂 𝒂! 𝒃 − 𝒂 ! 𝒂
𝟓! 𝟐𝟎!
𝑪𝟓𝟎 𝑪𝟐𝟎
𝟒 𝟎! 𝟓! 𝟒! 𝟏𝟔!
𝑷 𝑿 = 𝟎 = 𝒉 𝟎; 𝟒; 𝟎, 𝟐; 𝟐𝟓 = = = 𝟎, 𝟑𝟖𝟑𝟎
𝑪𝟐𝟓𝟒
𝟐𝟓!
𝟒! 𝟐𝟏!
Para as probabilidades de ter-se 1,2,3 e 4 transformadores
defeituosos, os resultados estão apresentados na tabela
abaixo onde se fez o cálculo usando a fórmula.
n= 4 n.Pi = 5
Pi = 0,2 (1-Pi).N = 20
N = 25 n-k = 4
k P(X)
0 0,383004
1 0,450593
2 0,150198
3 0,01581
4 0,000395
Uma outra forma de calcular essas probabilidades seria:
𝒑𝑵 − 𝒌 + 𝟏 𝒏−𝒌+𝟏
𝑷 𝑿 = 𝒌 = 𝒉 𝒌; 𝒏; 𝒑; 𝑵 = . 𝑷(𝑿 = 𝒌 − 𝟏)
𝒌 𝟏−𝒑 𝑵−𝒏+𝒌
𝑭 𝒌 =𝑷 𝑿≤𝒌 = 𝒉(𝒋; 𝒏; 𝒑; 𝑵)
𝒋=𝟎
𝑬 𝑿 = 𝒏𝒑
𝑵−𝒏
𝑽𝒂𝒓 𝑿 = 𝒏𝒑(𝟏 − 𝒑)
𝑵−𝟏
𝑽𝒂𝒓 𝑿 → 𝒑𝒆𝒒𝒖𝒆𝒏𝒐
𝑭 𝒌 =𝑷 𝑿≤𝒌 = 𝒑 𝒙 = 𝟏 − (𝟏 − 𝒑)𝒌
𝒙=𝟏
k P(X) F(x)
0 0,010101 0,010101
1 0,01 0,020101
2 0,0099 0,030001
3 0,009801 0,039802
4 0,009703 0,049505
19 0,008345 0,183932
20 0,008262 0,192194
21 0,008179 0,200373
99 0,003735 0,640371
100 0,003697 0,644069
Valor Esperado e Variância
𝟏
𝑬 𝑿 =
𝒑
𝟏−𝒑
𝑽𝒂𝒓 𝑿 =
𝒑𝟐
Em um teste específico de ruptura dielétrica de um material líquido
deve-se realizar o ensaio com a aplicação de tensões até que a
primeira ruptura ocorra. De históricos anteriores para o referido
dielétrico sabe-se que a eficiência da referida técnica é de 0,20 .
Cada ensaio tem custo de R$ 500,00.
a) Qual a probabilidade de que a ruptura tenha êxito na terceira
tentativa?
𝒏𝝅 𝒙 𝒆−𝒏𝝅
𝒃 𝒙, 𝒏, 𝝅 ≈ 𝒑𝒂𝒓𝒂 𝒙 = 𝟎, 𝟏, 𝟐, . . . , 𝒏
𝒙!
Na tabela abaixo observa-se a distribuição binomial e a
aproximada de Poisson para a b(0;100;0,01).
n = 100 k= 0
Pi = 0,01
x Binomial Aproximada por Poisson
0 0,366032 0,367879441
1 0,36973 0,367879441
2 0,184865 0,183939721
3 0,060999 0,06131324
4 0,014942 0,01532831
5 0,002898 0,003065662
6 0,000463 0,000510944
7 6,29E-05 7,2992E-05
8 7,38E-06 9,12399E-06
9 7,62E-07 1,01378E-06
10 7,01E-08 1,01378E-07
Aproximação da Distribuição Hipergeométrica para a Distribuição
Binomial
Devido ao fato da distribuição binomial ser mais fácil de ser
calculada e dispor de tabelas, pode-se usar esta distribuição
como uma aproximação para a distribuição hipergeométrica,
mesmo quando não há reposição dos itens.
A aproximação é tanto melhor quanto maior for o tamanho de N
em relação a n.
A Tabela abaixo apresenta uma comparação entre os valores
calculados para as duas distribuições, no caso do exemplo dos
transformadores, com n=4 e 𝝅 = 𝟎, 𝟒𝟎. Esses parâmetros não
alteram muito a aproximação.
Pi = 0,01 Aproximada por Hipergeométrica
x Binomial Aproximada por Poisson N=25 N=100
0 0,366032 0,367879441 0,383003953 0,403338
1 0,36973 0,367879441 0,450592885 0,104763
2 0,184865 0,183939721 0,150197628 0,008059
3 0,060999 0,06131324 0,015810277 0,000204
4 0,014942 0,01532831 0,000395257 1,28E-06