Escolar Documentos
Profissional Documentos
Cultura Documentos
Jaime Sadique
Momade Afai
Selemane Amuli
Universidade Rovuma
Lichinga
2023
Andson Basílio
Jaime Sadique
Momade Afai
Selemane Amuli
Universidade Rovuma
Lichinga
2023
Índice
Introdução ................................................................................................................................... 4
Media .......................................................................................................................................... 5
Variância..................................................................................................................................... 6
Conclusão ................................................................................................................................. 15
Introdução
Neste presente trabalho iremos abordar acerca da Distribuição de probabilidade (Binomial,
Poisson e Normal), neste caso destacando suas definições, propriedades, fundamentos para o
cálculo, e a resolução de alguns exercícios.
Metodologias
Para a realização do presente trabalho, recorreu-se a diversas obras literárias, consultas
bibliográficas que consistem na leitura e análise das informações do tema acima mencionado
e uso de internet.
5
Distribuição Binomial
Em teoria da probabilidade e estatística, a distribuição binomial é a distribuição de
probabilidade discreta do número de sucessos numa sequência de tentativas tais que, cada
tentativa tem exclusivamente como resultado duas possibilidades, sucesso ou fracasso. E a
probabilidade de sucesso é constante de uma tentativa para outra e o número de sucessos
apresentados é um número inteiro entre . Isto é, trata-se de uma distribuição de
probabilidade adequada aos experimentos que apresentam apenas dois resultados (sucesso ou
fracasso) este modelo fundamenta-se nas seguintes hipóteses:
Define-se a variável como o número de sucesso das n provas. Logo pode tomar os valores
.
( )
Media
De acordo com as hipóteses, vê-se que Y é a soma de n variáveis do tipo Bernoulli, dai:
6
Variância
A variância de uma distribuição Binomial é dada pela fórmula:
Exemplo 1:
Uma moeda não viciada é lançada 8 vezes, encontre a probabilidade de:
a. Dar 5 caras;
b. Pelo menos uma cara;
c. No máximo 2 caras;
d. Calcular a media e a variância da distribuição.
Resolução
a. ( ) ( ) ( )
A probabilidade de uma moeda não viciada dar cinco (5) caras ao ser lançada oito (8)
vezes é de 0,22 ou 22%.
b. ( )
A probabilidade de uma moeda não viciada dar pelo menos uma (1) cara ao ser
lançada oito (8) vezes é de 0,996 ou 99,6%.
c. ( ) ( ) ( ) ( )
( ) ( )
A probabilidade de uma moeda não viciada dar no máximo duas (2) caras ao ser
lançada oito (8) vezes é de 0,14 ou 14%.
d. Media:
Variância:
7
Exemplo 2:
Foram avaliados oito (8) objectos de uma produção com objectivo de verificar se estavam
defeituosos. Sabendo que a probabilidade do objecto ser defeituoso é de 0,5. Determine,
Dados
Resolução
a.
b.
c. √
d. Nenhum estar defeituoso p (x=0)
( )
Distribuição de Poisson
A distribuição de Poisson (fala-se: "Poassom") é uma distribuição de probabilidade discreta
de uma variável aleatória que satisfaz às seguintes condições:
Onde:
9
é o numero irracional que vale aproximadamente
é a taxa de ocorrencia (que é igual a média da distribuição)
Esperança e variância
Sendo uma variável que segue o modelo Poisson com parâmetro , temos que
Esperança:
Variância:
Desvio Padrão:
Exemplo 1:
A emissão de partículas radioactivas tem sido modelada através de uma distribuição de
Poisson, com o valor do parâmetro dependendo da fonte utilizada. Suponha que o número de
partículas alfa, emitidas por minuto, seja uma variável aleatória seguindo o modelo Poisson
com parâmetro 5, isto é, a taxa média de ocorrências é de 5 emissões a cada minuto. Calcular
a probabilidade de haver mais de 2 emissões em um minuto.
: emissoes/minuto
Neste caso, queremos calcular , que é uma soma infinita de valores, pois podemos
ter Assim, devemos, obrigatoriamente, trabalhar com o complementar:
( )
Logo, há uma probabilidade de 87,5% de haver mais que 2 emissões ao longo de um minuto.
10
Exemplo 2:
Sabendo que uma máquina produz em média cinco (5) objectos defeituosos por hora.
Determine.
Dados
Resolução
a)
b),
c). √
d) 2 Objectos defeituosos P( x =2 )
No mínimo 2 defeituosos
11
Definição:
Seja uma variável aleatória contínua tem distribuição Normal com parâmetros e ,-
e , se a sua função densidade de probabilidade é dada por:
( )
√
2. é o ponto de máximo de ;
3. tende para zero quando x tende para mais ou menos infinito;
4. é simétrica ao redor de , isto é, para todo ;
5. Entre os pontos e , a área sob o gráfico de é igual a , ou
seja, entre estes pontos está praticamente toda área sob o gráfico de ;
6. Costuma-se escrever para expressar que a variável aleatória tem
distribuição normal com parâmetros e ;
Esperança e variância
Os parâmetros e da densidade normal definem a média e o desvio padrão da distribuição,
respectivamente:
13
Uma v.a.1 Z é dita normal padrão se , sendo uma v.a.1 normal com valor esperado
As probabilidades sob a curva da normal padrão são encontradas em tabelas, que, no caso,
dão as áreas sob o gráfico da função densidade da normal padrão. Em geral, essas tabelas
fornecem a probabilidade de que a variável normal padrão esteja entre zero e um valor ,
isto é,
1. Para ilustrar o uso de uma tabela dessas (Tabela I do apêndice), vejamos os exemplos
seguintes.
Exemplo:
Supondo que uma v.a1 tem distribuição normal com média 3 e variância 9, qual será a
1
A denotação „„v.a‟‟ significa variável aleatória
14
Figura 2: Cálculo de ,
15
Conclusão
Tendo chegado ao fim do trabalho, pudemos perceber algumas abordagens citadas no
trabalho, que são a distribuição de probabilidade discreta (Binomial e de Poisson) e a
distribuição de probabilidade continua (Normal). Cujo a distribuição de probabilidade discreta
é uma função que associa a cada elemento de , em que é uma
variável aleatória discreta dada e é o espaço de amostragem, a probabilidade de que este
evento aconteça, ao passo que a distribuição de probabilidade continua é uma função
densidade probabilidade de uma v.a.1 X contínua quando existe uma função não negativa f, tal
que:
a)
b)
.
16
Referências bibliográficas
Casella, G., & Berger, R. L. (n.d.). Inferencia Estatística. CENGAGE Learnig.