Sei sulla pagina 1di 21

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

ANÁLISE ESTATÍSTICA u n i d a d e 3 distribuições de probabilidade
n i d a d e 3 distribuições de probabilidade dISTrIBuIçõES dE PrOBABILIdAdE ObjEtIvO A utilização

dISTrIBuIçõES dE PrOBABILIdAdE

ObjEtIvO

A utilização das probabilidades indica a existência de um elemento de acaso, ou de incerteza, quanto a ocorrência ou não de um evento.São várias as situações em que é desejável ter uma medida (avaliação numérica) de quão provável é a ocorrência de determinado evento futuro: lançamento de um produto, obter bons

lucros em uma operação empresarial, compra de ações etc

Após estudo deste

capítulo, você será capaz de utilizar as distribuições de probabilidade, o que permitirá a resolução de grande número de problemas práticos.

a resolução de grande número de problemas práticos. 1. Variáveis aleatórias discretas Variável aleatória é

1. Variáveis aleatórias discretas

Variável aleatória é a função que associa a todo evento pertencente a uma par- tição do espaço amostral um único número real.

A variável aleatória para ser discreta deve assumir valores em um conjunto finito ou em um conjunto infinito, porém enumerável.

, xn. A cada

valor xi correspondem pontos do espaço amostral. Associamos, então, a cada valor xi a probabilidade pi de ocorrência de tais pontos no espaço amostral. Assim temos:

Seja X uma variável aleatória que pode assumir os valores x1, x2, x3,

variável aleatória que pode assumir os valores x1, x2, x3, Os valores x1, x2, x3, ,

Os valores x1, x2, x3,

, distribuição de probabilidade.

xn e seus correspondentes p1, p2,

, pn definem uma

Consideremos o número de acidentes diários em um estacionamento e suas respectivas probabilidades:

73
73
ANÁLISE ESTATÍSTICA unidade 3 distribuições de probabilidade

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

Os valores abaixo foram obtidos dividindo-se o valor de acidentes pelo total de

acidentes

p= 22/30 = 0,73

o valor de acidentes pelo total de acidentes p= 22/30 = 0,73 Este quadro é denominado

Este quadro é denominado distribuição de probabilidade.

1.2. Distribuições de probabilidades discretas

1.2.1. Distribuição binomial

São medidas de probabilidade que avaliam possibilidades de acontecimentos em diversas áreas.Consideremos n tentativas independentes de um mesmo experimento aleatório. Cada tentativa admite apenas dois resultados: fracasso denominado por (q) e sucesso denominado por (p) cujo resultado deve ser

p+q=1

O modelo de distribuição binomial poderá ter aplicação em diversas áreas por exemplo:

“ Respostas a um teste com diversas questões V ou F;

“ Escolher entre um produto bom e defeituoso;

“ Atirar em um alvo, atingindo-o ou não; etc

A distribuição pode ser representada por:

Onde:

não; etc A distribuição pode ser representada por: Onde: X = número de sucessos em n

X

= número de sucessos em n tentativas;

n

= número de tentativas;

p

= probabilidade de sucesso;

q

= probabilidade de fracasso;

= probabilidade de fracasso;

sendo que

é a combinação fatorial.

de tentativas; p = probabilidade de sucesso; q = probabilidade de fracasso; sendo que é a

- Na formula acima você deverá utilizar uma calculadora científica.

74
74

- Os resultados poderão também ser obtidos através de tabelas (ver fim da unidade).

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

ANÁLISE ESTATÍSTICA u n i d a d e 3 distribuições de probabilidade

Veja os exemplos abaixo:

Exemplo: Sabendo-se que a probabilidade de um determinado casal gerar um filho é de ¼, qual a probabilidade de que dentre CINCO filhos deste casal.

a) nenhum tenha olhos azuis;

b) dois tenham olhos azuis.

p= ¼ ou 0,25 (probabilidade do casal gerar um filho); q= ¾ ou 0,75 (probabilidade de um casal não gerar filho);

- vamos então calcular o valor da combinação:

a) P (x=0) = é o valor procurado (é a probabilidade de não se gerar nenhum filho)

procurado (é a probabilidade de não se gerar nenhum filho) - você poderá resolver o problema

- você poderá resolver o problema acima sem cálculos utilizando a tabela de Distribuição binomial que esta no final da unidade.

Para fazer uso da Tabela Distr. Binomial você necessita dos seguintes dados:

N= 5 (localize a Tabela cujo N é igual a este valor) p = 0,25 (localize na Tabela escolhida o valor de p=0,25)

X=0

Utilizando X=0 que se encontra na primeira coluna e p=0,25 que se encontra na primeira linha, encontramos P(x=0) = 0,2373 ou 23,73%

b) Agora temos P(x=2)

encontramos P(x=0) = 0,2373 ou 23,73% b) Agora temos P(x=2) Exemplo: Um exame é constituído de

Exemplo: Um exame é constituído de 10 questões cada uma contém 5 alternati- vas das quais apenas 1 é correta. Se um estudante responde as questões ao acaso, qual é a probabilidade que consiga acertar 5 questões?

N=10

75
75
ANÁLISE ESTATÍSTICA unidade 3 distribuições de probabilidade

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

p=1/5= 0,20

P(X=5)=?

- Cálculo da combinação:

p=1/5= 0,20 P(X=5)=? - Cálculo da combinação: - Para simplificar, corta-se os valores iguais do numerador

- Para simplificar, corta-se os valores iguais do numerador e do denominador:

corta-se os valores iguais do numerador e do denominador: - n: nº de acertos - n:

- n: nº de acertos

- n: 0, 1,

- p = 1/5 (probabilidade de acertar as questões);

- q = 4/5 (probabilidade de não acertar a questão);

,

10

- q = 4/5 (probabilidade de não acertar a questão); , 10 P (x = 5)

P (x = 5) = 252.(1/5)5.(4/5)(10-5) P (x = 5) = 252.(0,2)5.(0,8)5 = 0,0264 ou 2,64% Para fazer uso da Tabela você necessita dos seguintes dados:

N= 10 (localize a Tabela cujo N é igual a este valor) p = 0,20 (localize na Tabela escolhida o valor de p=0,20)

X=5

Utilizando X=5 que se encontra na primeira coluna e p=0,25 que se encontra na primeira linha, encontramos P(x=0) = 0,02642 ou 2,642%

Exemplo: Se 15% de peças de um processo de fabricação apresentam defeito, determine a probabilidade de que em uma amostra de 5 peças:

76
76

a) duas tenham defeito

- N = 5;

- x = 2

- p= 15% ou 0,15

- q= 15% ou 0,85

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

ANÁLISE ESTATÍSTICA u n i d a d e 3 distribuições de probabilidade
n i d a d e 3 distribuições de probabilidade - Como = 0,15 e =

- Como = 0,15 e = 0,85, temos:

(

P X

=

k

)

=    n    p q

x

k

 

n

x

P

(x = 2) = 10. (0,15) 2 . (0,85) (5-2)

P

(x = 2) = 13,8%

P

(x = 2) = 0,060

ou

6,0%

b)

No máximo 2 tem defeitos

AtENÇÃO!

Quando se diz X no máximo 2, isto significa que temos de considerar as proba- bilidades de(x=0) de não se encontrar nenhuma peça defeituosa, (x=1) de se encontrar uma peça defeituosa e (x=2) de se encontrar uma peça defeituosa.

-Temos uma condição, que P (x 2):

P (x 2) = P (x = 0) + P (x = 1) + P (x = 2) = 97,3%

- Então devemos calcular as seguintes combinações:

97,3% - Então devemos calcular as seguintes combinações: c) No mínimo 2 peças defeituosas - Onde:

c) No mínimo 2 peças defeituosas

seguintes combinações: c) No mínimo 2 peças defeituosas - Onde: p = 0,91 e q =

- Onde: p = 0,91 e q = 0,09, porque p + q = 1

Exemplo: Uma moeda é lançada 20 vezes. Qual a probabilidade de saírem 8 caras.

- N = 20

- p = 0,50 (probabilidade de sair cara)

- q = 0,50

- x = 8

77
77
ANÁLISE ESTATÍSTICA unidade 3 distribuições de probabilidade

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

unidade 3 distribuições de probabilidade - Utilizando a Tabela temos N= 20 P=0,50 X=8 Encontra-se o
unidade 3 distribuições de probabilidade - Utilizando a Tabela temos N= 20 P=0,50 X=8 Encontra-se o
unidade 3 distribuições de probabilidade - Utilizando a Tabela temos N= 20 P=0,50 X=8 Encontra-se o
unidade 3 distribuições de probabilidade - Utilizando a Tabela temos N= 20 P=0,50 X=8 Encontra-se o
unidade 3 distribuições de probabilidade - Utilizando a Tabela temos N= 20 P=0,50 X=8 Encontra-se o
unidade 3 distribuições de probabilidade - Utilizando a Tabela temos N= 20 P=0,50 X=8 Encontra-se o

- Utilizando a Tabela temos

N= 20

P=0,50

X=8

Encontra-se o mesmo resultado de P(x=8) = 0,1203

Exemplo:

Se 5% das lâmpadas de certa marca são defeituosas, ache a probabilidade

de que, numa amostra de 100 lâmpadas, escolhida ao acaso, não tenha nenhuma defeituosa;

Temos:

p= 5% ou

0,05 (probabilidade de sucesso ou de que exista a lâmpada defeituosa);

q= 95% ou 0,95% (probabilidade de que não exista peça defeituosa)

78
78

n= 100

a)p(x=0)= ? fazendo a combinação,

ou 0,95% (probabilidade de que não exista peça defeituosa) 78 n= 100 a)p(x=0)= ? fazendo a

temos:

ou 0,95% (probabilidade de que não exista peça defeituosa) 78 n= 100 a)p(x=0)= ? fazendo a

=

1

= 1

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

ANÁLISE ESTATÍSTICA u n i d a d e 3 distribuições de probabilidade
n i d a d e 3 distribuições de probabilidade NOtA: Para efeito de agilidade e

NOtA:

Para efeito de agilidade e simplificação você pode utilizar a função fatorial e yx da sua máquina de calcular.

1.2.2. Distribuição de bernoulli

Se uma variável aleatória x só pode assumir os valores 0 e 1 com P (x = 0) = q e P (x = 1) = p com p + q = 1,

x

= 0 (fracasso)

x

= 1 (sucesso)

Nessas condições a variável aleatória x tem distribuição de Bernoulli, e sua função de probabilidade é dada por:

de Bernoulli, e sua função de probabilidade é dada por: Resumo das suas principais características: X

Resumo das suas principais características:

X tem distribuição de Bernoulli.

características: X tem distribuição de Bernoulli. onde: E (x) = esperança (valor médio ou média de

onde:

E

(x) = esperança (valor médio ou média de uma variável aleatória).

V

(x) = variância (grau de dispersão de probabilidade em torno da média).

Exemplo: Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa urna. Seja X: número de bolas verdes:

a) Determinar P (x)

b) Calcular E (x) e Var (x)

- Inicialmente devemos determinar as probabilidades de fracasso e sucesso:

79
79
ANÁLISE ESTATÍSTICA unidade 3 distribuições de probabilidade

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

a)

O problema admite X como sendo bolas verdes, temos:

a) O problema admite X como sendo bolas verdes, temos: b) E (X) = p =

b) E (X) = p = 2/5

admite X como sendo bolas verdes, temos: b) E (X) = p = 2/5 1.2.3. Distribuição

1.2.3. Distribuição de Poisson

A distribuição de Poisson é largamente empregada quando se deseja contar o

número de eventos de certo tipo que ocorrem num intervalo de tempo, ou superfície

ou volume. São exemplos:

a) número de chamadas telefônicas recebidas por unidade de tempo;

b) número de falhas de um computador num dia de operação;

c)número de relatórios de acidentes enviados a uma companhia de seguros numa semana.

d) Chegada de clientes em um supermercado ou banco por unidade de tempo;

e) Acidentes por unidade de tempo.

Uma aplicação imediata deste modelo ocorre quando uma variável aleatória x

admite Distribuição Binomial com n>30 e com p<0,05 (5%). A função pode ser obtida também por tabela de distribuição de Poisson.

A função de probabilidade é dada por:

P

(

X = x

)

=

e

λ

x

λ

x !

x

=

0,1,2,3,

,

n

Onde:

e

= 2,7182 (base dos logaritmos neperianos);

x

= número de sucessos em um intervalo;

λ = média de ocorrência de x (taxa de sucessos no período);

Taxa de sucessos no período = taxa de ocorrência x período (comprimento ou área, etc).

Características: λ = N.p

Exemplo: Uma máquina produz 9 peças defeituosas a cada 1000 peças produ- zidas. Calcule a probabilidade de que em um lote contenha:

a) 200 peças, contenha 8 defeituosas.

b) 500 peças sem defeitos.

80
80

REsOLuÇÃO:

a)

p

= 9/1000 = 0,009

N

= 200

P(x = 8) = ? (peças defeituosas)

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

ANÁLISE ESTATÍSTICA u n i d a d e 3 distribuições de probabilidade

Calculando “ λ “ (taxa de sucessos no período), temos:

λ = N.p

λ = 200 . 0,009 = 1,8

- Substituindo na função de probabilidade:

P

P

(

(

P ( X

=

x

)

=

e

λ

x

λ

x !

X =

8)

=

8)

X = =

e

1,8

(1,8)

8

8!

0,1652 .110,20

40320

= 0,00045

- O resultado pode ser encontrado na Tabela

b)

Preste atenção, pois as condições são:

p

= 0,009

N

= 500

x

= 0 (peças sem defeitos)

λ = N.p

λ = 500 . 0,009 = 4,5

P

P

(

(

X =

0)

=

X = 0) =

e

4,5

(4,5)

0

0!

0,011.1

1

= 0,011

Exemplo: O corpo de bombeiros de uma determinada cidade recebe em média 3 chamadas por dia. Qual a probabilidade de receber:

a) 4 chamadas no dia x;

b) nenhuma chamada em nenhum dia;

c) 20 chamadas em uma semana;

- λ = 3 (média de 3 chamadas):

a) x = 4

P

P

(

(

X =

4)

=

4)

X = =

e

3

(3)

4

4!

0,0497.81

2 4

= 0,168

NOtA

O valor de λ =3 esta na Tabela de distribuição de Poisson.Basta localizar o

mesmo que esta na primeira linha, e o valor de X=4 que esta na primeira coluna. Encontraremos o valor da probabilidade de 0,1680 ou 16,80%.

b) P(x=0) =?

λ = 3

81
81
ANÁLISE ESTATÍSTICA unidade 3 distribuições de probabilidade

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

P

P

(

(

X =

0)

=

X = 0) =

e

3

(3)

0

0!

0,0497.1

1

= 0,0497

NOtA

λ = 3 esta na Tabela de distribuição de Poisson.Basta localizar o

mesmo que esta na primeira linha, e o valor de X=0 que esta na primeira coluna. Logo o valor encontrado é de 0,04997.

O valor de

c) Neste caso, “ λ “ = 3 . 7 = 21, pois estamos considerando 1 semana, ou seja,

(taxa de ocorrência) x (período).

(

X =

2 0)

=

P

(

X =

2 0)

21

e (21)

2 0

=

2 0!

(7,58 x 1 0

-10

).(2,7 8 1 0

x

2 6

)

2,43 x 1 0

18

= 0,087

Exemplo: A probabilidade de uma lâmpada se queimar ao ser ligada é 1/100. Numa instalação com 100 lâmpadas, qual a probabilidade de 2 lâmpadas se quei- marem ao serem ligadas?

- N= 100 p = 1/100 = 0,01 P(x=2)= ?

λ = 100 . 0,01 = 1

2

P

=

1

e

(1)

(

X =

2)

2!

0,3679.1

2

P

(

X = 2) =

= 0,1840

NOtA

O valor de λ = 1 esta na Tabela de distribuição de Poisson.Basta localizar o

mesmo que esta na primeira linha, e o valor de X=2 que esta na primeira coluna. Encontraremos o valor da probabilidade de 0,1839 ou 18,39%

1.3. Distribuições de probabilidades contínuas

Uma variável é contínua se o conjunto dos possíveis valores que ela pode assumir são valores em um intervalo contínuo.

Para a variável aleatória contínua, a função densidade probabilidade (f.d.p) pode ser representada por uma equação descrita graficamente por uma curva.

82
82

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

ANÁLISE ESTATÍSTICA u n i d a d e 3 distribuições de probabilidade

F (x)

a b x
a
b
x

Se quisermos determinar a probabilidade que o valor da variável aleatória encon- tra-se no intervalo [a, b] devemos calcular a integral de f (x) neste intervalo, ou seja:

 

a

1. P ( a

x

b )

=

f (x) d x

 

b

2. 0 (não negativa)

f (x)

+∞

3. f (x) dx = 1 -

Observamos que

P (a

x

b )

=

a

f (x) dx corresponde à área delimitada pela função

b

f (x), eixo dos X e pelas retas X = a e X = b.

1.3.1. Distribuição normal

Dentre as distribuições de probabilidade contínua a distribuição normal se

destaca como a mais importante, pois tem grande aplicação em pesquisas científicas

e tecnológicas.A função probabilidade normal é dada por:

Onde:

µ = média

σ = desvio padrão

x − µ 2 1 1/ 2( ) σ f ( x ) = .
x −
µ
2
1 1/ 2(
)
σ
f
( x
) =
.
e
2
πσ
e = 2,7182 O gráfico de função normal é dado por: - ∞ x =
e
= 2,7182
O
gráfico de função normal é dado por:
- ∞
x = µ
+ ∞

As principais propriedades dessa função são:

a) É simétrica em relação ao ponto x = µ ;

b) As três medidas de posição média, mediana e moda se conjuntam no ponto de máximo da curva (x = µ );

c) Fica perfeitamente definida conhecendo-se a média e o desvio padrão;

d) Tem dois pontos de inflexão em x = µ ± 0.

83
83
ANÁLISE ESTATÍSTICA unidade 3 distribuições de probabilidade

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

X a b
X
a
b

Se quisermos calcular a probabilidade indicada na figura, devemos fazer:

(

P a

X

b

)

=

b

a

2 ( x − µ ) − 1 2 σ 2 e σ π 2
2
(
x
µ )
1 2
σ 2
e
σ π
2

d x

que apresenta um certo grau relativo de dificuldade. Usaremos a notação:

X : N( µ σ 2 )

(X tem distribuição normal com média µ e variância σ 2 ).

Seja X : N( µ σ 2 ), definimos:

Z = X

µ

σ

Z é chamada de variável normal reduzida ou padronizada.

A maneira de calcular a probabilidade é através da variável Z que se encontra

tabelada.

uso da tabela de distribuição normal reduzida:

A vantagem de se usar a variável

da área, ou as probabilidades.

Z = X

µ

σ

é que podemos tabelar os valores

A tabela apresentada no final deste capítulo nos dá:

A simetria em torno de Z = 0 nos permite obter a área entre quaisquer valores

de Z (+ ou –).

P (0 Z Z0)

A teoria é um pouco difícil de se entender, mas com os exercicios ficara mais claro!

Exemplo: Uma variável aleatória tem distribuição normal com média igual a 20 e desvio padrão igual a 3. Encontre a probabilidade de:

84
84

a)

23 < x < 20

O

problema admite:

µ = 20 (valor da média)

σ = 3, (valor do desvio padrão)

x = 20 e x = 23. (valores procurados)

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

ANÁLISE ESTATÍSTICA u n i d a d e 3 distribuições de probabilidade

O gráfico da função:

20 23 X
20
23
X

Veja que o que procuramos é a área entre os valores 20 e 23

Devemos transformar os valores de X em Z para entrarmos na Tabela que pos- sibilitará achar a área da região. Podemos substituir estes valores em:

Z = X

µ

σ

Z =

Z =

2

0

2 0

2

3

3

2 0

3

=

0

= 1,0 0

Agora podemos fazer uso da tabela de distribuição normal reduzida. Basta cruzar os valores Z = 0 e Z =1 na tabela e encontrar a probabilidade:

Ir na Tabela de Distr. Normal com o valor de Z=1,00 e encontraremos 0,3413

NOtA:

Os valores de Z sempre se referem de 0 até o valor encontrado. Os valores de Z a direita são no máximo 50% e Z a esquerda no máximo 50%

P (20 < x < 23) = P (0 < Z < 1) = 0,341345 ou 34%

b) 23 <

x < 24

O mesmo raciocínio é empregado para resolver este item, veja:

Z = X

µ

σ

Z =

Z =

2

3

2 0

2

4

3

2 0

3

= 1,0 0

=

1,33

Pela tabela, Z = 1,00

0,3413 e Z = 1,33 0,4082. Então temos que:

P (23 > X > 24) = P (1,00 < Z < 1,33) 0,4082 – 0,3413 = 0,0669

veja! se de 0 a 1 temos 0,3413

e de 0 a 1,33 0,4082 . Então o valor

procurado está na diferença entre os dois

85
85
ANÁLISE ESTATÍSTICA unidade 3 distribuições de probabilidade

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

Exemplo: Determine as probabilidades a partir dos dados:

µ

= 100

σ = 5

a) P (100

X

Z = X

µ

σ

106)

Z =

Z =

106

100

100

5

100

5

= 1,2 0

=

0

Gráfico da função, eixo X:

100 106 Pela tabela, Z = 0 ⇒ 0 e Z = 1,20 ⇒ 0,384930.
100
106
Pela tabela, Z = 0
0 e Z = 1,20
0,384930. Temos que:
P
(100
≤ X ≤ 106) = P (0
≤ Z
≤ 1,20) = 38,5%
b)
P (89
≤ X
≤ 107)
−µ
Z = X
σ
8 9
100
Z
=
=− 2,2
5
107
100
Z
=
= 1,4 0
5

Pela tabela, Z = -2,20

0,4860 e Z = 1,40

0,4192. Temos que:

P

(89

X

107) = P (-2,2

Z

1,40) =

=

P (-2,2

Z

0) + P (0

Z

1,40) =

=

0,4860 + 0,4192 = 0,9052

 

c)

P (112

X

116)

86
86

Z = X

µ

σ

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

ANÁLISE ESTATÍSTICA u n i d a d e 3 distribuições de probabilidade

Z =

Z =

112

100

116

5

100

5

=

=

2,4

3,2

Pela tabela, Z = 2,40 0,4918 e Z = 3,2 0,4993 Temos que:

P (112 X 116) = P (2,4 Z 3,2) =

= P (0 Z 3,2) - P (0 Z 2,4) =

= 0,4918 - 0,4993 = 0,0075

d) P (X 108)

Z = X

µ

σ

Z =

108

100 =

5

1,6

Pela tabela, Z = 1,60 0,4452. Temos que:

P (X 108) = P (Z 1,6) = 0,5 – P (0 Z 1,6) =

= 0,5 - 0,4452 = 0,0548

Exemplo: Um fabricante de baterias sabe, por experiência passada, que as baterias de sua fabricação têm vida média de 600 dias e desvio padrão de 100 dias, sendo que a duração tem aproximadamente distribuição normal. O mesmo oferece garantia de 312 dias, isto é, troca as baterias que apresentarem falhas nesse período. O fabricante produz 10.000 baterias/mês. Quantas baterias deverá trocar pelo uso da garantia, mensalmente?

O problema nos indica que:

µ = 600

σ = 100 e X = 312

Para X= 600, transformando-o em Z, temos:

Z =

600 600

100

= 0,00

Para X=312 transformando-o em Z, temos:

Z = X

µ

σ

312 − 600 =− Z = 2,88 100 -2,88 0 Z 87
312
600 =−
Z =
2,88
100
-2,88
0
Z
87
ANÁLISE ESTATÍSTICA unidade 3 distribuições de probabilidade

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

Pela tabela, Z = -2,88 0,4980. Temos que:

P

(X < 312) = P (Z -2,88) = 0,5 – P (-2,88 Z 0)

P

= 0,5 – 0,4980 = 0,002

Veja! Se de 0 a –2,88, temos 0,4980 dos dados; e o resultado procurado é menor do que este. Então basta subtrair 0,50 de 0,4980 = 0,002

Como o fabricante produz 10.000 baterias/mês, temos:

10.000 x 0,002 = 20 baterias

Exemplo: Uma fábrica de carros sabe que os motores de sua fabricação têm duração normal com média de 150.000 Km e desvio padrão de 5000 Km. Qual a probabilidade de um carro, escolhido ao acaso, fabricado por esta empresa, ter um motor que dure:

a)

b)

a)

menos que 170.000 Km

entre 140.000 e 165.000 Km

µ = 150.000

= 5.000 e

σ

X = 170

Vamos calcular a variável normal reduzida como nos casos anteriores:

−µ Z = X σ 170.000 − 150.000 = Z = 4 5.000 15 0
−µ
Z
= X
σ
170.000
150.000 =
Z =
4
5.000
15 0
170
X

O valor tabelado para Z = 4 é 0,499:

P (X 170.000) = P (Z 4) =

= 0,5 + P (0 Z

4) = 0,5 + 0,499 = 0,999

b) O problema pede a probabilidade entre 140.000 e 165.000 Km.

88
88

Z = X

µ

σ

Z

Z

=

165.000

150.000

= 3,00

5.000

=

140.000

150.000

=− 2,00

5.000

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

ANÁLISE ESTATÍSTICA u n i d a d e 3 distribuições de probabilidade
140 150 160 X
140 150
160
X

Para Z = 3,00 0,4986 e Z = -2,00 0,4772

P (140.000 X 165.000) = P (-2

3) =

= P (-2

Z

Z

0) + P (0

Z

3) =

=

0,4772 + 0,4986 = 0,9758

c)

Menor do que 140.000

P(x <140.000)=0,50-0,4772=2,3%

Menor do que 140.000 P(x <140.000)=0,50-0,4772=2,3% d) Maior do que 140.000 P(x>140.000)=0,4772+0,50=0,9772

d) Maior do que 140.000

P(x>140.000)=0,4772+0,50=0,9772 ou 97,72%

e) Maior do que 165.000km

ou 97,72% e) Maior do que 165.000km EXERCICIOs PARA AvALIAÇÃO 1.Uma fábrica de pneus

EXERCICIOs PARA AvALIAÇÃO

1.Uma fábrica de pneus verificou que ao testar seus pneus nas pistas, havia em média um estouro de pneu a cada 5000 km. (Distrib. Poisson)

a) Qual a probabilidade que num teste de 3000 km haja no máximo um pneu estourado?

b) Qual a probabilidade de que um carro ande 8000 km, sem estourar ne- nhum pneu?

2. Certo posto de bombeiros recebe em média 3 chamadas por dia. Calcular a probabilidade de: . (Distrib. Poisson)

a) Receber 4 chamadas num dia;

b) Receber 3 ou mais chamadas num dia.

89
89
ANÁLISE ESTATÍSTICA unidade 3 distribuições de probabilidade

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

3-A média de chamadas telefônicas numa hora é 3. Qual a probabilidade de: . (Distrib. Poisson)

a) Receber exatamente 3 chamadas numa hora?

b)Receber 4 ou mais chamadas em 90 minutos?

4. Suponha 400 erros de impressão distribuídos aleatoriamente em um livro de

500 páginas.Encontre a probabilidade de que uma dada página contenha: . (Distrib. Binomial)

a) Nenhum erro;

b) Exatamente 2 erros.

5. Uma loja atende em média 2 clientes por hora.Calcular a probabilidade de em

uma hora: . (Distrib. Poisson)

a)Atender exatamente 2 clientes;

b) Atender 3 clientes.

6- Em uma estrada, passam em média 1,7 carros por minuto. Qual a probabilidade de passarem dois carros em dois minutos? (Distrib. Poisson)

7. A duração de um certo componente eletrônico tem média 850 dias e desvio

padrão 45 dias. Calcular a probabilidade desse componente durar:(Distrib. Normal)

a) Entre 700 e 1000 dias;

b) Mais que 800 dias; c) Menos que 750 dias; d) Exatamente 1000 dias;

8. Os pesos de 600 estudantes são normalmente distribuídos com média 65,3 kg

e desvio padrão 5,5 kg. Encontre o número de alunos que pesam: (Distrib. Normal)

a) Entre 60 e 70 kg;

b) Mais que 63,2 kg.

9. Uma fábrica de pneumáticos fez um teste para medir o desgaste de seus

pneus e verificou que ele obedecia a uma distribuição normal, de média 48000 km

e desvio padrão 2000 km. Calcular a probabilidade de um pneu escolhido ao acaso:

(Distrib. Normal)

a) Durar mais que 46000 km;

b)Durar entre 45000 e 50000 km.

10. Uma fábrica produz tecidos com 2,2 defeitos, por peça. Determine a proba- bilidade de haver ao menos dois defeitos em duas peças. (Distrib. Poisson)

90
90

11.Um distribuidor de gasolina tem capacidade de receber, nas condições nor- mais no máximo 3 caminhões por dia. Se chegarem mais do que três caminhões, o excesso deverá ser direcionado para outro posto. Sabendo-se que em média, chegam diariamente dois caminhões, qual a probabilidade de, em certo dia, ter que enviar caminhões para outro distribuidor? (Distrib. Poisson)

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

ANÁLISE ESTATÍSTICA u n i d a d e 3 distribuições de probabilidade

12. Um pregão da Bolsa de Valores motrs que naquele dia 40% das empresas tiveram aumento do valor da ações, enquanto as demais ficaram estáveis ou perde- ram o valor. Um fundo negocia com ações de 10 empresas. Calcule a probabilidade de que neste dia:

a)todas as ações do fundo máx. duas empresas não tenha se valorizado; b)todas as ações do fundo tenham se valorizado;

c) todas as ações do fundo tenham sido desvalorizadas ou ficaram estáveis.

REsOLuÇÃO DOs EXERCíCIOs

1) 1 estouro

λ

5000Km

λ = 0,6

3000Km

a) P ( x 1) = P(x = 0) + P(x = 1)

= 0,5488 + 0,3093

= 0,8781 ou 87,81%

b)

1 estouro

5000Km

λ = 1,6

λ

8000Km

P(x=0) = 20,19%

2) λ = 3 chamadas/dia

a) P(x = 4) = ?

R.:16,8%

Logo λ = 4

b) P(x

3) = 1 - [P(X=0)+P(X=1)+P(X=2)]

= 1 - [0,0498 + 0,1494 + 0,2240]

= 57,6%

3) λ = 3 chamadas/hora

a) P(x = 3) = ?

R.:22,40%

b)

P(x

4) = ? 3 chamadas

60 minutos

λ 90 minutos

λ = 4, 5

P(x

4) = 1 - [P(X=0)+P(X=1)+P(X=2)+P(X=3)]

= 1 - [0,011 + 0,05 + 0,1125 + 0,1687]

= 65,78%

4)

400 erros

500 págs.

λ = 0,8

λ

1 pág.

a) P(x = 0) = 44,93 %

b) P(x = 2) = 14,38 %

91
91
ANÁLISE ESTATÍSTICA unidade 3 distribuições de probabilidade

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

6)

λ

= 1,7 carros/minuto

 
 

1

minuto

1,7 carros

λ = 3,4

2

minutos

λ

P(x = 2) = 19,29% (buscar este resultado na Tabela)

7)

Z = X

µ

σ

Dados:

este resultado na Tabela) 7) Z = X − µ σ Dados: a) X=700 utilizando a

a)

X=700

resultado na Tabela) 7) Z = X − µ σ Dados: a) X=700 utilizando a tabela

utilizando a tabela de distribuição Normal tem-se : 0,4995

X= 1000

a tabela de distribuição Normal tem-se : 0,4995 X= 1000 utilizando a tabela de distribuição Normal

utilizando a tabela de distribuição Normal tem-se : 0,4995

Logo entre 700 e 1000 será:

P ( 800 < X< 1000) = (0,4995+0,4995) = 99,9%

b) P(X> 800) =

X=800 tem-se

= (0,4995+0,4995) = 99,9% b) P(X> 800) = X=800 tem-se logo temos: 0,3665 (Notem que os

logo temos: 0,3665

(Notem que os resultados devem expressos em duas casas decimais para entrar na tabela de Distribuição Normal)

92
92
decimais para entrar na tabela de Distribuição Normal) 92 10) = 2,2 defeitos/pç OBSERVE QUE SE

10)

= 2,2 defeitos/pç

OBSERVE QUE SE OS RESULTADOS SÃO PELO MENOS 2. LOGO, DEVE-SE RETIRAR A PROBABILIDADE DE X=0 e X=1.

ANÁLISE ESTATÍSTICA

unidade 3

distribuições de probabilidade

ANÁLISE ESTATÍSTICA u n i d a d e 3 distribuições de probabilidade
n i d a d e 3 distribuições de probabilidade Utilizando a Tabela de Poisson, temos:

Utilizando a Tabela de Poisson, temos:

X=0

11,08%

X=1

24,38%

a Tabela de Poisson, temos: X=0 11,08% X=1 24,38% ; = 64,5% 11) Observe que o

; = 64,5%

11) Observe que o posto tem capacidade de até no Maximo 3 caminhões por dia. Logo ele direcionará caso este valor seja acima de 3. Logo

(media de caminhões que chegam no posto por dia)

P

(X>3) =

1 – [P (x=0) +(x=1)+ (x=2)+(x=3)] =

0,2707+0,2707+0,1804]

1- [0,1353+

R.:

14,3%

12)

a)

p=60% (as empresas tiveram desvalorização logo é sucesso)

N=10

(as empresas tiveram desvalorização logo é sucesso) N=10 b) p(x=10)=0,0001 ou 0,01% p=40% c) p=60% P(x=10)=0,006

b) p(x=10)=0,0001 ou 0,01%

p=40%

c) p=60% P(x=10)=0,006 ou 0,60%

REFERÊNCIAs bIbLIOGRÁFICAs

=0,0177 = 1,77%

MORETTIN, Pedro A. & BUSSAB, Wilton de O. Estatística Básica. Editora Saraiva. São Paulo, 2002.

MORETTIN. Luiz G. Estatística Básica – Probabilidade. Editora Makron Books. São Paulo, 1999.

CRESPO, Antônio Arnot C. Estatística Fácil, Editora Saraiva. São Paulo, 2002.

MARTINS, Gilberto. A. Estatística Geral e Aplicada. Editora Atlas, 3a edição. São Paulo, 2005.

93
93