int(1)
X adversting

Ver sportv online

Para construir o modelo binomial vamos introduzir uma sequência de ensaios de Bernoulli. Tal sequência é definida por meio das seguintes condições :

  • Em cada ensaio considera-se somente a ocorrência ou não-ocorrência de um certo evento que será denominado sucesso (S) e cuja não-ocorrência será denominada falha (F).
  • Os ensaios são independentes.
  • A probabilidade de sucesso, que denotaremos por p é a mesma para cada ensaio. A probabilidade de falha será denotada por 1-p.

Para um experimento que consiste na realização de $n$ ensaios independentes de Bernoulli, o espaço amostral pode ser considerado como o conjunto de n-uplas, em que cada posição há um sucesso (S) ou uma falha (F).

A probabilidade de um ponto amostral com sucessos nos $k$ primeiros ensaios e falhas nos $n-k$ ensaios seguintes é $p^k(1-p)^.$

Note que esta é a probabilidade de qualquer ponto com $k$ sucessos e $n-k$ falhas. O número de pontos do espaço amostral que satisfaz essa condição é igual ao número de maneiras com que podemos escolher $k$ ensaios para a ocorrência de sucesso dentre o total de $n$ ensaios, pois nos $n-k$ restantes deverão ocorrer falhas. Este número é igual ao número de combinações de $n$ elementos tomados $k$ a $k$, ou seja,

Definição 5.1.1:

Seja $X$ o número de sucessos obtidos na realização de $n$ ensaios de Bernoulli independentes. Diremos que $X$ tem distribuição binomial com parâmetros $n$ e $p$, em que $p$ é a probabilidade de sucesso em cada ensaio, se sua função de probabilidade for dada por

Exemplo 5.1.1:

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:

Solução:

4. $\mathbb

(X\geq 2)=\mathbb

(X=2)+\mathbb

(X=3)+\ldots+\mathbb

(X=9)+\mathbb

(X=10)$.

Exemplo 5.1.2:

Suponha que um aluno pretende fazer um teste de múltipla escolha com 10 questões e cinco alternativas por questão respondendo cada uma das questões de forma aleatória. Qual é probabilidade dele acertar no máximo 3 questões?

Como cada questão apresenta cinco alternativas e o aluno pretende respondê-las ao acaso temos que a probabilidade de sucesso em cada questão, ou seja, probabilidade dele escolher a alternativa correta é de 1/5. Desta forma, podemos definir as seguintes variáveis aleatórias com distribuição de Bernoulli

Temos que, para todo $i$, a probabilidade de sucesso é $p=0,2$ (já que temos 5 alternativas disponíveis). Desta forma, $\mathbb

(X_i = 1) = 0,2$. Se definirmos $X$ como sendo a variável aleatória que assume o número total de acertos na prova, temos que

isto é, $X$ tem distribuição binomial com parâmetros $n = 10$ e $p = 0,2$. Como queremos saber a probabilidade do aluno acertar no máximo 3 questões, queremos encontrar o valor de $\mathbb

(X\leq 3)$. Assim

\[P(X\leq 3)=\sum_^ <3>\left( \begin 10\\ i \end \right) (0,2)^i (1-0,2)^<10-i>\thickapprox 0,879.\]

Logo, a probabilidade de que o aluno acerte no máximo 3 questões é de aproximadamente 0,879.

Exemplo 5.1.3:

Uma moeda não viciada é lançada várias vezes. Qual a probabilidade de que obtermos 5 caras antes de obtermos 3 coroas?

Vamos considerar como sucesso a obtenção de cara em cada lançamento da moeda. Desta forma queremos obter 5 sucessos antes de obtermos 3 fracassos. Mas isto só é possível se jogarmos a moeda pelo menos 5 vezes e no máximo 7 vezes, pois em menos de 5 jogadas não é possível obtermos 5 caras e em 8 jogadas ou mais, já temos que ter obtido as 5 caras, pois caso contrário vamos ter obtido 3 coroas, ou mais o que não é o intuito.

Considere as variáveis aleatórias $X_i\sim b(i,0,5)$, definidas como sendo o número de sucessos obtidos em $i$ lançamentos da moeda com $i = 5,6,7$. Sendo assim precisamos calcular $\mathbb

(X_i=5)$ para cada $i$.

Portanto a probabilidade de obtermos 5 caras antes de 3 coroas é:

\[\mathbb

(X_5 =5)+\mathbb

(X_6=5)+\mathbb

(X_7=5)= \sum_^7\left(\begin i\\ 5 \end \right) (1/2)^5 (1-1/2)^\thickapprox 0,23.\]

Exemplo 5.1.4:

(Problema da caixa de fosforo de Banach) Suponha que um homem ande sempre com duas caixas de fósforos com $n$ palitos cada uma. Suponha também que cada vez que ele necessite usar um fósforo ele pegue de forma aleatória em qualquer uma das caixas. Como ele é uma pessoa distraída quando ele pega o último palito da caixa de fósforos ele não se lembra de joga-la fora. Qual a probabilidade de que quando ele perceba que uma das caixas está vazia a outra contenha exatamente $k$ fósforos?

Para facilitar a resolução do problema vamos numerar as caixas de fósforo. Vamos calcular inicialmente a probabilidade de que, quando o homem percebe que a caixa de fósforo número 1 está vazia, a caixa de fósforo número 2 contém exatamente $k$ palitos. Consideremos como sucesso a retirada de um palito da caixa número 1.

Seja $A$ o evento "Retirar um fósforo da caixa número 1, mas a caixa 1 está vazia e a caixa de número 2 contém exatamente $k$ fósforos. O evento $A$ ocorre se, e somente se, o $n+1$-ésimo s ucesso, ocorre na retirada de número $n+1+n-k$.

Em outras palavras para que o evento $A$ ocorra é necessário que nas $n+1$ vezes que obtemos sucesso, ou seja, que retiramos fósforo da caixa 1, já tenhamos realizado $n+1+n-k$ experimentos. Com isso em mente, concluímos que deve haver n sucessos nos 2n-k primeiros experimentos, e deve haver sucesso na vez seguinte.

\[\mathbb

(A)=\left(\begin 2n-k \\ n \end \right)\cdot \left(\displaystyle\frac<1> <2>\right)^n \cdot \left(1- \displaystyle \frac<1> <2>\right)^<2n-k-n>\cdot \displaystyle \frac<1><2>=\left(\begin 2n-k \\ n \end \right) \cdot \left(\displaystyle \frac<1> <2>\right)^ <2n-k>\cdot \displaystyle \frac<1><2>.\]

Como a probabilidade de que quando o homem constate de que a caixa de número 2 está vazia e a caixa de número 1 contém exatamente $k$ fósforos também é igual a $\mathbb

(A)$, a probabilidade que procuramos é $2\mathbb

(A)$.

Portanto a probabilidade de que quando ele perceba que uma das caixas está vazia a outra contenha exatamente $k$ fósforos é de

\[\left(\begin 2n-k \\ n \end \right) \cdot \left(\displaystyle \frac<1> <2>\right)^<2n-k>.\]

Função Geradora de Momentos, Valor Esperado e Variância

Seja $X$ uma variável aleatória com distribuição Binomial$(n,p)$. Então a função geradora de momentos de $X$, $M_X(t)$ é dada por

em que, na última igualdade, utilizamos a fórmula do binômio de Newton. Podemos encontrar a média e a variância de $X$ através da função geradora de momentos. Assim

Para encontrarmos a variância basta derivarmos mais uma vez a função $M_X(t)$.

E, portanto, obtemos que $\mathbb(X^2)=M^<\prime\prime>_X(0)=n(n-1)p^2+ pn$. Desta forma, $\text(X)$ pode ser calculada por

Portanto o valor esperado representa o número médio de sucessos. Por definição, temos que



Publicar comentário
Procurar


Para você
Artigos sobre o tema Blog
17-04-2021
Atenção! Sites para assistir futebol on‑line podem conter ameaças
Atenção! Sites para assistir futebol on‑line podem conter ameaças

Pesquisamos no Google alguns sites de streaming para assistir aos jogos da Copa do Mundo e resolvemos analisar as páginas que aparecem nos primeiros resultados...

25-03-2021
Placard APK
Placard APK

Original APK file, safe to download and free of any virus...

28-03-2021
Stream TV gratis com a aplicação Mobdro – Descarrega Mobdro
Stream TV gratis com a aplicação Mobdro – Descarrega Mobdro

O streaming é sem dúvida a mais popular forma de entretenimento que temos á nossa disposição nesta era...