Baixe o app para aproveitar ainda mais
Prévia do material em texto
100 CAPÍTULO 7 VARIÁVEL ALEATÓRIA A probabilidade teve início com os jogos de azar (século XVII) com Cavaleiro de Nere, Fermat e Pascal, porém, coube a Bernoulli (1713) lançar as bases da probabilidade e a seguir Laplace fez grandes contribuições. 1. Conceito de variável aleatória Podemos estudar, por exemplo, algumas características dos alunos do Curso de estatística. Classe de alunos variável aleatória aspectos alturas ( ) pesos ( ) idades ( ) procedências ( ) sexo (0,1) Seja S: espaço amostral e ia um elemento de S Espaço amostral discreto ( )X S :conjunto imagem Nestas condições podemos associar a cada ia S um único valor ( )iX a . A essa função X denominamos variável aleatória. A variável aleatória X representa um valor numérico associado a cada resultado de um experimento de probabilidade. A palavra aleatória indica que os valores são determinados pelo acaso. Estudaremos dois tipos de variáveis aleatórias. 1.1 Variável aleatória discreta Se X é uma variável aleatória definida em S com valores possíveis de X finito ou enumerável, dizemos que X é variável aleatória discreta. 1.2 Variável aleatória contínua Se X é uma variável aleatória definida em S com valores no intervalo de números reais. Nessas condições, X denomina-se variável aleatória contínua. Estudaremos primeiramente a variável aleatória discreta. Exemplo 1: Seja o espaço amostral S obtido pelo lançamento de dois dados. Neste caso S é definido por: (1,1),(1,2),..., (6,6)S e tem 36 elementos. ia ( )iX a 101 Definimos a variável aleatória X por: X: associa a cada ponto ( , )ia a b S a sua soma a b , nesse caso o conjunto imagem é dado por: ( ) 2,3,4,5,6,7,8,9,10,11,12X S Exemplo 2: Seja uma urna com 2 bolas brancas e 3 vermelhas. Retirando-se 2 bolas sem reposição dessa urna. Definimos a variável X : número de bolas vermelhas. O esquema abaixo mostra as possibilidades de retirada das duas bolas. . X Logo ( ) 0,1,2,X S 2. Função probabilidade Sejam X a variável aleatória discreta e seus possíveis valores 1 2 3, , ,..., .nx x x x Se a cada valor ix associamos um número ( )ip x ( ),ip x x probabilidade de ix , tal que: a) ( ) 0,ip x para todos ix e b) 1 ( ) 1 n i i p x , a essa função ( )ip x denominamos função de probabilidade da variável aleatória discreta X. Do exemplo 2, podemos escrever: A distribuição de probabilidade na variável discreta X : número de bolas vermelhas é ( )ip x ix 0 1 2 ( )ip x 1/10 6/10 3/10 0 1 2 ix Resultados possíveis ix Probabilidade ( )ip x X BB BV VB VV 2 / 5.1/ 4 1/10 2 / 5.3/ 4 3/10 3/ 5.2 / 4 3/10 3/ 5.2 / 4 3/10 0 1 1 2 BB BV VB VV 0 1 1 2 0,6 0,3 0,1 102 Exemplo 3: No lançamento de duas moedas dar a distribuição de probabilidade da variável número de caras C e número de coroas K e sua representação gráfica. Solução: A tabela indica as possibilidades e suas probabilidades. A distribuição de probabilidade na variável discreta X : número de caras é dada por: ix 0 1 2 ( )ip x 1/4 2/4 1/4 Exemplo 4: Dar a distribuição de probabilidade da variável X do exemplo 1 e dê sua representação gráfica. Solução: A tabela indica os resultados possíveis e suas probabilidades. i x 2 3 4 5 6 7 8 9 10 11 12 ( ) i p x 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 A representação gráfica é dada por. ( ) i p x 6/36 5/36 4/36 3/36 2/36 1/36 i x 0 2 3 4 5 6 7 8 9 10 11 12 Resultados possíveis Probabilidade X KK CK KC CC 1/4 1/4 1/4 1/4 0 1 1 2 103 3. Função de distribuição acumulada. Seja X uma variável aleatória discreta. Denomina-se função de distribuição acumulada de um ponto x, como a soma das probabilidades dos valores ix menores ou iguais a x, isto é: ( ) ( ) i i x x F x p x Exemplo 5: Calcule ( )F x para o exemplo 4, sendo x=2, x=5, x=13 e x=3,5. Resolução 2 (2) ( ) 1/36 i i x F p x 5 (5) ( ) 10/36 i i x F p x 13 (13) ( ) 1 i i x F p x 3,5 (3,5) ( ) 3/ 36 i i x F p x Exemplo 6: No lançamento de três moedas definimos X: número de caras. Assim a) O espaço amostral S é dado por. , , , , , , ,S ccc cck ckc kcc ckk kck kkc kkk b) A distribuição de probabilidade da variável número de caras é. ix 0 1 2 3 ( )ip x 1/8 3/8 3/8 1/8 c) A probabilidade de ocorrerem no máximo 2 caras. Da tabela podemos escrever: ( 2) 1/8 3/8 3/8 7/8p x . d) A Função de distribuição acumulada, e sua representação gráfica é dada por. Lembrando que ( ) ( ) i i x x F x p x .A solução é dada por: 0, 0 1 / 8, 0 1 ( ) 4 / 8, 1 2 7 / 8, 2 3 1, 3 se x se x F x se x se x se x 0 1 2 3 1/8 4/8 7/8 1 x F(x) 104 Exercícios de aplicação 19: 1. Seja X variável aleatória discreta definida por: 1/ 5, 1 ( ) 4 / 5, 0, se x f x se x então a Função de distribuição acumulada é dada por: 0, 0 ( ) 4 / 5, 0 1 1, 1 sex F x se x se x Dê o gráfico de ( ) ( )f x eF x . 2. Seja X a variável aleatória discreta que assume os valores 0,1 e 2, tendo as probabili-dades 1/3, 1/6 e 1/2 respectivamente. Determinar: a)A função distribuição acumulada ( )F x . b) O gráfico de ( ).F x 3. No lançamento de um dado define-se variável aleatória X: número de pontos obtidos. Definir a função distribuição acumulada e dar seu gráfico. 105 4. Valor esperado ou Esperança de uma variável aleatória discreta ou média Sejam X a variável aleatória discreta e seus possíveis valores 1 2 3, , ,..., nx x x x , e 1: ( ),P p x 2 ( ),p x 3 ( ),p x ... , ( ), n p x suas respectivas probabilidades, então denomina-se valor esperado ou esperança matemática de X e se indica por E(X) a soma dos produtos dos valores da variável X pelas respectivas probabilidades. 1 ( ) ( ) n i i x i E X x p x Observação 1: E(X) é também denominada Média ou valor médio. Exemplo 7: No lançamento de duas moedas, determinar a (a) distribuição de probabilidade da variável número de caras e (b) esperança. Solução: a) A tabela indica as possibilidades. Resultados possíveis Probabilidade X CC CK KC KK 1/4 1/4 1/4 1/4 2 1 1 0 A distribuição de probabilidade na variável discreta X , número de caras é: ix 0 1 2 ( )ip x 1/4 2/4 1/4 (b) 1 ( ) ( ) n i i x i E X x p x = 0.1/ 4 1.1/ 2 2.1/ 4 1 (Média) Exemplo 8: Um par de dados é lançado e definimos a variável X como: X: variável aleatória que associa a cada ponto ( , )a b S o maior desses valores, isto é, ( , ) max , .X a b a b Determinar E(X). Solução: Neste caso S é dado por (1,1),(1,2),..., (6,6)S e tem 36 elementos. 1( 1) ( (1,1) 1/36p x p 2( 2) ( (1,2),(2,1),(2,2) 3/ 36p x p 3( 3) ( (1,3),(3,1),(3,2),(2,3),(3,3) 5/36p x p .......... 6( 6) ( (1,6),(2,6),(3,6),..., (6,6) 11/ 36p x p 106 X 1 x 2 x 3 x 4 x 5 x 6 x i x 1 2 3 4 5 6 ( )ip x 1/36 3/36 5/36 7/36 9/36 11/6 Usando a fórmula segue: 1 ( ) ( ) n i i x i E X x p x =1.1/36+2.3/36+3.5/36+4.7/36+5.9/36+6.11/3= 161/36 = 4,47 Exemplo 9: Calcule a esperança para as distribuições de probabilidade discretas indicadas nas tabelas. a) X 1 x 2 x 3 x 4 x 5 x i x -2 -1 0 1 2 ( )ip x 1/5 1/5 1/5 1/5 1/5 Solução: 1 ( ) ( ) n i i i E X x p x -2.1/5 - 1.1/5 + 1.1/5 + 2.1/5 = 0 b) 2x 1 x 2 x 3 x i x 4 1 0 ( )ip x 2/5 2/5 1/5 Solução: E(X 2 ) = 4.2/5+1.2/5+0.1/5 = 10/5 = 2= 2( ) 2E X Logo, podemos observar que 2 2( ) 2 [ ( )] 0E X E X c) 2x 1 x 2 x 3 x 4 x 5 x i x -4 -2 0 2 4 ( )ip x 1/5 1/5 1/5 1/5 1/5 Solução: E(2X) = -4.1/5-2.1/5+0.1/5+2.1/5+4.1/5= 0 Exemplo 10: Qual a esperança matemática em um jogo que paga ao jogador R$ 6,00 se obtém cara e R$ 8,00 se obtém coroa? X 1 x 2 x i x 6 8 ( )ip x 1/2 1/2 ( )E X 6. (1/2)+8. (1/2) = R$ 7,00 107 5.Teoremas: Teorema 1: Esperança de uma constante é a própria constante. Devemos mostrar que ( )E k k . A variável é dada por X: k, k, k, k,..., k ( n valores k), logo a esperança matemática é dada por: 1 ( ) ( ) n i i i E k x p x ( )k p k ( )k p k ( )k p k ...+ ( )k p k = ( ) ( ) ... ( )k p k p k p k 1 ( ) n i i k p k k , sendo ( ) 1/p k n Teorema 2: Multiplicando cada valor de uma variável aleatória por uma constante a esperança ficará multiplicada pela constante. Devemos mostrar que ( ) ( )E kX k E X . A variável é dada por X: 1 ,kx 2 ,kx 3 ,kx ..., n kx , logo a esperança matemática é dada por: 1 ( ) ( ) n i i i E kX x p x 1 1( )k x p kx 2 2( )k x p kx ...+ ( ) n n k x p kx . Pondo k em evidência e lembrando que ( ) ( ) n n p kx p x , segue: ( )E kX 1 1 ( )k x p x 2 2 ( )k x p x ...+ ( ) n n k x p x = 1 ( ) ( ) n i i i k x p x kE X Teorema 3: A esperança da soma de duas variáveis aleatórias é igual a soma das esperanças. Devemos mostrar que ( ) ( ) ( )E X Y E X E Y Da definição de Esperança podemos escrever: 1 1 1 1 ( ) ( ) ( , ) ( ) ( ) n n n n i j i j i i j j i j i j E X Y x y p x y x p x y p y ( ) ( )E X E Y Teorema 4: ( ) ( ) ( )E aX bY aE X bE Y Da definição de Esperança e pelo teorema 2 podemos escrever: 1 1 1 1 ( ) ( ) ( , ) ( ) ( ) n n n n i j i j i i j j i j i j E aX bY ax by p x y ax p x by p y ( ) ( )aE X bE Y Exemplo 11: Em um dia que chove um vendedor de guarda-chuvas ganha R$ 300,00, mas, se não chove perde R$ 15,00. Supondo que a probabilidade de chover num determinado dia é de 30%, determinar ( ).E X Solução: ( ) 300 0,3 15 0,7 79,50E X 108 6. Variância Sejam X a variável aleatória discreta e seus possíveis valores 1 2 3, , ,..., nx x x x . Denomina-se variância de uma variável aleatória X e indica-se por Var(X) = 2( )X 2 1 [ ( )] . ( ) n i i i x E X p x Outra maneira de definir variância é dada por: Var(X) = 2( )X = 2 2( ) [ ( )]E X E X De fato: Podemos escrever Var(X) = 2( )X 2 1 [ ( )] . ( ) n i i i x E X p x = 2[ ( )]E X E X desenvolvendo o quadrado, segue: 2 2 2 2[ 2 . ( ) [ ( )] ] ( ) 2 ( ). ( ) [ ( )]E X X E X E X E X E X E X E X 2 2( ) [ ( )]E X E X 7. Desvio padrão A raiz quadrada da variância denomina-se desvio padrão: ( ) ( )X Var X Exemplo 12: Um jogo consiste no lançamento de um dado. Se sair um número par, a pessoa ganha uma quantia equivalente ao triplo do ponto tirado, se sair um número ímpar a pessoa paga o quádruplo do ponto obtido. Determinar: a) Esperança. b) Variância. c) Desvio padrão. Evento i x ( ) i p x ( ) i i x p x ( ) i x E X 2[ ( )] i x E X 2[ ( )] ( ) i i x E X p x 1 -4 1/6 -4/6 -4 16 16. 1/6 2 6 1/6 6/6 6 36 36. 1/6 3 -12 1/6 -12/6 -12 144 144. 1/6 4 12 1/6 12/6 12 144 144. 1/6 5 -20 1/6 -20/6 -20 400 400. 1/6 6 18 1/6 18/6 18 324 324. 1/6 0 177,333 a) 1 ( ) ( ) n i i x i E X x p x = 0 b) 2( )X 2 1 [ ( )] . ( ) n i i i x E X p x =177,333 c) ( ) ( )X Var X =13,31 Teoremas: Teorema 1: A variância de umaconstante é nula. ( ) 0Var k Da definição de variância podemos escrever: 109 2( ) [ ( )] [ ] 0Var k E k E k E k k Teorema 2: 2( ) ( )Var kX k Var X 2 2( ) [ ( )] [ ( )]Var kX E kX E kX E kX kE X 2 2 2[ ( )] ( )k E X E X k Var X Teorema 3: Se eX Y são variáveis independentes, então ( ) ( ) ( )Var X Y Var X Var Y ou 2 2 2( ) ( ) ( )X Y X Y e seu desvio padrão é 2 2( ) ( ) ( )X Y X Y Teorema 4: Se eX Y são variáveis dependentes, então ( ) ( ) ( ) 2 ( , )Var X Y Var X Var Y Cov X Y Demonstração: Sabemos que Var(X) = 2( )X = 2 2( ) [ ( )]E X E X , e podemos escrever, 2 2( ) [( ) ] [ ( )]Var X Y E X Y E X Y 2 2 2[ 2 ] [ ( ) ( )]E X XY Y E X E Y = 2 2 2 2( ) 2 ( ) ( ) [ ( )] 2 ( ). ( ) [ ( )]E X E XY E Y E X E X E Y E Y , simplificando os termos semelhantes segue: ( )Var X Y 2 2( ( ) [ ( )]E X E X )+( 2 2( ) [ ( )]E Y E Y )+ 2[ ( ) ( )( ( )]E XY E X E Y , portanto, ( ) ( ) ( ) 2 ( , )Var X Y Var X Var Y Cov X Y Teorema 5: Se eX Y são variáveis dependentes, então 2 2( ) ( ) ( ) 2 ( , )Var aX bY a Var X b Var Y abCov X Y 8. Covariância A covariância é uma medida da força da relação entre duas variáveis aleatórias discretas X e Y e representamos por Cov(X,Y). O valor que mede o grau de dependência entre as duas variáveis aleatórias denominamos covariância. Se X e Y são duas variáveis aleatórias discretas a covariância é definida por: ( ) ( , ) [( ( ))( ( ))]I Cov X Y E X E X Y E Y , ou seja, o valor médio do produto dos desvios de X e Y em relação às suas respectivas médias. Outra maneira de escrever sua fórmula é dada desenvolvendo o produto, assim: ( ) ( , ) [( ( ))( ( ))]I Cov X Y E X E X Y E Y = [ ( ) ( ) ( ) ( )]E XY XE Y YE X E X E Y ( ) ( ) ( ) ( ) ( ) ( ) ( )E XY E X E Y E Y E X E X E Y ( ) ( ) ( )E XY E X E Y ( , )Cov X Y ( ) ( ) ( )E XY E X E Y Observação 2: Se a covariância é positiva, isso indica que grandes valores de uma variável X estão associados a grandes valores da variável Y. Observação 3: Se a covariância é negativa, isso indica que grandes valores de uma variável X estão associados a pequenos valores da variável Y. Exemplo 13: Sejam ( ) 5, ( ) 6 e cov( , ) 4,Var X Var Y X Y determinar (2 3 )Var X Y 110 Solução: Usando o teorema 5, podemos escrever: (2 3 )Var X Y = 2 2 2 ( ) 3 ( ) 2.2.3cov( , )Var X Var Y X Y 4.5+9.6+2.2.3.4=20+54+48=122. Exemplo 14: Uma indústria produz sabão em pó e os empacota em caixas por meio de uma máquina que é regulada para pesar em média 200 g e desvio padrão 4 g. Se a embalagem (caixa) tem peso médio constante de 24 g e desvio padrão de 1 g, então nestas condições, qual a média e o desvio padrão do peso bruto da caixa de sabão em pó? Solução: Sejam X : peso do material sabão em pó, logo 2 2( ) 200 , ( ) 4 16X g X g e g Y: peso da embalagem, logo 2 2( ) 24 , ( ) 1 ( ) 1Y g Y g e Y g Z: peso bruto da caixa, logo Z X Y ( ) ( ) ( )E X Y E X E Y = 200+24=224g 2 2 2 2( ) ( ) ( ) ( )Z X Y X Y = 216 1 17g e tem desvio padrão ( ) 17 4,123Z g . Exemplo 15: Uma indústria produz rodas de magnésio de aro 17, cujo peso unitário (X) tem distribuição normal de média 10kg e desvio padrão 200g. As rodas são embaladas em uma caixa de papelão com 4 unidades e sabe-se ainda que a caixa vazia (Y) tem distribuição normal de média 2kg e desvio padrão 100g. Calcular a probabilidade do peso total (T) da caixa ser superior a 42,5kg. Resolução: Do enunciado podemos escrever que a variável T é definida por: 1 2 3 4T Y X X X X 2 2 2 2 2 ( ) ( ) 4 ( ) 42 42000 ( ) ( ) 4 ( ) 100 4 200 170000 T Y X kg g T T Y X g Portanto, ( ) 42000 170000 412 T g g Com o uso da variável padronizada z, segue: 42500 42000 1,21 412 x z ( 42500) ( 1,21) 0,5 (0 1,21) 0,5 0,38686p x p z p z ( 42500) 11,314%p x Então a probabilidade de ser maior que 42,5 kg é de 11,314% Exemplo 16: O professor de Matemática da turma A aplicou uma prova teste com cinco questões do tipo verdadeiro e falso. A distribuição das notas e as respetivas probabilidades calculadas pelo professor estão indicadas na tabela que segue. Determinar a) A esperança e o desvio padrão da variável X. b) O professor redefiniu as notas por meio da nova variável Y=5+3X. Determinar a esperança e o desvio padrão da variável Y. x 5 6 7 8 9 10 p(x) 0,10 0,12 0,25 0,28 0,15 0,10 42000 42500 x 111 Resolução: Para obtermos a solução completamos a tabela e utilizamos as fórmulas adequadas. a) 1 ( ) ( ) 7,56 n i i i E X x p x 2( )X 2 1 [ ( )] . ( ) n i i i x E X p x = 2 2 ( ) ( ( ))E X E X 59,14-(7,56) 2 =1,9864 e ( ) 1,9864 1,409 1,41X b) Sabemos que ( ) ( )E kX b k E X b , logo podemos escrever: ( ) (3 5) 3 ( ) 5 3.7,56 5 27, 68E Y E X E X e 2 2 ( ) ( ) (5 3 ) 3 ( ) 9.(1,9864) 17,8776Var kX c k Var X Var X Var X e o desvio padrão é dado por: ( ) 17,8776 4,23Y x p(x) x p(x) 2 ( )x p x 5 0,10 0,50 2,50 6 0,12 0,72 4,32 7 0,25 1,75 12,25 8 0,28 2,24 17,92 9 0,15 1,35 12,15 10 0,10 1,00 10,00 7,56 59,14 Exercícios de aplicação 20: 1. Seja X uma variável aleatória com E(X)=10 e Var(X)=100 e sejam Z e Y variáveis aleatórias definidas por 2 2 6.Z x e Y x Calcular a) E(Z) ) ( ) ) ( ) b Var Z c Var Y 2.Seja X uma variável aleatória com E(X)=30 e 2 49x e sejam Z e Y variáveis aleatórias definidas por ( ) ( ). x X E X Z e Y X E X Calcular ) ( ) ) ( ) ) ( ) ) ( ) a E Y b Var Y c E Z d Var Z 112 3.Uma indústria produz camisas cujos pesos unitários (X) tem distribuição normal com média 50 g e desvio padrão 3g. Essas camisas são colocadas em caixas com três unidades. A caixa vazia também tem distribuição normal (Y) com média 40 g e desvio padrão 2 g. Calcular a probabilidade do peso total (T) ser superior a 180 gramas. 4. Sejam X, Y e Z são três variáveis aleatórias, sabendo-se que: E(X)=4, E(Y)=8 e E(Z)= -5. Determinar a esperança matemática da variável 1 2 6 2 T X Y Z 5. Um medicamento tem probabilidade 0,4 de cura. Se 10 pessoas são submetidas a esse tratamento, e nas mesmas condições, determinar Observação 4: A distribuição neste caso é a binomial e tem ( ) ( )E X np e Var X npq . a) E(X).b) Var(X). c) a probabilidade de que pelo menos 1 seja curado. 6. Em finais de semana o número de mortes por afogamento nas praias de Santos é de 1 morte para cada 60 000 banhistas. Em um fim de semana com 180 000 banhistas, determinar, Observação 5: A distribuição neste caso é Poisson e tem ( ) ( )E X np e Var X np a) E(X) 113 b) Var(X) c) a probabilidade de ocorrer 4 afogamentos. 9. Função de distribuição na variável contínua 9.1. Variável aleatória contínua. Seja X uma variável aleatória. Se seu contradomínio for um intervalo de números reais, então diremos que X é uma variável aleatória contínua. 9.2. Função densidade de probabilidade Seja X uma variável aleatória continua definida em S e com valores no intervalo dos números reais. Uma função f denomina-se função densidade de probabilidade e se indica abreviadamente por fdp, se f satisfaz as condições: ) ( ) 0, para todo ) ( ) 1 a f x x S b f x dx f f(x) x Observação 5: São válidas as expressões: a) ( )p a x b = ( )p a x b ( )p a x b ( ) ( ) b a p a x b f x dx b) ( )E X ( ) b a xf x dx c) Var(X)= 2[ ( )] ( )x E X f x dx Exemplo 17: Verifique se 1/10(2 3) 0 2 ( ) 0 0 2 x se x f x se x ou x é uma fdp e calcule a E(X). Solução: Devemos verificar que: 114 a) ( ) 0 vale para todo realf x . b) 2 0 ( ) 1/10 (2 3)f x dx x dx 2 2 0 1 ( 3 ) | 10 x x 1/10(4+6) = 1 c) ( )E X ( ) b a xf x dx = 3 22 0 22 3 1/10 (2 3) 1/10[ ] | 03 2 x x x x dx 1,133 Observação 6: Neste caso a função distribuição de probabilidade é dada por: 2 0, 0 ( ) 1/10( 3 ) 0 2 1 2 se x F x x x se x se x 10. Distribuição Uniforme Uma variável aleatória X tem Distribuição Uniforme no intervalo [a,b], se sua função densidade de probabilidade é tal que 1 ( ) 0, caso contrario se a x b f x b a Exemplo 18: A produção de camisas de uma costureira varia de 15 a 60 camisas. A experiência mostra que essa variação é uniforme. Qual a probabilidade de que uma costureira produza de 35 a 50 camisas? 1/45 (35 50) 15/45 0,333p x x 15 60 Exemplo 19: Seja a função densidade de probabilidade da variável X dada por: 1 2 6 ( ) 4 0, 2 6 se x f x se x ou x Verifique se é uma fdp e determine a função distribuição de probabilidade. Solução: A função distribuição de probabilidade é dada por, 2 2 1 1 1 ( ) | ( 2) 4 4 4 x xF x dt t x e escrevemos F(x) 115 0, 2 ( ) 1/ 4( 2), 2 6 1, 6 se x F x x se x se x 11. Distribuição Exponencial Seja a função densidade de probabilidade da variável X dada por: , se 0, 0 ( ) 0, para qualquer outro valor de xe x f x x a) A função distribuição de probabilidade é dada por 0 0 ( ) ( ) ( ) ( 1 , 0 x x t xF x p X x f x dx e dt e x e ( ) 0,F x para qualquer outro valor de 0.x b) Esperança E(X) 0 0 0 0 ( ) ( |x x xxf x dx x e dx xe e dx 0 0 0 0 1 | | lim( ) | lim | x x x t x t t t e xe xe e 1 1 1 lim 0 limt t t t te e c) Variância 22( ) ( ) ( )Var X E X E X Calculando primeiramente 2 2 2 2 0 0 2 ( ) ( ) xE X x f x dx x e dx , segue 22( ) ( ) ( )Var X E X E X = 2 2 2 2 1 1 . Exemplo 20: Verifique se 2( ) 2 xf x e é função densidade de probabilidade para 0x . a) A função exponencial 2( ) 2 xf x e é sempre positiva. b) 2 0 ( ) (2 tf x dx e dt limx 2 2 0 2 lim( 1) x t x x e dt e = 1 1 1 e , isto mostra que 2( ) 2 xf x e é uma fdp. 6 2 1 116 Exercícios de aplicação 21: 1. Seja X uma v. a. contínua com fdp dada pela lei 0, 0 , 0 1 ( ) (2 ), 1 2 0, 2 se x k se x f x k x se x se x Determinar a) k para que seja uma fdp. b) ( 1,5)p x c) E(X) d) 2( )E X e) Var(X) 2. Seja X uma variável contínua com função distribuição acumulada definida por: 0 0 ( ) 1 0x se x F x e se x Determinar a função densidade de probabilidade fdp 117 3.Seja X a variável aleatória contínua com função densidade de probabilidade fdp ( )f x dada por: 2 , 0 1 ( ) 0, quaisquer outros valores de x se x f x x a) Determinar ( )F x . b) Gráfico. 118 4.Seja X a variável aleatória contínua com fdp dada por ( )f x 2 1000 2000 ( ) 0, para quaisquer outros valores ax se x f x Sabe-se que X representa a duração da vida (em horas) de lâmpadas fluorescentes compactas de 25 w. Determinar a) O valor de a para que ( )f x seja fdp. b) Determinar E(X) c) Determinar Var(X) 5. O diâmetro X dos eixos das rodas de motos é uma variável aleatória contínua com fdp dada por: 23 (2 ), 0 1 ( ) 2 0, 0 1 x x se x f x se x ou x Calcular a probabilidade de a) (0 0,5)p x b) ( 2)p x c) Definir F(x) 119 6. O departamento de estoque da empresa ABS informa que a fdp de que todo estoque disponível para que seja atendido por semana, de pedidos, é 2( ) 1/ 2( 3 3), 0 1f x x se x e 0 caso contrário. a) Verifique se ( )f x é uma fdp. b) Determinar a probabilidade de que no máximo 60% dos pedidos sejam atendidos. c) Determinar a probabilidade de que pelo menos 50% dos pedidos sejam atendidos. 7. O departamento de vendas mantém em estoque 2000 geladeiras e informa que a fdp de que todo estoque disponível seja atendido por semana é 23( ) , 0 2 8 f x x se x , e 0, caso contrário. a) Verifique se ( )f x é uma fdp. b) Determinar o número máximo 0x de geladeiras para que sejam atendidos 70% dos pedidos.c) Determinar o número máximo 0x de unidades para que sejam atendidos pelo menos 60% dos pedidos. d) Dar a lei F(x) e seu gráfico. 120 8. Seja X uma variável aleatória contínua com valores no intervalo [0,5] e com fdp dada pela lei ( ) 0,08f x x . a) Verificar se é uma fdp. b) Qual a probabilidade de i) (0 2)p x ii) (1 4)p x iii) ( 3)p x iv) ( 3)p x 9.Seja X uma variável aleatória contínua e tem fdp dada pela lei 2 / , 100 ( ) 0, 100 k x se x f x se x . a)Determinar o valor de k para que seja uma fdp. b)Calcular ( 120)p x 121 10. Seja X uma variável aleatória contínua com valores no intervalo [1,3] e tem fdp dada pela lei. 1, se 1 2 ( ) 3, se 2 3 0, caso contrário. x x f x x x a) Dar o gráfico de f(x). b) Verificar se ( )f x é fdp. c) Determinar E(X) d) d) Determinar ( )X e) Exercícios de aplicação 22: 1.A demanda de macarrão num supermercado em centenas de quilogramas por dia é uma variável aleatória contínua com fdp dada pela lei 2 / 3 , se 0 1 ( ) 1, se 1 3 3 0, caso contrário. x x x f x x a) Verificar se ( )f x é fdp. 122 b) Qual a probabilidade de se vender mais que 150kg num dia escolhida ao acaso? c) Em trinta dias, quanto o gerente do supermercado espera vender? d) Quantos quilogramas se esperam vender num dia escolhido ao acaso para atender 95% dos pedidos? 2. Seja X uma variável continua com função distribuição acumulada definida por: 0, 0 ( ) / 2, 0 2 1, 2 se x F x x se x se x Determinar: a) A função densidade de probabilidade fdp. b) ( 1,5).p x 123 c) ( 2,4).p x 3. A duração em milhares de horas de um componente eletrônico é uma v.a. X, com fdp dada por: 0,10,1 , 0 ( ) 0 , 0 xe se x f x se x a) Dar o gráfico de ( )f x b) Qual a probabilidade de que um componente escolhido ao acaso dure b1) menos que 4 000 horas. b2) dure entre 5 000 e 10 000 horas. b3) dure mais que 15 000 horas. 124 12. Distribuição conjunta de variáveis aleatórias Nos problemas utilizados até agora o experimento era registrado por um único elemento. Todavia, há casos que necessitamos representar por dois elementos. Exemplo: altura e peso. Definimos assim duas variáveis aleatórias: X e Y. Seja S um espaço aleatório associado a um experimento aleatório e duas variáveis 1 2 3( ) , , ,..., nX X S x x x x e 1 2 3( ) , , ,..., nY Y S y y y y Denominamos (X,Y) uma variável aleatória bidimensional e definimos probabilidade conjunta por: : ( ) ( ) , ( ; ) ( , ) i j i j i j h S S X S Y S x y p X x Y y h x y Satisfazendo: 1) ( , ) 0i jp x y 2) 1 1 ( , ) 1 n n i j i j p x y (Discreta) ou ( , ) 1f x y dxdy (contínua) Exemplo 21: Uma urna contém 3 bolas numeradas de 1 a 3.Retirando-se 2 bolas sem reposição, definimos os eventos: X: número da primeira bola e Y: número da segunda bola. Assim podemos escrever: ( , ) ( ). ( / )i j i j ip x y p x p y x 1 1 (1,2) (1). (2 /1) . 1 / 6 3 2 p p p 1 1 (2,1) (2). (1 / 2) . 1 / 6 3 2 p p p e a Distribuição Conjunta é dada por: X 1 1 2 2 3 3 Y 2 3 1 3 1 2 Prob. 1/6 1/6 1/6 1/6 1/6 1/6 S ( )X S ( )Y S 125 Exemplo 22: Distribuição conjunta. Outra forma para representar distribuição conjunta é a tabela de dupla entrada. Assim, 1 1 1 (2,3) (2). (3/ 2) . 3 2 6 p p p . Definimos probabilidades marginais por: Probabilidades marginais de X : 1 ( ) ( , ) n i i j j p x x p x x y y ( 1) ( 1, 2) ( 1, 3) 1/3p x p x y p x y ( 2) ( 2, 1) ( 2, 3) 1/3p x p x y p x y ( 3) ( 3, 1) ( 3, 2) 1/3p x p x y p x y Probabilidades marginais de Y: ( )jp y y 1 ( , ) n i j j p x x y y ( 1) ( 2, 1) ( 3, 1) 1/3p y p x y p x y ( 2) ( 1, 2) ( 3, 2) 1/3p y p x y p x y ( 3) ( 1, 3) ( 2, 3) 1/3p y p x y p x y Exemplo 23: Usando o mesmo exemplo e nele definimos duas novas variáveis: i) X + Y e ii) X.Y , assim temos a distribuição: (X,Y) X+Y X.Y Prob. (1,2) 3 2 1/6 (1,3) 4 3 1/6 (2,1) 3 2 1/6 (2,3) 5 6 1/6 (3,1) 4 3 1/6 (3,2) 5 6 1/6 Construindo as distribuições para X+Y e X.Y, seguem X+Y 3 4 5 Prob. 1/3 1/3 1/3 X.Y 2 3 6 Prob. 1/3 1/3 1/3 X Y 1 2 3 ( )ip x 1 0 1/6 1/6 1/3 2 1/6 0 1/6 1/3 3 1/6 1/6 0 1/3 ( )jp y 1/3 1/3 1/3 1 126 Verifique que a) E(X)= 2 b) E(Y)=2 c) E(X+Y)=4 d) E(X.Y)= 11/3 Exemplo 24: Usando o mesmo exemplo e nele façamos a reposição da bola retirada. Determinar: a) E(X). b) E(Y). c) E(X.Y). Solução: Escrevendo a distribuição conjunta e representando na tabela de dupla entrada, segue. O cálculo da primeira linha é dado por: 1 1 1 1 1 1 1 ( 1, 1) ( 1, 2) 1, 3 . . 3 3 3 3 3 3 3 p x y p x y p x y . Analogamente para as outras linhas. Observação 7: As distribuições marginais são iguais, porém, a distribuição conjunta é diferente. Determinando a) E(X)= 1 1 1 1. 2. 3. 2 3 3 3 b) E(Y)= 1 1 1 1. 2. 3. 2 3 3 3 . Para o cálculo de E(X.Y) construímos a tabela c) E(X.Y)= 1 2 2 1 2 1 1. 2. 3. 4. 6. 9. 4 9 9 9 9 9 9 d) Verifique que E(X.Y)= 4= E(X). E(Y) (independentes com reposição) X Y 1 2 3 ( )ip x 1 1/9 1/9 1/9 1/3 2 1/9 1/9 1/9 1/3 3 1/9 1/9 1/9 1/3 ( )jp y 1/3 1/3 1/3 1 X.Y 1 2 3 4 6 9 Prob. 1/9 2/9 2/9 1/9 2/9 1/9 127 Exemplo 25: Seja a distribuição conjunta de probabilidades na variável (X,Y). Determinar: a) E(X) e E(Y) b)Var(X) e Var(Y) c) ( ) e ( )X Y d) E(2X+3Y) Solução: Completando a tabela da distribuição de probabilidades, segue:Usando os dados da tabela segue: a) E(X) =0,5 E(Y)=1,5 b)Var(X)= 2 2 2 4 4 1( ) [ ( )] 8 8 4 E X E X Var(Y)= 2 2 2 24 12 3( ) [ ( )] 0,75 8 8 4 E Y E Y c) ( ) 1 / 4 0,5X ( ) 0,75Y =0,87 d) E(2X+3Y)= 2 ( ) 3 ( )E X E Y 2.(0,5)+3.(1,5)=5,5 e) Cov(X,Y)= 3 1 ( ) ( ). ( ) 1 4 4 E XY E X E Y = 0,25, sendo a distribuição de XY. X.Y 0 1 2 3 p(XY) 4/8 1/8 2/8 1/8 X Y 0 1 2 3 0 1/8 2/8 1/8 0 1 0 1/8 2/8 1/8 X Y 0 1 2 3 ( )p x . ( )x p x 2. ( )x p x 0 1/8 2/8 1/8 0 4/8 0 0 1 0 1/8 2/8 1/8 4/8 4/8 4/8 ( )p y 1/8 3/8 3/8 1/8 1 E(X)=4/8 E( 2X )=4/8 . ( )y p y 0 3/8 6/8 3/8 E(Y)=12/8 2. ( )y p y 0 3/8 12/8 9/8 E( 2Y )=24/8 128 Exercícios de aplicação 23: 1. No lançamento de 1 dado definimos as variáveis aleatórias: X: a face voltada para cima, Y: a face voltada para baixo. Determinar a) E(X) b) E(Y) c) E(XY) d) Cov(X,Y) 2. Seja a distribuição conjunta das variáveis aleatórias X e Y dada por: Determinar a) p(x=4) b) p(y=2) X Y 1 2 3 ( )ip x 4 0,2 0,3 0,1 5 0,2 0,05 0,15 ( )ip y 129 3. A fábrica de autopeças de Ana Carolina trabalha em dois turnos. A empresa preocupada com as faltas de seus operários resolveu analisar o número de faltas em cada turno. Seja X: número de faltas no turno diurno e Y: número de faltas no turno noturno. Essa avaliação foi feita durante 4 meses e obteve-se a seguinte distribuição de probabilidades. Determinar: a) Probabilidades marginais de X. b) Probabilidades marginais de Y. c) E(X) d)E(Y) X Y 0 1 2 3 ( )ip x 0 0,05 0,05 0,10 0 1 0,05 0,10 0,25 0,10 2 0 0,15 0,10 0,05 ( )ip y
Compartilhar