Baixe o app para aproveitar ainda mais
Prévia do material em texto
EST 105 Disponível em: PVANet→Notas de aula→Turma 08 1 / 338 Somatório Consideremos a amostra X = {90,95,97,98,100,60} e queremos encontrar sua soma. Soma = 90 + 95 + 97 + 98 + 100 + 60 = 540. Para simplificar a representação da operação de adição nas expressões algébricas, utiliza-se: I Xi para identificar o elemento que encontra-se na i−ésima posição, assim 90 95 97 98 100 60 ↑ ↑ ↑ ↑ ↑ ↑ X1 X2 X3 X4 X5 X6 I A notação Σ, letra grega sigma maiúsculo para representar a soma. 2 / 338 Somatório n∑ i=1 Xi Lê-se como: somatório de X índice i , com i variando de 1(um) até n, em que: n, é a ordem da última parcela ou limite superior (LS) do somatório; i = 1, é a ordem da primeira parcela da soma ou limite inferior do somatório (LI); i , é o índice que está indexando os valores da variável X (outras letras como j , l , k podem ser utilizadas). 3 / 338 Somatório X = {90,95,97,98,100,60} 6∑ i=1 Xi = 540 4 / 338 Somatório As somas mais comuns são: 1) n∑ i=1 Xi = X1 + X2 + · · ·+ Xn, soma simples 2) n∑ i=1 X 2i = X 2 1 + X 2 2 + · · ·+ X 2n , soma dos quadrados 3) ( n∑ i=1 Xi )2 = (X1 + X2 + · · ·+ Xn)2, quadrado da soma 4) n∑ i=1 XiYi = X1Y1 + X2Y2 + · · ·+ XnYn, soma dos produtos 5) ( n∑ i=1 Xi )( n∑ i=1 Yi ) = (X1 + X2 + · · ·+ Xn) (Y1 + Y2 + · · ·+ Yn), produto das somas 5 / 338 Somatório Se X = {90,95,97,98,100,60} e Y = {60,70,80,60,90,75} então 1) 6∑ i=1 Xi = 90 + 95 + 97 + 98 + 100 + 60 = 540, 2) 6∑ i=1 Yi = 60 + 70 + 80 + 60 + 90 + 75 = 435, 3) 6∑ i=1 X 2i = (90) 2 +(95)2 +(97)2 +(98)2 +(100)2 +(60)2 = 49738, 6 / 338 Somatório 4) ( 6∑ i=1 Xi )2 = (90 + 95 + 97 + 98 + 100 + 60)2 = (540)2, 5) 6∑ i=1 XiYi = 90× 60 + 95× 70 + · · ·+ 60× 75 = 39190 6) ( 6∑ i=1 Xi )( 6∑ i=1 Yi ) = (540)× (435) = 234900. 7 / 338 Número de termos de um somatório NT = LS − LI + 1− r em que LS é a ordem do último termo do somatório; LI é a ordem do primeiro termo do somatório; r é o número de restrições. 8 / 338 Número de termos de um somatório - Exemplos a) 8∑ i=3 Xi b) 15∑ i=1 i 6=9;11 Xi c) 9∑ k=1 8∑ l=5 Zkl 9 / 338 Somatório - propriedades P1) Somatório de uma constante k O somatório de uma constante é igual ao produto do número de termos pela constante. n∑ i=1 k = nk note que, neste caso n = NT . 10∑ i=1 5 = [(10− 1) + 1]× 5 = 10× 5 = 50 10∑ i=3 7 = [(10− 3) + 1]× 7 = 8× 7 = 56 10∑ i=3 Yj = [(10− 3) + 1]Yj = 8Yj 10 / 338 Somatório - propriedades P2) Somatório do produto de uma constante por uma variável O somatório do produto de uma constante por uma variável é igual ao produto da constante pelo somatório da variável. n∑ i=1 kXi = kX1 +kX2 + . . .+kXn = k(X1 +X2 + . . .+Xn) = k n∑ i=1 Xi Se X = {90,95,97,98,100,60}, sabemos que 6∑ i=1 Xi = 540 então 6∑ i=1 3Xi = 3× 90 + 3× 95 + · · ·+ 3× 60 = 3× (90 + 95 + · · ·+ 60) = 3× 540 = 1620 11 / 338 Somatório - propriedades P3) Somatório de uma soma ou subtração de variáveis O somatório de uma soma ou subtração de variáveis é igual à soma ou subtração dos somatórios dessas variáveis. Sem perda de generalidade, para três variáveis X , Y e W , tem-se: n∑ i=1 (Xi + Yi −Wi) = n∑ i=1 Xi + n∑ i=1 Yi − n∑ i=1 Wi 12 / 338 Exercícios 1) Nos itens a seguir assinale (V) se estiver inteiramente correto ou (F) caso contrário. ( ) n∑ i=1 Xi Yi = ( n∑ i=1 Xi ) ( n∑ i=1 Yi ) . ( ) n∑ i=1 m∑ j=1 XiYj = ( n∑ i=1 Xi ) m∑ j=1 Yj . ( ) 5∑ j=3 10∑ k=1 k 6=6;7 n∑ i=1 X 2i = 30 n∑ i=1 X 2i ( ) n∑ i=1 m∑ j=1 s∑ k=1 (2Xi + 3XiYj − Zk ) = 2ms n∑ i=1 Xi + 3 n∑ i=1 Xi m∑ j=1 Yj − nm s∑ k=1 Zk . 13 / 338 2) Dado que 10∑ i=1 Xi = 20 e 10∑ i=1 X 2i = 50, calcule: 10∑ i=1 8∑ j=3 (Xi + 2) 2 a.( ) 1020 b.( ) 650 c.( ) 780 d.( ) 1360 e.( ) n.d.r.a. 14 / 338 3) Dado que, 30∑ i=5 Xi = 200, 15∑ j=8 Yj = 150 e 10∑ k=1 k 6=3;5;8 Zk = 30, Utilize as propriedades de somatório e calcule: 30∑ i=5 15∑ j=8 10∑ k=1 k 6=3;5;8 ( 2Xi + Yj − 5Zk ) . 15 / 338 Exercício 01 pg 18 4) Sabendo que n∑ x=1 x = n(n+1)2 , calcule 200∑ x=1 (x − 100) 2 . 16 / 338 Exercício 04 pg 19 5) Verifique por indução matemática que n∑ k=1 k2 = n (n + 1) (2n + 1) 6 . 17 / 338 Exercício 05 pg 19 6) Dados 5∑ i=1 Xi = 2,6; 5∑ i=1 X 2i = 1,84; 8∑ j=3 Yj = 11 e 8∑ j=3 Y 2j = 31, calcule 5∑ i=1 8∑ j=3 ( 2Xi − Yj )2 . 18 / 338 Exercício 20 pg 23 (letra c) 7) Sabendo que: 20∑ i=1 Xi = 11, n∑ k=1 k = n(n+1)2 e n∑ k=1 k2 = n(n+1)(2n+1)6 , calcule: 60∑ x=1 { (x − 1)2 − 1161 } . 19 / 338 8) Dado que, n∑ k=1 k = n(n + 1) 2 , n∑ k=1 k2 = n(n + 1)(2n + 1) 6 e, n∑ k=1 k3 = [ n(n + 1) 2 ]2 . Utilize as propriedades de somatório e calcule: 30∑ k=1 (2k − 1)3 5 20 / 338 9) Dado que, 20∑ i=1 Xi = 100, 20∑ i=1 X 2i = 250, 10∑ j=1 Yj = 40, 10∑ j=1 Y 2j = 65, 15∑ k=1 k 6=4;7 Zk = 12 e 15∑ k=1 k 6=4;7 Z 2k = 32, Utilize as propriedades de somatório e calcule: 20∑ i=1 10∑ j=1 15∑ k=1 k 6=4;7 ( Xi − Yj + Zk )2 21 / 338 Fases de um estudo estatístico Definição do problema Planejamento Coleta dos dados Crítica dos dados Apresentação dos dados Tabelas Gráficos Descrição dos dados 22 / 338 Medidas de posição I São também chamadas de medidas de tendência central; I Resumem um conjunto de dados pela informação do posicionamento dos valores da amostra; I Nos dão um (ou mais valores) que representam a amostra. 23 / 338 Medidas de posição Principais medidas I Moda; I Mediana; I Média; I Dentre outras. 24 / 338 Medidas de posição Moda A moda é definida como a realização mais frequente do conjunto de valores observados. Em algumas situações, a distribuição das observações é tal que as frequências são maiores nos extremos. Nesses casos, a utilização apenas da média e da mediana é contra-indicada, pois são valores pouco representativos do conjunto eo uso da moda poderá, então, ser considerado. 25 / 338 Medidas de posição Moda Com relação à moda, uma série de dados pode ser classificada em: I Amodal: não possui moda; I Unimodal: possui apenas uma moda; I Bimodal: possui duas modas; I Multimodal: possui mais de duas modas. 26 / 338 Medidas de posição Exercício 04 pg 42 1) Em um Painel Sensorial indivíduos treinados avaliam (degustam) determinado produto e atribuem uma nota de acordo com a percepção do sabor: 0 1 2 3 4 5 muito ruim ruim regular bom muito bom excelente Na tabela a seguir são informadas as notas obtidas com um determinado azeite de oliva, 0 0 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 4 4 4 4 5 5 5 5 5 5 5 5 Determine a moda do conjunto de dados. 27 / 338 Medidas de posição Exercício 14 pg 46 - letra c) 2) Uma empresa avaliou 30 lotes de peças da indústria A e também 30 lotes da indústria B. O número de peças defeituosas por lote é apresentado na tabela a seguir. Número de Indústria A Indústria B Lotes 9 9 5 4 2 1 18 6 3 3 0 0 Defeituosas 0 1 2 3 4 5 0 1 2 3 4 5 Calcule para as duas amostras (indústrias A e B): c) O número modal de peças defeituosas por lote; 28 / 338 Medidas de posição Mediana Para um conjunto de valores colocados em ordem crescente ou decrescente de grandeza, a mediana é o elemento que ocupa a posição central.Interpretação Pode-se afirmar que pelo menos 50% das observações da amostra são valores iguais ou superiores e pelo menos 50% das observações da amostra são valores iguais ou inferiores à mediana. 29 / 338 Medidas de posição Mediana Não esquecer de colocar os dados em ordem. I Caso 1: O número de elementos é ímpar. Md é o elemento que ocupa a posição n + 1 2 , ou seja, Md = X( n+12 ). I Caso 2: O número de elementos é par. Md é dada por: Md = X( n2 ) + X( n2 +1) 2 . 30 / 338 Medidas de posição Mediana Seja uma variável aleatória X assumindo os seguintes valores: X = {14,8,10,5,7,0,9} . Determine a mediana. 31 / 338 Exercício 04 pg 42 3) Em um Painel Sensorial indivíduos treinados avaliam (degustam) determinado produto e atribuem uma nota de acordo com a percepção do sabor: 0 1 2 3 4 5 muito ruim ruim regular bom muito bom excelente Na tabela a seguir são informadas as notas obtidas com um determinado azeite de oliva, 0 0 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 4 4 4 4 5 5 5 5 5 5 5 5 Determine a mediana e interprete o valor obtido. 32 / 338 Medidas de posição Mediana Seja uma variável aleatória X assumindo os seguintes valores: X Frequência 0 3 -1 4 7 2 1 1 3 3 Determine a mediana. 33 / 338 Medidas de posição Média aritmética I É uma medida de tendência central, representando o fenômeno pelos seus valores médios em torno do qual os dados tendem a se concentrar. I Se X1,X2, . . . , Xn são n valores quaisquer da variável X , a média aritmética de X , que denotaremos por X¯ é dada por X¯ = X1 + X2 + . . .+ Xn n = n∑ i=1 Xi n , ou seja, é a soma de todos os valores que a variável assume, dividido pelo número total de valores que a mesma assume. 34 / 338 Medidas de posição Média aritmética Seja uma variável aleatória X assumindo os seguintes valores: X = {14,8,10,5,7,0,9} . Determine a média. 35 / 338 Medidas de posição Média aritmética Agora, se temos n observações da variável X , das quais f1 são iguais a X1, f2 são iguais a X2, . . . , fk são iguais a Xk , então a média aritmética de X será dada por X¯ = f1X1 + f2X2 + · · ·+ fkXk f1 + f2 + · · ·+ fk = k∑ i=1 fiXi k∑ i=1 fi 36 / 338 Exercício 04 pg 42 1) Em um Painel Sensorial indivíduos treinados avaliam (degustam) determinado produto e atribuem uma nota de acordo com a percepção do sabor: 0 1 2 3 4 5 muito ruim ruim regular bom muito bom excelente Na tabela a seguir são informadas as notas obtidas com um determinado azeite de oliva, 0 0 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 4 4 4 4 5 5 5 5 5 5 5 5 Determine a média. 37 / 338 Exercício 14 pg 46 - letras a) e c) 2) Uma empresa avaliou 30 lotes de peças da indústria A e também 30 lotes da indústria B. O número de peças defeituosas por lote é apresentado na tabela a seguir. Número de Indústria A Indústria B Lotes 9 9 5 4 2 1 18 6 3 3 0 0 Defeituosas 0 1 2 3 4 5 0 1 2 3 4 5 Calcule para as duas amostras (indústrias A e B): a) O número médio de peças defeituosas por lote; 38 / 338 Medidas de posição Média aritmética - Propriedades P1) Somando-se ou subtraindo-se uma constante a cada um dos valores da série X1,X2, . . . , Xn, a média aritmética fica somada ou subtraída dessa constante. n∑ i=1 ( Xi + k n ) = X¯ + k X = {14,8,10,5,7,0,9} . 39 / 338 Medidas de posição Média aritmética - Propriedades P2) Multiplicando-se ou dividindo-se cada um dos valores da série X1,X2, . . . , Xn, por uma constante, a média aritmética fica multiplicada ou dividida pela constante. n∑ i=1 ( kXi n ) = kX¯ 40 / 338 Medidas de posição Média aritmética - Propriedades P3) A soma algébrica dos desvios em relação à média aritmética é nula, isto é: SD = n∑ i=1 (Xi − X ) = 0 41 / 338 Medidas de posição Média aritmética - Propriedades P4) A soma dos quadrados dos desvios em relação à média aritmética é um mínimo, isto é, SQD = n∑ i=1 (Xi − X )2 é um mínimo. 42 / 338 Medidas de dispersão - (ou Medidas de Variabilidade) As medidas de dispersão são estatísticas descritivas, que quantificam de algum modo a variabilidade dos dados, geralmente utilizando como referência uma medida de posição. Caracterizar um conjunto de dados apenas por medidas de posição é inadequado e perigoso, pois, conjuntos com medidas de posição semelhantes podem apresentar características muito diferentes. 43 / 338 Medidas de dispersão Amostra A : {6,6,6,6} Amostra B : {2,2,10,10} Note que XA = 6 e XB = 6, porém, a dispersão dos valores na amostra B é maior. 44 / 338 Medidas de dispersão Variância amostral A variância mede a dispersão dos valores em torno da média. Ela é dada pela soma dos quadrados dos desvios em relação à média aritmética, dividida pelo número de graus de liberdade. 45 / 338 Medidas de dispersão Para uma amostra de n valores, X1,X2, . . . ,Xn, a variância amostral é dada por: S2(X ) = Vˆ (X ) = SQDX n − 1 = n∑ i=1 (Xi − X )2 n − 1 = n∑ i=1 X 2i − ( n∑ i=1 Xi )2 n n − 1 46 / 338 Medidas de dispersão Propriedades P1) A variância é sempre maior ou igual a zero, isto é, S2(X ) ≥ 0; P2) Para X = k , sendo k uma constante, S2(X ) = 0; P3) Para Y = X + k , sendo k uma constante, S2(Y ) = S2(X ); P4) Para Y = kX , sendo k uma constante, S2(Y ) = k2S2(X ). 47 / 338 Medidas de dispersão Exemplos a) Se X = {4,4,4,4,4} então S2(X ) = 0; b) Se X = {4,8,3,9,7,5} e Y = X + 5, S2(X ) = 5,6 S2(Y ) = 5,6; c) Para Y = 5X , S2(X ) = 5,6 S2(Y ) = 140 = 25× 5,6 = 52 × S2(X ). 48 / 338 Medidas de dispersão Desvio padrão amostral I A variância tem a desvantagem de apresentar unidade de medida igual ao quadrado da unidade dos dados; I O desvio padrão é a raiz quadrada da variância e por isso tem a vantagem de apresentar a mesma unidade dos dados; I S (X ) = √ V̂ (X ) 49 / 338 Medidas de dispersão Erro padrão da média O erro padrão da média é uma medida utilizada para avaliar a precisão da média. É dado por: S ( X¯ ) = S(X )√ n 50 / 338 Medidas de dispersão Exemplo Desejando estimar o peso médio dos alunos da UFV, uma amostra de tamanho n = 16 forneceu X¯ = 70 kg com desvio padrão 4 kg. Determine o erro padrão da média. 51 / 338 Medidas de dispersão Coeficiente de variação I Utilizado, quando se tem o interesse em comparar variabilidades de diferentes conjuntos de valores; I Note que o CV é o desvio padrão expresso em percentagem da média; I Nesses casos, o CV é indicado por ser uma medida de dispersão relativa. É uma medida adimensional; I O CV expresso em percentagem é dado por: CV (%) = S(X ) X¯ 100% 52 / 338 Medidas de dispersão Coeficiente de variação I Utilizado para avaliação da precisão de experimentos; I Utilizado para analisar qual amostra é mais homogênea (menor variabilidade). I Para amostras com médias diferentes, aquela que apresentar menor CV, é a mais homogênea. 53 / 338 Medidas de dispersão Coeficiente de variação Duas turmas A e B da disciplina EST 105 apresentaram as seguintes estatísticas na primeira prova: Turma A Turma B nA = 50 nB = 60 X¯A = 65 X¯B = 70 S2A = 225 S 2 B = 235 Qual é a turma mais homogênea? 54 / 338 Medidas de dispersão Amplitude total É dada pela diferença entre o maior e o menor valor da amostra. ATX = X(n) − X(1) 55 / 338 Medidas de dispersão Exemplo Se X = {4,8,3,9,7,5} então ATX = 9− 3 = 6 56 / 338 Medidas de dispersão Exercício 8 pg 43 1) As estatísticas descritivas apresentadas na tabela a seguir são referentes à duas variáveis, X e Y , avaliadas em n unidades experimentais. EstatísticasVariáveis X Y Média aritmética 12 14 Mediana 10 15 Erro-padrão da média 0,6 1,12 Coeficiente de variação 50% 80% 57 / 338 Medidas de dispersão Exercício 8 pg 43 - continuação Assinale com V se a afirmativa estiver totalmente correta ou assinale F caso contrário e indique o(s) erro(s). a. ( ) A amostra de valores X apresenta uma menor dispersão relativa ou maior homogeneidade. b. ( ) n = 150 unidades experimentais foram avaliadas. c. ( ) S2X = 36 e S 2 Y = 11,2. 58 / 338 Medidas de dispersão Exercício 7 pg 43 - Para casa 59 / 338 Coeficiente de correlação amostral Coeficiente de correlação amostral rXY ou ρˆXY O coeficiente de correlação mede o grau de associação linear entre duas variáveis aleatórias X e Y . Considere duas amostras das variáveis X e Y , como a seguir: Xi X1 X2 ... Xn Yi Y1 Y2 ... Yn 60 / 338 Coeficiente de correlação amostral O coeficiente de correlação entre os valores de X e Y é dado por: rXY = SPDXY√ SQDX × SQDY , em que: 61 / 338 Coeficiente de correlação amostral SPDXY = n∑ i=1 XiYi − ( n∑ i=1 Xi )( n∑ i=1 Yi ) n , SQDX = n∑ i=1 X 2i − ( n∑ i=1 Xi )2 n , e SQDY = n∑ i=1 Y 2i − ( n∑ i=1 Yi )2 n . 62 / 338 Coeficiente de correlação amostral Assim: rXY = n∑ i=1 XiYi − ( n∑ i=1 Xi )( n∑ i=1 Yi ) n√√√√√√√√ n∑i=1X 2i − ( n∑ i=1 Xi )2 n n∑i=1Y 2i − ( n∑ i=1 Yi )2 n Vale observar que −1 ≤ rXY ≤ 1 63 / 338 Coeficiente de correlação amostral X e Y estão positivamente correlacionadas quando elas caminham num mesmo sentido; I À medida que uma variável tende a crescer a outra também tende a crescer; I À medida que uma variável tende a decrescer a outra também tende a decrescer. I Horas de estudo e nota obtida em uma prova; I Temperatura média e quantidade de sorvete consumida. 64 / 338 Coeficiente de correlação amostral X e Y estão negativamente correlacionadas quando elas caminham em sentido contrário; I À medida que uma variável tende a crescer a outra tende a diminuir; I À medida que uma variável tende a diminuir a outra também tende a aumentar. I Número de dias de experiência no serviço e número de peças defeituosas produzidas; I Venda de carros e desemprego. 65 / 338 Coeficiente de correlação amostral Correlação não implica relação de causa-e-efeito. Número de televisões na Inglaterra e população brasileira; Quantidade de sorvetes consumidos e número de casos de bronquite. 66 / 338 Coeficiente de correlação amostral Exemplo O conjunto de dados usado aqui contém as seguintes variáveis: I DistCap: distância à capital da respectiva Unidade da Federação. I EspVida: esperança de vida ao nascer Determine a correlação entre as variáveis X e Y 67 / 338 Município DistCap (X ) EspVida (Y ) Araruna (PR) 365 67,99 Nova Redenção (BA) 278 61,19 Monção (MA) 150 59,58 Porto Rico do Maranhão (MA) 78 58,96 Campo Erê (SC) 468 68,10 Lagoa do Piauí (PI) 40 63,65 São José das Palmeiras (PR) 486 71,01 Paraíba do Sul (RJ) 83 71,36 Malhada dos Bois (SE) 65 64,46 Jandaíra (BA) 175 62,45 Vespasiano (MG) 14 68,68 Ipaba (MG) 167 67,42 Tabela 1: Fonte: Atlas de Desenvolvimento Humano (www.pnud.org.br/atlas) 68 / 338 Na calculadora P1) Limpar a memória; SHIFT + CLR + 3 (ALL) + = P2) Colocar no modo regressão; MODE + 3 (REG) + 1 (LIN) Aparecerá REG pequeno no alto da calculadora. P3) Entrar com os dados; I X1 , Y1+ M+ I ... ... ... I Xn , Yn+ M+ P4) Obter informações; SHIFT + 1 (S-SUM) para somatórios SHIFT + 2 (S-VAR) para média, desvios padrões, equação de regressão, coeficiente de correlação, valores de Xˆ e Yˆ . 69 / 338 Regressão linear simples Permite determinar, a partir das estimativas dos parâmetros, como uma variável independente X exerce, ou parece exercer, influência sobre outra variável Y , chamada de variável dependente. Por exemplo, qual a influência do número de horas estudadas sobre a nota final obtida em uma prova? Esta pergunta poderia ser respondida a partir de uma regressão linear simples entre as variáveis Y (nota final obtida) e X (número de horas estudadas). 70 / 338 Dados n pares de valores de duas variáveis, Xi e Yi , com i = 1,2, · · · ,n, se admitirmos que Y é função linear de X , podemos estabelecer uma regressão linear simples, cujo modelo estatístico é Yi = β0 + β1Xi + εi , em que β0 e β1 são os parâmetros do modelo, e ei são os erros aleatórios. 71 / 338 Figura 1: Interpretação geométrica dos parâmetros estimados na RLS 72 / 338 ε é o erro aleatório; ε̂ é o desvio da regressão; ε̂i = Yi − Ŷi 73 / 338 O intuito é determinar a equação de regressão linear simples e, utilizando o método dos mínimos quadrados obtemos: Ŷ = β̂0 + β̂1X 74 / 338 Pelo método dos mínimos quadrados temos β̂1 = SPDXY SQDX = n∑ i=1 XiYi − ( n∑ i=1 Xi )( n∑ i=1 Yi ) n n∑ i=1 X 2i − ( n∑ i=1 Xi )2 n e β̂0 = Y − β̂1X . Na prática, determina-se βˆ1 em primeiro lugar e depois βˆ0. 75 / 338 I β̂1 é chamado de coeficiente da regressão; I β̂0 é chamado de constante da regressão. Interpretação I β̂1 é o aumento médio estimado na variável Y para cada aumento de uma unidade na variável X ; I β̂0 é a estimativa da variável Y quando a variável não estiver presente, isto é, X = 0; I A interpretação deve ser feita dentro do problema, adaptando as respostas às variáveis do problema. 76 / 338 Na calculadora P1) Limpar a memória; SHIFT + CLR + 3 (ALL) + = P2) Colocar no modo regressão; MODE + 3 (REG) + 1 (LIN) Aparecerá REG pequeno no alto da calculadora. P3) Entrar com os dados; I X1 , Y1+ M+ I ... ... ... I Xn , Yn+ M+ P4) Obter informações; SHIFT + 1 (S-SUM) para somatórios SHIFT + 2 (S-VAR) para média, desvios padrões, equação de regressão, coeficiente de correlação, valores de Xˆ e Yˆ . 77 / 338 Coeficiente de determinação O coeficiente de determinação de uma regressão linear simples, denotado por r2 e expresso em porcentagem, é dado por: r2(%) = SQregressão SQTotal × 100%, 0 ≤ r2 ≤ 100%, sendo SQregressão = β̂21SQDX = β̂1SPDXY = (SPDXY ) 2 SQDX , e SQTotal = SQDY 78 / 338 Interpretação O r2 indica a proporção da variação de Y que é explicada pela regressão, ou quanto da SQTotal está sendo explicada pela regressão, ou quanto da variação na variável dependente Y está sendo explicada pela variável independente X . Quanto maior for o r2, melhor. Além do coeficiente de determinação, outros critérios devem ser adotados na escolha de modelos. 79 / 338 Exercício 04 pg 166 1) Um economista interessado em estudar a relação entre o valor da renda familiar extra (X ) ou disponível para gastos extras (chamada de disposable income na literatura em inglês) e o valor dos gastos com alimentação (Y ), conduziu um estudo preliminar com 8 famílias, todas compostas por marido esposa e dois filhos. Os resultados estão na tabela a seguir, com os valores de X em milhares de dólares por ano e Y em centenas de dólares por ano. 80 / 338 Exercício 04 pg 166 - continuação i 1 2 3 4 5 6 7 8 X 30 36 27 20 16 24 19 25 Y 55 60 42 40 37 26 39 43 Sendo 81 / 338 Exercício 04 pg 166 - continuação a) Determine n∑ i=1 Xi ; n∑ i=1 X 2i , n∑ i=1 Yi ; n∑ i=1 Y 2i ; n∑ i=1 YiXi b) Ajuste a equação de regressão linear simples; c) Interprete a constante de regressão em termos do problema enunciado; d) Interprete o coeficiente de regressão em termos do problema enunciado; e) Para um aumento de 4 milhares de dólares por ano na renda extra, determine o aumentoestimado no valor dos gastos com alimentação; f) Determine o coeficiente de correlação linear simples; g) Calcule o coeficiente de determinação e interprete o valor obtido; h) Estime o valor dos gastos com alimentação de uma família que possui 20 mil dólares para gastos extras anualmente; i) Obtenha o desvio da regressão para o item h). 82 / 338 Exercícios de revisão Prova 2013-II 1) Dado que, n∑ k=1 k = n(n + 1) 2 , n∑ k=1 k2 = n(n + 1)(2n + 1) 6 n∑ k=1 k3 = [ n(n + 1) 2 ]2 , Utilize as propriedades de somatório e calcule: 30∑ k=1 (2k − 1)3 5 83 / 338 Solução: Sabemos que (a− b)3 = (a− b)2 (a− b) = ( a2 − 2ab + b2 ) (a− b) = ( a2 − 2ab + b2 ) (a− b) = a3 − 2a2b + ab2 − a2b + 2ab2 − b3 = a3 − 3a2b + 3ab2 − b3 Em nosso problema a = 2k e b = 1, assim (2k − 1)3 = 8k3 − 12k2 + 6k − 1 84 / 338 Solução: 30∑ k=1 (2k − 1)3 5 = 30∑ k=1 ( 8k3 − 12k2 + 6k − 1) 5 = 1 5 ( 30∑ k=1 8k3 − 30∑ k=1 12k2 + 30∑ k=1 6k − 30∑ k=1 1 ) = 1 5 ( 8 30∑ k=1 k3 − 12 30∑ k=1 k2 + 6 30∑ k=1 k − 30 ) = 1 5 (8× 216225− 12× 9455 + 6× 465− 30) = 1619100 5 = 323820 85 / 338 2) Um comerciante vendeu diversos itens obtendo lucro (o) conforme a tabela a seguir (em reais): 300 100 250 400 220 200 200 180 280 120 Com base nesta tabela responda: 86 / 338 a) Qual o lucro médio? b) Qual o lucro modal? c) Qual o lucro mediano? d) Calcule o coeficiente de variação dos lucros; e) Determine o erro padrão da média dos lucros. 87 / 338 Introdução à teoria da probabilidade - página 53 Probabilidade É o ramo da matemática que estuda fenômenos aleatórios; Os fenômenos que sob mesmas condições resultam nos mesmos resultados são chamados de fenômenos determinísticos; Um carro parte do repouso em movimento retilíneo uniforme acelerando a velocidade de 5m/s2, após 10s qual sua velocidade? 88 / 338 Conceitos fundamentais Experimento aleatório São aqueles cujos resultados podem não ser os mesmos, mesmo que sob condições essencialmente idênticas, sendo denotados por E ; 89 / 338 Exemplos i) E1 : “Lançar uma moeda 10 vezes e observar o número de caras obtidas”; ii) E2 : “Escolher, ao acaso, um ponto de um círculo de raio unitário”; iii) E3 : “Selecionar uma carta de um baralho com 52 cartas e observar seu naipe”; iv) E4 : “Lançar um dado e observar o número da sua face superior”; v) E5 : “Amostrar n peças em um lote e verificar o número de defeituosas, designado como X ”; vi) E6 : “Registrar com o auxílio de um aparelho apropriado, o número de partículas radioativas emitidas por uma fonte em um período de 24 horas, designado como Y ”; vii) E7 : “Realizar um teste de vida útil com n componentes eletrônicos para registrar os tempos ti , i = 1, . . . ,n de operação contínua até a ocorrência da primeira falha”; 90 / 338 Espaço amostral É o conjunto de todos os possíveis resultados de um experimento aleatório, sendo denotado por S; Pode ser finito, infinito e enumerável, infinito e não enumerável; 91 / 338 Exemplos Associados aos exemplos de experimentos aleatórios vistos anteriormente em i) a vii), temos: i) S1 = {0,1,2,3,4,5,6,7,8,9,10}; ii) S2 = {(x , y) : x2 + y2 ≤ 1} é finito e não enumerável; iii) S3 = {ouro, paus, copas, espadas} = {♦,♣,♥,♠}; iv) S4 = {1,2,3,4,5,6}; v) S5 = {0,1,2, . . . ,n} é finito e enumerável; vi) S6 = {0,1,2, . . .} é infinito e enumerável; vii) S7 = {ti : 0 < ti ≤ tmax} é finito porém não enumerável. O valor tmax poderá ser conhecido ou desconhecido, sendo que estimar tmax poderá ser um dos objetivos do experimento. 92 / 338 Eventos Denomina-se evento a todo conjunto particular de resultados de S, ou ainda, a todo subconjunto de S. 93 / 338 Associados aos espaços amostrais v) a vii) temos: Exemplos i) Seja A = {nenhuma peça defeituosa foi amostrada} ou A = {X = 0}; ii) Seja B = {no máximo 10 partículas} ou B = {Y ≤ 10}; iii) Seja C = {t(1) > 300 horas}, em que t(1) é o mínimo valor ti . 94 / 338 Eventos mutuamente exclusivos Diz-se que dois eventos são mutuamente exclusivos (ou mutuamente excludentes) se, e somente se, a ocorrência de um impede a ocorrência do outro. Caracterizam-se, na teoria dos conjuntos, por dois conjuntos disjuntos, isto é, que não possuem nenhum ponto em comum. A e B são mutuamente exclusivos se A ∩ B = ∅. 95 / 338 Algumas operações e propriedades de conjuntos P1) Comutativa: A ∪ B = B ∪ A e A ∩ B = B ∩ A; P2) Associativa: (A ∪ B) ∪ C = A ∪ (B ∪ C) e (A ∩ B) ∩ C = A ∩ (B ∩ C); P3) Distributiva: A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) e A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C); P4) Leis de DeMorgan: P4.i) (A ∪ B)c = Ac ∩ Bc ou A ∪ B = (Ac ∩ Bc)c ; P4.ii) (A ∩ B)c = Ac ∪ Bc ou A ∩ B = (Ac ∪ Bc)c . 96 / 338 Probabilidade axiomática i) P(A) ≥ 0; ii) P(S) = 1; iii) Se A e B são dois eventos em S mutuamente exclusivos, então P(A ∪ B) = P(A) + P(B). 97 / 338 Teoremas do cálculo de probabilidades - pg 66 Alguns resultados auxiliam os os cálculos de probabilidades, dentre as quais temos P1) P (∅) = 0; P2) P (Ac) = 1− P (A); P3) 0 ≤ P (A) ≤ 1; P4) Se A ⊂ B então P (A) ≤ P (B); P5) P (A) = P (A ∩ B) + P (A ∩ Bc); P6) Se A e B são dois eventos quaisquer então P (A ∩ Bc) = P (A)− P (A ∩ B) ; P7) Teorema da soma de probabilidades P (A ∪ B) = P (A) + P (B)− P (A ∩ B) ; P8) Para três eventos temos: P (A ∪ B ∪ C) = P (A)+P (B)+P (C)−P (A ∩ B)−P (A ∩ C)−P (B ∩ C)+P (A ∩ B ∩ C) 98 / 338 Probabilidade A probabilidade surgiu no século XIX com o intuito de determinar as chances de se ganhar jogos de azar. Esta motivação levou à chamada probabilidade a priori (clássica). 99 / 338 Probabilidade clássica Sejam: I E um experimento aleatório; I S um espaço amostral, a ele associado e, composto de n pontos amostrais; I Cada ponto amostral tem a mesma probabilidade, isto é, os pontos são equiprováveis; I A um evento em S, (A ⊂ S); Então 100 / 338 P (A) = f n em que: f é o número de eventos favoráveis ao evento A; n é o numero de pontos amostrais. 101 / 338 Sejam: E o experimento relativo ao lançamento de um dado perfeitamente simétrico e não viciado; A o evento ocorrência de um número par; Determinar P(A). 102 / 338 Temos que S = {1,2,3,4,5,6}; Todos os pontos são equiprováveis, isto é, cada ponto de S tem a mesma probabilidade de ocorrer, pois o dado não é viciado; Então f = 3, n = 6 e assim P(A) = 3 6 = 0,5 103 / 338 Problemas Só é aplicável se o espaço amostral for enumerável finito e equiprovável; Se S tivesse infinitos elementos, então cada evento teria probabilidade zero de ocorrer. 104 / 338 Exercício 01 pg 85 1. Considerando o espaço amostral de um experimento constituído do lançamento de dois dados perfeitamente simétricos e não viciados, pede-se: a) Qual a probabilidade de que o primeiro dado mostre a face dois e o segundo a face três? b) Qual a probabilidade de que ambos os dados mostrem a mesma face? c) Qual a probabilidade de que o segundo dado mostre um número par? 105 / 338 Exercício 02 pg 85 2. Uma moeda perfeita é lançada três vezes e observado o número de caras. Qual é a probabilidade de ocorrer? a) Pelo menos uma cara? b) Somente cara ou somente coroa? c) Exatamente uma cara? 106 / 338 Exercício 03 pg 85 Para casa. 107 / 338 Probabilidade frequentista Também chamada de probabilidade a posteriori; 108 / 338 Considere um experimento aleatório que possa ser repetido indefinidamente em idênticas condições; Seja A um evento pertencente ao espaço amostral associado a este experimento aleatório; Se após n repetições do experimento, com nsuficientemente grande, for observado m ≤ n vezes o evento A, então uma estimativa da probabilidade P(A) é dada pela frequência relativa f = mn . 109 / 338 Um dado foi lançado n vezes e registrou-se o número de vezes m que determinada face ocorreu. Com o aumento do número de repetições n, as duas se aproximam, f ≈ P(A). 110 / 338 Problemas A exigência n suficientemente grande é por demais vaga para que sirva como uma boa definição de probabilidade, além de impossibilitar, tal como o conceito clássico, o tratamento probabilístico de eventos associados a experimentos aleatórios com espaços amostrais infinitos. 111 / 338 Probabilidade axiomática Foi axiomatizada por Kolmogorov; i) P(A) ≥ 0; ii) P(S) = 1; iii) Se A e B são dois eventos em S mutuamente exclusivos, então P(A ∪ B) = P(A) + P(B). 112 / 338 Exercício 15 pg 87 3. Quatro equipes A, B, C e D participam de um torneio que premiará uma única equipe campeã. Com relação as probabilidades de cada equipe vencer o torneio: as equipes C e D são equiprováveis, a equipe A é duas vezes mais provável do que B, a equipe B é duas vezes mais provável do que as equipes C e D. Pede-se: Qual é a probabilidade de que as equipes C ou D sejam campeãs? 113 / 338 Exercício 06 pg 86 4. Sejam A, B e C três eventos de um mesmo espaço amostral S. Sabendo-se que: P (A) = P (B) = 1 3 ; P (C) = 1 4 ; P (A ∩ B) = 1 8 ; P (A ∩ C) = P (B ∩ C) = 1 9 ; P (A ∩ B ∩ C) = 1 20 . Calcular as probabilidades: a) De ocorrer pelo menos um dos eventos A, B ou C; b) De que não se realize nenhum dos eventos A, B ou C; 114 / 338 Probabilidade condicional e independência - pg 72 A noção de probabilidade condicional é uma ferramenta básica da teoria das probabilidades. 115 / 338 Considere um departamento de uma universidade assim distribuído: 116 / 338 XXXXXXXXXXXCurso Sexo Homens (H) Mulheres (F) Totais Música (M) 70 40 110 Administração (A) 15 15 30 Estatística (E) 10 20 30 Computação (C) 20 10 30 Totais 115 85 200 Podemos calcular: P(A) P(H) P(A ∩ H) P(A ∪ H) P(A|H) P(H|A) 117 / 338 Probabilidade condicional Seja B um evento cuja probabilidade é positiva. Para um evento A, arbitrário, definimos. P(A|B) = P(A ∩ B) P(B) , P(B) > 0 118 / 338 Obviamente tem-se que: P(B|A) = P(A ∩ B) P(A) , P(A) > 0 119 / 338 Exercício 10 pg 86 1) Jogam-se dois dados. Se as duas faces mostram números diferentes, qual é a probabilidade condicional de que uma das faces seja quatro? 120 / 338 Exercício 06 pg 86 2) Sejam A, B e C três eventos de um mesmo espaço amostral S. Sabendo-se que: P (A) = P (B) = 1 3 ; P (C) = 1 4 ; P (A ∩ B) = 1 8 ; P (A ∩ C) = P (B ∩ C) = 1 9 ; P (A ∩ B ∩ C) = 1 20 . Calcular as probabilidades: c) De que o evento A se realize, sabendo-se que já ocorreu B ou C (probabilidade condicional). 121 / 338 Exercício 01 pg 84 3) Numa prova há sete questões do tipo verdadeiro-falso (V ou F). Calcule a probabilidade de acertarmos todas as 7 questões se: a) Escolhermos aleatoriamente as 7 respostas. b) Escolhermos aleatoriamente as 7 respostas, mas, sabendo-se que há mais respostas V do que F (condicional). 122 / 338 Teorema do produto das probabilidades Vimos que a probabilidade condicional de A dado B é, P(A|B) = P(A ∩ B) P(B) A fórmula é frequentemente usada na forma, P(A ∩ B) = P(A|B)P(B) Esse resultado é conhecido pelo nome de teorema do produto das probabilidades. 123 / 338 Independência A probabilidade condicional P(A|B) não é, em geral, igual à probabilidade P(A). No caso em que P(A|B) = P(A) diremos que A é estocasticamente (probabilísticamente) independente de B. 124 / 338 Independência Em termos de probabilidades temos que A e B são independentes se P(A|B) = P(A); ou equivalentemente P(A ∩ B) = P(A)P(B) 125 / 338 Independência Para três eventos i) P(A ∩ B) = P(A)P(B) ii) P(A ∩ C) = P(A)P(C) iii) P(B ∩ C) = P(B)P(C) Se i), ii) e iii) são satisfeitas temos que os eventos são independentes dois a dois; iv) P(A ∩ B ∩ C) = P(A)P(B)P(C) Se i), ii), iii) e iv) são satisfeitas temos que os eventos são mutuamente independentes. 126 / 338 Independência Para n eventos Os n eventos A1,A2, · · · ,An são mutuamente independentes, se para todas as combinações 1 ≤ i < j < k < · · · ≤ n, as regras de multiplicação, P(Ai ∩ Aj) = P(Ai) · P(Aj) P(Ai ∩ Aj ∩ Ak ) = P(Ai) · P(Aj) · P(Ak ) ... ... ... P(A1 ∩ A2 ∩ · · · ∩ An) = P(A1) · P(A2) · . . . P(An) se aplicam. 127 / 338 Exercício 04 pg 84 4) Considere a escolha aleatória de um número entre os 10 primeiros números inteiros positivos (a partir de um), e os eventos: A = {1,2,3,4,5}, B = {4,5,6,7} e C = {5,9}. Pede-se: Os eventos são mutuamente independentes? Mostre por quê. 128 / 338 Exercício 19 pg 88 5) Suponha que a probabilidade de que um vigia noturno num navio com luzes apagadas descubra um periscópio em certas condições de tempo seja igual a 0,7. Pede-se: qual é a probabilidade de que uma combinação de dois vigias similares façam a descoberta? Qual é a pressuposição necessária para o cálculo desta probabilidade? 129 / 338 Teorema da probabilidade total 130 / 338 Teorema da probabilidade total Sejam B1,B2, · · · ,Bn eventos mutuamente exclusivos e exaustivos. Isto é, {B1, B2, · · · , Bn} satisfazem: Bi ∩ Bj = ∅, ∀i 6= j e também B1 ∪ B2 ∪ · · · ∪ Bn = S então, A = (A ∩ B1) ∪ (A ∩ B2) ∪ . . . ∪ (A ∩ Bn) 131 / 338 Teorema da probabilidade total Mediante aplicação da definição de probabilidade condicional, P(A|Bi) = P(A ∩ Bi)P(Bi) teremos, P(A ∩ Bi) = P(A|Bi)P(Bi) logo P(A) = P(A|B1) ·P(B1) +P(A|B2) ·P(B2) + . . .+P(A|Bn) ·P(Bn) e finalmente P(A) = n∑ i=1 P(A|Bi) · P(Bi) 132 / 338 Teorema de Bayes Com base na definição de probabilidade condicional, pode-se estabelecer um resultado bastante útil conhecido como o Teorema de Bayes. P(Bj |A) = P(A|Bj)P(Bj) n∑ i=1 P(A|Bi)P(Bi) 133 / 338 Exercício 2 página 79 1) Sejam duas urnas I e II. A urna I contém três fichas vermelhas e duas fichas azuis, e a urna II contém duas fichas vermelhas e oito fichas azuis. Joga-se uma moeda “honesta” Se a moeda der “cara”, extrai-se uma ficha da urna I; se der “coroa”, extrai-se uma ficha da urna II. Pede-se: a) Determine a probabilidade de escolha de uma ficha vermelha. b) Dado que a ficha é vermelha, qual é a probabilidade condicional de ter vindo da urna I? 134 / 338 Diagrama de árvore Em geral, o chamado diagrama de árvore é uma ferramenta útil para avaliar probabilidades; Seu uso nos teoremas da probabilidade total e de Bayes é, muita das vezes, necessário por facilitar o entendimento do problema. 135 / 338 B A 3 5 2 5 Bc • 1 2 1 2 B Ac 2 10 8 10 Bc 136 / 338 Exercício 04 pg 78 2) Suponha que um teste seja 99% acurado em indicar uma doença rara, que somente ocorre em uma pessoa a cada um milhão. Avalie a probabilidade condicional de uma pessoa estar com esta doença rara se o teste indicar que sim. 137 / 338 Exercício 03 pg 84 3) Certa firma utilizava um teste para classificar os funcionários em categorias; ao final eles eram classificados em: 25% bons (B), 50% médios (M) e 25% fracos (F). Um novo teste é proposto, de tal forma a classificar os funcionários como aprovado (A) ou reprovado (R). Com base em informações do antigo teste, foram obtidas as seguintes probabilidades condicionais com o novo teste: Categorias do Aprovados pelo antigo teste novo teste(%) B 80 M 50 F 20 Pede-se: qual é a probabilidade condicional de um funcionário aprovado no novo teste, ser classificado como fraco peloantigo teste? 138 / 338 Exercício 13 pg 91 4) Considere que a probabilidade condicional de um equipamento eletrônico falhar depende apenas da temperatura, de acordo com as seguintes probabilidades condicionais: Temperatura (t) Probabilidade de falhar t < 5◦C 0,80 5◦C ≤ t ≤ 15◦C 0,40 t > 15◦C 0,10 Considere também que a temperatura no local de operação do equipamento se distribui de acordo com as seguintes probabilidades: (t) t < 5◦C 5◦C ≤ t ≤ 15◦C t > 15◦C P (t) 0,10 0,50 0,40 Pede-se: Tendo-se observado uma falha no equipamento, qual é a probabilidade condicional de que ela tenha ocorrido com temperatura superior a 15◦C? 139 / 338 Exercícios resolvidos 1 a 5 pg 79 a 83 5) Fazer os exercícios resolvidos das páginas 79 a 83. 140 / 338 Variáveis aleatórias - (v.a.) - página 101 O uso de variáveis aleatórias permite descrever os resultados de um experimento aleatório por meio de números ao invés de palavras, o que apresenta a vantagem de possibilitar melhor tratamento matemático. Considere o lançamento de duas moedas e seja X o número de caras obtidas, denote c = cara e k = coroa. S = {kk , ck , kc, cc} SX = {0,1,2} X (kk) = 0, X (ck) = X (kc) = 1 e X (cc) = 2 141 / 338 Variáveis aleatórias - (v.a.) Se E é um experimento aleatório e S o espaço amostral associado a este experimento, uma função X que associe a cada elemento s pertencente a S um número real X (s), é denominada variável aleatória: ∀s ∈ S tem-se X (s) : S 7→ Sx = {x ∈ R : X (s) = x} 142 / 338 Variáveis aleatórias - (v.a.) As variáveis aleatórias classificam-se em: i) Discretas: (v.a.d) se os valores x que X pode assumir formam um conjunto enumerável, finito ou infinito. Em geral o valor x é obtido mediante alguma forma de contagem. I O número de acidentes ocorridos em uma semana; I O número de peças defeituosas em uma amostra; I O número de chamadas telefônicas recebidas por hora em uma central. ii) Contínuas: (v.a.c) se puder assumir todo e qualquer valor x em algum intervalo: a ≤ x ≤ b, em que a e b podem ser, respectivamente, −∞ e +∞. Portanto, uma v.a. c. está associada a um espaço amostral infinito não enumerável. I Peso dos alunos da UFV; I Altura dos alunos da UFV; I Tempo até a queima de uma lâmpada. 143 / 338 Variáveis aleatórias discretas - (v.a.d.) Associada a variáveis aleatórias temos a chamada função de probabilidade; Função de probabilidade (f.p.) A função de probabilidade f (x) atribui a cada ponto do espaço amostral sua probabilidade de ocorrência; Pode ser dada em termos de uma tabela, gráfico e ou através de uma fórmula matemática. 144 / 338 Variáveis aleatórias discretas - (v.a.d.) Considere o lançamento de um dado não viciado e seja X a v.a. que é o número da face voltada para cima. A função de probabilidade neste caso pode ser dada como: Tabela x 1 2 3 4 5 6 P(X = x) 1 6 1 6 1 6 1 6 1 6 1 6 Fórmula f (x) = P(X = x) = 1 6 , para x = 1,2,3,4,5,6, e zero (0), caso contrário. 145 / 338 Variáveis aleatórias discretas - (v.a.d.) Para que uma função seja uma função de probabilidade deve satisfazer: i) f (x) ≥ 0, para todo x ; ii) ∞∑ x=1 f (x) = 1. 146 / 338 Variáveis aleatórias discretas - (v.a.d.) Exemplo Seja E : Observar X = “número de pontos da face superior” no lançamento de um dado viciado, de tal forma que a probabilidade de cada face é proporcional ao número de pontos. Determine a função de probabilidade (f.p.). 147 / 338 Exercício 15 pg 134 1) Este é um problema com nomes e fatos reais. Vou a um churrasco e encontro o meu amigo Luiz Abrantes com as suas três filhas: Luiza, Paula e Bruna. Eu sei os nomes das filhas dele mas não tenho a menor idéia de quem é quem e portanto de forma completamente aleatória falarei os nomes. Considere que a variável aleatória X represente o número de nomes que eu acerto. Pede-se: Construa a tabela com a distribuição das probabilidades de X . 148 / 338 Variáveis aleatórias discretas - (v.a.d.) 2) Exercício prova 2 - 2012/II Quando um componente eletrônico é testado ele pode apresentar três tipos de defeitos de funcionamento A, B e C. Admita que as probabilidades sejam: P(A) = 0,30, P(B) = 0,28, P(C) = 0,31. Pode também ocorrer mais que um tipo de defeito em um mesmo componente, de modo que: P(A ∩ B) = 0,15, P(A ∩ C) = 0,17, P(B ∩ C) = 0,13 e P(A ∩ B ∩ C) = 0,05. Seja X a variável aleatória discreta que represente o número de tipos de defeitos que um componente pode apresentar. Pede-se: Obtenha a tabela com a distribuição de probabilidades de X . 149 / 338 Variáveis aleatórias discretas - (v.a.d.) Associada às variáveis aleatórias discretas temos também a chamada função de distribuição acumulada (F (x)), também é chamada de função de distribuição; Função de distribuição acumulada É a função F (·) tal que F (x) = P (X ≤ x) F (x) nos dá a probabilidade acumulada até x . 150 / 338 Variáveis aleatórias discretas - (v.a.d.) Considere o lançamento de um dado não viciado e seja X a v.a. que é o número da face voltada para cima. A função de probabilidade é dada por: Tabela x 1 2 3 4 5 6 P(X = x) 1 6 1 6 1 6 1 6 1 6 1 6 Determine a função de distribuição. 151 / 338 Variáveis aleatórias discretas - (v.a.d.) Exercício prova 2 - 2013/I Considere a função de distribuição acumulada da variável aleatória X dada a seguir: F (x) = 0, 2/6, 3/6, 4/6, 1, se x < 0 se 0 ≤ x < 1 se 1 ≤ x < 2 se 2 ≤ x < 3 se 3 ≤ x Pede-se: calcule a seguinte probabilidade P(1 ≤ X < 3). a) 1/6 b) 1/2 c) 2/3 d) 1/3 e) n.d.r.a. 152 / 338 Adaptação exemplo página 108 3) Considere a função de distribuição acumulada da variável aleatória discreta X dada a seguir, F (x) = 0, se x < −2 1/4, se −2 ≤ x < −1 3/8, se −1 ≤ x < 2 7/8, se 2 ≤ x < 4 1, se 4 ≤ x Determine: a) Esboce o gráfico de F (x). b) Determine a função de probabilidade. c) P ( X ≥ 3 2 ) d) P (−1 ≤ X < 4) 153 / 338 Exercício 07 pg 132 4) O número de anos de serviço dos funcionários de uma grande empresa é uma variável aleatória discreta X , cuja função de probabilidade f (x) = P (X = x) é dada na tabela a seguir, f (x) = 0,08, x = 1, . . . ,5 0,09, x = 6, . . . ,10 0,01, x = 11, . . . ,25 0, para outros valores de x a) Obtenha a função de distribuição acumulada F (x) = P(X ≤ x). b) Qual é o percentual de funcionários com no máximo 10 anos de serviço. c) Dentre os funcionários com no mínimo 10 anos de serviço, calcule o percentual com no mínimo 20 anos (probabilidade condicional). 154 / 338 Variáveis aleatórias contínuas - (v.a.c.) Função densidade de probabilidade (f.d.p.) A função que denotaremos por f (x), definida para a ≤ x ≤ b, será chamada função densidade de probabilidade (f.d.p.) se satisfizer às seguintes condições: i) f (x) ≥ 0, para todo x ∈ [a, b]; ii) ∫ b a f (x)dx = 1. 155 / 338 Variáveis aleatórias contínuas - (v.a.c.) I Se c < d então P(c < X < d) = ∫ d c f (x)dx I P(X = c)=P(c ≤ X ≤ d)= ∫ c c f (x)dx = 0 I P(c≤X ≤d) =P(c≤X <d) =P(c<X ≤d) =P(c < X < d) I A função densidade de probabilidade f (x), não representa probabilidade. Somente quando a função for integrada entre dois limites, ela produzirá uma probabilidade, que será a área sob a curva da função entre os valores considerados. 156 / 338 Variáveis aleatórias contínuas - (v.a.c.) Exemplo 1 - página 106 1) Seja uma v.a.c. X definida pela seguinte função densidade de probabilidade: f (x) = 0, se x < 0 kx , se 0 ≤ x ≤ 2 0, se 2 < x a) Determinar o valor de k ; b) Traçar o gráfico da função densidade de probabilidade; c) Calcular P(X ≤ 1); d) calcular P(X > 1). Respostas: (a) k=1/2, (c) 1/4,(d) 3/4. 157 / 338 Exercício 04 pg 125 2) Uma variável aleatória contínua X possui a seguinte função densidade de probabilidade: f (x) = 0, para x < −1 ou x ≥ 4/3, k ( 1− x2), para −1 ≤ x < 0, k , para 0 ≤ x < 4/3. Determinar: a) O valor de k ; b) P (−0,5 ≤ X ≤ 0,5); 158 / 338 Exercício 25 pg 137 3) Seja X a vida útil de um componente eletrônico, que representa o tempo de funcionamento em horas até ele apresentar a primeira falha. A função densidade de probabilidade de X é dada por, f (x) = { ke−x/200, 0 ≤ x <∞, 0, caso contrário. Pede-se: a) O valor de k ; b) A probabilidade de um componente durar pelo menos 300 horas; c) A probabilidade condicional de um componente durar pelo menos 700 horas sabendo-se que durar 300 horas é certo. e) Qual deve ser a garantia dada pelo fabricante de modo que no máximo 10% dos componentes tenham vida útil inferior à garantia? Letra d será resolvida posteriormente. 159 / 338 4) Seja X uma variável aleatória contínua com função densidade de probabilidade dada por, f (x) = 3x2 c , 1 ≤ x ≤ 3 0, outros valores x Pede-se: O valor de c é igual a, a.( ) 27 b.( ) 81 c.( ) 26 d.( ) 9 e.( ) n.d.r.a. 160 / 338 Função de distribuição acumulada É a função F (x) associada à variável aleatória X , tal que: F (x) = P (X ≤ x) = ∑ xi≤x P (X = xi). 161 / 338 Variáveis aleatórias contínuas - (v.a.c.) Função de distribuição acumulada É a função F (x) associada à variável aleatória X , tal que: F (x) = P (X ≤ x) = ∫ x −∞ f (u)du. 162 / 338 Variáveis aleatórias contínuas - (v.a.c.) Através de f (x) podemos obter F (x) por integração; Através de F (x) podemos obter f (x) por derivação. 163 / 338 Exercício 04 pg 125 1) Uma variável aleatória contínua X possui a seguinte função densidade de probabilidade: f (x) = 0, para x < −1 ou x ≥ 4/3, 1 2 ( 1− x2 ) , para −1 ≤ x < 0, 1 2 , para 0 ≤ x < 4/3. Determinar: c) F (x), a função de distribuição acumulada. 164 / 338 Exercício 25 pg 137 - letra d) 2) Seja X a vida útil de um componente eletrônico, que representa o tempo de funcionamento em horas até ele apresentar a primeira falha. A função densidade de probabilidade de X é dada por, f (x) = { 1 200e −x/200, 0 ≤ x <∞, 0, caso contrário. Pede-se: d) A função de distribuição acumulada de X . 165 / 338 Variáveis aleatórias bidimensionais Variáveis aleatórias bidimensionais surgem quando para um determinado experimento aleatório, cada resultado s do espaço amostral S se associa a dois resultados X (s) = x e Y (s) = y . Estudar a estatura X e o peso Y , de alguma pessoa escolhida ao acaso, o que forneceria o resultado (x , y). Nos restringiremos aqui às variáveis aleatórias bidimensionais. 166 / 338 Variáveis aleatórias bidimensionais s S ( )s X X Y ( )s Y 167 / 338 v.a.d y x y1 y2 · · · ys P(X = x) x1 P(x1, y1) P(x1, y2) · · · P(x1, ys) P(X = x1) x2 P(x2, y1) P(x2, y2) · · · P(x2, ys) P(X = x2) · · · · · · · · · · · · · · · · · · xr P(xr , y1) P(xr , y2) · · · P(xr , ys) P(X = xr ) P(Y = yj) P(Y = y1) P(Y = y2) · · · P(Y = ys) 1 P(X = xi ,Y = yj) = P(xi , yj) = pij . 168 / 338 v.a.d Condições para que P(xi , yj) seja uma função de probabilidade conjunta bidimensional (a) P(xi , yj) ≥ 0, para todo par (xi , yj) (b) ∑ i ∑ j P(xi , yj) = 1 Y X 0 1 2 0 0,10 0,20 0,20 1 0,04 0,08 0,08 2 0,06 0,12 0,12 169 / 338 v.a.d Marginal de X xi x1 x2 · · · xr Total P(X = xi) P(X = x1) P(X = x2) · · · P(X = xr ) 1 P(X = xi) = P(xi) = s∑ j=1 P(xi , yj) Marginal de Y yj y1 y2 · · · ys Total P(Y = yj) P(Y = y1) P(Y = y2) · · · P(Y = ys) 1 P(Y = yj) = P(yj) = r∑ i=1 P(xi , yj) 170 / 338 v.a.d Exemplo 1: pg 116 Dada a distribuição de probabilidade conjunta de (X ,Y ) abaixo Y X 0 1 2 0 0,10 0,20 0,20 1 0,04 0,08 0,08 2 0,06 0,12 0,12 pede-se: a) A distribuição de X ; b) P [X ≤ 1]; c) P [X > 1]; d) A distribuição de Y ; e) A distribuição de W = X + Y ; f) A distribuição de V = XY . 171 / 338 Exercício 11 pg 127 letras a) e b) 1) Seja (X ,Y ) uma variável aleatória bidimensional discreta, com a seguinte função de probabilidade: P(xi , yj) = 2xi + yj 42 , para xi = 0,1,2 e yj = 0,1,2,3; 0, caso contrário. Pede-se: a) A tabela com a distribuição de probabilidade conjunta; b) A tabela com a distribuição marginal de X e também a de Y . 172 / 338 v.a.d Probabilidade condicional Seja xi um valor de X , tal que P(X = xi) = P(xi) > 0. A probabilidade condicional de Y = yj , dado que X = xi é dada por, P(Y = yj |X = xi) = P(X = xi ,Y = yj) P(X = xi) Variáveis aleatórias independentes Seja (X ,Y ) uma variável aleatória bidimensional. X e Y são independentes se P(Y = yj |X = xi) = P(Y = yj) ou equivalentemente P(X = xi ,Y = yj) = P(X = xi)P(Y = yj) 173 / 338 v.a.d Prova 02 - 2014/I Seja (X ,Y ) uma variável aleatória bidimensional discreta com a seguinte distribuição de probabilidades, Y X 1 3 8 P(x) 0 0,18 0,12 0,30 0,60 5 0,12 0,08 0,20 0,40 P(y) 0,30 0,20 0,50 1,00 Pede-se: a) Aplique a definição de probabilidade condicional e calcule: P(X = 5|Y ≥ 3). b) A probabilidade encontrada no item a) é igual a P(X = 5)? responda SIM ou NÃO e justifique sua resposta com o conceito de variáveis aleatórias independentes. c) Se W = X + Y , calcule P(W > 3). 174 / 338 v.a.d Prova 02 - 2012/II Considere a função de distribuição acumulada da variável aleatória discreta X dada a seguir, F (x) = 0, se x < −1, 1/6, se −1 ≤ x < 1, 2/6, se 1 ≤ x < 2, 4/6, se 2 ≤ x < 3, 5/6, se 3 ≤ x < 5, 1, se x ≥ 5. Determine a) P(2 ≤ X < 5); b) P(X ≤ 4|X > 0). 175 / 338 v.a.d Variáveis aleatórias discretas independentes Seja (X ,Y ) uma variável aleatória bidimensional discreta. X e Y são independentes se P(Y = yj |X = xi) = P(Y = yj), ou equivalentemente, P(X = xi ,Y = yj) = P(X = xi)P(Y = yj), para todos (xi , yj) ∈ Ω. 176 / 338 v.a.d Exemplo 1 1) Dada a distribuição de probabilidade conjunta de (X ,Y ) abaixo Y X 0 1 2 P(X = x) 0 0,10 0,20 0,20 0,50 1 0,04 0,08 0,08 0,20 2 0,06 0,12 0,12 0,30 P(Y = y) 0,20 0,40 0,40 1 pede-se: i) P(X = 1|Y = 0); ii) P(X ≤ 1|Y = 0); iii) A distribuição condicional de X dado que Y = 0; iv) X e Y são independentes?. 177 / 338 v.a.c Variáveis aleatórias bidimensionais contínuas Uma variável aleatória (X ,Y ) é dita ser uma variável aleatória bidimensional contínua se X e Y forem variáveis aleatórias contínuas. Associada a uma variável aleatória bidimensional contínua temos a função densidade de probabilidade bidimensional. 178 / 338 v.a.c Condições para que f (x , y) seja uma função densidade de probabilidade bidimensional (a) f (x , y) ≥ 0, para todo par (x , y); (b) ∫ ∞ −∞ ∫ ∞ −∞ f (x , y)dxdy = 1 179 / 338 v.a.c P (a ≤ X ≤ b, c ≤ Y ≤ d) = ∫ b a ∫ d c f (x , y)dydx = ∫ d c ∫ b a f (x , y)dxdy 180 / 338 v.a.c Exemplo 2 - pg 116 2) Sejam X e Y variáveis aleatórias contínuas com função densidade de probabilidade conjunta dada por: f (x , y) = { k (2x + y) , 2 ≤ x ≤ 6; 0 ≤ y ≤ 5 0, para outros valores Pede-se: a) O valor de k ; b) P(X ≤ 3; 2 ≤ Y ≤ 4); 181 / 338 v.a.c Distribuição marginal A função densidade de probabilidade marginal de X é definida por: g(x) = ∫ ∞ −∞ f (x , y)dy ; Analogamente, a função densidade de probabilidade marginal de Y é definida por: h(y) = ∫ ∞ −∞ f (x , y)dx ; 182 / 338 v.a.c Variáveis aleatórias independentes Seja (X ,Y ) uma variável aleatória contínua bidimensional. Diremos que X e Y são independentes,se e somente se, a função densidade de probabilidade conjunta puder ser fatorada no produto das duas funções densidade de probabilidade marginais: f (x , y) = g(x)h(y) 183 / 338 v.a.c Exemplo 2 - pg 116 3) Sejam X e Y variável aleatória contínua bidimensional com a seguinte função densidade de probabilidade conjunta, f (x , y) = { k (2x + y) , 2 ≤ x ≤ 6; 0 ≤ y ≤ 5 0, para outros valores Pede-se: c) P (Y ≤ 2); d) P (X > 4); e) X e Y são independentes? 184 / 338 Exercício 16 pg 128 4) Sejam X e Y variáveis aleatórias contínuas, com função densidade de probabilidade conjunta dada por: f (x , y) = 3− y16 , se 0 ≤ x ≤ 4, 0 ≤ y ≤ 20, para outros valores de x e y . Pede-se: a) As funções marginais de X e Y ; b) X e Y são v.a. independentes? Justifique. 185 / 338 Exercício resolvido página 114 5) Refaça o exercício resolvido da página 114 da apostila. 186 / 338 v.a.c Prova 02 - 2014/I 6) Seja (X ,Y ) uma variável aleatória (v.a.) contínua bidimensional com a seguinte função densidade de probabilidade conjunta, f (x , y) = kx2y , para 0 ≤ x ≤ 3 e 0 ≤ y ≤ 1 0, para outros valores x e y Pede-se: a) Calcule o valor k ; b) Verifique se X e Y são v.a. contínuas independentes. Responda SIM ou NÃO e justifique sua resposta. Atenção: se não souber o valor de k do item a), indique os cálculos. 187 / 338 v.a.c Distribuição condicional A função densidade de probabilidade condicional de X , dado que Y = y é definida por: f (x |y) = f (x , y) h(y) , h(y) > 0; Analogamente, a função densidade de probabilidade condicional de Y , dado X = x é definida por: f (y |x) = f (x , y) g(x) , g(x) > 0 188 / 338 v.a.c Exemplo 2 - pg 116 1) Seja (X ,Y ) uma variável aleatória bidimensional contínua com a seguinte função densidade de probabilidade conjunta, f (x , y) = 1210 (2x + y) , 2 ≤ x ≤ 6; 0 ≤ y ≤ 50, para outros valores Pede-se: f) f (x |y) g) f (x |Y = 1) 189 / 338 v.a.c 2) Seja (X ,Y ) uma variável aleatória contínua bidimensional com a seguinte função densidade de probabilidade conjunta, f (x , y) = 4 + 6(x + y) + 9xy 16 , −1 ≤ x ≤ 1,−1 ≤ y ≤ 1 0, para outros valores x e y . Pede-se: a) Determine f (x |y); b) Determine P ( X < − 13 |Y = − 13 ) ; c) X e Y são variáveis aleatórias independentes? Justifique sua resposta. 190 / 338 Prova 2013/II 1) Considere o seguinte jogo de azar: o jogador paga R$ X (valor que não é devolvido) e depois aleatoriamente escolhe uma dentre três moedas idênticas, sendo uma delas viciada. A moeda escolhida é então lançada, e, se mostrar a face cara, o jogador não recebe nenhum prêmio; se mostrar a face coroa, ele recebe um prêmio de R$ 24. Admita que a moeda viciada mostre a face cara com probabilidade igual a 0,75 (ou 3/4). Pede-se: 191 / 338 Prova 2013/II a) se a moeda mostrou a face cara, qual é a probabilidade condicional de que a moeda lançada tenha sido a viciada? i.( ) 4 7 ii.( ) 7 12 iii.( ) 1 4 iv.( ) 3 7 v.( ) n.d.r.a. 192 / 338 b) qual deve ser o valor pago pelo jogador para que este jogo seja justo? isto é, para que o valor esperado (recebido pelo jogador ou pelo organizador do jogo) seja igual a zero. i.( ) ≈ R$ 17,143 ii.( ) R$ 10 iii.( ) R$ 14 iv.( ) ≈ R$ 12,35 v.( ) n.d.r.a. 193 / 338 Solução 1a) Solução: Sejam: A:“A moeda é viciada” B:“A face mostrada é cara”. Temos que P [A] = 13 , P [A c] = 23 , P [B |A ] = 34 , P [Bc |A ] = 14 , P [ B|A c] = 12 , P [Bc |A c] = 12 , conforme mostrado no diagrama de árvore a seguir: 194 / 338 Solução 1a) B A 3 4 1 4 Bc • 1 3 2 3 B Ac 1 2 1 2 Bc 195 / 338 Solução 1a) P [A |B ] = P [A ∩ B] P [B] = P [B |A ]P [A] P [B |A ]P [A] + P [B |Ac ]P [Ac] = 3 4 × 13 3 4 × 13 + 12 × 23 = 1 4 7 12 = 3 7 Desta forma a resposta correta é a letra iv). 196 / 338 Solução 1b) Solução: Seja X o valor recebido pelo jogador. Então Face B Bc Total P[X = x ] 712 5 12 1 x 0 24 E(X ) = ∑ x xP(X = x) = 0× 7 12 + 24× 5 12 = 120 12 = 10 Desta forma o valor médio recebido é de R$10,00 e, assim sendo, o jogador deve pagar R$10,00 para que o jogo seja justo, sendo a resposta correta a letra ii). 197 / 338 Prova 2014/I 2) Suponha que um site especializado tenha previsto os seguintes finalistas para a copa do mundo de 2014: Brasil(BRA), Espanha(ESP), França(FRA) e Argentina(ARG), portanto a seguinte partição do espaço amostral para o jogo final com as seguintes probabilidades: P(BRA x ESP)=0,40, P(BRA x ARG)=0,20, P(FRA x ESP)=0,10 e P(FRA x ARG)=0,30. Admita também que o Brasil vença o jogo final contra a Espanha com probabilidade 0,8 e contra a Argentina com probabilidade 0,70. Nos demais jogos finais admita probabilidade 0,50 de vitória para qualquer um dos dois times. Com base apenas nestas informações, pede-se: a) A probabilidade condicional do Brasil ser o campeão, dado que a Argentina estará na final. b) A probabilidade do Brasil ser o campeão (Dica: faça um diagrama em árvore). 198 / 338 Solução 2a) Sejam: A : “A final é Brasil versus Espanha”; B : “A final é Brasil versus Argentina”; C : “A final é França versus Espanha”; D : “A final é França versus Argentina”; E : “Brasil vence Espanha na final”; F : “Brasil vence Argentina na final”; G : “França vence Espanha na final”; H : “França vence Argentina na final”; então P(A) = 0,40 P(B) = 0,20 P(C) = 0,10 P(D) = 0,30 P(E |A) = 0,80 P(F |B) = 0,70 P(G|C) = 0,50 P(H|D) = 0,50 199 / 338 E A 0,80 0,20 Ec F • 0,40 0,20 0,10 0,30 B 0,70 0,30 F c C 0,50 0,50 G Gc D 0,50 0,50 H Hc 200 / 338 Solução 2a) P (E ∪ F |B ∪ D) =? P (E ∪ F |B ∪ D) = P [(E ∪ F ) ∩ (B ∪ D)] P (B ∪ D) Temos que (E ∪ F ) ∩ (B ∪ D) = [(E ∪ F ) ∩ B] ∪ [(E ∪ F ) ∩ D] e (E ∪ F ) ∩ D = ∅, logo (E ∪ F ) ∩ (B ∪ D) = [(E ∪ F ) ∩ B] ∪∅ = (E ∪ F ) ∩ B 201 / 338 Solução 2a) Desta forma P (E ∪ F |B ∪ D) = P [(E ∪ F ) ∩ B] P (B ∪ D) . Entretanto, (E ∪ F ) ∩ B = (E ∩ B) ∪ (F ∩ B) = ∅ ∪ (F ∩ B) = F ∩ B. Logo P (E ∪ F |B ∪ D) = P (F ∩ B) P (B ∪ D) . 202 / 338 Solução 2a) Temos que P (F ∩ B) = P (F |B)P (B) = 0,70× 0,20 = 0,14 e, P (B ∪ D) = P (B)+P (D)−P (B ∩ D) = 0,20+0,30−0 = 0,50 Assim P (E ∪ F |B ∪ D) = 0,14 0,50 = 0,28. 203 / 338 Solução 2b) Seja I : “O Brasil é campeão”, assim P(I) = P [(A ∩ E) ∪ (B ∩ F )] = P (A ∩ E) + P (B ∩ F )− P [(A ∩ E) ∩ (B ∩ F )] = P (A ∩ E) + P (B ∩ F )− 0 = P (E |A)P (A) + P (F |B)P (B) = 0,40× 0,80 + 0,70× 0,20 = 0,32 + 0,14 = 0,46 204 / 338 Prova 2014/I 3) Seja (X ,Y ) uma variável aleatória bidimensional discreta com a seguinte distribuição de probabilidades, Y X 1 3 8 P(x) 0 0,18 0,12 0,30 0,60 5 0,12 0,08 0,20 0,40 P(y) 0,30 0,20 0,50 1,00 Pede-se: a) Aplique a definição de probabilidade condicional e calcule: P(X = 5|Y ≥ 3). b) A probabilidade encontrada no item a. é igual a P(X = 5)? responda SIM ou NÃO e justifique sua resposta com o conceito de variáveis aleatórias independentes. c) Se W = X + Y , calcule P(W > 3). 205 / 338 Solução 3a) P (X = 5|Y ≥ 3) = P (X = 5,Y ≥ 3) P (Y ≥ 3) = P (X = 5,Y = 3) + P (X = 5,Y = 8) P (Y = 3) + P (Y = 8) = 0,08 + 0,20 0,20 + 0,50 = 0,28 0,70 = 0,40 206 / 338 Solução 3b) Temos que P (X = 5) = 0,40 (vide enunciado da questão 3). Além disso do exercício 3a) temos que P (X = 5|Y ≥ 3) = 0,40. Desta forma P (X = 5|Y ≥ 3) = P(X = 5). Isto ocorre porque X e Y são variáveis aleatórias discretas independentes, haja vista que P (X = x ,Y = y) = P (X = x)P (Y = y) , ∀x e y . 207 / 338 Solução 3c) P(W > 3) = ∑ x ∑ y x+y>3 P (x , y) = 0,30 + 0,12 + 0,08 + 0,20 = 0,70 ou P (W > 3) = 1− P (W ≤ 3) = 1− ∑ x ∑ y x+y≤3 P (x , y) = 1− 0,18− 0,12 = 0,70 208 / 338 Prova 2014/I 4) Seja (X ,Y ) uma variável aleatória (v.a.) contínua bidimensional com a seguinte função densidade de probabilidade conjunta, f (x , y) = kx2y , para 0 ≤ x ≤ 3 e 0 ≤ y ≤ 1 0, para outros valores x e y Pede-se: a) Calcule o valor k . b) Verifique se X e Y são variáveis aleatórias contínuas independentes. Responda SIM ou NÃO e justifique sua resposta. Atenção: se não souber o valor de k do item 4a), indique os cálculos. 209 / 338 Solução 4a) Para que f (x , y) seja uma função densidade de probabilidade conjunta devemos ter: i) f (x , y) ≥ 0, ∀ (x , y) ∈ R2; ii) +∞∫ −∞ +∞∫ −∞ kx2ydxdy = 1. De ii) temos: 1 = 1∫ 0 3∫ 0 kx2ydxdy = k ∫ 1 0 x3 3 ∣∣∣∣3 x=0 ydy = k 3 ∫ 1 0 ( 33 − 03 ) ydy = 27k 3 ∫ 1 0 ydy = 9k × y 2 2 ∣∣∣∣1 y=0 = 9k × ( 12 − 02) 2 = 9k 2 . Assim 9k2 = 1, logo k = 2 9 . 210 / 338 Solução 4b) Temos que g (x) = ∫ 1 0 2 9 x2ydy = 2 9 x2 ×y 2 2 ∣∣∣∣1 y=0 = 2 9 x2 × ( 12 − 02) 2 = x2 9 e h (y) = ∫ 3 0 2 9 x2ydx = 2 9 y ×x 3 3 ∣∣∣∣3 x=0 = 2 9 y × ( 33 − 03) 3 = 2× 27 27 y = 2y Assim g (x)h (y) = x2 9 × 2y = 2 9 x2y = f (x , y) , logo X e Y são variáveis aleatórias independentes. 211 / 338 Sugestão de exercícios Probabilidade pg 69 ex2 resolvido no roteiro; pg 78 ex1 e ex2; pg 86 ex6; pg 87 ex16; pg 88 ex20; pg 94 ex24; pg 95 ex 27. Variáveis aleatórias pg 109 ex2; pg 116 ex1 e ex2; pg 128 ex14; pg 132 ex7; pg 135 ex19 somente a primeira parte. 212 / 338 Medidas de posição de uma variável aleatória Esperança matemática (valor esperado ou valor médio) O valor esperado ou a esperança matemática de uma variável aleatória X é o valor médio calculado de acordo com o modelo de probabilidade associado a X ; Corresponde ao valor que se espera observar em média para uma variável aleatória X ; É uma medida de tendência central da distribuição. Notação E(X ) ou µ 213 / 338 Esperança para variável aleatória discreta Seja X uma variável aleatória discreta com a seguinte distribuição de probabilidade: xi x1 x2 · · · xn Total P(xi) P(x1) P(x2) · · · P(xn) 1 Define-se esperança matemática de X por: E(X ) = µx = µ = x1P(x1) + x2P(x2) + · · ·+ xnP(xn). Isto é, E(X ) = n∑ i=1 xiP(xi). 214 / 338 Exemplo Um fabricante produz peças tais que 10% delas são defeituosas e 90% não são defeituosas. Se uma peça defeituosa for produzida, o fabricante perde U$ 1,00, enquanto uma peça não defeituosa lhe dá um lucro de U$ 5,00. Seja a variável aleatória X = {lucro líquido por peça}. Calcular a média do lucro líquido por peça. 215 / 338 Esperança para variável aleatória contínua A esperança matemática de uma variável aleatória contínua X é definida por: E(X ) = ∞∫ −∞ xf (x)dx 216 / 338 Exemplo Uma variável aleatória contínua X apresenta a seguinte função densidade de probabilidade: f (x) = 0, se x < 0; x 2 , se 0 ≤ x ≤ 2; 0, se x > 2. Calcular E(X ). 217 / 338 Propriedades da esperança E1) E(k) = k , k ∈ R. A média de uma constante é a própria constante. 218 / 338 E2) E(kX ) = kE(X ). A esperança matemática do produto de uma constante por uma variável é igual ao produto da constante pela esperança matemática da variável, ou seja, multiplicando-se uma variável aleatória por uma constante, sua média ficará multiplicada por essa constante. 219 / 338 E3) A esperança matemática do produto de duas variáveis aleatórias independentes é igual ao produto das esperanças matemáticas das variáveis, ou seja, a média do produto de duas variáveis aleatórias independentes é o produto das médias. E(XY ) = E(X )E(Y ), desde que X e Y sejam independentes. Cuidado A fórmula não é válida se não houver independência. E(XY ) = ∫ +∞ −∞ ∫ +∞ −∞ xyf (x , y)dxdy 220 / 338 E4) E(X + Y ) = E(X ) + E(Y ); E(X − Y ) = E(X )− E(Y ). A esperança matemática da soma ou da subtração de duas variáveis aleatórias quaisquer é igual a soma ou a subtração das esperanças matemáticas das duas variáveis aleatórias, ou seja, a média da soma ou da subtração de duas variáveis aleatórias é igual a soma ou subtração das médias. 221 / 338 E5) E(X + k) = E(X ) + k , k ∈ R; E(X − k) = E(X )− k , k ∈ R. A esperança matemática da soma ou subtração de uma variável aleatória com uma constante é igual a soma ou subtração da esperança matemática com a constante, ou seja, somando-se ou subtraindo-se uma constante a uma variável aleatória, a sua média fica somada ou subtraída da mesma constante. 222 / 338 E6) E [X − µx ] = 0. A média de uma variável aleatória centrada é zero, ou seja, a média dos desvios dos valores da variável aleatória em relação a sua média é zero. 223 / 338 Exercício 01 pg 123 1) Sabendo-se que Y = 3X − 5, E(X ) = 2 e V (X ) = 1, calcule: a) E(Y ); b) E(X + 3Y ); 224 / 338 Exercício 06 pg 124 2) (X ,Y ) é uma variável aleatória bidimensional discreta com a seguinte distribuição conjunta: x |y -3 2 4 P(xi) 1 0,1 0,2 0,2 0,5 3 0,3 0,1 0,1 0,5 P(yj) 0,4 0,3 0,3 1,0 Pede-se calcular: a) E(X ); b) E(Y ); c) E(X + Y ); d) X e Y são independentes? 225 / 338 Exercício 07 pg 124 3) Seja X uma variável aleatória contínua com a seguinte função densidade de probabilidade: f (x) = 2 3 , se x ∈ [0,1) , 2 3 (2− x) , se x ∈ [1,2] , 0, para outros valores de x . Calcule: a) A esperança matemática de (X − 1)2; 226 / 338 Prova 2013/II 4) Considere o seguinte jogo de azar: o jogador paga R$ X (valor que não é devolvido) e depois aleatoriamente escolhe uma dentre três moedas idênticas, sendo uma delas viciada. A moeda escolhida é então lançada, e, se mostrar a face cara, o jogador não recebe nenhum prêmio; se mostrar a face coroa, ele recebe um prêmio de R$ 24. Admita que a moeda viciada mostre a face cara com probabilidade igual a 0,75 (ou 3/4). Pede-se: 227 / 338 Prova 2013/II a) se a moeda mostrou a face cara, qual é a probabilidade condicional de que a moeda lançada tenha sido a viciada? i.( ) 4 7 ii.( ) 7 12 iii.( ) 1 4 iv.( ) 3 7 v.( ) n.d.r.a. 228 / 338 b) qual deve ser o valor pago pelo jogador para que este jogo seja justo? isto é, para que o valor esperado (recebido pelo jogador ou pelo organizador do jogo) seja igual a zero. i.( ) ≈ R$ 17,143 ii.( ) R$ 10 iii.( ) R$ 14 iv.( ) ≈ R$ 12,35 v.( ) n.d.r.a. 229 / 338 Solução 4a) Solução: Sejam: A:“A moeda é viciada” B:“A face mostrada é cara”. Temos que P [A] = 13 , P [A c] = 23 , P [B |A ] = 34 , P [Bc |A ] = 14 , P [ B|A c] = 12 , P [Bc |A c] = 12 , conforme mostrado no diagrama de árvore a seguir: 230 / 338 Solução 4a) B A 3 4 1 4 Bc • 1 3 2 3 B Ac 1 2 1 2 Bc 231 / 338 Solução 4a) P [A |B ] = P [A ∩ B] P [B] = P [B |A ]P [A] P [B |A ]P [A] + P [B |Ac ]P [Ac] = 3 4 × 13 3 4 × 13 + 12 × 23 = 1 4 7 12 = 3 7 Desta forma a resposta correta é a letra iv). 232 / 338 Solução 4b) Solução: Seja X o valor recebido pelo jogador. Então Face B Bc Total P[X = x ] 712 5 12 1 x 0 24 E(X ) = ∑ x xP(X = x) = 0× 7 12 + 24× 5 12 = 120 12 = 10 Desta forma o valor médio recebido é de R$10,00 e, assim sendo, o jogador deve pagar R$10,00 para que o jogo seja justo, sendo a resposta correta a letra ii). 233 / 338 Medidas de dispersãode uma variável aleatória Variância A variância de uma distribuição é uma medida que quantifica a dispersão dos valores em torno da média. Notação V (X ) ou σ2x 234 / 338 A variância é dada por: V (X ) = σ2x = E [(X − E (X ))2] = E [(X − µx)2]. Ou equivalentemente V (X ) = σ2x = E ( X 2 ) − (E (X ))2 = E ( X 2 ) − (µ)2 235 / 338 Exemplo Uma variável aleatória contínua X apresenta a seguinte função densidade de probabilidade: f (x) = 0, se x < 0; x 2 , se 0 ≤ x ≤ 2; 0, se x > 2. Calcular V (X ). 236 / 338 Propriedades da variância V1) A variância de uma constante é igual a zero. V (k) = 0, k ∈ R. 237 / 338 V2) Somando-se ou subtraindo-se uma constante a uma variável aleatória, sua variância não se altera. V (X + k) = V (X ), k ∈ R. 238 / 338 V3) Multiplicando-se uma variável aleatória por uma constante, sua variância é multiplicada pelo quadrado da constante. V (kX ) = k2V (X ), k ∈ R. 239 / 338 V4) A variância da soma de duas variáveis aleatórias independentes é igual a soma das variâncias das duas variáveis. A variância da subtração de duas variáveis aleatórias independentes é igual a soma das variâncias das duas variáveis. V (X + Y ) = V (X ) + V (Y ); V (X − Y ) = V (X ) + V (Y ). 240 / 338 Desvio padrão É a raiz quadrada positiva da variância de X . σx = √ V (X ) 241 / 338 Covariância Sejam X e Y duas variáveis aleatórias. A covariância denotada por Cov(X ,Y ) é definida por: Cov(X ,Y ) = E {[X − E(X )][Y − E(Y )]} , equivalentemente Cov(X ,Y ) = E [XY ]− E [X ]E [Y ]. 242 / 338 E(XY ) = ∑ i ∑ j xiyjP(xi , yj), para (X ,Y ) variável aleatória discreta; E(XY ) = ∞∫ −∞ ∞∫ −∞ xyf (x , y)dxdy , para (X ,Y ) variável aleatória contínua. 243 / 338 A covariância nos dá uma ideia da relação de dependência entre as variáveis. A variância é um caso particular da covariância, pois Cov(X ,X ) = V (X ). 244 / 338 Se X , Y , Z e W são variáveis aleatórias e a e b são constantes, então: C1) Cov(X ,Y ) = Cov(Y ,X ), a covariância é simétrica; C2) Se V (X ) = 0 ou V (Y ) = 0, então Cov(X ,Y ) = 0; C3) Cov(aX ,Y ) = aCov(X ,Y ); C4) Cov(aX ,bY ) = abCov(X ,Y ); C5) Cov(X + Z ,Y −W ) = Cov(X ,Y )− Cov(X ,W ) + Cov(Z ,Y )− Cov(Z ,W ); C6) V (X ± Y ) = V (X ) + V (Y )± 2Cov(X ,Y ). 245 / 338 Se X e Y forem independentes então sabemos pela propriedade E3) que E(XY ) = E(X )E(Y ) e, como Cov(X ,Y ) = E [XY ]− E [X ]E [Y ], temos que Cov(X ,Y ) = E [XY ]− E [X ]E [Y ] = E [X ]E [Y ]− E [X ]E [Y ] = 0. Se X e Y forem independentes então Cov(X ,Y ) = 0. 246 / 338 Se X e Y forem independentes então Cov(X ,Y ) = 0. Cov(X ,Y ) = 0 não implica em X e Y independentes. 247 / 338 Exercício 01 pg 123 1) Sabendo-se que Y = 3X − 5, E(X ) = 2 e V (X ) = 1, calcule: a) E(Y ); b) V (Y ); c) E(X + 3Y ); d) E(X 2 + Y 2); e) V (3X + 2Y ). 248 / 338 Exercício 06 pg 124 2) (X ,Y ) é uma variável aleatória bidimensional discreta com a seguinte distribuição conjunta: x |y -3 2 4 P(xi) 1 0,1 0,2 0,2 0,5 3 0,3 0,1 0,1 0,5 P(yj) 0,4 0,3 0,3 1,0 Pede-se calcular: a) E(X ), V (X ) e σx ; b) E(Y ), V (Y ) e σy ; c) E(X + Y ), Cov(X ,Y ); d) X e Y são independentes? 249 / 338 Exercício 07 pg 124 3) Seja X uma variável aleatória contínua com a seguinte função densidade de probabilidade: f (x) = 2 3 , se x ∈ [0,1) , 2 3 (2− x) , se x ∈ [1,2] , 0, para outros valores de x . Calcule: a) A esperança matemática de (X − 1)2; b) O desvio-padrão de X . 250 / 338 2013/II - Final 4) No UFV informa do dia 10/02/2014 foi publicada uma reportagem intitulada: Estudantes de Cooperativismo promovem Dia da Carona Consciente. Com os objetivos de desenvolver a consciência no trânsito e diminuir a poluição e o fluxo de automóveis no campus Viçosa da UFV, os estudantes da disciplina Marketing para Organizações Sociais do curso de Cooperativismo promoveram, no dia 12 de fevereiro, o Dia da Carona Consciente. A ideia é fazer com que as pessoas que se deslocam de carro para a Universidade combinem caronas e contribuam para a melhoria do ambiente e para a diminuição, em pelo menos 10%, do trânsito no campus. Em janeiro, os estudantes da disciplina realizaram uma pesquisa para comprovar que a maioria dos carros que entram no campus Viçosa contêm apenas o motorista. 251 / 338 2013/II - Final - continuação No dia 29, eles se posicionaram nas três entradas principais da Universidade, Quatro Pilastras, à direita da lagoa e via alternativa, entre 7h30 e 8h15. Dos 680 veículos que passaram por esses locais, 400 tinham uma pessoa; 226 duas; 41 três; 11 quatro, e dois cinco pessoas. Considere que a variável aleatória discreta X seja o número de “caroneiros” em cada carro, com a seguinte distribuição de probabilidade. 252 / 338 2013/II - Final - continuação x 0 1 2 3 4 total P(x) 0,588 0,333 0,060 0,016 0,003 1,00 Pede-se: (Utilize três casas decimais) a) O número médio de caroneiros por carro. b) A variância do número de caroneiros por carro. 253 / 338 Solução 4a) Seja X :“Número de “caroneiros” por carro;” E [X ] = 0× 0,588 + 1× 0,333 + 2× 0,060 + 3× 0,016 + 4× 0,003 = 0,513 254 / 338 Solução 4b) A variância do número de caroneiros por carro. Temos que V [X ] = E [ X 2 ]− (E [X ])2 e E [ X 2 ] = 02 × 0,588 + 12 × 0,333 + 22 × 0,060 + 32 × 0,016 + 42 × 0,003 = 0,765. Assim V [X ] = 0,765− (0,513)2 = 0,5018. 255 / 338 Prova 2014/I 5) Sejam X e Y variáveis aleatórias tais que: E(X ) = 1,8, V (X ) = 0,36, E(Y ) = 1,9, V (Y ) = 0,49, E(XY ) = 3,42. Pede-se: utilize as propriedades de esperança, variância e covariância para calcular: a) E ( X 2 − 2Y 2 + 15); b) V (2X − 3Y + 5); c) COV (5X − 1,3Y + 2). 256 / 338 Solução 5a) E ( X 2 ) = V (X ) + [E (X )]2 = 0,36 + (1,8)2 = 3,6 e E ( Y 2 ) = V (Y ) + [E (Y )]2 = 0,49 + (1,9)2 = 4,1. Então E ( X 2 − 2Y 2 + 15 ) = E ( X 2 ) − 2E ( Y 2 ) + 15 = 3,6− 2× 4,1 + 15 = 10,4 257 / 338 Solução 5b) Cov (X ,Y ) = E (XY )− E (X )E (Y ) = 3,42− 1,8× 1,9 = 0 Então V (2X − 3Y + 5) = 4V (X ) + 9V (Y )− 12Cov (X ,Y ) = 4× 0,36 + 9× 0,49− 12× 0 = 5,85 258 / 338 Solução 5c) Cov (5X − 1,3Y + 2) = Cov (5X ,3Y ) = 15Cov (X ,Y ) = 0 259 / 338 Distribuições de variáveis aleatórias - pág. 143 Algumas variáveis aleatórias adaptam-se muito bem a uma série de problemas práticos e aparecem com bastante frequência. 260 / 338 Variável aleatória discreta a) E1 : n lançamentos de uma moeda; X = número de caras; b) E2 : n lançamentos de um dado; X = número de vezes que ocorre a face 5; c) E3 : n parafusos produzidos por uma fábrica; X = número de parafusos defeituosos; d) E4 : n doentes são vacinados; X = número de doentes que se curam. 261 / 338 Distribuições de variáveis aleatórias - pág. 143 xi x1 x2 · · · xn Total P(X = xi) P(X = x1) P(X = x2) · · · P(X = xn) 1 262 / 338 Variável aleatória discreta Binomial Uma função de probabilidade é binomialmente distribuída se P (X = x) = Cxnp x(1− p)n−x ; Cxn = ( n x ) = n! (n − x)!x! ; q = 1− p Notação: X ∼ Binomial(n,p) 263 / 338 Variável aleatória discreta Binomial Se X ∼ Binomial(n,p), então I Pode-se mensurar o sucesso e o fracasso; I As n tentativas são independentes e p é constante; I E (X ) = np; I V (X ) = npq; 264 / 338 Variável aleatória discreta Binomial 1) Considere a amostragem de 6 peças que saem de uma linha de produção. Sabe-se que são produzidas 20% de peças defeituosas. Calcule as seguintes probabilidades: a) 2 peças defeituosas; b) 2 peças não defeituosas; c) Pelo
Compartilhar