Baixe o app para aproveitar ainda mais
Prévia do material em texto
CET060 – MÉTODOS ESTATÍSTICOS 2ª UNIDADE – PROBABILIDADE INTRODUÇÃO, VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES AMOSTRAIS 2016 CETEC – CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS CET060 – 1 1. INTRODUÇÃO À TEORIA DAS PROBABILIDADES 1.1. Breve Histórico Diz – se que a teoria das probabilidades originou-se com Blaise Pascal (1623-1662) e Pierre de Fermat (1601-1665), devido à curiosidade de um cavalheiro Chevalier de Meré, jogador apaixonado, que em cartas discutiu com Pascal problemas relativos à probabilidade de ganhar em jogos de cartas. A primeira obra conhecida em que se estudam as probabilidades é o livro De Ludo Aleae (Sobre os jogos de azar) de Girolamo Cardano (1501-1576), publicado em 1663. Também Galileu (1564-1642) preocupou-se com as probabilidades, estudando os jogos de dados para responder a pergunta de um amigo. A teoria das probabilidades passou a desenvolver-se de maneira mais organizada a partir do século XVII e importantes contribuições de ilustres matemáticos devem ser registradas. No famoso livro, Ars Cnjectandi de Jaime Bernoulli (1654-1705) encontramos um teorema de importância decisiva para a teoria das probabilidades, conhecido com a Lei dos Grandes Números, nome que lhe foi dado pelo matemático francês Siméon Poisson.(1781-1840). Atualmente a teoria das probabilidades tem extrema importância nas mais diversas áreas desde a engenharia, medicina, epidemiologia, demografia, economia, administração, meteorologia, fotografias de satélites, marketing, predição de desastres naturais, ciências sociais entre outras. 1.2. Introdução O estudo das probabilidades está associado à incerteza do resultado de um experimento e a regularidade no resultado que é observada ao longo do prazo, ou seja, à medida que o experimento é repetido um grande número de vezes. 1. Tipos de modelos matemáticos Os modelos matemáticos podem ser: a) Determinísticos Ocorrem quando, sob as mesmas condições de experimentação, pode-se determinar ou predizer com certeza o resultado final do experimento. Exemplo: fórmulas matemáticas e físicas para comprovar teorias. b) Não-determinísticos (ou probabilísticos) Ocorrem quando não é possível predizer com certeza o resultado final do experimento. Exemplo: observar o tempo de vida útil de uma lâmpada. CET060 – 2 1.3 Definições e propriedades. Definições: i) Fenômenos ou experimentos aleatórios: São aqueles em que o processo de experimentação está sujeito a incertezas, logo, não é possível controlar todas as circunstâncias relevantes e, portanto não é possível prever com exatidão os resultados individuais. Características de um experimento aleatório: a.1) Poderá ser repetido um grande número de vezes sob as mesmas condições; a.2) Não podemos afirmar que um resultado particular ocorrerá, porém, podemos descrever o conjunto de todos os resultados possíveis do experimento - as possibilidades de resultado. a.3) Quando o experimento é repetido um grande número de vezes, surgirá uma regularidade nos resultados. Esta regularidade, chamada de regularidade estatística, é que torna possível construir um modelo matemático preciso com o qual se analisará o experimento. A Teoria da Probabilidade tenta descrever matematicamente experimentos cujos resultados não podem ser completamente pré-determinados, ou seja, visa definir um modelo matemático que seja adequado à descrição e interpretação de fenômenos aleatórios. ii) Espaço amostral (): Conjunto de todos os resultados possíveis de um experimento aleatório Exemplos de experimentos aleatórios e seus respectivos espaços amostrais: E1: Jogar uma moeda e observar a face superior. 1 = { Cara, Coroa } E2: Jogar um dado e observar a face superior. 2 = { 1, 2, 3, 4, 5, 6 } E3: Determinar o tempo de vida útil de uma lâmpada. 3 = { t R / t 0 } Espaços amostrais podem ser finitos ou infinitos. Um espaço amostral é equiprovável quando todos os elementos têm a mesma chance de ocorrer, isto é, todos os seus elementos são igualmente prováveis. iii) Evento: Qualquer subconjunto de um espaço amostral. Exemplo 1: No lançamento de um dado consideremos o evento “ocorrer um número par”. A: ocorrer um número par, isto é A = {2, 4, 6}. Exemplo 2: Vai chover no litoral baiano no fim de semana? = {chove, não chove} Em geral, temos interesse em eventos particulares do experimento. CET060 – 3 O evento A pode representar a ocorrência de chuva A = {chove} Os conjuntos e também são eventos: é o evento certo é o evento impossível Exercício: Descreva o espaço amostral para cada um dos seguintes experimentos a seguir: a) Numa linha de produção conta-se o número de peças defeituosas num período de 1 hora; b) Lançar uma moeda três vezes, sucessivamente, e anotar a seqüência de caras e coroas; Relação entre eventos Ao realizar um experimento aleatório diz-se que o evento A ocorreu se o resultado observado for um elemento do subconjunto A. Dados dois eventos A e B de um mesmo espaço amostral: AB é o evento em que A e B ocorrem simultaneamente; AB é o evento em que A ocorre ou B ocorre (ou ambos ocorrem); Ac A ou é o evento em que A não ocorre. Exemplo 3: Lançamento de dado = {1, 2, 3, 4, 5, 6} evento B: representa sair face par => B = {2, 4, 6} evento C : representa sair uma face ímpar => C = {1, 3, 5} evento D: representa sair uma face maior que 3 => D = {4, 5, 6} evento E: representa sair face 1 => E = {1} evento B D: representa sair uma face par e maior que 3 => {2, 4, 6} {4, 5, 6} = {4, 6} evento B C: representa sair uma face par e ímpar => {2, 4, 6} {1, 3, 5} = evento BD : representa sair uma face par ou maior que 3 => {2, 4, 6} {4, 5, 6} = {2, 4, 5, 6} evento B C : representa sair uma face par ou ímpar => {2, 4, 6} {1, 3, 5} = {1, 2, 3, 4, 5, 6} evento B c = C evento C c = B Leis de Morgan: B – A = B Ac (A B)c = Ac Bc (A B)c = Ac Bc A Ac = A Ac = Se dois eventos quaisquer têm intersecção vazia, isto é, eles não podem ocorrer simultaneamente, dizemos que eles são mutuamente exclusivos ou disjuntos. No exemplo 3 os eventos B e C são mutuamente exclusivos ou disjuntos, visto que B C = . CET060 – 4 iv) Definição clássica de probabilidade Seja A um evento associado ao espaço amostral finito , no qual todos os resultados são igualmente possíveis (ou equiprováveis). Vamos definir a probabilidade do evento A, P(A) como o quociente entre o número de elementos em A e o número de elementos em : # # )( A AP , isto é, a razão entre os casos favoráveis ao evento e o total de casos possíveis. Limitações: – Dificuldade em enumerar #A e # em alguns casos; – infinito; – Modelo adequado para apenas uma classe de fenômenos equiprováveis. Exemplo1: Qual a probabilidade de obter um número par no lançamento de um dado? A = número par = {2, 4, 6} = {1,2,3,4,5,6} P(A) = 6 3 Exemplo2: Considere o quadro abaixo referente à existência ou não de banheiro ou sanitário nos domicílios baianos. Qual a probabilidade de: a) selecionar um domicílio aleatoriamente na área urbana que não tenha banheiro ou sanitário? b) selecionar um domicílio aleatoriamente na área rural que tenha banheiro ou sanitário comum a mais de umdomicílio? c) selecionar um domicílio aleatoriamente que tenha banheiro ou sanitário de uso exclusivo do domicílio, independente da área. Res: a) 0,15 ou 15%. b) 0,017 ou 1,17% c) 0,88 ou 88% Domicílios (em unidades) por ocorrência de banheiro ou sanitário. Bahia/2005 Banheiro ou sanitário urbano Rural Total Não tinha 563.964 116.102 680.066 Tinha comum a mais de um 32.015 29.903 61.918 Tinha de uso exclusivo 3.091.888 2.400.473 5.492.361 Total 3.687.867 2.546.478 6.234.615 Fonte: IBGE/PNAD Exemplo3: A origem da água dos domicílios de uma rua com 35 residências é adequada (rede pública) em 25 delas, e inadequada (outra origem) em 10 delas. Cinco domicílios serão sorteados aleatoriamente para inspeção da água. Qual a probabilidade de: a) quatro domicílios terem água de origem adequada; b) dois domicílios terem água de origem inadequada; a) A= quatro domicílios terem água de origem adequada CET060 – 5 P(A) = 39,0 324632 126500 324632 1012650 5 35 1 10 4 25 x A probabilidade de selecionar um domicílio quatro domicílios com água de origem adequada é de aprox. 39%. v) Definição frequentista ou empírica As limitações da definição clássica de probabilidade, que só se aplica a espaços amostrais finitos e equiprováveis, levaram a considerar outra forma de calcular probabilidade de um evento partindo da freqüência relativa do evento ao se repetir o experimento, n vezes, sob as mesmas condições. Em linguagem matemática, quando n cresce, o limite da freqüência relativa de ocorrência de A é igual a P(A), isto é, P(A) n ocorreA que repetições de # lim)(lim n n n Af . Exemplo: Suponha que um experimento de lançar 20 vezes uma moeda foi realizado para observar o número de caras. A cada lançamento vamos considerar o número de caras que até então ocorreram (na) dividido pelo número de lançamentos (n), ou seja. a freqüência relativa de caras. A tabela abaixo apresenta os resultados referentes a este experimento: N na fa=na/n n na fa = na/n 1 1 1 11 6 6/11 = 0,54 2 1 1/2 = 0,50 12 7 7/12 = 0,58 3 2 2/3 = 0,67 13 7 7/13 = 0,54 4 3 3/4 = 0,75 14 8 8/14 = 0,57 5 3 3/5 = 0,60 15 8 8/15 = 0,53 6 3 3/6 = 0,50 16 8 8/16 = 0,50 7 3 3/7 = 0,43 17 8 8/17 = 0,47 8 4 4/8 = 0,50 18 8 8/18 = 0,44 9 5 5/9 = 0,56 19 9 9/19 = 0,47 10 5 5/10 = 5/10 20 9 9/20 = 0,45 O gráfico a seguir apresenta o comportamento das freqüências relativas obtidas no experimento: CET060 – 6 Observa-se que medida que aumenta o número de lançamentos, a freqüência relativa se aproxima de 0,5. Em linguagem matemática dizemos que a freqüência relativa “converge” para 0,5. Dificuldade do ponto de vista matemático: o número do limite real pode não existir. v) Definição matemática ou axiomática Seja um espaço amostral. Uma função P definida para todos os subconjuntos de (chamados eventos) é chamada de probabilidade se: 1) 0 P(A) 1, para todo evento A 2) P() = 1 3) Se A1, A2, ..., An forem, dois a dois, eventos mutuamente exclusivos, isto é, (Ai Aj) = para todo i j, então )(...)()( 21 1 n n i i APAPAPAP = n i iAP 1 )( Teoremas: 1. P() = 0 2. Se Ac é o evento complementar de A, então P(Ac) = 1- P(A) 3. Sejam A e B dois eventos quaisquer, então: P (A B) = P(A) + P(B) - P(A B) 4. Se A, B e C forem três eventos quaisquer, então: P (A B C )=P(A) + P(B) + P(C) - P(A B) - P(A C) - P(B C) + P(A B C) 5. Se A B, então P(A) P(B) Lançamentos sucessivos de uma moeda Número de repetições versus freqüência relativa de caras Freqü ência 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1 2 3 4 5 6 7 8 9 1011121314151617181920 CET060 – 7 Exemplo: Um lote é formado por 10 peças boas, 4 com defeitos menores e 2 com defeitos graves. Uma peça é escolhida ao acaso. Calcule a probabilidade de que: a) a peça não tenha defeito grave Seja o evento DG: “ retirar uma peça com defeito grave do lote” # =16, então P( DG ) = 1 – P(DG) = 1 - 16 2 = 16 14 = 0,875 b) a peça não tenha defeito Seja o evento B: “ retirar uma peça boa no lote” P(B) = 16 10 = 0,625 c) a peça seja boa ou tenha um defeito grave P(B DG) = P(B) + P(DG) – P(B DG) = 0,625 + 0,125 – 0 = 0,75 Exercício: Uma pesquisa para avaliar o destino dado ao lixo de 35 ruas mostrou que 20 delas tinham o lixo coletado diariamente, 10 tinham o lixo coletado duas vezes na semana e 5 delas tinham o lixo queimado ou enterrado pelos moradores. Se uma rua for selecionada aleatoriamente, qual a probabilidade de: a) ter o lixo coletado diariamente; b) não ter o lixo queimado ou enterrado; c) ter o lixo queimado ou enterrado. 1.4. Probabilidade condicional Sejam A e B eventos de um experimento aleatório qualquer, com P(B) > 0. A probabilidade condicional de A dado B (denota-se por P (A B)) é definida como: P(B) B)P(A B) P(A Exemplo: Suponha que um escritório possua 100 máquinas de calcular. Algumas dessas máquinas são elétricas (E), enquanto outras são manuais (M); e algumas são novas (N), enquanto outras são muito usadas (U). Uma pessoa entra no escritório pega uma máquina, qual será a probabilidade de que seja elétrica dado que é nova? 57,0 7 4 100/70 100/40 )( )( )|( NP NEP NEP Elétrica Manual Total Nova 40 30 70 Usada 20 10 30 Total 60 40 100 CET060 – 8 Exercício: considere o quadro abaixo. Selecionando uma pessoa aleatoriamente, qual a probabilidade de: a) ter entre 20 e 59 anos; b) ser homem e ter entre 20 e 59 anos; c) ter 60 anos ou mais dado que é do sexo feminino; d) sabendo que é homem ter entre 10 e 14 anos. População censitária por faixa etária, residente na área urbana. Cruz das Almas/2000. Faixa etária Homens (Pessoas) Mulheres (Pessoas) Total 00 a 09 anos 3567 3386 6953 10 a 14 anos 4428 4584 9012 20 a 59 anos 9119 10988 20107 60 anos e mais 1299 2233 3532 Total 18413 21191 39604 1.5 Regra ou teorema do produto A regra do produto de probabilidades é deduzida da definição de probabilidade condicional. Sejam A e B eventos pertencentes ao mesmo espaço amostral Ω, então: )(|)( )( )( | BPBAPBAP BP BAP BAP Exemplo: Uma urna contém fichas numeradas de 1 a 4. Retira-se uma ficha da urna ao acaso e anota-se o número. Esta ficha não é recolocada na urna, e retira-se novamente uma ficha, ao acaso, da urna. Qual a probabilidade de ter saído a ficha com número 1, na primeira retirada, e de ser 5 a soma dos números das duas fichas retiradas? Pelo teorema do produto temos que, Evento A : sair o número 1 na primeira retirada =>P(A) = 4 1 Evento B : soma = 5 Evento B|A : {soma = 5 | a primeira ficha é 1} , se queremos que a soma seja 5, então é preciso que a segunda ficha seja o número 4 P(B|A) = 4 1 12 1 3 1 4 1)(|)( APABPBAP 8,3% de probabilidade. Exercício: No Brasil 5 estações de tratamento de esgoto usam como sistema o escoamento superficial e 3 usam como sistema o filtro biológico percolador. Selecionando duas estações aleatoriamentepara inspeção, qual a probabilidade de: a) ambas serem de escoamento superficial; b) a 1ª selecionada ser de filtro biológico; c) uma ser de filtro biológico. CET060 – 9 1.6 regra da probabilidade total Sejam A e B dois eventos de um experimento qualquer. Há duas maneiras de B ocorrer, considerando a ocorrência ou não do evento A: ou A e B ocorrem (A B) ou Ac e B ocorrem (Ac B). Deste modo, B = (A B) (Ac B), onde A B e A Bc são conjuntos disjuntos. Pelo axioma 3, P(B) = P(A B) + P(Ac B). Pela regra do produto P(B) = P(A) . P(B / A) + P(A c ) P(B / A c ) Tem-se uma partição de um espaço amostral em um número finito de eventos Ai ( i = 1,2,...,n) se: 1) Se A1, A2, ..., An forem, dois a dois, eventos mutuamente exclusivos, isto é, (Ai Aj) = para todo i j. 2) n i iA 1 , isto é, os eventos A são exaustivos. Regra da probabilidade total: se a seqüência de eventos aleatórios A1 , A2 , ..., An formar uma partição de , então: n i ii i i A BPAP B AP BP n Exemplo: Em uma urna, há 10 bolas: 4 amarelas e 6 vermelhas. Duas bolas são sorteadas sucessivamente, sem reposição. Qual é a probabilidade da 2ª bola ser vermelha? Resolução: B AC B A A A c B CET060 – 10 Sejam os eventos: V1: primeira bola retirada é vermelha; V2: segunda bola retirada é vermelha; B1: primeira bola retirada é amarela; B2: segunda bola retirada é amarela; Queremos calcular P(V2). Temos que: 10 6 )(V P 1 10 4 )( 1 AP Se V1 ocorreu, isto é, saiu vermelha na primeira retirada, então a composição da urna fica: 9 5 )V P(V 12 e 9 6 )A P(V 12 10 6 )P(V 9 4 9 5 10 6 )P(V 10 4 9 6 10 6 9 5 )P(V )A| P(V )P(A )V / P(V . )P(V )P(V 2 2 2 1211212 Podemos fazer o diagrama em árvore ou árvore de probabilidades da situação descrita neste exercício. 10 6 9 6 10 4 9 5 10 6 )( AP 10 6 10 4 9 5 9 4 9 6 9 3 9 5 * 10 6 9 4 * 10 6 9 6 * 10 4 9 3 * 10 4 CET060 – 11 Exercício: Admita que na fábrica de parafusos as máquinas A, B e C produzem 25, 35 e 40% do total produzido, respectivamente. Da produção de cada máquina 5, 4 e 2%, respectivamente, são parafusos defeituosos. Escolhe-se ao acaso um parafuso: qual a probabilidade dele ser defeituoso? Exercício: Num município 50% da água tratada é consumida pelas residências, 30% pelas casas comerciais e 20% pelas indústrias. 0,5% das residências, 20% dos estabelecimentos comerciais e 55% das indústrias consomem mais de 15 m 3 de água por mês. Escolhe-se ao acaso uma conta, qual a probabilidade do consumo de água mensal ser superior a 15 m 3 ? 1.7. Regra de Bayes (probabilidade das causas de um evento observado) Suponha que os eventos A1, A2,...... Ak formem uma partição de Ω e que suas probabilidades sejam conhecidas. Suponha também que para um evento B, se conheçam as probabilidades .,,2,1)|( kiABP i Então para qualquer j, kj ABPAP ABAP BAP ii k i jj j ,1, )|().( )|).(( )|( 1 . Esta regra é útil quando conhecemos as probabilidades dos Ai e as probabilidades condicionais de B dado Ai, mas não conhecemos diretamente a probabilidade de B. Demonstração: Conhecendo a definição de probabilidade condicional )( )( )|( BP BAP BAP j j , usaremos a regra do produto para reescrever o numerador dessa expressão: ),|().()()( jjjj ABPAPABPBAP note que: k i ii k i i ABPAPABPBP 11 )|().()()( Exemplo: Considerando o exemplo da peça defeituosa, tendo conhecimento que a industria X fornece 20% das peças, a Y fornece 30% e a Z, 50%. Sabendo-se através do controle de qualidade que 20% das peças fabricadas pela indústria X são defeituosas, enquanto que para as indústrias Y e Z, essa proporção é de 5% e 2%, respectivamente. Qual a probabilidade de que a peça defeituosa tenha vindo da indústria X? )()|()()|()()|( )()|( )( )( )|( ZPZDPYPYDPXPXDP XPXDP DP DXP DXP então, CET060 – 12 = 0,615 Exercício: Num município 50% da água tratada é consumida pelas residências, 30% pelas casas comerciais e 20% pelas indústrias. 0,5% das residências, 20% dos estabelecimentos comerciais e 55% das indústrias consomem mais de 15 m 3 de água mensal. Escolhe-se ao acaso uma conta de consumo superior a 15m 3 de água. Qual a probabilidade de ser consumo industrial? 1.8 Independência estatística Dois eventos são ditos independentes quando a ocorrência de um deles não interfere na probabilidade de ocorrência do outro. Em linguagem matemática, dados A,B , A e B são ditos independentes, se e somente se : P( AB) = P(A) e P( BA) = P(B) Nesse caso, temos que P(A B) = P(A) . P(B) Generalizando: Os eventos A1, A2,..., An , são independentes se e somente se a independência for verificada para todos os subconjuntos de dois ou mais eventos desta família. Se Ai, i= 1, 2, 3, ..., n , é uma família finita de eventos independentes, então n 1i n 1i )A(PAP ii Observar que: )()|()( )()|()( BPBAPBAP APABPBAP para eventos quaisquer )()()( BPAPBAP para eventos independentes Exemplo: A probabilidade de que A resolva um problema é de 2/3 e a probabilidade de que B resolva é de 3/4. Se ambos tentarem independentemente, qual a probabilidade do problema ser resolvido? Resolução: A : A resolve B : B resolve A B: A e B resolvem A B : A ou B resolvem => o problema é resolvido Como são eventos independentes, P(A B) = P(A).P(B) e 02,0.5,005,0.3,02,0.2,0 2,0.2,0 )|( DXP CET060 – 13 P(A B) = P(A) +P(B) - P(A).P(B) = 2/3 + 3/4 – (2/3)(3/4) = 2/3 + 3/4 – 2/4 = 12 11 12 38 . Exercício: Em uma caixa existem 10 peças, das quais 4 são defeituosas. São retiradas duas peças da caixa, uma após a outra, com reposição. Calcule a probabilidade de: a) ambas sejam boas b) a primeira seja defeituosa e a segunda seja boa. ***************** lista 1 - Exercícios – PROBABILIDADE ******************** 1. Uma moeda é viciada, de forma que as caras são três vezes mais prováveis de aparecer do que as coroas. Determine a probabilidade de num lançamento sair coroa. (p= 0.25) 2. Em relação ao tipo de piso do domicílio, em uma rua existem 10 residências com cerâmica, 4 com madeira e 2 com cimento. Sorteando-se duas residências (sem repetição), qual a probabilidade de: a) ambas tenham piso de cimento; (p= 0.0083) b) exatamente uma tenha cerâmica. (p= 0.5) 3. Três estudantes A, B e C estão em uma competição de natação. A e B têm as mesmas chances de vencer e, cada um, tem duas vezes mais chances de vencer do que C. Pede-se calcular a probabilidades de A ou C vencer. (p= 0.60) 4. O seguinte grupo de pessoas está numa sala: 5 homens maiores de 21 anos; 4 homens com menos de 21 anos de idade; 6 mulheres maiores de 21 anose 3 mulheres menores de 21 anos. Uma pessoa é escolhida ao acaso. Define-se os seguintes eventos: A: a pessoa é maior de 21 anos; B: a pessoa é menor de 21 anos ; C: a pessoa é homem e D: a pessoa é mulher. Calcule: a) P(B U D) (p= 0.722) b) P( CA ) (p= 0.167) c) P( BA ) (p= 0) d) P( AB ) (p= 0.389) 5. Dois processadores tipo A e B são colocados em teste por 50 mil horas. A probabilidade que um erro de cálculo aconteça em um processador do tipo A é de 1/30, no tipo B 1/80 e em ambos 1/1000. Qual a probabilidade de que: a) pelo menos um dos processadores tenha apresentado erro? (p= 0.045) b) nenhum processador tenha apresentado erro? (p= 0.955) c) apenas o processador A tenha apresentado erro? (p= 0.032) 6. As falhas na fundação de um grande edifício podem ser de dois tipos: A (capacidade de suportar) e B (fundação excessiva). Sabendo-se que P(A) = 0.001, P(B) = 0.008 e P(A | B) = 0.1, determine a probabilidade: a) de haver falha na fundação; (p= 0.0082) CET060 – 14 b) de ocorrer A e não B. (p= 0.0002) 7. A probabilidade de um homem viver, mais dez anos é ¼ e a probabilidade de sua esposa viver mais dez anos é 1/3. Encontre a probabilidade de ambos estarem vivos dentro de dez anos e de ao menos um estar vivo dentro de dez anos. 8. Das 10 alunas de uma classe, 3 tem olhos azuis. Se duas delas são escolhidas ao acaso, qual é a probabilidade de ambas terem os olhos azuis? (p= 0.07) 9. As probabilidades de três jogadores marcarem um gol cobrando pênalti são, respectivamente, ½, 2/5 e 5/6. Se cada um bater um único pênalti, qual a probabilidade de todos errarem? (p= 0.05) 10. Sabendo-se que a probabilidade de que um animal adquira certa enfermidade, no decurso de cada mês é igual a 30%, qual a probabilidade de que um animal sadio venha contrair a doença só no terceiro mês ? (p= 0.147) 11. Dois dados são lançados conjuntamente. Determine a probabilidade da soma dos números ser 10 ou mais. (p= 0.167) ****************** PROBABILIDADE - PARTE 2**************** 2. VARIÁVEL ALEATÓRIA 2.1. Conceitos Básicos Definição 1. Sejam E um experimento e um espaço amostral associado ao experimento. Uma função X que associe a cada elemento wi um número real, X(wi), é denominada variável aleatória. R . w1 x1 .w2 x2 .w3 x3 .w4 x4 Uma variável aleatória X é, portanto, uma função cujo domínio é o espaço amostral e contra-domínio é conjunto dos números reais, ou seja, X: R X CET060 – 15 Exemplo: a) E: Lançamento de uma moeda. Assim, = {cara, coroa}={w1, w2} coroadersese caraderouse wX seja,ou , w w,0 ,se seja ,w w,1 2 1 b) E: Lançamento de duas moedas. Seja X o número de caras obtidas no experimento. Vamos denotar c: cara e k:coroa. Assim, = { cc, ck, kc, kk }= { w1, w2, w3, w4 } coroas duasderse seja,ou ,w wse0, cara umaderse seja,ou ,wou ww wse1, caras duasder se seja,ou ,w wse2, wX 4 32 1 c) E: Escolher um ponto ao acaso no intervalo[0,1] Seja X o quadrado do valor escolhido. Assim = [0,1], e X(w)= w2 w Definição 2 . Seja X uma variável aleatória. Se X assume valores em um conjunto finito ou infinito enumerável, então X é denominada variável aleatória discreta. Exemplo: E: Sorteio de n municípios da Bahia para verificar a inexistência de saneamento básico. X : nº de municípios sem saneamento básico=> X(w) = {0, 1, 2, 3, ..., n} Definição 3. Seja X uma variável aleatória. Se X assume valores em um conjunto infinito não enumerável, então X é denominada variável aleatória contínua. Exemplo: E: Sorteia-se um aluno para medir a estatura. Suponha que nesta escola o menor tem 1,50 m e o maior tem 1,95 m. X = estatura do aluno => X(w) = {w / 1,50 w 1,95} 2.2. Distribuição de probabilidade de uma variável aleatória discreta Seja X uma v.a. discreta que assume os valores x1, x2,...,xn.... A distribuição de probabilidades de X é o conjunto de pares de valores que associa a cada valor da variável xi a probabilidade P(X = xi): CET060 – 16 (x1, P(X = x1)), (x2, P(X = x2)), ..., (xn, P(X = xn)),... 2.2.1. Função de Probabilidade É a função que associa a cada valor assumido pela variável aleatória, a probabilidade do evento correspondente: P(X = xi) = p(xi) = pi, i = 1,2, . . . ou X x1 x2 x3 . . . pi p1 p2 p3 . . . De maneira que, a) 1i i 1xXP b) P(X=x) = p(x) 0 Exemplo: Considere novamente o exemplo do lançamento de duas moedas. Seja X o número de caras Resultados X Probabilidade (Cara, Cara) 2 1/4 (Cara, Coroa) 1 1/4 (Coroa, Cara) 1 1/4 (Coroa, Coroa) 0 1/4 Obtemos então, P(X=0) = 1/4 P(X=1) = 1/4 + 1/4 = 1/2 P(X=2) = 1/4 a) Média (ou valor esperado) de uma Variável Aleatória Discreta: E(X) = xi p(xi). Propriedades do valor esperado 1)Dada uma constante a, temos: E(a+X) = a + E(X) e E(aX) = a . E(X) 2)Sejam X1, X2, ..., Xn variáveis aleatórias E(X1+X2+...+Xn) = E(X1) + E(X2) + ... + E(Xn) 3) Sejam X e Y variáveis aleatórias independentes. Então, E(XY) = E(X) . E(Y) CET060 – 17 b) Variância de uma Variável Aleatória Discreta: Var(X) = (xi -E(X)) 2 p(xi), ou Var(X) = E(X 2 ) - E(X) 2 . Exemplo: Para o experimento do lançamento das duas moedas encontre a função de probabilidade, a média e a variância. X Evento P(X) X P(X) (X-E(X)) (X-E(X)) 2 (X-E(X)) 2 P(X) 0 w1 1/4 0 -1 1 0,25 1 w2 e w3 2/4 2/4 0 0 0 2 w4 1/4 1/2 1 1 0,25 E(X) = 1 Var(X) = 0,5 Propriedades da variância a)Dada uma constante a, temos: V(X+a) = V(X) b)Dada uma constante a, temos: V(aX) = a 2 . V(X) c) Sejam X1, X2, ... , Xn , n variáveis aleatórias independentes. Então, V(X1 + X2 + ... + Xn) = V(X1) + V(X2) + ... + V(Xn) 2.2.2. Função de Distribuição A função de distribuição ou função acumulada de probabilidade de uma variável aleatória discreta X é definida, para qualquer número real x como: F(x) = P(X x) Exemplo: Uma população de 1000 crianças foi analisada num estudo para determinar a efetividade de uma vacina contra um tipo de alergia, as crianças recebiam uma dose de vacina e após um mês passavam por um novo teste. Caso ainda tivessem tido alguma reação alérgica, recebiam outra dose da vacina. Ao fim de 5 doses todas as crianças foram consideradas imunizadas. Os resultados estão na tabela a seguir. Qual a probabilidade da criança ter recebido até duas vacinas?. Doses 1 2 3 4 5 Freqs. 245 288 256 145 66 F(2) = P(X 2) = P(X = 1) + P(X = 2) = {245/1000} + {288/1000} = 0,533 CET060 – 18 2.2.3. Variáveis Aleatórias Independentes Duas variáveis aleatórias discretas são independentes, se a ocorrência de qualquer valor de uma delas não altera a chance de ocorrência de valores da outra. Ou seja, ),()|(xXPyYxXP para todos os possíveis valores (x, y) das variáveis (X, Y). Como definição alternativa e equivalente, podemos usar: ),().()|( yYPxXPyYxXP para qualquer (x, y). Em resumo: X e Y independentes p(x, y) = p(x).p(y), (x, y) Obs: se existe pelo menos um par (x0, y0) tal que: p(x0, y0) p(x0) p(y0) Então X e Y não são independentes. Exercícios: a) Suponha que X seja uma v.a. discreta e sua função de probabilidade seja P(X=k) = ck , para k = 1,2,3,4 e 5. Determine o valor da constante c. b) Determine o valor de c para que p(x)= contrário caso ,0 ,....3,2,1 , 3 2 x xparac seja uma função de probabilidade. Alguns modelos probabilísticos para variáveis aleatórias discretas i) Distribuição de Bernoulli Muitos experimentos são tais que os resultados possíveis apresentam ou não uma determinada característica. Exemplos: a) Uma rua é escolhida, ao acaso, dentre 50 para ver se tem ou não calçamento; b) Uma pessoa é escolhida, ao acaso, dentre 1000 e verifica-se se é ou não do sexo masculino; c) Uma pessoa é escolhida, ao acaso, entre os moradores de uma cidade, e questionada se é favorável ou não a um projeto governamental. CET060 – 19 Em um experimento aleatório com apenas dois resultados possíveis podemos associar o valor 1, se sucesso ocorre e o valor 0, se fracasso ocorre. Um experimento deste tipo é chamado de ensaio de Bernoulli. Suponha que um sucesso ocorra com probabilidade p. Seja X uma v.a. definida para este experimento. Então, X 11 00 PP((XX==xx)) pp 11--pp ==qq pppXE )1.(0.1)( pppXE )1.(0.1)( 222 1,1 10,1 0,0 )( xse xsep xse xF ii) Distribuição Binomial Consideremos n repetições independentes de ensaios de Bernoulli (n 2). Este modelo fundamenta-se nas seguintes hipóteses: a) n ensaios independentes e idênticos são realizados; b) A probabilidade de “sucesso” é igual a “p” em cada ensaio e q é a probabilidade de fracasso, sendo p + q = 1 . Seja a variável aleatória X o número de sucessos nos n ensaios. Nestas condições dizemos que X tem distribuição binomial com parâmetros n e p, onde: n = número de repetições do experimento e p = probabilidade de sucesso em cada repetição Notação: contrário caso 0, n,2,1,0,k,n kk)P(Xp)B(n,~X qp knk )1()( 2 ppppXV CET060 – 20 Exemplo1: Uma usina hidroelétrica tem 5 geradores que funcionam independentemente, cada um com probabilidade 0,98 de estar em operação. Qual a probabilidade de que exatamente dois estejam em funcionamento em determinado instante? X = número de geradores em funcionamento p = 0,98 = probabilidade de um gerador estar em funcionamento (a probabilidade de sucesso) Entre os 5 estabelecimentos, ou seja, n = 5, qual a probabilidade de 2 terem tratores: P(X = 2) = 2 5 (0,98) 2 (1 - 0,98) 5 - 2 = 10. (0,98) 2 .(0,02) 3 = 0,000077 Esperança e Variância Se X tem distribuição binomial de parâmetros n e p ),(variâncianpq [E(X)] - )E(XVar(X) (média)np p)(1p k n kE(X) 22 n 0k nk k n 0k nk22 p)(1p k n k)E(X onde k Como a variância = V(X) = npq DP(X) = npq Exemplo 2: Com os dados do exemplo anterior, calcular o número esperado de geradores em funcionamento, a variância e o desvio-padrão: E(X) = np = 5(0,98) = 4,9 Var(X) = npq = 5 (0,98) (0,02) = 0,098 DP(X) = npq = 098,0 = 0,3130 Exercício: No Brasil a probabilidade de uma estação de tratamento de esgoto usar como sistema o escoamento superficial é de 0,25. Selecionando 8 estações aleatoriamente para inspeção, qual a probabilidade de: a) três usarem como sistema o escoamento superficial; b) no máximo duas usarem como sistema o escoamento superficial. CET060 – 21 iii) Distribuição de Poisson Em muitos casos, conhece-se o número de sucessos, porém se torna difícil e, às vezes, sem sentido, determinar o número de fracassos ou o número total de provas. Por exemplo: automóveis que passam numa esquina. Pode-se num determinado intervalo de tempo anotar o número de carros que passaram, porém, o número de carros que deixaram de passar pela esquina não poderá ser determinado. A distribuição de Poisson é largamente usada quando de deseja contar o número de eventos de certo tipo, que ocorrem em um intervalo de tempo, superfície, ou volume. Exemplos: a) número de chamadas telefônicas recebidas por um PBX durante um intervalo pequeno de tempo; b) número de falhas de um computador em um dia de operação; c) número de glóbulos sanguíneos visíveis ao microscópio, a área de superfície visível no campo do microscópio sendo dada por A unidades quadradas; Seja a variável aleatória X o número de eventos de certo tipo, que ocorrem em um intervalo de tempo, ou superfície, ou volume. Suponha que estes eventos ocorrem em instantes aleatórios de tempo ou de espaço e que as hipóteses abaixo sejam válidas: 1) o número de ocorrências de um evento em um intervalo de tempo, ou superfície, ou volume é independente do número de ocorrências do evento em qualquer outro intervalo disjunto. 2) a probabilidade de duas ou mais ocorrências simultâneas é praticamente zero. 3) o número médio de ocorrências por unidade de tempo, ou superfície, ou volume, , é constante ao longo do tempo, ou superfície, ou volume. Nestas condições dizemos que X tem distribuição Poisson com parâmetro = t, é o número médio de eventos por unidade de intervalo de tempo, ou superfície, ou volume. Notação: x! )(e x)P(X ) Poisson(~X x- Se X tem distribuição Poisson com parâmetro )(variânciaVar(X) (média)E(X) Se a variância é DP(X) = Exemplo: Em média há duas chamadas por hora num certo telefone. Calcular a probabilidade de se receber no máximo 3 chamadas em duas horas e a probabilidade de nenhuma chamada em 90 minutos. X= número de chamadas telefônicas em duas horas CET060 – 22 Então, = 2 (número médio chamadas por hora) t = 2 horas = t = 4 (número médio chamadas em duas horas) P(X 3) = 3 0 x43 0x x! 4e )xP(X x 0,4331 Y= número de chamadas telefônicas 90 minutos Então, t = 90 minutos = 2/60 ( número médio de chamadas por minuto) = t = 2/60 x 90 = 3 (número médio chamadas em 90 minutos ) P(Y = 0) = !0 3e 03 = 0,0498 Aproximação da Distribuição Binomial A distribuição de Poisson pode ser usada como uma aproximação da distribuição Binomial quando n é grande e p é pequeno (np 7). !k )np(e )p1(p k n )kX(P knp knk Ou seja, X Poisson (=np) Exemplo: Consideremos 1000 ensaios independentes de Bernoulli cada um com probabilidade p = 0,0001 de sucesso. Qual a probabilidade de observarmos exatamente 2 sucessos? P(X=2) 0045,0!2 )1,0(e 21,0 Exemplo: Determinado tipo de fotorreceptor é vendido em caixas com 5000 peças. É uma característica da fabricação produzir 0,03% de peças defeituosas. Qual a probabilidade de que em uma caixa haja mais de dois defeituosos? CET060 – 23 2.3. Distribuição de probabilidade de uma variável aleatória contínua Seja X uma variável aleatória contínua. A distribuição de probabilidade é dada na forma de uma função, chamada de densidade de probabilidade e denotada por f(x). Uma função de densidade de probabilidade (f.d.p.) satisfaz as seguintes condições: a) f(x) 0 , Rx b) 1f(x)dx Exemplos de funções de densidade: 0 1 2 3 4 5 6 7 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 x f(x ) -4 -3 -2 -1 0 1 2 3 0.0 0.1 0.2 0.3 0.4 x f( x) A função densidade, por definição, possui área sob a curva limitada pelo eixo x igual a 1 e a probabilidade de X tomar um valor entre a e b é obtida calculando-se a área compreendida entre esses dois valores. Isto é, para qualquer a < b em R b a dxxfb X aP Observações importantes: 1) Qualquer valor especificado de X tem probabilidade zero, isto é, P(X = xi) = 0, pois i i x x i f(x)dxxXP = 0 2) Assim, as probabilidades abaixo serão todas iguais se X for uma variável aleatória contínua: P(a X b) = P(a X < b) = P(a < X b) = P(a < X < b). CET060 – 24 Exemplo: Dada a seguinte função f(x)= contrário caso 0, 1x0 para )1( xkx ache o valor de k para que f(x) seja uma função de densidade. Resolução: Para ser função densidade temos que 1)( dxxf , então 1 0 1dx x)-(1 x k 1dx x -xdx 1 0 1 0 2 k 6 32 1 1 0 32 xx k Exercícios 1) Dada a função de densidade f(x) = contrário caso ,0 1x0 , 2x Determine i. P( X ½) ii. P(1/3 X 2/3) iii. ) X / ( 3 2 3 1 2 1 XP 2) Seja X uma v.a. contínua com função de densidade de probabilidade dada por: f(x) = 1 ,0 12/1 ),1(4 2/1 0 kx, 0 0, x xx x x a) Determine k para que f(x) seja uma função de densidade; b) P(1/3 < X < 3/4); 2.3.1. Função de distribuição acumulada Seja X uma variável aleatória, discreta ou contínua. Define-se a função de distribuição acumulada F da variável aleatória X (abreviadamente indicada por fd) como F(x) = P( X x). Se X for uma variável aleatória discreta F(x) = j j xXP onde o somatório é estendido a todos os valores xj que satisfaçam à condição xj x. Se X for uma variável aleatória contínua com fdp f(x), x - f(s)ds F(x) . CET060 – 25 a) Calcule P( X 1/2 1/3 < X < 2/3). a) Média (ou valor esperado) de uma Variável Aleatória Contínua: O valor esperado (média) da variável aleatória contínua X com função densidade dada por f(x) é: dxxfxXE )(.)( - - b) Variância de uma Variável Aleatória Contínua: Para uma variável aleatória X com densidade f(x), a variância é dada por: dxxfXExXVar )(.))(()( 2 - - , ou 22 ))(()()( XEXEXVar Onde dxxfxXE )(.)( 2 - - 2 Exemplo: Arqueólogos estudaram certa região e estabeleceram um modelo teórico para a variável C, comprimento de fósseis da região (em cm). Suponha que C é uma variável aleatória contínua com a seguinte função densidade de probabilidade: f(x) = cc cse c ,0 200),1 10 ( 40 1 Determine a média e variância da variável C. E(C) = 20 0- c (1/40)(c/10 + 1) dc = (1/400){c 3 /3} 20 0 + (1/40){c 2 /2} 20 0 = (20/3) + 5 = (35/3). Para a variância: E(C 2 ) = 20 0- c 2 (1/40)(c/10 + 1) dc = (1/400){c 4 /4) 20 0 + (1/40)(c 3 /3} 20 0 = 100 + (200/3) = (500/3}. Logo, Var(C) = (500/3) - (35/3) 2 = (275/9) = 30,56 cm 2 . CET060 – 26 Alguns modelos probabilísticos para variáveis aleatórias contínuas i) Distribuição Normal A distribuição normal é caracterizada por uma função, cujo gráfico descreve uma curva em forma de sino. Esta distribuição depende de dois parâmetros que são: (média) – especifica a posição central da distribuição de probabilidades. (desvio padrão) – especifica a variabilidade da distribuição de probabilidades. Uma variável aleatória contínua X tem distribuição normal de probabilidade se sua função de densidade é dada por: 2 2 1 2 1 )( x exf , para - < x < . Algumas propriedades da densidade da normal: i) )(xf é simétrica em relação à ; ii) )(xf 0 quando x ; iii) o valor máximo de )(xf se dá para x = . No cálculo de probabilidades para variáveis contínuas a integral abaixo deve ser resolvida: . 2 1 )( 2 2 1 dxebxaP x b a Distribuição Normal N(2 ) -4 -3 -2 -1 0 1 2 3 4 CET060 – 27 Devido ao grau de dificuldade da resolução dessa integral, as probabilidades para o modelo normal são calculadas com o auxílio de tabelas sendo necessário uma transformação da variável para uma padronizada. A variável Z será normal padrão se: X Z Propriedades da curva normal padrão 1. A função é simétrica em relação à origem Z = 0 2. A função é máxima no ponto Z = 0 e nesse caso sua ordenada vale = 2 1 0,39 3. A função tende a zero quando: Z tende para 4. A função tem dois pontos de inflexão e suas abscissas valem: Z = 1 Exemplo1: Suponha que o desempenho dos alunos das três últimas fases de um curso tenha distribuição normal de média 2,5 e desvio padrão de 0,6. Calcule a probabilidade de um aluno acusar desempenho entre 2 e 3,5. 7492,0)0475,02033,0(1)67,183,0( 6,0 5,25,3 6,0 5,22 )5,32( ZPZPXP Exemplo2: A característica da qualidade de interesse, associada a um processo que está sob controle estatístico, é normalmente distribuída com média 100 e desvio-padrão 5. As especificações estabelecidas para esta característica da qualidade são 90 ± 10. a) Qual a proporção de não-conformidade referente a esta característica? P = 0,1601 b) Qual a proporção de não-conformidade referente a esta característica de o processo passasse a operar centrado no valor 95, chamado valor nominal da especificação? P = 0,0456 ii) Distribuição Gama Seja X uma variável aleatória contínua, que admite somente valores não-negativos. Diremos que X tem uma distribuição de probabilidade gama, se sua função de densidade de probabilidade é dadapor: CET060 – 28 contráriocaso xex rxf x r ,0 ;0,)( )()( 1 r > 0 , > 0 onde 0 1)( dxexr xp , definida para r > 0 é a função gama. E(X) = r e V(X) = 2 r . iii) Distribuição Exponencial A distribuição exponencial é um caso particular da distribuição gama quando r = 1. É uma distribuição bastante utilizada na teoria da confiabilidade para modelar os tempos de espera entre ocorrências de eventos em um processo de Poisson. Em geral, este modelo probabilístico é também utilizado para modelar tempo de espera em uma fila, tempo de sobrevivência de um grupo de pacientes após o início de um tratamento e tempo de vida de material eletrônico. Uma variável aleatória contínua X, que admite valores não-negativos, terá uma distribuição exponencial com parâmetro > 0, se sua função de densidade de probabilidade for dada por: contráriocaso xe xf x ,0 ;0, )( E(X) = 1 e V(X) = 2 1 . Exemplo1: O intervalo de tempo em minutos entre emissões consecutivas de uma fonte radioativa é uma variável aleatória com distribuição exponencial de parâmetro = 0,2. Calcule a probabilidade de haver uma emissão em um intervalo inferior a 2 minutos. .33,01|2,0)2( 4,020 2,0 2 0 2,0 eedxeXP xx Exemplo2: Uma lâmpada tem duração(T) de acordo com a densidade exponencial com 1000 1 . Determine: a) a probabilidade de que uma lâmpada qualquer queime antes de 1000 horas? P = 0,6321 b) a probabilidade de que uma lâmpada qualquer queime depois de sua duração média? P = 0,3679 c) a variância da distribuição. V(T) = 1000 2 CET060 – 29 contráriocaso te xf t ,0 ;0, 1000 1 )( 1000 1 iv) Distribuição Weibull Seja X uma variável aleatória contínua, que tome somente valores não-negativos. Diremos que X tem uma distribuição de probabilidade Weibull com parâmetros α > 0 e ß > 0, se sua função de densidade de probabilidade é dada por: contráriocaso xex xf x ,0 ;0,)( )( 1 Propriedades: 0,1 0,0 )( xsee xse xF x E(X) = 1 1 1 e V(X) = 22 1 1 1 2 Se ß =1 tem-se xexf )( . Portanto, a distribuição exponencial é um caso particular da distribuição Weibull. 3. Introdução à Teoria da Confiabilidade Considere que um determinado componente eletrônico será submetido a condições de esforço e observado desde o instante inicial (t = 0) até que pare de funcionar. A duração até falhar ou duração da vida pode ser considerada como uma variável aleatória contínua. T com alguma função de densidade de probabilidade f(t). Definição1: A confiabilidade de um componente na época t, denotada por R(t), é definida como )()( tTPtR , onde T é a duração da vida do componente. R é denominada função de confiabilidade. Esta definição afirma que a confiabilidade num instante t de um componente é igual a probabilidade de que o componente não falhe durante o intervalo [0, t]. CET060 – 30 Definição 2: “A confiabilidade de um sistema pode ser definida como a probabilidade de se conseguir um desempenho adequado por um período específico de tempo, sob determinadas condições. Em termos de desempenho de uma estação de tratamento, a confiabilidade pode ser entendida como a porcentagem de tempo em que se conseguem as concentrações esperadas no efluente para cumprir com os padrões de lançamento. Assim, uma ETE será completamente confiável se não houver falha no desempenho, ou seja, se não houver violação dos limites preconizados pelas legislações ambientais. A falha do processo de tratamento ocorrerá sempre que o padrão de lançamento for excedido.” [3] Em termos da função densidade de T, temos: dssftR t )()( E em termos da função de distribuição acumulada temos: )(1)(1)( tFtTPtR 3.1. Lei de falha exponencial A propriedade de falha de memória é característica da distribuição exponencial. A hipótese subjacente para a utilização deste modelo de falhas é, portanto, de que não haja desgaste do componente ou peça. Isto significa que mesmo depois que a peça estiver em uso sua probabilidade de falhar não se altera com o passar do tempo. Uma conseqüência desta suposição é que a função de densidade associada à duração até falhar T, será dada por: contráriocaso te tf t ,0 ;0, )( Exemplo1: Seja um componente eletrônico que segue a lei de falhas exponencial. Dados os parâmetros α = 0,01 e R(t) = 0,90, então o valor de t, número de horas é: )(1)(1)( tFtTPtR 0,90 = e -0,01t → t = 10,54 h Se cada um de 100 desses componentes estiver operando durante 10,54 h, aproximadamente 90 não falharão durante aquele período. Exemplo2: Considere um circuito eletrônico constituído de 4 transistores de silício, 10 diodos de silício, 20 resistores sintéticos e 10 capacitores cerâmicos, operando em série contínua e os componentes são independentes. Suponha que sob certas condições de trabalho, isto é, tensão, corrente e temperatura prescritas, cada uma dessas peças siga a lei de falhas exponencial com os seguintes parâmetros: CET060 – 31 Diodo de silício: 0,000002 Transistores de silício: 0,000010 Resistores sintéticos: 0,000001 Capacitores cerâmicos: 0,000002 Qual a confiabilidade do sistema para t = 10 h? R(t) = 0,999 3.2. Lei de falha Weibull Sempre que o sistema for composto de vários componentes e a falha seja devida a mais grave imperfeição ou irregularidade dentre um grande número de imperfeições do sistema, a distribuição de Weibull representa um modelo adequado para uma lei de falhas. Seja T o tempo até a falha de um componente, com função densidade dada por: 00;0,)()( 1 etettf t A função de confiabilidade R é dada por tetR )( , que é uma função decrescente de t. Exemplo: Dois dispositivos eletrônicos com lei de falhas Weibull, com parâmetros respectivamente 3, 1200 1 ;2, 1000 1 2 3 21 2 1 , são ligados em paralelo formando um único sistema com funcionamento independente. Determine: a) a confiabilidade de cada um dos dispositivos após 1000 h. b) a confiabilidade do sistema. a) 3679,0)( 1 )1000( 1000 1 1 2 2 eetR 5606,0)( 33 3 6 5)1000(1000 1 2 eetR b) 7223,0.)( 3 6 5 16 5 1 3 eeeetR CET060 – 32 BIBLIOGRAFIA: [1] UFBA. Material de aula da disciplina MAT236. [2] MEYER, Paul L. Probabilidades. Aplicações à Estatística. [3] BUSSAB, Wilton O. e MORETTIN, Pedro A. Estatística Básica. [4] OLIVEIRA, S.C. E SPERLING,M.V. Análise da confiabilidade de estação de tratamento de esgotos (artigo técnico). [5] LINDGREN, B.W. e McELRATH. Introdução à Estatística. [6] JURAN, J.M. e GRYNA, F.M. Controle da Qualidade. ************* Lista 2 de Exercícios - PROBABILIDADE ************* 1) Suponha que X seja uma v.a. discreta e sua função de probabilidade seja P(X=k) = ck , para k = 1,2,3,4 e 5. Determine o valor da constante c. 2) Considere um lote de peças que contém 20% de defeituosas. Extraímos ao acaso três peças com reposição para análise. Seja X a variável aleatória que representa o número de peças defeituosas. Estabeleça a função de probabilidade de X e represente graficamente. c) Determine o valor de c para que p(x)= contrário caso ,0 ,....3,2,1 , 3 2 x xparac seja uma função de probabilidade. 3) Dada a função de densidade f(x) = contrário caso ,0 1x0 , 2x Determine i. P( X ½) ii. P(1/3 X 2/3) iii. ) X / ( 3 2 3 1 2 1 XP 4) Seja X uma v.a. contínua com função de densidade de probabilidade dada por: f(x) = 1 ,0 12/1 ),1(4 2/1 0 kx, 0 0, x xx x x a) Determine k para que f(x) seja uma função de densidade; b) P(1/3 < X < 3/4); 5) Suponha que uma caixa contenha 5 bolas ( 1 preta e 4 brancas ). Retira-se aleatoriamente uma bola de cada vez (com reposição) até que saia 4 vezes a bola preta. Seja X o número de retiradas necessárias até que isto ocorra. a) Determine os possíveis valores de X e sua função de probabilidade. CET060 – 33 6) O tempo T, em minutos, necessário para um operário processar certa peça, é uma v.a. com a seguinte distribuição de probabilidade: T 2 3 4 5 6 7 P 0,1 0,1 0,3 0,2 0,2 0,1 Calcule o tempo médio de processamento. 7) O número de petroleiros que chegam a uma refinaria em cada dia ocorre segundo uma distribuição de Poisson, com = 2. As atuais instalações podem atender, no máximo, a 3 petroleiros por dia. Se mais de 3 aportarem num dia, o excesso é enviado a outro porto. a) Em um dia, qual a probabilidade de se enviar petroleiros para outro porto? b) Qual o número médio de petroleiros que chegam por dia? 8) Numa via de mão única que termina numa ponte quer se estudar o tráfego. Encontra-se que esse volume é de 120 veículos/hora, em média. Assume-se que a chegada de veículos constitui um processo de Poisson. Ache a probabilidade de que: num período de um minuto, mais de três veículos cheguem à ponte. Resp : 0,0018 9) Testes para medir a duração de aparelhos eletrodomésticos mostram que o modelo adequado é o normal com = 26.000 horas e = 4.000 horas. Pede-se a probabilidade de que um aparelho escolhido ao acaso dure: a) mais que 25.000 horas; b) menos que 30.000 horas; c) sabe-se que se um defeito aparecer dentro do tempo de garantia a fábrica deve consertá-lo, tendo assim um prejuízo. Qual deve ser a garantia para que a porcentagem de aparelhos consertados dentro da garantia seja inferior a 10%? 10) O tempo que uma pessoa leva para ser servida numa lanchonete é uma variável aleatória tendo distribuição exponencial com média 4 minutos. Qual é a probabilidade que uma pessoa seja servida em menos do que 3 minutos em ao menos 4 dos próximos 6 dias? 11) Uma enchedora automática de garrafas de refrigerante esta regulada para que o volume médio de liquido em cada garrafa seja de 1.000 cm 3 e o desvio padrão de 10 cm 3 . Pode-se admitir que a distribuição da variável seja normal. a) Qual a probabilidade de garrafas em que o volume de liquido é menor que 990 cm3? Resp.: 0,1587 b) Qual a probabilidade de garrafas em que o volume de liquido não se desvia da média em mais que dois desvios padrão? Resp.: 0,9772 12) Suponha que o diâmetro médio dos parafusos produzidos por uma fabrica é de 0,25 polegadas e o desvio padrão 0,02 polegadas. Um parafuso é considerado defeituoso se seu diâmetro é maior que 0,28 polegadas ou menor que 0,20 polegadas. Suponha distribuição normal. a) encontre a probabilidade de parafusos defeituosos; Resp.: 0,073 b) qual deve ser a medida mínima para que tenhamos no máximo 12% de parafusos defeituosos. Resp.: 0,2178 CET060 – 34 P(0 Z zc) UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIÊNCIAS EXATAS E DA TERRA DEPARTAMENTO DE ESTATÍSTICA DISCIPLINA: EST0034 - PROBABILIDADE III TABELA - Distribuição Normal Padrão Z~N(0,1) zc 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359 0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753 0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141 0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517 0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879 0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224 0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549 0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852 0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133 0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389 1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621 1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830 1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015 1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177 1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319 1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441 1,6 0,4452 0,4463 0,4474 0,4484 0,4495 *0,4505 0,4515 0,4525 0,4535 0,4545 1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633 1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706 1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767 2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817 2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857 2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890 2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916 2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936 2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 *0,4951 0,4952 2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964 2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974 2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981 2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986 3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990 3,10 ou + 0,4999 * Use esses valores comuns resultantes de interpolação: Escore z Área 1,645 0,4500 2,575 0,4950
Compartilhar