Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade Federal do Oeste da Bahia Centro das Cieˆncias Exatas e das Tecnologias Nu´cleo Docente de Matema´tica, Probabilidade e Estat´ıstica Varia´veis Aleato´rias e Modelos Probabil´ısticos Prof. Dr. Marcelo de Paula Barreiras, BA Janeiro de 2017 Resumo Modelos sa˜o descric¸o˜es aproximadas da realidade cujo objetivo e´ substituir, de maneira simplificada e objetiva, um problema real. Podemos afirmar que um modelo e´ uma tentativa de representar as caracter´ısticas mais importantes de um problema para a tomada de deciso˜es. Os modelos probabil´ısticos, que nada mais sa˜o modelos matema´ticos, demandam um n´ıvel adicional de abstrac¸a˜o por ser descric¸o˜es aproximadas de modelos. Por meio do formalismo matema´tico tentamos substituir nosso modelo do problema real por um modelo matema´tico. Este material dida´tico tem como pretensa˜o dar um suporte ba´sico e necessa´rio para o pros- seguimento dos estudos em amostragem e te´cnicas de estimac¸a˜o em infereˆncia estat´ıstica. Palavras-chave: Probabilidade, Varia´veis Aleato´rias, Modelos Probabil´ısticos. Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Suma´rio 1 Introduc¸a˜o 5 1.1 Conceitos ba´sicos em probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2 Definic¸a˜o axioma´tica de probabilidade . . . . . . . . . . . . . . . . . . . . . . . 6 2 Varia´veis aleato´rias discretas 7 2.1 Exemplo de Varia´vel aleato´ria discreta . . . . . . . . . . . . . . . . . . . . . . . 7 2.2 Func¸a˜o distribuic¸a˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.3 Esperanc¸a matema´tica de uma Varia´vel aleato´ria discreta . . . . . . . . . . . . . 9 2.4 Variaˆncia de uma Varia´vel aleato´ria . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.5 Propriedades da esperanc¸a matema´tica e da Variaˆncia . . . . . . . . . . . . . . . 10 2.5.1 Propriedades da esperanc¸a de uma Varia´vel aleato´ria . . . . . . . . . . . 10 2.5.2 Propriedades da Variaˆncia de uma Varia´vel aleato´ria . . . . . . . . . . . 11 2.6 Exemplo de aplicac¸a˜o em jogos de azar . . . . . . . . . . . . . . . . . . . . . . . 12 2.7 Exemplo de aplicac¸a˜o na a´rea comercial . . . . . . . . . . . . . . . . . . . . . . . 14 3 Varia´veis aleato´rias cont´ınuas 17 3.1 Definic¸a˜o e conceitos ba´sicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.2 Func¸a˜o distribuic¸a˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.3 Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 3.4 Moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 3.5 Esperanc¸a matema´tica e variaˆncia de uma v.a.c . . . . . . . . . . . . . . . . . . 18 3.6 Exemplo de aplicac¸a˜o gene´rica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.7 Exemplo de aplicac¸a˜o na engenharia industrial . . . . . . . . . . . . . . . . . . . 21 4 Distribuic¸a˜o binomial 25 4.1 Distribuic¸a˜o ou modelo de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . 25 4.2 Distribuic¸a˜o ou modelo Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . 27 4.3 Exemplo de aplicac¸a˜o na a´rea gene´tica . . . . . . . . . . . . . . . . . . . . . . . 27 4.4 Exemplo de aplicac¸a˜o na explorac¸a˜o de petro´leo . . . . . . . . . . . . . . . . . . 29 5 Distribuic¸a˜o ou modelo de Poisson 31 5.1 Exemplo de aplicac¸a˜o em doenc¸as raras . . . . . . . . . . . . . . . . . . . . . . . 34 5.2 Exemplo de aplicac¸a˜o: abalos s´ısmicos . . . . . . . . . . . . . . . . . . . . . . . 35 5.3 Distribuic¸a˜o da soma de distribuic¸o˜es de Poisson . . . . . . . . . . . . . . . . . . 36 5.4 Exemplo de aplicac¸a˜o no tra´fego urbano . . . . . . . . . . . . . . . . . . . . . . 37 6 Distribuic¸a˜o Normal 39 6.1 O modelo normal de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . 39 6.2 Propriedades da curva normal: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 6.3 Distribuic¸a˜o normal padra˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 6.4 Exemplo de aplicac¸a˜o: vaza˜o de rio . . . . . . . . . . . . . . . . . . . . . . . . . 43 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula 7 Combinac¸a˜o Linear de Distribuic¸o˜es Normais 46 7.1 Distribuic¸a˜o da soma de distribuic¸o˜es normais . . . . . . . . . . . . . . . . . . . 46 7.2 Exemplo de aplicac¸a˜o gene´rica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 7.3 Exemplo de aplicac¸a˜o em carga de elevadores . . . . . . . . . . . . . . . . . . . 47 8 Exerc´ıcios de fixac¸a˜o 49 8.1 Exerc´ıcios sobre varia´veis aleato´rias discretas . . . . . . . . . . . . . . . . . . . . 49 8.2 Exerc´ıcios sobre varia´veis aleato´rias cont´ınuas . . . . . . . . . . . . . . . . . . . 50 8.3 Exerc´ıcios sobre distribuic¸a˜o binomial . . . . . . . . . . . . . . . . . . . . . . . . 51 8.4 Exerc´ıcios sobre distribuic¸a˜o de Poisson . . . . . . . . . . . . . . . . . . . . . . . 52 8.5 Exerc´ıcios sobre distribuic¸a˜o Normal . . . . . . . . . . . . . . . . . . . . . . . . 54 8.6 Exerc´ıcios sobre combinac¸a˜o linear de distribuic¸o˜es Normais . . . . . . . . . . . 55 8.7 Respostas dos exerc´ıcios sobre varia´veis aleato´rias discretas . . . . . . . . . . . . 57 8.8 Respostas dos exerc´ıcios sobre varia´veis aleato´rias cont´ınuas . . . . . . . . . . . 57 8.9 Respostas dos exerc´ıcios sobre distribuic¸a˜o binomial . . . . . . . . . . . . . . . . 58 8.10 Respostas dos exerc´ıcios sobre distribuic¸a˜o de Poisson . . . . . . . . . . . . . . . 59 8.11 Respostas dos exerc´ıcios sobre distribuic¸a˜o Normal . . . . . . . . . . . . . . . . 60 8.12 Respostas dos exerc´ıcios sobre combinac¸a˜o linear de distribuic¸o˜es Normais . . . 61 4 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula 1 Introduc¸a˜o A origem e o desenvolvimento da teoria das probabilidades encontram-se nos jogos de azar por volta do se´culo XVII. Na sociedade francesa em 1650, por exemplo, o jogo era ha´bito popular e elegante. Ainda hoje em tempos contemporaˆneos ha´ muitas aplicac¸o˜es que envolvem jogos de azar, tais como os diversos tipos de loterias, os cassinos, as corridas de cavalos, etc. Hoje em dia, os governos, as empresas, as organizac¸o˜es profissionais, incorporam a teoria das probabilidades em seus processos de deliberac¸o˜es, pois a probabilidade auxilia a desenvolver estrate´gias. Em geral, os experimentos da natureza podem ser classificados em: Experimentos determin´ısticos: Sa˜o aqueles que, repetidos va´rias vezes, produzem resultados ideˆnticos. Experimentos probabil´ısticos ou aleato´rios: Sa˜o aqueles que, repetidos va´rias vezes, produzem resultados distintos. 1.1 Conceitos ba´sicos em probabilidade Alguns conceitos ba´sicos em probabilidade sa˜o: Espac¸o amostral: E´ o conjunto de todos os resultados poss´ıveis de um experimento aleato´rio. Em geral e´ denotado pela letra grega maiu´scula Ω. Evento: E´ um subconjunto do espac¸o amostral Ω. Em geral e´ denotado por letras maiu´sculas do nosso alfabeto: A, B, C, etc. Ensaio: E´ uma repetic¸a˜o de um experimento aleato´rio. Por exemplo, se um experimento aleato´rio for repetido 10 vezes, enta˜o temos 10 ensaios deste experimento. A seguir apresentamos alguns exemplos de experimento probabil´ıstico e seu espac¸o amos- tral: Exemplo 1. Lanc¸ar uma moeda e observar a face voltada para cima. Ω = {c, k} , em que c = cara; k = coroa; Exemplo 2. Lanc¸ar um dado e observar a face voltada para cima. Ω = {1, 2, 3, 4, 5, 6} Exemplo 3. Lanc¸ar uma moeda indefinidamente, parar quando obter a primeira cara e contar o nu´mero de coroas obtidas. Ω = {0, 1, 2, 3, ...} 5 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelode Paula Exemplo 4. Escolher ao acaso uma famı´lia da populac¸a˜o e contar o nu´mero de filhos desta famı´lia. Ω = {0, 1, 2, 3, ...} Exemplo 5. Escolher ao acaso um indiv´ıduo da populac¸a˜o medir sua altura em metros. Ω = { [0 m; 2 m[ } Observac¸a˜o: Os exemplos 1 ao 4 referem-se a um espac¸o amostral discreto (pontos da reta) e o exemplo 5 refere-se a um espac¸o amostral cont´ınuo (intervalos da reta). 1.2 Definic¸a˜o axioma´tica de probabilidade Probabilidade e´ uma func¸a˜o P que liga partes do espac¸o amostral, ou seja, os eventos, ao intervalo [0, 1], obedecendo os seguintes axiomas: i. Se A e´ um evento associado ao espac¸o amostral Ω, enta˜o 0 ≤ P (A) ≤ 1. ii. Se Ω e´ o espac¸o amostral, enta˜o P (Ω) = 1. iii. Sejam A1, A2, ..., An eventos dois a dois disjuntos, isto e´, dois a dois mutuamente exclusivos, enta˜o P ( n⋃ i=1 Ai ) = n∑ i=1 P (Ai) . 6 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula 2 Varia´veis aleato´rias discretas Definic¸a˜o de Varia´vel aleato´ria: Uma Varia´vel aleato´ria X e´ uma func¸a˜o que liga partes do espac¸o amostral Ω a` reta real, isto e´, X : Ω −→ R. Denota-se uma Varia´vel por letra maiu´scula (por exemplo X, Y , Z) e os valores assumidos por ela por letra minu´scula (x, y, z). Definic¸a˜o de Varia´vel aleato´ria discreta: Se X e´ uma Varia´vel aleato´ria (v.a) que assume pontos da reta x1, x2, ..., xn, enta˜o dizemos que X e´ uma Varia´vel aleato´ria discreta (v.a.d) se: (i) 0 < P (X = xk) < 1, para k = 1, 2, ..., n. (ii) n∑ k=1 P (X = xk) = 1. Os itens (i) e (ii) compo˜em a chamada distribuic¸a˜o de probabilidades de X. Alguns exemplos de Varia´veis aleato´rias discretas (v.a.d) sa˜o: nu´mero de filhos por famı´lia, nu´mero de acidentes de traˆnsito numa certa rodovia, nu´mero de ovos depositados por um inseto, nu´mero de pec¸as defeituosas, nu´mero de clientes insatisfeitos, nu´mero de alunos reprovados, etc. 2.1 Exemplo de Varia´vel aleato´ria discreta Suponha o lanc¸amento de 4 moedas honestas (equilibradas). O espac¸o amostral deste experimento aleato´rio e´ composto por 16 pontos amostrais: Ω = { (cccc) (ccck) (cckc) (cckk) (ckcc) (ckck) (ckkc) (ckkk) (kccc) (kcck) (kckc) (kckk) (kkcc) (kkck) (kkkc) (kkkk) } Considere X uma Varia´vel aleato´ria discreta (v.a.d) que conta o nu´mero de caras obtidas neste experimento aleato´rio. Enta˜o os poss´ıveis valores que X pode assumir e´ X = 0, 1, 2, 3, 4, conforme ilustrac¸a˜o abaixo: 7 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Observe que cada parte do espac¸o amostral Ω deste experimento aleato´rio esta´ associado a um dos cinco pontos da reta. Desta forma temos a seguinte distribuic¸a˜o de probabilidades: P (X = 0) = 1/16; P (X = 1) = 4/16; P (X = 2) = 6/16; P (X = 3) = 4/16; P (X = 4) = 1/16. Note que cada probabilidade esta´ no intervalo [0, 1] e a soma de todas as probabilidades vale 1. 2.2 Func¸a˜o distribuic¸a˜o A func¸a˜o distribuic¸a˜o, ou distribuic¸a˜o acumulada de probabilidades, e´ a probabilidade da v.a.c X ser menor que um ponto x, isto e´, F (x) = P (X ≤ x) . Em nosso exemplo temos que X = 0, 1, 2, 3, 4. Enta˜o segue que 8 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula F (0) = P (X ≤ 0) = P (X = 0) = 1 16 F (1) = P (X ≤ 1) = P (X = 0) + P (X = 1) = 5 16 F (2) = P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2) = 11 16 F (3) = P (X ≤ 3) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) = 15 16 F (4) = P (X ≤ 4) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4) = 16 16 = 1. 2.3 Esperanc¸a matema´tica de uma Varia´vel aleato´ria discreta A esperanc¸a matema´tica de uma Varia´vel aleato´ria discreta e´ definida como: E (X) = ∑ k kP (X = k) . A esperanc¸a matema´tica pode ser interpretada como a me´dia dos resultados de um expe- rimento aleato´rio, quando este e´ realizado muitas vezes. Em nosso exemplo do lanc¸amento das 4 moedas temos: E (X) = 0P (X = 0) + 1P (X = 1) + 2P (X = 2) + 3P (X = 3) + 4P (X = 4) = 0× 1 16 + 1× 4 16 + 2× 6 16 + 3× 4 16 + 4× 1 16 = 32 16 E (X) = 2 caras. Interpretac¸a˜o: Neste exemplo esperamos 2 caras, isto e´, ao repetir este experimento aleato´rio muitas vezes, a me´dia a longo prazo dos resultados obtidos e´ de 2 caras. 2.4 Variaˆncia de uma Varia´vel aleato´ria A Variaˆncia e´ definida como a esperanc¸a do segundo momento menos o quadrado da esperanc¸a do primeiro momento: V ar (X) = E ( X2 )− [E (X)]2 , em que E ( X2 ) = ∑ k k2P (X = k) . Em nosso exemplo temos que a esperanc¸a do segundo momento e´ dada por: 9 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula E ( X2 ) = 02P (X = 0) + 12P (X = 1) + 22P (X = 2) + 32P (X = 3) + 42P (X = 4) = 0× 1 16 + 1× 4 16 + 4× 6 16 + 9× 4 16 + 16× 1 16 = 80 16 E ( X2 ) = 5 caras2. Desta forma, a Variaˆncia de X e´ tal que V ar (X) = E ( X2 )− [E (X)]2 = 5− 22 = 1 cara2 V ar (X) = 1 cara2. Observac¸a˜o: A unidade da Variaˆncia e´ o quadrado da unidade da esperanc¸a de X. Desta maneira pode-se usar o desvio padra˜o de X, que e´ a raiz quadrada da Variaˆncia. σ (X) = √ V ar (X) = √ 1 cara2 = 1 cara σ (X) = 1 cara. 2.5 Propriedades da esperanc¸a matema´tica e da Variaˆncia As propriedades da esperanc¸a matema´tica e da Variaˆncia de uma Varia´vel aleato´ria sa˜o de extrema importaˆncia para os principais to´picos em infereˆncia estat´ıstica, como a teoria da amostragem e a estimac¸a˜o de paraˆmetros populacionais, que sera˜o estudados posteriormente. O pro´prio conceito de amostra aleato´ria envolve a aplicac¸a˜o das propriedades da esperanc¸a e da Variaˆncia. 2.5.1 Propriedades da esperanc¸a de uma Varia´vel aleato´ria Considere X uma Varia´vel aleato´ria e c uma constante arbitra´ria, tal que c ∈ R. Enta˜o Propriedade 1. A esperanc¸a da constante e´ a pro´pria constante. E (c) = c Propriedade 2. A esperanc¸a de uma v.a X adicionado ou subtra´ıdo uma constante c, e´ dada por E (X ± c) = E (X)± c. 10 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Propriedade 3. A esperanc¸a de uma v.a X multiplicada por uma constante c, e´ dada por E (Xc) = E (X) c. Propriedade 4. Sejam duas constantes arbitra´rias a e b. Enta˜o, pelas propriedades 1, 2 e 3, temos E (a± bX) = a± bE (X) . Propriedade 5. Sejam X e Y duas v.as, enta˜o a esperanc¸a da soma ou da diferenc¸a e´ a soma ou diferenc¸a das esperanc¸as. E (X ± Y ) = E (X)± E (Y ) . Observac¸a˜o: Esta propriedade vale para mais de 2 Varia´veis aleato´rias. Propriedade 6. Considere X1, X2, ..., Xn Varia´veis aleato´rias. Enta˜o a esperanc¸a da soma e´ a soma das esperanc¸as. E ( n∑ i=1 Xi ) = n∑ i=1 E (Xi) . Propriedade 7. Considere X1, X2, ..., Xn Varia´veis aleato´rias independentes. Enta˜o a esperanc¸a do produto e´ o produto das esperanc¸as. E ( n∏ i=1 Xi ) = n∏ i=1 E (Xi) . 2.5.2 Propriedades da Variaˆncia de uma Varia´vel aleato´ria Propriedade 1. A Variaˆncia de uma constante e´ nula. V ar (c) = 0. Propriedade 2. A Variaˆncia de uma v.a X adicionado ou subtra´ıdo uma constante c, e´ a pro´pria Variaˆncia de X V ar (X ± c) = V ar (X) . Propriedade 3. A Variaˆncia de uma v.a X multiplicada por uma constante c, e´ a Variaˆncia de X multiplicada pela constante c ao quadrado. V ar (Xc) = V ar (X) c2. 11 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Propriedade 4. Sejam duas constantes arbitra´rias a e b. Pelas propriedades 1, 2 e 3, temos V ar (a± bX) = b2V ar (X) . Propriedade 5. Sejam X e Y duas v.as, enta˜o a variaˆncia da soma ou da diferenc¸a e´ dada por.V ar (X ± Y ) = V ar (X) + V ar (Y )± 2COV (XY ) , onde COV denota a covariaˆncia entre as varia´veis X e Y , e e´ dada pela esperanc¸a do produto menos o produto das esperanc¸as: COV (XY ) = E (XY )− E (X)E (Y ) Propriedade 6. Considere X1, X2, ..., Xn varia´veis aleato´rias. Enta˜o a variaˆncia da soma e´ dada por V ar ( n∑ i=1 Xi ) = n∑ i=1 V ar (Xi) + n∑ i=1 ∑ j 6=i COV (XiXj) . Observac¸a˜o: SeX1, X2, ..., Xn sa˜o varia´veis aleato´rias independentes, enta˜o a variaˆncia da soma e´ a soma das variaˆncias V ar ( n∑ i=1 Xi ) = n∑ i=1 V ar (Xi) 2.6 Exemplo de aplicac¸a˜o em jogos de azar Suponha que, em um determinado jogo, o apostador faz o lanc¸amento de dois dados independentes e equilibrados. Defina como S a Varia´vel aleato´ria discreta que denota a soma das duas faces voltadas para cima. a. Determine a distribuic¸a˜o de probabilidades de S. b. Encontre a esperanc¸a de S. c. Encontre a Variaˆncia e o desvio-padra˜o de S. Resoluc¸a˜o do item a: Neste exemplo de aplicac¸a˜o, para determinarmos a distribuic¸a˜o de probabilidades de S, e´ necessa´rio encontrarmos o espac¸o amostral deste experimento aleato´rio que e´ dado por: Ω = (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6) (2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6) (3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6) (4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6) (5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6) (6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6) 12 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Portanto, a soma S das duas faces voltadas para cima e´ uma v.a.d que assume os seguintes valores: S = 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12. Dessa maneira, a distribuic¸a˜o de probabilidades de S e´ dada por: P (S = 2) = 1/36 ; P (S = 6) = 5/36 ; P (S = 10) = 3/36 P (S = 3) = 2/36 ; P (S = 7) = 6/36 ; P (S = 11) = 2/36 P (S = 4) = 3/36 ; P (S = 8) = 5/36 ; P (S = 12) = 1/36 P (S = 5) = 4/36 ; P (S = 9) = 4/36 Resoluc¸a˜o do item b: E (S) = 12∑ k=2 kP (S = k) = 2P (S = 2) + 3P (S = 3) + 4P (S = 4) + · · ·+ 12P (S = 12) = 2 1 36 + 3 2 36 + 4 3 36 + 5 4 36 + 6 5 36 + 7 6 36 + 8 5 36 + 9 4 36 + 10 3 36 + 11 2 36 + 12 1 36 = 256 36 E (S) = 7. Resoluc¸a˜o do item c: Para encontrarmos a Variaˆncia de S, e´ necessa´rio encontrar primeiramente a esperanc¸a do segundo momento de S. E ( S2 ) = 12∑ k=2 k2P (S = k) = 22P (S = 2) + 32P (S = 3) + 42P (S = 4) + · · ·+ 122P (S = 12) = 4 1 36 + 9 2 36 + 16 3 36 + 25 4 36 + 36 5 36 + 49 6 36 + 64 5 36 + 81 4 36 + 100 3 36 + 121 2 36 + 144 1 36 = 1974 36 E ( S2 ) = 329 6 . Por sua vez, sabemos que a Variaˆncia de S e´ a diferenc¸a entre a esperanc¸a do segundo momento e o quadrado da esperanc¸a do primeiro momento de S, isto e´: V ar (S) = E ( S2 )− [E (S)]2 = 329 6 − 72 V ar (S) = 35 6 = 5, 8333. O desvio-padra˜o, por definic¸a˜o, e´ a ra´ız quadrada da Variaˆncia de S, ou seja: σ (S) = √ V ar (S) = √ 35 6 = 2, 4153. 13 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula 2.7 Exemplo de aplicac¸a˜o na a´rea comercial Em uma grande rede de loja de calc¸ados, os funciona´rios ganham um adicional no sala´rio em func¸a˜o das vendas. Esse adicional e´ dado em nu´mero de boˆnus que Variam de 0 a 8. O nu´mero X de boˆnus que cada funciona´rio ganha, ale´m do sala´rio fixo, e´ uma Varia´vel aleato´ria discreta tal que sua distribuic¸a˜o de probabilidades e´ dada por: P (X = k) = (9− k)2 285 , k = 0, 1, 2, ..., 8. (1) a. Encontre a probabilidade de um funciona´rio qualquer ganhar no ma´ximo 7 boˆnus no final do meˆs. b. Encontre a probabilidade de um funciona´rio qualquer ganhar pelo menos 2 boˆnus no final do meˆs. c. Encontre e interprete a esperanc¸a do nu´mero X de boˆnus a receber no final do meˆs. d. Encontre a Variaˆncia e o desvio padra˜o do nu´mero X de boˆnus a receber no final do meˆs. Ajuda: Encontre primeiramente a esperanc¸a do segundo momento da Varia´vel aleato´ria X, isto e´, E (X2). e. Considere Y como a quantia em reais que o funciona´rio ganha em func¸a˜o dos boˆnus. Sabendo que cada boˆnus equivale a` 300 reais, encontre a esperanc¸a, a Variaˆncia e o desvio padra˜o de Y . Interprete a esperanc¸a encontrada. Soluc¸a˜o: A distribuic¸a˜o de probabilidades de X expressa em (1) e´ expressa por extenso por: P (X = 0) = 81 285 ; P (X = 1) = 64 285 ; P (X = 2) = 49 285 P (X = 3) = 36 285 ; P (X = 4) = 25 285 ; P (X = 5) = 16 285 P (X = 6) = 9 285 ; P (X = 7) = 4 285 ; P (X = 8) = 1 285 Soluc¸a˜o do item a. A probabilidade de um funciona´rio qualquer ganhar no ma´ximo 7 boˆnus no final do meˆs e´ P (X ≤ 7) = 1− P (X = 8) = 1− 1 285 = 284 285 P (X ≤ 7) = 0, 9965 ou 99, 65%. Soluc¸a˜o do item b. A probabilidade de um funciona´rio qualquer ganhar pelo menos 2 boˆnus no final do meˆs e´ 14 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula P (X ≥ 2) = 1− P (X = 0)− P (X = 1) = 1− 64 285 − 49 285 = 140 285 P (X ≥ 2) = 0, 4912 ou 49, 12%. Soluc¸a˜o do item c. Pela definic¸a˜o, a esperanc¸a do nu´mero X de boˆnus a receber no final do meˆs e´ tal que: E (X) = 8∑ k=0 kP (X = k) = 0P (X = 0) + 1P (X = 1) + 2P (X = 2) + ...+ 8P (X = 8) = 0 81 285 + 1 64 285 + 2 49 285 + 3 36 285 + 4 25 285 + 5 16 285 + 6 9 285 + 7 4 285 + 8 1 285 = 540 285 E (X) = 1, 89 boˆnus. Soluc¸a˜o do item d. Para determinarmos a Variaˆncia, e´ necessa´rio encontrarmos primei- ramente a esperanc¸a do segundo momento da Varia´vel aleato´ria X, isto e´, E (X2): E ( X2 ) = 8∑ k=0 k2P (X = k) = 02P (X = 0) + 12P (X = 1) + 22P (X = 2) + ...+ 82P (X = 8) = 02 81 285 + 12 64 285 + 22 49 285 + 32 36 285 + 42 25 285 + 52 16 285 + 62 9 285 + 72 4 285 + 82 1 285 = 0 81 285 + 1 64 285 + 4 49 285 + 9 36 285 + 16 25 285 + 25 16 285 + 36 9 285 + 49 4 285 + 64 1 285 = 1968 285 E ( X2 ) = 6, 91 boˆnus2. A Variaˆncia de X, por sua vez, e´ tal que: V ar (X) = E ( X2 ) = [E (X)]2 = 6, 91− 1, 892 V ar (X) = 3, 34 boˆnus2. Dessa forma, como a Variaˆncia e´ V ar (X) = 3, 34, enta˜o o desvio padra˜o do nu´mero X de boˆnus a receber no final do meˆs e´ σ (X) = 1, 83 boˆnus. Soluc¸a˜o do item e. Se Y e´ a quantia em reais que o funciona´rio ganha em func¸a˜o dos boˆnus e, sabendo que cada boˆnus equivale e´ 300 reais, enta˜o temos 15 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula E (Y ) = E (X)× 300 reais E (Y ) = 567 reais. V ar (Y ) = V ar (X)× 3002 = 3, 34× 90.000 reais V ar (Y ) = 300.600 reais2. Dessa forma, o desvio-padra˜o da quantia e´ σ (Y ) = 549 reais. 16 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula 3 Varia´veis aleato´rias cont´ınuas Alguns exemplos de varia´veis aleato´rias cont´ınuas (abreviac¸a˜o v.a.c) sa˜o: peso e altura de indiv´ıduos, ı´ndice de massa corporal, pressa˜o atmosfe´rica, temperatura dia´ria de uma deter- minada regia˜o, ı´ndice pluviome´trico para medir a quantidade de chuva, velocidade do vento, vaza˜o de um rio, tempo de vida u´til de um determinado componente eletroˆnico, sala´rios dos funciona´rios de uma empresa, renda familiar ou renda per capta, etc. 3.1 Definic¸a˜o e conceitos ba´sicos Definic¸a˜o: Dizemos que X e´ uma varia´vel aleato´ria cont´ınua v.a.c se: i. 0 ≤ P (a < X < b) = b∫ a f (x)dx ≤ 1. ii. +∞∫ −∞ f (x) dx = 1. em que f (x) e´ chamada de func¸a˜o densidade de probabilidade (f.d.p). 3.2 Func¸a˜o distribuic¸a˜o A func¸a˜o distribuic¸a˜o, ou distribuic¸a˜o acumulada de probabilidades, e´ a probabilidade da v.a.c X ser menor que um ponto arbitra´rio x, isto e´, F (x) = P (X ≤ x) = x∫ −∞ f (x) dx. Resultado 1: A derivada da func¸a˜o distribuic¸a˜o e´ a func¸a˜o densidade de probabilidade (f.d.p): F ′ (x) = f (x) = f.d.p. Resultado 2: lim x→−∞ F (x) = 0 lim x→+∞ F (x) = 1. 17 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula 3.3 Mediana Por definic¸a˜o a mediana e´ uma medida de tendeˆncia central que divide um conjunto quantitativo ordenado de dados em duas partes iguais. No caso de uma varia´vel aleato´ria cont´ınua, a mediana e´ o valor que deixa uma a´rea igual a 0, 5 abaixo e 0, 5 acima dela. Para encontrar o valor da mediana basta encontrar o valor Me que satisfac¸a a expressa˜o abaixo: Me∫ −∞ f (x) dx = 1 2 . 3.4 Moda A moda de uma varia´vel aleato´ria cont´ınua e´ o valor nume´rico de x que maximiza f (x), caso exista ma´ximo. Para isso, basta encontrar a derivada f ′ (x) e igualar a zero. Neste caso, x e´ chamado de moda ou valor modal. A figura abaixo apresenta um exemplo de varia´vel aleato´ria cont´ınua e seu valor modal. 3.5 Esperanc¸a matema´tica e variaˆncia de uma v.a.c A esperanc¸a matema´tica de uma varia´vel aleato´ria cont´ınua e´ definida como: E (X) = +∞∫ −∞ xf (x) dx. A variaˆncia, por sua vez, e´ definida como a esperanc¸a do segundo momento menos o quadrado da esperanc¸a do primeiro momento: V ar (X) = E ( X2 )− [E (X)]2 , 18 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula em que E ( X2 ) = +∞∫ −∞ x2f (x) dx. 3.6 Exemplo de aplicac¸a˜o gene´rica Considere X uma varia´vel aleato´ria cont´ınua (v.a.c) tal que sua f.d.p seja dada por: f (x) = { 3x2 125 se 0 < x < 5. 0 caso contra´rio a. Verifique se f (x) e´ uma f.d.p. b. Determine a func¸a˜o distribuic¸a˜o F (x). c. Determine P (2 < X < 4). d. Encontre a mediana da v.a.c X. e. Determine a esperanc¸a matema´tica da v.a.c X. f. Determine a variaˆncia da v.a.c X. Resoluc¸a˜o do item a. Para que f (x) seja uma f.d.p, sua integral tem que ser 1. +∞∫ −∞ f (x) dx = 5∫ 0 3x2 125 dx = 3 125 ( x3 3 ) |50 = 3 125 ( 53 3 − 0 3 3 ) = 3 125 × 125 3 +∞∫ −∞ f (x) dx = 1. Logo, f (x) e´ uma func¸a˜o densidade de probabilidade (f.d.p). Resoluc¸a˜o do item b. Por definic¸a˜o temos que F (x) = P (X ≤ x). F (x) = P (X ≤ x) = x∫ −∞ f (x) dx = x∫ 0 3x2 125 dx = 3 125 ( x3 3 ) |x0 = 3 125 ( x3 3 − 0 3 3 ) = x3 125 F (x) = x3 125 . Note que F ′ (x) = f (x) 19 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Resoluc¸a˜o do item c. Para encontrar a probabilidade da v.a.c estar num intervalo definido [a, b], basta integrar f (x) neste intervalo, isto e´, P (2 < X < 4) = 4∫ 2 f (x) dx = 4∫ 2 3x2 125 dx = 3 125 ( x3 3 ) |42= 3 125 ( 43 3 − 2 3 3 ) = 3 125 ( 64 3 − 8 3 ) = 3 125 × 56 3 = 56 125 P (2 < X < 4) = 0, 4480. Resoluc¸a˜o do item d. Encontrar a mediana da v.a.c X. Me∫ 0 f (x) dx = 1 2 =⇒ Me∫ 0 3x2 125 dx = 1 2 =⇒ 3 125 ( x3 3 ) |Me0 = 1 2 =⇒ 3 125 ( Me3 3 − 0 3 3 ) = 1 2 =⇒ Me 3 125 = 1 2 =⇒ Me = 3, 9685. Resoluc¸a˜o do item e. Determinar a esperanc¸a matema´tica da v.a.c X. E (X) = +∞∫ −∞ xf (x) dx = 5∫ 0 x 3x2 125 dx = 5∫ 0 3x3 125 dx = 3 125 ( x4 4 ) |50= 3 125 ( 54 4 − 0 4 4 ) = 3 125 × 625 4 = 15 4 E (X) = 3, 75. Resoluc¸a˜o do item f. Para determinar a variaˆncia, e´ necessa´rio encontrar primeiramente a esperanc¸a do segundo momento de X. E ( X2 ) = +∞∫ −∞ x2f (x) dx = 5∫ 0 x2 3x2 125 dx = 5∫ 0 3x4 125 dx = 3 125 ( x5 5 ) |50= 3 125 ( 55 5 − 0 5 5 ) = 3 125 × 3125 5 E ( X2 ) = 15. A variaˆncia e´ dada pela esperanc¸a do segundo momento menos o quadrado da esperanc¸a do primeiro momento. 20 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula V ar (X) = E ( X2 )− [E (X)]2 = 15− 3, 752 V ar (X) = 0, 9375. 3.7 Exemplo de aplicac¸a˜o na engenharia industrial O tempo X de acionamento de um sistema automa´tico numa linha de produc¸a˜o e´ uma varia´vel aleato´ria cont´ınua (v.a.c), cuja func¸a˜o densidade de probabilidades (f.d.p) e´ expressa por f (x) = −3x2 + 36x− 60 256 , 2 ≤ x ≤ 10. a. Verifique se esta f (x) e´, de fato, uma f.d.p. b. Determinar P (4 ≤ X ≤ 8), isto e´, a probabilidade do tempo de acionamento estar entre 4 e 8 minutos. c. Encontre o tempo modal Mo, ou seja, o tempo de acionamento mais frequente deste sistema. d. Encontre o tempo mediano de acionamento deste sistema. Mostre que a mediana dessa v.a.c na˜o possui forma expl´ıcita e e´ dada pela soluc¸a˜o de um polinoˆmio de grau 3. e. Encontre a esperanc¸a matema´tica E (X). Use o valor nume´rico da esperanc¸a ma- tema´tica no polinoˆmio do item (a) e fac¸a comenta´rios pertinentes. f. Encontre a variaˆncia V ar (X) do tempo de acionamento deste sistema. Em seguida encontre o desvio-padra˜o σ (X). Resoluc¸a˜o do item a. Para que f (x) seja uma f.d.p temos que verificar se +∞∫ −∞ f (x) dx = 1. Em nosso exemplo temos que 21 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula +∞∫ −∞ f (x) dx = 10∫ 2 −3x2 + 36x− 60 256 dx = 1 256 (−3x3 3 + 36x2 2 − 60x ) |102 = 1 256 (−x3 + 18x2 − 60x) |102 = 1 256 [(−1000 + 1800− 600)− (−8 + 72− 120)] = 1 256 (200 + 56) = 1 256 × 256 = 1 +∞∫ −∞ f (x) dx = 1. Logo, esta f (x) e´ de fato uma f.d.p. Resoluc¸a˜o do item b. Para determinar a probabilidade do tempo de acionamento estar entre 4 e 8 minutos, basta integrar f (x) no intervalo [4 , 8], ou seja: P (4 ≤ X ≤ 8) = 8∫ 4 −3x2 + 36x− 60 256 dx = 1 256 (−3x3 3 + 36x2 2 − 60x ) |84 = 1 256 (−x3 + 18x2 − 60x) |84 = 1 256 [(−512 + 1152− 480)− (−64 + 288− 240)] = 1 256 (160 + 16) = 1 256 × 176 = 0, 6875 P (4 ≤ X ≤ 8) = 0, 6875 ou 68, 75%. Resoluc¸a˜o do item c. Para encontrar o tempo modal Mo de acionamento do sistema, basta encontrar o valor nume´rico de x que maximize f (x). Para isso, e´ necessa´rio encontrarmos a sua derivada, isto e´: f ′ (x) = −6x+ 36 256 . Igualando a derivada a zero, temos: 22 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula −6x+ 36 256 = 0 ⇒ −6x+ 36 = 0 ⇒ −6x = −36 ⇒ x = 36 6 ⇒ x = 6 minutos. Logo, o valor de x que maximiza f (x) e´ 6. Portanto, o tempo modal de acionamento deste sistema e´ de Mo = 6 minutos. Resoluc¸a˜o do item d. Para encontrar o tempo mediano de acionamento deste sistema, basta fazer: Me∫ 0 f (x) dx = 1 2 Dessa maneira temos que Me∫ 2 −3x2 + 36x− 60 256 dx = 1 2 =⇒ 1 256 ( −3x 3 3 + 36x2 2 − 60x ) |Me2 = 1 2 =⇒ 1 256 (−x3 + 18x2 − 60x) |Me2 = 12 =⇒ 1 256 [(−Me3 + 18Me2 − 60Me)− (−23 + 18× 22 − 60× 2)] = 1 2 =⇒ 1 256 (−Me3 + 18Me2 − 60Me+ 56) = 1 2 =⇒ −Me3 + 18Me2 − 60Me+ 56 = 128 =⇒ −Me3 + 18Me2 − 60Me− 72 = 0. Dessa forma, a mediana na˜o possui forma expl´ıcita e e´ dada pela soluc¸a˜o do polinoˆmio acima. Resoluc¸a˜o do item e. A esperanc¸a matema´ticae´ E (X) = 6, que e´ a pro´pria soluc¸a˜o do polinoˆmio no item a. 23 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula E (X) = +∞∫ −∞ xf (x) dx = 10∫ 2 x −3x2 + 36x− 60 256 dx = 10∫ 2 −3x3 + 36x2 − 60x 256 dx = 1 256 ( −3x 4 4 + 36x3 3 − 60x 2 2 ) |102 = 1 256 [1500− (−36)] = 1536 256 = 6 E (X) = 6 minutos. Resoluc¸a˜o do item f. Para encontrar a variaˆncia e´ necessa´rio encontrar primeiramente a esperanc¸a do segundo momento E ( X2 ) = +∞∫ −∞ x2f (x) dx = 10∫ 2 x2 −3x2 + 36x− 60 256 dx = 10∫ 2 −3x4 + 36x3 − 60x2 256 dx = 1 256 ( −3x 5 5 + 36x4 4 − 60x 3 3 ) |102 = 1 256 [10000− (−35, 2)] = 10035, 2 256 E ( X2 ) = 39, 2 minutos2. E, finalmente, a variaˆncia e´ dada por V ar (X) = E ( X2 )− [E (X)]2 = 39, 2− 62 V ar (X) = 3, 2 minutos2. O desvio-padra˜o, por sua vez, e´ expresso pela ra´ız quadrada da variaˆncia, isto e´ σ (X) = 1, 79 minutos. 24 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula 4 Distribuic¸a˜o binomial Dentre os inu´meros modelos discretos, o modelo binomial e´ um dos modelos mais impor- tantes e usados nas diversas a´reas. Para introduzirmos este assunto, e´ necessa´rio abordarmos um outro modelo discreto que deu base para o modelo binomial. Trata-se da distribuic¸a˜o ou modelo de Bernoulli. 4.1 Distribuic¸a˜o ou modelo de Bernoulli Jakob Bernoulli1 (Ou Jacques Bernoulli, Basileia 1654−1705) foi o primeiro matema´tico a desenvolver o ca´lculo infinitesimal para ale´m do que fora feito por Newton e Leibniz, aplicando-o a novos problemas. Publicou a primeira integrac¸a˜o de uma equac¸a˜o diferencial; deu soluc¸a˜o ao problema dos isoper´ımetros, que abriu caminho ao ca´lculo das variac¸o˜es de Euler e Lagrange e estendeu suas principais aplicac¸o˜es ao ca´lculo das probabilidades. E´ considerado o pai do ca´lculo exponen- cial. Foi professor de matema´tica em Basileia, tendo sido important´ıssima sua contribuic¸a˜o a` geometria anal´ıtica, a` teoria das probabilidades e ao ca´lculo de variac¸o˜es. Em 1713, depois de sua morte, foi publicado seu grande tratado sobre a teoria das pro- babilidades Ars Conjectandi, que ainda oferece interesse pra´tico na aplicac¸a˜o da teoria da probabilidade no seguro e na estat´ıstica. Distribuic¸a˜o de Bernoulli: Considere Y uma varia´vel aleato´ria discreta (v.a.d) que assume apenas dois resultados poss´ıveis. Por exemplo: a. Face obtida em um lanc¸amento de uma moeda: cara ou coroa; b. Nascimento de filhote macho ou feˆmea de uma espe´cie de mamı´fero; c. Fabricac¸a˜o de uma pec¸a defeituosa ou na˜o defeituosa numa linha de produc¸a˜o; d. Uma empresa de extrac¸a˜o de petro´leo encontra ou na˜o petro´leo num ponto de sonda- gem; e. O gerente do banco libera ou na˜o libera o empre´stimo para um determinado cliente; f. O indiv´ıduo e´ ou na˜o portador de uma determinada doenc¸a; g. O aluno e´ aprovado ou reprovado numa determinada disciplina; Usualmente adota-se o valor nume´rico 1 para a ocorreˆncia do evento de interesse, que chamamos de sucesso e adota-se o valor nume´rio 0 se na˜o ocorrer o evento de interesse, que 1Jakob Bernoulli era da famı´lia Bernoulli, que destacou-se devido ao fato de ter dado ao mundo, durante um se´culo, oito nota´veis cientistas na a´rea da matema´tica e da f´ısica. O progenitor Nicolau residia em Antue´rpia na Be´lgica, foi forc¸ado a abandonar o pa´ıs por ser protestante, na e´poca da perseguic¸a˜o dos espanho´is aos na˜o cato´licos. Mudou-se para Basileia, na Su´ıc¸a onde se continuou a dedicar ao nego´cio das especiarias, vindo a casar com Margarette Schoenauer ligada a uma grande famı´lia de banqueiros, tendo-se tornado um mercador de sucesso. Dos treˆs filhos apenas o mais novo, Nicolau (apelidado o filho), seguiu os passos do pai. Os outros, bem como a descendeˆncia, dedicaram-se a`s matema´ticas. A histo´ria dos descendentes seria muito semelhante: na˜o revelando queda para o nego´cio da famı´lia, inscreveram-se na Universidade onde cursaram Magistratura ou Medicina. Anos mais tarde acabariam por se dedicar a` Matema´tica onde viriam a dar contribuic¸o˜es importantes, nomeadamente na a´rea do ca´lculo. 25 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula chamamos de fracasso, de tal forma que Y = { 1 se sucesso, tal que P (Y = 1) = p 0 se fracasso, tal que P (Y = 0) = 1− p Dizemos que Y tem distribuic¸a˜o de Bernoulli ou Y segue o modelo de Bernoulli de paraˆmetro p se sua distribuic¸a˜o de probabilidades e´ dada por P (Y = k) = pk (1− p)1−k , k = 0, 1. (2) A esperanc¸a matema´tica e a variaˆncia de Y sa˜o dadas respectivamente por E (Y ) = p e V ar (Y ) = p (1− p) . Notac¸a˜o: Y ∼ Bernoulli (p). Leˆ-se: Y tem distribuic¸a˜o de Bernoulli ou Y segue o modelo de Bernoulli com paraˆmetro p. Demonstrac¸a˜o de 2: Por definic¸a˜o, a esperanc¸a matema´tica de uma varia´vel aleato´ria discreta e´ tal que E (Y ) = ∑ k kP (X = k) = 0P (X = 0) + 1P (X = 1) = 0 (1− p) + 1p E (Y ) = p. Por sua vez, a esperanc¸a do segundo momento de uma v.a.d e´ tal que E ( Y 2 ) = ∑ k k2P (X = k) = 02P (X = 0) + 12P (X = 1) = 0 (1− p) + 1p E ( Y 2 ) = p. Como a variaˆncia de uma v.a.d e´ a diferenc¸a entre a esperanc¸a do segundo momento e o quadrado da esperanc¸a do primeiro momento, temos V ar (Y ) = E ( Y 2 )− [E (Y )]2 = p− p2 V ar (Y ) = p (1− p) . Demonstrando assim (2). 26 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula 4.2 Distribuic¸a˜o ou modelo Binomial Seja X uma varia´vel aleato´ria discreta (v.a.d) que conta o nu´mero k de sucessos em n ensaios independentes de Bernoulli cada qual com probabilidade de sucesso igual a p. Enta˜o X = n∑ i=1 Yi e assume os valores inteiros 0, 1, 2, ..., n, e a probabilidade de X assumir o valor k e´ dada pela seguinte distribuic¸a˜o de probabilidades: P (X = k) = ( n k ) pk (1− p)n−k , k = 0, 1, 2, ..., n. A esperanc¸a e a variaˆncia de X sa˜o dadas respectivamente por E (X) = np e V ar (X) = np (1− p) . Notac¸a˜o: X ∼ Binomial (n, p). Leˆ-se: X tem distribuic¸a˜o binomial com paraˆmetros n e p. 4.3 Exemplo de aplicac¸a˜o na a´rea gene´tica A probabilidade de que algue´m apresente uma determinada caracter´ıstica gene´tica e´ de 0, 25. Em uma amostra de 8 indiv´ıduos, calcule a probabilidade de que a. 3 indiv´ıduos apresentem tal caracter´ıstica gene´tica. b. 5 indiv´ıduos apresentem tal caracter´ıstica gene´tica. c. pelo menos 1 indiv´ıduo apresente tal caracter´ıstica gene´tica. d. no ma´ximo 2 indiv´ıduos apresentem tal caracter´ıstica gene´tica. e. nenhum indiv´ıduo apresente tal caracter´ıstica gene´tica. f. Determine a esperanc¸a e a variaˆncia do nu´mero de indiv´ıduos que apresentam tal caracter´ıstica gene´tica. Resoluc¸a˜o do item a. P (X = k) = ( n k ) pk (1− p)n−k P (X = 3) = ( 8 3 ) 0, 253 (1− 0, 25)8−3 P (X = 3) = 0, 2076 Interpretac¸a˜o: A probabilidade de que 3 indiv´ıduos apresentem tal caracter´ıstica gene´tica e´ de 0, 2076 ou 20, 76%. Resoluc¸a˜o do item b. 27 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula P (X = k) = ( n k ) pk (1− p)n−k P (X = 5) = ( 8 5 ) 0, 255 (1− 0, 25)8−5 P (X = 5) = 0, 0231 Interpretac¸a˜o: A probabilidade de que 5 indiv´ıduos apresentem tal caracter´ıstica gene´tica e´ de 0, 0231 ou 2, 31%. Resoluc¸a˜o do item c. P (X ≥ 1) = P (X = 1) + P (X = 2) + ...+ P (X = 8) = 1− P (X = 0) = 1− ( 8 0 ) 0, 250 (1− 0, 25)8−0 = 1− 0, 1001 P (X ≥ 1) = 0, 8999 Interpretac¸a˜o: A probabilidade de que pelo menos 1 indiv´ıduo apresente talcarac- ter´ıstica gene´tica e´ de 0, 8999 ou 89, 99%. Resoluc¸a˜o do item d. P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2) = ( 8 0 ) 0, 250 (1− 0, 25)8−0 + ( 8 1 ) 0, 251 (1− 0, 25)8−1 + ( 8 2 ) 0, 252 (1− 0, 25)8−2 = 0, 1001 + 0, 2670 + 0, 3115 P (X ≤ 2) = 0, 6786 Interpretac¸a˜o: A probabilidade de que no ma´ximo 2 indiv´ıduos apresentem tal carac- ter´ıstica gene´tica e´ de 0, 6786 ou 67, 86%. Resoluc¸a˜o do item e. P (X = k) = ( n k ) pk (1− p)n−k P (X = 0) = ( 8 0 ) 0, 250 (1− 0, 25)8−0 P (X = 0) = 0, 1001 Interpretac¸a˜o: A probabilidade de que nenhum indiv´ıduo apresente tal caracter´ıstica gene´tica e´ de 0, 1001 ou 10, 01%. 28 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Resoluc¸a˜o do item f. E (X) = np = 8× 0, 25 E (X) = 2. Interpretac¸a˜o: A esperanc¸a do nu´mero de indiv´ıduos que apresentam tal caracter´ıstica gene´tica e´ de 2 indiv´ıduos. V AR (X) = np (1− p) = 8× 0, 25× 0, 75 V AR (X) = 1, 5. Interpretac¸a˜o: A variaˆncia do nu´mero de indiv´ıduos que apresentam tal caracter´ıstica gene´tica e´ de 1, 5 indiv´ıduos2. A fim de trabalharmos com a mesma unidade de medida da esperanc¸a, pode-se extrair a sua ra´ız, denominada de desvio-padra˜o: σ = 1, 22 indiv´ıduos com tal caracter´ıstica. 4.4 Exemplo de aplicac¸a˜o na explorac¸a˜o de petro´leo Num processo de sondagem para a instalac¸a˜o de uma plataforma de explorac¸a˜o de petro´leo em a´guas oceaˆnicas, numa certa regia˜o, a probabilidade de encontrar petro´leo e´ de 0, 04. Uma empresa de extrac¸a˜o de petro´leo e seus derivados realiza a sondagem em 25 pontos diferentes nessa regia˜o. Qual a probabilidade de que a.) em apenas 2 pontos de sondagem encontre petro´leo. b.) em 10 pontos de sondagem encontre petro´leo. c.) pelo menos 1 ponto de sondagem encontre petro´leo. d.) determine a esperanc¸a do nu´mero de pontos de sondagem que encontre petro´leo. Resoluc¸a˜o do item a. P (X = k) = ( n k ) pk (1− p)n−k P (X = 2) = ( 25 2 ) 0, 042 (1− 0, 04)25−2 P (X = 2) = 0, 1877 Interpretac¸a˜o: A probabilidade de que em apenas 2 pontos de sondagem encontre petro´leo nessa regia˜o e´ de 0, 1877 ou 18, 77%. Resoluc¸a˜o do item b. P (X = k) = ( n k ) pk (1− p)n−k P (X = 10) = ( 25 10 ) 0, 0410 (1− 0, 04)25−10 P (X = 10) ∼= 0 29 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Interpretac¸a˜o: A probabilidade de que em 10 pontos de sondagem encontre petro´leo nessa regia˜o e´ aproximadamente igual a zero. Resoluc¸a˜o do item c. P (X ≥ 1) = P (X = 1) + P (X = 2) + ...+ P (X = 25) = 1− P (X = 0) = 1− ( 25 0 ) 0, 040 (1− 0, 04)25−0 = 1− 0, 3604 P (X ≥ 1) = 0, 6396. Interpretac¸a˜o: A probabilidade de que pelo menos 1 ponto de sondagem encontre petro´leo nessa regia˜o e´ de 0, 6396 ou 63, 96%. Resoluc¸a˜o do item d. E (X) = np = 25× 0, 04 E (X) = 1. Interpretac¸a˜o: a esperanc¸a do nu´mero de pontos de sondagem que encontra petro´leo nessa regia˜o e´ de 1 ponto. 30 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula 5 Distribuic¸a˜o ou modelo de Poisson Em estat´ıstica, especificamente na Teoria das Probabilidades, a distribuic¸a˜o ou o modelo de Poisson e´ uma distribuic¸a˜o de probabilidades de uma varia´vel aleato´ria discreta (v.a.d.) que expressa a probabilidade de uma se´rie de eventos independentes ocorrer num certo per´ıodo de tempo. A distribuic¸a˜o foi descoberta por Sime´on-Denis Poisson2 (1781–1840) e publicada, con- juntamente com a sua teoria da probabilidade, em 1838 no seu trabalho Recherches sur la probabilite´ des jugements en matie`res criminelles et matie`re civile (”Inque´rito sobre a proba- bilidade em julgamentos sobre mate´rias criminais e civis”). O trabalho focava-se basicamente em varia´veis aleato´rias discretas que contavam, entre outras coisas, o nu´mero de ocorreˆncias discretas durante um intervalo de tempo determinado. Sa˜o alguns exemplos de varia´veis que seguem uma distribuic¸a˜o de Poisson: 1. Nu´mero dia´rio de acidentes de traˆnsito em uma grande cidade; 2. Nu´mero de aeronaves que pousam ou decolam em um determinado per´ıodo de tempo em um aeroporto; 3. Nu´mero de filhos por famı´lia em uma determinada comunidade; 4. Nu´mero de chamadas telefoˆnicas recebidas em uma central, num per´ıodo de tempo; 5. Nu´mero de ovos depositados por uma determinada espe´cie de tartaruga; No contexto da distribuic¸a˜o binomial, quando o tamanho da amostra aumenta (n −→∞) e quando a probabilidade de sucesso diminui (p −→ 0), o produto np converge para uma constante λ, isto e´, np −→ λ > 0, quando n −→∞ e p −→ 0. Dessa maneira, dizemos que X tem distribuic¸a˜o de Poisson ou X segue o modelo de Poisson com paraˆmetro λ se sua distribuic¸a˜o de probabilidades e´ dada por: P (X = k) = e−λλk k! , para k = 0, 1, 2, ... (3) em que 2Sime´on Denis Poisson (Pithiviers, 21 de junho de 1781 — Paris, 25 de abril de 1840) foi um matema´tico e f´ısico franceˆs. Em 1798 entrou na E´cole Polytechnique em Paris, como primeiro colocado de sua turma, atraindo imediatamente a atenc¸a˜o dos professores da escola, deixando-o livre para escolher o que estudar. Em 1800, menos de dois anos depois de seu ingresso, publicou duas memo´rias, uma sobre o me´todo da eliminac¸a˜o de E´tienne Be´zout, e a outra sobre o nu´mero de integrais de uma equac¸a˜o em diferenc¸as finitas. Esta u´ltima foi examinada por Sylvestre Franc¸ois Lacroix e Adrien-Marie Legendre, que recomendaram sua publicac¸a˜o no Recueil des savants e´trangers, uma honra sem precedentes para um jovem de dezoito anos. Poisson desenvolveu o expoente de Poisson, usado na transformac¸a˜o adiaba´tica de um ga´s. Este expoente e´ a raza˜o entre a capacidade te´rmica molar de um ga´s a pressa˜o constante e a capacidade te´rmica molar de um ga´s a volume constante. A lei de transformac¸a˜o adiaba´tica de um ga´s diz que o produto entre a pressa˜o de um ga´s e o seu volume elevado ao expoente de Poisson e´ constante. 31 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula e: e´ a base do logaritmo natural (2, 718282...). λ: e´ uma constante positiva (λ > 0) que denota o nu´mero esperado de ocorreˆncias num intervalo de tempo. k! e´ o fatorial do nu´mero k. A esperanc¸a e a variaˆncia sa˜o dados por: E (X) = V ar (X) = λ. (4) Notac¸a˜o: X ∼ Poisson (λ). Leˆ-se: ”X tem distribuic¸a˜o de Poisson ou X segue o modelo de Poisson com paraˆmetro λ”. Observac¸a˜o: A distribuic¸a˜o de Poisson possui uma propriedade interessante de que a esperanc¸a de X e´ sempre igual a sua variaˆncia. A Figura abaixo apresenta a forma da distribuic¸a˜o considerando treˆs valores para o paraˆmetro laˆmbda. Figura 1. Distribuic¸a˜o de Poisson com diferentes valores de λ. Demonstrac¸a˜o de 3: Vamos mostrar que a distribuic¸a˜o expressa em (3) trata-se de fato de uma distribuic¸a˜o de probabilidades. ∞∑ k=0 P (X = k) = ∞∑ k=0 e−λλk k! = e−λ ∞∑ k=0 λk k! 32 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Como ∞∑ k=0 xk k! = x0 0! + x1 1! + x2 2! + x3 3! + ... = ex, ∀x ∈ R, temos que ∞∑ k=0 λk k! = eλ. Portanto ∞∑ k=0 P (X = k) = e−λeλ = 1. Demonstrac¸a˜o de 4: Vamos demonstrar que E (X) = λ. Por definic¸a˜o temos que a esperanc¸a de uma varia´vel aleato´ria discreta e´ tal que E (X) = ∑ k kP (X = k) . Enta˜o E (X) = ∞∑ k=0 kP (X = k) = ∞∑ k=0 k e−λλk k! = ∞∑ k=1 e−λλk (k − 1)! = e −λλ ∞∑ k=1 λk−1 (k − 1)! Fazendo s = k − 1 temos E (X) = e−λλ ∞∑ s=0 λs s! . Como ∞∑ s=0 λs s! = eλ, ∀λ ∈ R. Temos enta˜o que E (X) = e−λλeλ= λ Vamos demonstrar agora que V ar (X) = λ. Primeiramente devemos encontrar a esperanc¸a do segundo momento de X, isto e´, E (X2), que e´ expressa por: E ( X2 ) = ∑ k k2P (X = k) . Enta˜o E ( X2 ) = ∞∑ k=0 k2P (X = k) = ∞∑ k=0 k2 e−λλk k! = ∞∑ k=1 k e−λλk (k − 1)! = λ ∞∑ k=1 k e−λλk−1 (k − 1)! Fazendo k = s+ 1 temos E ( X2 ) = λ ∞∑ s=0 (s+ 1) e−λλs s! = λ ∞∑ s=0 s e−λλs s! + λ ∞∑ s=0 e−λλs s! Como ∞∑ s=0 s e −λλs s! = E (X) = λ e ∞∑ s=0 e−λλs s! = 1, enta˜o segue que: E ( X2 ) = λλ+ λ = λ2 + λ. 33 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Por definic¸a˜o, sabemos que a variaˆncia de uma varia´vel aleato´ria e´ expressa pela diferenc¸a entre a esperanc¸a do segundo momento e o quadrado da esperanc¸a do primeiro momento, isto e´, V ar (X) = E ( X2 )− [E (X)]2 = λ2 + λ− λ2 V ar (X) = λ. Desta forma esta´ provado a relac¸a˜o dada em (4). 5.1 Exemplo de aplicac¸a˜o em doenc¸as raras A probabilidade de que uma pessoa da populac¸a˜o tenha uma determinada doenc¸a rara e´ de 1 em 80000. Numa populac¸a˜o de 400000 habitantes, determine a probabilidade de que: a. Haja exatamente 3 indiv´ıduos com a doenc¸a. b. Haja exatamente 1 indiv´ıduos com a doenc¸a. c. Haja pelo menos 1 indiv´ıduo com a doenc¸a. d. Determine a esperanc¸a e a variaˆncia do nu´mero X de indiv´ıduos com a doenc¸a nesta populac¸a˜o. Resoluc¸a˜o do item a. Como o tamanho da populac¸a˜o e´ de n = 400000 e a probabilidade de sucesso e´ p = 1 80000 , enta˜o o paraˆmetro laˆmbda da distribuic¸a˜o de Poisson e´ λ = np = 400000× 1 80000 = 5, isto e´, X ∼ Poisson (5). Dessa maneira segue que P (X = k) = e−λλk k! =⇒ P (X = 3) = e −553 3! P (X = 3) = 0, 1404. Interpretac¸a˜o: A probabilidade de que haja exatamente 3 indiv´ıduos com a doenc¸a nesta populac¸a˜o e´ de 0, 1404 ou 14, 04%. Resoluc¸a˜o do item b. Para k = 1 indiv´ıduo com esta doenc¸a rara temos: P (X = k) = e−λλk k! =⇒ P (X = 1) = e −551 1! P (X = 1) = 0, 0337. Interpretac¸a˜o: A probabilidade de que haja exatamente 1 indiv´ıduo com a doenc¸a nesta populac¸a˜o e´ de 0, 0337 ou 3, 37%. Resoluc¸a˜o do item c. Considerando a probabilidade de pelo menos 1 indiv´ıduo com a doenc¸a nesta populac¸a˜o temos: 34 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula P (X ≥ 1) = P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4) + ... P (X ≥ 1) = 1− P (X = 0) = 1− e −550 0! = 1− 0, 0067 P (X ≥ 1) = 0, 9933. Interpretac¸a˜o: A probabilidade de que haja pelo menos 1 indiv´ıduo com a doenc¸a nesta populac¸a˜o e´ de 0, 9933 ou 99, 33%. Resoluc¸a˜o do item d. Como no modelo de Poisson tanto esperanc¸a quanto a variaˆncia sa˜o iguais ao paraˆmetro laˆmbda, enta˜o temos que E (X) = V ar (X) = λ = 5. Interpretac¸a˜o da esperanc¸a: Esperamos, a longo prazo, um nu´mero me´dio de 5 in- div´ıduos com a doenc¸a nesta populac¸a˜o. 5.2 Exemplo de aplicac¸a˜o: abalos s´ısmicos O nu´mero dia´rio X de abalos s´ısmicos em uma determinada regia˜o do Japa˜o e´ uma varia´vel aleato´ria discreta que segue uma distribuic¸a˜o de Poisson com paraˆmetro λ = 3, isto e´, X ∼ Poisson (3). Encontrar a probabilidade de que, em um determinado dia, a. Ocorra exatamente 2 abalos s´ısmicos. b. Ocorra exatamente 4 abalos s´ısmicos. c. Ocorra no ma´ximo 4 abalos s´ısmicos. d. Ocorra no mı´nimo 1 abalo s´ısmico. e. Determine a esperanc¸a e a variaˆncia do nu´mero dia´rio X de abalos s´ısmicos desta regia˜o do Japa˜o. Resoluc¸a˜o do item a. Para k = 2 abalos s´ısmicos temos P (X = k) = e−λλk k! =⇒ P (X = 2) = e −332 2! P (X = 2) = 0, 2240. Interpretac¸a˜o: A probabilidade de que ocorra exatamente 2 abalos s´ısmicos, em um determinado dia, nesta regia˜o do Japa˜o, e´ de 0, 2240 ou 22, 40%. Resoluc¸a˜o do item b. Para k = 4 abalos s´ısmicos temos P (X = k) = e−λλk k! =⇒ P (X = 4) = e −334 4! P (X = 4) = 0, 1680. 35 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Interpretac¸a˜o: A probabilidade de que ocorra exatamente 4 abalos s´ısmicos, em um determinado dia, nesta regia˜o do Japa˜o, e´ de 0, 1680 ou 16, 80%. Resoluc¸a˜o do item c. Considerando no ma´ximo 4 abalos s´ısmicos temos P (X ≤ 4) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4) = e−330 0! + e−331 1! + e−332 2! + e−333 3! + e−334 4! = 0, 0498 + 0, 1494 + 0, 2240 + 0, 2240 + 0, 1680 P (X ≤ 4) = 0, 8152. Interpretac¸a˜o: A probabilidade de que ocorra no ma´ximo 4 abalos s´ısmicos, em um determinado dia, nesta regia˜o do Japa˜o, e´ de 0, 8152 ou 81, 52%. Resoluc¸a˜o do item d. Considerando a probabilidade de ocorrer pelo menos 1 abalo temos: P (X ≥ 1) = P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4) + ... P (X ≥ 1) = 1− P (X = 0) = 1− e −330 0! = 1− 0, 0498 P (X ≥ 1) = 0, 9502. Interpretac¸a˜o: A probabilidade de que ocorra no mı´nimo 1 abalo s´ısmico, em um deter- minado dia, nesta regia˜o do Japa˜o, e´ de 0, 9502 ou 95, 02%. Resoluc¸a˜o do item e. Como no modelo de Poisson tanto esperanc¸a quanto a variaˆncia sa˜o iguais ao paraˆmetro laˆmbda, enta˜o temos que E (X) = V ar (X) = λ = 3. Interpretac¸a˜o da esperanc¸a: Esperamos, a longo prazo, um nu´mero me´dio dia´rio de 3 abalos s´ısmicos nesta regia˜o do Japa˜o. 5.3 Distribuic¸a˜o da soma de distribuic¸o˜es de Poisson Considere X1, X2, ..., Xn varia´veis aleato´rias discretas tal que Xi ∼ Poisson (λi), com i = 1, 2, ..., n. Seja Y = n∑ i=1 Xi, enta˜o: Y = n∑ i=1 Xi ∼ Poisson ( n∑ i=1 λi ) . (5) Em particular, se λi = λ, com i = 1, 2, ..., n, enta˜o Y = n∑ i=1 Xi ∼ Poisson (nλ) . 36 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Demonstrac¸a˜o de 5: Pelas propriedades da esperanc¸a e da variaˆncia de uma varia´vel aleato´ria, temos que E (Y ) = E ( n∑ i=1 Xi ) = n∑ i=1 E (Xi) = E (X1) + E (X2) + ...+ E (Xn) = λ1 + λ2 + ...+ λn E (Y ) = n∑ i=1 λi. A variaˆncia, por sua vez, e´ tal que V ar (Y ) = V ar ( n∑ i=1 Xi ) = n∑ i=1 V ar (Xi) = V ar (X1) + V ar (X2) + ...+ V ar (Xn) = λ1 + λ2 + ...+ λn V ar (Y ) = n∑ i=1 λi. Como E (Y ) = V ar (Y ) = n∑ i=1 λi, esta´ provado a expressa˜o (5). 5.4 Exemplo de aplicac¸a˜o no tra´fego urbano Em uma grande cidade ha´ 5 avenidas principais. O nu´mero mensal de acidentes de traˆnsito para cada uma delas segue uma distribuic¸a˜o de Poisson, conforme quadro abaixo: Avenida Descric¸a˜o Poisson com paraˆmetro X1 Nu´mero de acidentes na avenida 1 λ = 0, 8 X2 Nu´mero de acidentes na avenida 2 λ = 2, 0 X3 Nu´mero de acidentes na avenida 3 λ = 1, 5 X4 Nu´mero de acidentes na avenida 4 λ = 1, 2 X5 Nu´mero de acidentes na avenida 5 λ = 0, 5 Seja Y a soma do nu´mero total de acidentes de traˆnsito nestas 5 avenidas, isto e´, Y = 5∑ i=1 Xi. Vamos encontrar a distribuic¸a˜o de Y . 37 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula E (Y ) = E ( 5∑ i=1 Xi ) = 5∑ i=1 E (Xi) = E (X1) + E (X2) + E (X3) + E (X4) + E (X5) = λ1 + λ2 + λ3 + λ4 + λ5 = 0, 8 + 2, 0 + 1, 5 + 1, 2 + 0, 5 = 6 E (Y ) = 6 acidentes semanais. Logo, temos que Y ∼ Poisson (6). Qual a probabilidade, por exemplo, de observarmos um total de 8 acidentes em uma determinada semana? P (X = 8) = e−668 8! = 0, 1033 ou 10, 33%. Qual a probabilidade de observarmos pelo menos 1 acidente em uma determinada semana? P (X ≥ 1) = P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4) + ... P (X ≥ 1) = 1− P (X = 0) = 1− e −660 0! = 1− 0, 0025 P (X ≥ 1) = 0, 9975 ou 99, 75%. 38 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula6 Distribuic¸a˜o Normal Esta e´ a mais importante distribuic¸a˜o de probabilidade para descrever uma varia´vel aleato´ria cont´ınua abrangendo uma grande variedade de fenoˆmenos. A distribuic¸a˜o normal de probabilidade e´ utilizada em uma ampla variedade de aplicac¸o˜es pra´ticas pois diversas varia´veis aleato´rias cont´ınuas seguem uma distribuic¸a˜o ou modelo normal de probabilidades. Alguns exemplos sa˜o: altura de indiv´ıduos, peso de indiv´ıduos, ı´ndice de massa corporal, pressa˜o, tem- peratura, velocidade, vaza˜o de um rio, tempo, sala´rios dos funciona´rios de uma empresa, renda familiar, etc. A distribuic¸a˜o normal foi estudada inicialmente no se´culo XVIII, quando uma ana´lise de erros experimentais levou a uma curva em forma de sino. Embora ela tenha aparecido pela primeira vez em 1733 por meio de DeMoivre3, a distribuic¸a˜o normal recebe o nome de distribuic¸a˜o gaussiana, em homenagem ao cientista alema˜o Johann Carl Friedrich Gauss4, que foi o primeiro a utiliza´-la em 1809. Nos se´culos 18 e 19, matema´ticos e f´ısicos desenvolveram uma func¸a˜o densidade de pro- babilidade que descrevia bem os erros experimentais obtidos em medidas f´ısicas. Esta func¸a˜o densidade de probabilidade resultou na bem conhecida curva em forma de sino, chamada de distribuic¸a˜o normal ou gaussiana. Esta distribuic¸a˜o fornece uma boa aproximac¸a˜o de curvas de frequeˆncia para medidas de dimenso˜es e caracter´ısticas humanas, como a altura de uma populac¸a˜o. Conhecida como a curva em forma de sino, a distribuic¸a˜o normal tem sua origem associada aos erros de mensurac¸a˜o. A distribuic¸a˜o normal desempenha papel preponderante na estat´ıstica, e os processos de infereˆncia nela baseados teˆm larga aplicac¸a˜o. 6.1 O modelo normal de probabilidades E´ a mais importante distribuic¸a˜o ou modelo de probabilidades, pois os testes estat´ısticos parame´tricos requer a normalidade dos dados. Considere o seguinte experimento aleato´rio: observamos o peso (em quilos) de 1500 pessoas selecionadas ao acaso da populac¸a˜o. Os dados foram agrupados em classes e o Histograma de frequ¨eˆncia encontra-se na figura 1 abaixo: 3Abraham de Moivre (Vitry-le-Franc¸ois, Champagne, Franc¸a, 26 de maio de 1667 — Londres, Reino Unido, 27 de novembro de 1754) foi um matema´tico franceˆs famoso pela Fo´rmula de De Moivre, que relaciona os nu´meros complexos com a trigonometria, e por seus trabalhos na distribuic¸a˜o normal e na teoria das probabilidades. De Moivre foi o primeiro a usar princ´ıpios atuariais e bases cient´ıficas para o ca´lculo de seguros de vida, no ano de 1725. Era huguenote e migrou para a Inglaterra em 1685, com a revogac¸a˜o do E´dito de Nantes. Foi eleito membro da Royal Society em 1697. Foi amigo de Isaac Newton e Edmond Halley. Dentre seus alunos mais nota´veis destaca-se James Dodson. 4Johann Carl Friedrich Gauss (ou Gauss) (Braunschweig, 30 de abril de 1777 — Go¨ttingen, 23 de fevereiro de 1855) foi um matema´tico, astroˆnomo e f´ısico alema˜o que contribuiu muito em diversas a´reas da cieˆncia, dentre elas a teoria dos nu´meros, estat´ıstica, ana´lise matema´tica, geometria diferencial, geode´sia, geof´ısica, eletroesta´tica, astronomia e o´ptica. Gauss tinha uma marca influente em muitas a´reas da matema´tica e da cieˆncia e e´ um dos mais influentes na histo´ria da matema´tica. Ele considerava a matema´tica como ”a rainha das cieˆncias”. 39 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Figura 1: Histograma de frequ¨eˆncias dos pesos de 1500 pessoas da populac¸a˜o. Observe agora a figura 6.1 em que ha´ uma curva sobreposta ao histograma: Figura 2: Curva normal sobreposta ao histograma de frequeˆncias. A curva sobreposta ao histograma de frequeˆncias e´ a distribuic¸a˜o Normal ou Gaussiana de probabilidades. Trata-se de um modelo teo´rico em que a grande maioria dos conjuntos de dados quantitativos cont´ınuos se ajustam. Definic¸a˜o: Dizemos que X tem distribuic¸a˜o normal se sua func¸a˜o densidade de probabi- lidade (f.d.p) e´ dada por: f (x) = 1√ 2piσ2 exp { − 1 2σ2 (x− µ)2 } , −∞ < x <∞, −∞ < µ <∞ e σ2 > 0. Notac¸a˜o: X ∼ N (µ, σ2). Leˆ-se: X tem distribuic¸a˜o Normal com paraˆmetros µ e σ2. O paraˆmetro de locac¸a˜o µ e´ a me´dia da curva normal e o paraˆmetro de escala σ2 e´ a sua variaˆncia, em que σ = √ σ2 e´ o desvio-padra˜o. Forma da curva normal: A distribuic¸a˜o normal tem forma campanular (forma de sino) conforme figura 6.3 abaixo: 40 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Figura 3: Curva normal de probabilidades. 6.2 Propriedades da curva normal: A a´rea toda abaixo da curva e´ 1, pois f (x) e´ uma func¸a˜o densidade de probabilidade (f.d.p). A curva tem forma campanular (sino). A curva e´ perfeitamente sime´trica em torno de µ. A curva e´ assinto´tica no eixo x. A esperanc¸a matema´tica X e´ exatamente igual as treˆs medidas de tendeˆncia central: me´dia, mediana e moda, isto e´, E (X) = µ = Me = Mo. O ponto ma´ximo da func¸a˜o densidade de probabilidade f (x) ocorre em µ. O intervalo [µ− σ , µ+ σ] contem 68, 26% dos dados. O intervalo [µ− 2σ , µ+ 2σ] contem 95, 44% dos dados. O intervalo [µ− 3σ , µ+ 3σ] contem 99, 74% dos dados. Os pontos de inflexa˜o da curva ocorrem em [µ− σ , µ+ σ]. A figura 4 apresenta curvas normais com me´dias diferentes e desvios padra˜o iguais. 41 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Figura 4: Curvas normais com me´dias diferentes e desvios padra˜o iguais. A figura 5 apresenta curvas normais com me´dias iguais e desvios padra˜o diferentes. Figura 5: Curvas normais com me´dias iguais e desvios padra˜o diferentes. 6.3 Distribuic¸a˜o normal padra˜o Uma a´rea sob uma curva de densidade e´ uma proporc¸a˜o das observac¸o˜es em uma distri- buic¸a˜o. Podemos responder qualquer pergunta acerca de qual proporc¸a˜o de observac¸o˜es esta´ em uma determinada amplitude de valores, determinando uma a´rea sob a curva. Como todas as distribuic¸o˜es normais sa˜o iguais quando as padronizamos, podemos determinar a´reas sob a curva Normal utilizando uma u´nica tabela que fornec¸a as a´reas sob a curva para a distribuic¸a˜o normal padra˜o. Resultado: Se X e´ uma v.a.c tal que X ∼ N (µ, σ2), enta˜o Z = X − µ σ ∼ N (0, 1) . A figura 6 apresenta a curva normal padra˜o: 42 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Figura 6: Distribuic¸a˜o normal padra˜o. A distribuic¸a˜o normal padra˜o tambe´m e´ chamada de distribuic¸a˜o normal padronizada, distribuic¸a˜o normal reduzida, distribuic¸a˜o Z, distribuic¸a˜o standard ou ainda distribuic¸a˜o zero um. 6.4 Exemplo de aplicac¸a˜o: vaza˜o de rio A vaza˜o X de um rio em m3/s e´ uma varia´vel aleato´ria cont´ınua (v.a.c) que segue uma distribuic¸a˜o normal com me´dia µ = 1250 m3/s e desvio padra˜o σ = 320 m3/s. Desta forma, temos a seguinte curva normal da vaza˜o: Qual a probabilidade de que, num determinado momento, a vaza˜o a. esteja entre 1250 m3/s e 1800 m3/s. b. esteja entre 350 m3/s e 1250 m3/s. c. esteja entre 500 m3/s e 1500 m3/s. d. esteja entre 725 m3/s e 2120 m3/s. e. seja menor que 2000 m3/s. f. seja maior que 1980 m3/s. g. seja menor que 400 m3/s. 43 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Resoluc¸a˜o do item a. P (1250 ≤ X ≤ 1800) = P [ 1250− 1250 320 ≤ Z ≤ 1800− 1250 320 ] = P (0 ≤ Z ≤ 1, 72) = 0, 4573 P (1250 ≤ X ≤ 1800) = 0, 4573. Interpretac¸a˜o: A probabilidade de que, num determinado momento, a vaza˜o do rio esteja entre 1250 m3/s e 1800 m3/s e´ de 0, 4573 ou 45, 73%. Resoluc¸a˜o do item b. P (350 ≤ X ≤ 1250) = P [ 350− 1250 320 ≤ Z ≤ 1250− 1250 320 ] = P (−2, 81 ≤ Z ≤ 0) = 0, 4975P (350 ≤ X ≤ 1250) = 0, 4975. Interpretac¸a˜o: A probabilidade de que, num determinado momento, a vaza˜o do rio esteja entre 350 m3/s e 1250 m3/s e´ de 0, 4975 ou 49, 75%. Resoluc¸a˜o do item c. P (500 ≤ X ≤ 1500) = P [ 500− 1250 320 ≤ Z ≤ 1500− 1250 320 ] = P (−2, 34 ≤ Z ≤ 0, 78) = P (−2, 34 ≤ Z ≤ 0) + P (0 ≤ Z ≤ 0, 78) = 0, 4904 + 0, 2823 P (500 ≤ X ≤ 1500) = 0, 7727. Interpretac¸a˜o: A probabilidade de que, num determinado momento, a vaza˜o do rio esteja entre 500 m3/s e 1500 m3/s e´ de 0, 7727 ou 77, 27%. Resoluc¸a˜o do item d. P (725 ≤ X ≤ 2120) = P [ 725− 1250 320 ≤ Z ≤ 2120− 1250 320 ] = P (−1, 64 ≤ Z ≤ 2, 72) = P (−1, 64 ≤ Z ≤ 0) + P (0 ≤ Z ≤ 2, 72) = 0, 4495 + 0, 4967 P (725 ≤ X ≤ 2120) = 0, 9462. Interpretac¸a˜o: A probabilidade de que, num determinado momento, a vaza˜o do rio esteja entre 720 m3/s e 2120 m3/s e´ de 0, 9462 ou 94, 62%. Resoluc¸a˜o do item e. P (X ≤ 2000) = P [ Z ≤ 2000− 1250 320 ] = P (Z ≤ 2, 34) = 0, 5 + P (0 ≤ Z ≤ 2, 34) = 0, 5 + 0, 4904 P (X ≤ 2000) = 0, 9904. Interpretac¸a˜o: A probabilidade de que, num determinado momento, a vaza˜o do rio esteja menor que 2000 m3/s e´ de 0, 9904 ou 99, 04%. 44 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Resoluc¸a˜o do item f. P (X ≥ 1980) = P [ Z ≥ 1980− 1250 320 ] = P (Z ≥ 2, 28) = 0, 5− P (0 ≤ Z ≤ 2, 28) = 0, 5− 0, 4887 P (X ≥ 1980) = 0, 0113. Interpretac¸a˜o: A probabilidade de que, num determinado momento, a vaza˜o do rio esteja maior que 1980 m3/s e´ de 0, 0113 ou 1, 13%. Resoluc¸a˜o do item g. P (X ≤ 400) = P [ Z ≤ 400− 1250 320 ] = P (Z ≤ −2, 66) = 0, 5− P (−2, 66 ≤ Z ≤ 0) = 0, 5− 0, 4961 P (X ≤ 400) = 0, 0039. Interpretac¸a˜o: A probabilidade de que, num determinado momento, a vaza˜o do rio esteja menor que 400 m3/s e´ de 0, 0039 ou 0, 39%. 45 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula 7 Combinac¸a˜o Linear de Distribuic¸o˜es Normais E´ extremamente comum na pra´tica termos o interesse na distribuic¸a˜o de uma func¸a˜o linear de distribuic¸o˜es normais, como por exemplo a soma. 7.1 Distribuic¸a˜o da soma de distribuic¸o˜es normais Se X1, X2, ..., Xn sa˜o n varia´veis aleato´rias independentes tal que Xi ∼ N (µi, σ2i ), para i = 1, 2, ..., n, enta˜o a soma destas varia´veis tambe´m tem distribuic¸a˜o normal com me´dia igual a soma das me´dias das varia´veis e variaˆncia igual a soma das variaˆncias das varia´veis, isto e´, n∑ i=1 Xi ∼ N ( n∑ i=1 µi, n∑ i=1 σ2i ) . (6) O resultado acima obedece diretamente as propriedades da esperanc¸a e da variaˆncia de uma varia´vel aleato´ria. Demonstrac¸a˜o: Encontrando primeiramente a esperanc¸a matema´tica de n∑ i=1 Xi temos: E ( n∑ i=1 Xi ) = n∑ i=1 E (Xi) = E (X1) + E (X2) + ...+ E (Xn) = µ1 + µ2 + ...+ µn E ( n∑ i=1 Xi ) = n∑ i=1 µi. Por sua vez, a variaˆncia de n∑ i=1 Xi e´ tal que: V ar ( n∑ i=1 Xi ) = n∑ i=1 V ar (Xi) = V ar (X1) + V ar (X2) + ...+ V ar (Xn) = σ21 + σ 2 2 + ...+ µ 2 n V ar ( n∑ i=1 Xi ) = n∑ i=1 σ2i . Como n∑ i=1 Xi e´ uma combinac¸a˜o linear de distribuic¸o˜es normais, enta˜o esta soma tambe´m trata-se de uma distribuic¸a˜o normal e segue imediatamente o resultado dado em (6). Em particular, se µi = µ e σ 2 i = σ 2, para i = 1, 2, ..., n, enta˜o n∑ i=1 Xi ∼ N ( nµ, nσ2 ) . 46 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula 7.2 Exemplo de aplicac¸a˜o gene´rica Considere X e Y duas varia´veis aleato´rias cont´ınuas tal que X ∼ N (100, 100) e Y ∼ N (120, 400). Use as propriedades da esperanc¸a e da variaˆncia para determinar qual a distri- buic¸a˜o da varia´vel aleato´ria W , em que W = 260 + 4X − 3Y . Resoluc¸a˜o: Devemos encontrar primeiramente a esperanc¸a matema´tica da varia´vel aleato´ria W : E (W ) = E (260 + 4X − 3Y ) = E (260) + E (4X)− E (3Y ) = 260 + 4E (X)− 3E (Y ) = 260 + 4× 100− 3× 120 = 300 E (W ) = 300. Em seguida, devemos encontrar a variaˆncia da varia´vel aleato´ria W : V ar (W ) = V ar (260 + 4X − 3Y ) = V ar (260) + V ar (4X) + V ar (3Y ) = 0 + 16V ar (X) + 9V ar (Y ) = 16× 100 + 9× 400 = 5200 V ar (W ) = 5200. Como a varia´vel W e´ uma combinac¸a˜o linear de distribuic¸o˜es normais, temos que W tambe´m segue uma distribuic¸a˜o normal tal que: W ∼ N (300, 5200) . 7.3 Exemplo de aplicac¸a˜o em carga de elevadores Suponha que o peso X de indiv´ıduos adultos segue uma distribuic¸a˜o normal com me´dia µ = 70 kg e variaˆncia σ2 = 121 kg2. O fabricante de um elevador diz que, por motivos de seguranc¸a, ele pa´ra toda vez que o peso total da carga do elevador for superior a 1500 kg. Uma amostra de n = 22 pessoas entrou no elevador. a. Encontre a probabilidade de uma pessoa qualquer no elevador pesar acima de 75 quilos. b. Encontre a probabilidade do peso me´dio das 22 pessoas no elevador estar acima de 75 quilos. c. Encontre a probabilidade do elevador parar por motivos de seguranc¸a.Uma amostra de n = 22 pessoas entrou no elevador. Qual a distribuic¸a˜o de probabilidades da carga total deste elevador? Em outras palavras, qual a distribuic¸a˜o de probabilidades de 22∑ i=1 Xi? Ajuda: Devemos encontrar primeiramente a esperanc¸a matema´tica da varia´vel aleato´ria 22∑ i=1 Xi: 47 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula E ( 22∑ i=1 Xi ) = 22∑ i=1 E (Xi) = E (X1) + E (X2) + ...+ E (X22) = µ+ µ+ ...+ µ = 70 + 70 + ...+ 70 = 22× 70 = 1540 kg. E ( 22∑ i=1 Xi ) = 1540 kg. Em seguida, devemos encontrar a variaˆncia da varia´vel aleato´ria 22∑ i=1 Xi: V ar ( 22∑ i=1 Xi ) = 22∑ i=1 V ar (Xi) = V ar (X1) + V ar (X2) + ...+ V ar (X22) = σ2 + σ2 + ...+ σ2 = 121 + 121 + ...+ 121 = 22× 121 = 2662 kg2. V ar ( 22∑ i=1 Xi ) = 2662 kg2. Como a varia´vel 22∑ i=1 Xi e´ uma combinac¸a˜o linear de distribuic¸o˜es normais, temos que 22∑ i=1 Xi tambe´m segue uma distribuic¸a˜o normal. Logo, a distribuic¸a˜o de probabilidades da carga total deste elevador e´ dada por 22∑ i=1 Xi ∼ N (1540, 2662) O fabricante de um elevador diz que, por motivos de seguranc¸a, ele pa´ra toda vez que o peso total da carga do elevador for superior a 1500 kg. Encontre a probabilidade do elevador parar por motivos de seguranc¸a, isto e´, encontre P ( 22∑ i=1 Xi > 1500 ) . P ( 22∑ i=1 Xi > 1500 ) = P ( Z > 1500− 1540√ 2662 ) = P (Z > −0, 78) = 0, 7823 P ( 22∑ i=1 Xi > 1500 ) = 0, 7823 ou 78, 23%. Logo, a probabilidade do elevador parar por motivos de seguranc¸a e´ P ( 22∑ i=1 Xi > 1500 ) = 0, 7823 ou 78, 23%. 48 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula 8 Exerc´ıcios de fixac¸a˜o 8.1 Exerc´ıcios sobre varia´veis aleato´rias discretas Exerc´ıcio 1. Considere X uma varia´vel aleato´ria discreta (v.a.d) cuja distribuic¸a˜o de probabilidades seja tal que P (X = k) = k 55 , k = 1, 2, ..., 10. a. Encontre F (a) = P (X ≤ a), k = 1, 2, ..., 10. Ajuda: a∑ k=1 k = a(a+1) 2 . b. Determine E (X) e V AR (X). Exerc´ıcio 2. Uma varia´vel aleato´ria W assume os valores 1, 2, ..., N com igual probabilida- des, isto e´, P (W = k) = 1 N , k = 1, 2, ..., N . Determine: a) E(W ) b) V AR(W ) c) P (W ≤ c), c ≤ N . Ajuda: N∑ k=i k = N(N+1) 2 e N∑ k=i k2 = N(N+1)(2N+1) 6 . Exerc´ıcio 3. Se P (X = k) = 1 5 , para k = 1, 2, 3, 4, 5, calcule E (X) e V ar (X). Exerc´ıcio 4. Um determinado inseto bota uma quantidade de ovos que varia sempre entre 1 e N . Seja X : nu´mero de ovos depositados por esse inseto, isto e´, X = 1, 2, ..., N . Sabendo que P (X = k) = ck, para k = 1, 2,..., N , determinar a.) c b.) E (X) c.) V AR (X) Ajuda 1: Determine primeiramente o valor da constante c, e depois encontre a distribuic¸a˜o de probabilidades de X. Ajuda 2: 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 Exerc´ıcio 5. Seja X uma v.a discreta tal que sua distribuic¸a˜o de probabilidades e´ dada por: P (X = k) = (1− q)2 kqk−1, k = 1, 2, 3, ... e q e´ uma constante positiva tal que 0 < q < 1. a. Mostre que ∞∑ k=1 P (X = k) = 1. b. Determine o quociente P (X=k+1) P (X=k) e mostre que lim k→∞ P (X = k + 1) P (X = k) = q. c. Determine P (X ≥ 2) em func¸a˜o de q. d. Determine E (X) e mostre que lim q→0 E (X) = 1. Ajudas: para 0 < q < 1 temos ∞∑ k=1 kqk−1 = 1 (1−q)2 e ∞∑ k=1 k2qk−1 = (1+q) (1−q)3 . 49 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula 8.2 Exerc´ıcios sobre varia´veis aleato´rias cont´ınuas Exerc´ıcio 1. Seja X uma varia´vel aleato´ria cont´ınua e f (x) dada por f (x) = a + 4x, 0 ≤ x ≤ 1 2 . a. Para que u´nico valor de a, f (x) e´ uma f.d.p? b. Determine P ( X ≤ 1 3 ) . Exerc´ıcio 2. Seja X uma varia´vel aleato´ria cont´ınua tal que: f (x) = 2x θ2 , 0 ≤ x ≤ θ. a. Mostre que se trata de uma f.d.p. b. Obtenha E (X) e V ar (X). c. Obtenha F (x) e a mediana de X, ou seja, o valor do qual existe uma probabilidade 50% de X ocorrer. Exerc´ıcio 3. Seja X uma varia´vel aleato´ria cont´ınua tal que: f (x) = 8− 2x 7 , 0 ≤ x ≤ 1. Determine: a. Verifique que f (x) e´ uma f.d.p d. P ( 1 4 ≤ X ≤ 3 4 ) b. P ( X ≤ 1 2 ) e.) F (x) c. P ( X ≥ 1 3 ) f.) F ( 7 8 ) Exerc´ıcio 4. Seja X uma varia´vel aleato´ria cont´ınua tal que f (x) = 2x, 0 ≤ x ≤ 1. Determine: a. Verifique que f (x) e´ uma f.d.p. b. P ( X ≤ 1 2 ) . Exerc´ıcio 5. Dada a func¸a˜o: f (x) = { 2e−2x, x ≥ 0 0, x < 0 a. Verifique que f (x) e´ uma f.d.p b. Determine P (X ≥ 10). Exerc´ıcio 6. Seja X uma varia´vel aleato´ria cont´ınua tal que: f (x) = c ( x2 + 5x+ 6 ) , 0 ≤ x ≤ 4. Determine: a. O valor da constante c da f.d.p d.) F (3) = P (X ≤ 3) b. P (0 ≤ X ≤ 1) e.) F (x) c. F (2) = P (X ≤ 2) f.) P (X ≥ 7 2 ) 50 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Exerc´ıcio 7. Seja X uma v.a.c tal que sua f.d.p (func¸a˜o densidade de probabilidade) e´ dada por: f (x) = 3x2 2a3 , − a < x < a. Determine a.) P (−a/2 < X < a/2) b.) E (X) c.) V AR (X) Exerc´ıcio 8. Seja X uma v.a.c tal que sua f.d.p (func¸a˜o densidade de probabilidade) e´ dada por: f (x) = 3x2 125 , 0 < x < 5. a. Verifique que se trata de uma f.d.p b. Determine P (X < 1) e P (X > 3). c. Encontre a E (X) e V AR (X). d. Encontre a mediana Me. e. Determine F (x) = P (X ≤ x). Exerc´ıcio 9. Seja X uma v.a cont´ınua tal que sua f.d.p e´ dada por: f (x) = 3x2 250 , − 5 < x < 5. a. Verifique que se trata de uma f.d.p. b. Mostre que Mo = Me = E (X) = 0. c. Determine V AR (X) e σ (X). 8.3 Exerc´ıcios sobre distribuic¸a˜o binomial Exerc´ıcio 1. Segundo um levantamento da secretaria da sau´de do munic´ıpio de Barrei- ras, 28 a cada 100 pessoas da cidade tem o ha´bito de fumar. Supondo que o nu´mero X de pessoas fumantes numa amostra de tamanho n = 14 obedec¸a uma distribuic¸a˜o binomial, qual a probabilidade: a. de que haja pelo menos 2 pessoas fumantes? b. de que haja exatamente 7 pessoas fumantes? c. no ma´ximo 12 pessoas fumantes? Exerc´ıcio 2. Considerando cada uma das distribuic¸o˜es abaixo, determine o que se pede. a. Se X ∼ Binomial (4; 0, 12), determine P (X = 0). b. Se X ∼ Binomial (10; 0, 40), determine P (X = 9). c. Se X ∼ Binomial (10; 0, 50), determine P (X = 8). d. Se X ∼ Binomial (6; 0, 83), determine P (X = 5). e. Se X ∼ Binomial (10; 0, 90), determine P (X = 9). 51 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Exerc´ıcio 3. Determine E (X) e V ar (X) para cada um dos casos abaixo: a. X ∼ Binomial (40; 0, 10) b. X ∼ Binomial (40; 0, 40) c. X ∼ Binomial (50; 0, 80) d. X ∼ Binomial (30; 0, 50) e. X ∼ Binomial (20; 0, 25) Exerc´ıcio 4. Para efetuar a regulac¸a˜o hormonal de uma linha metabo´lica, injeta-se em ratos albinos um fa´rmaco que inibe a s´ıntese de prote´ınas do organismo. Geralmente, quatro de cada vinte ratos morrem por causa do fa´rmaco antes que o experimento tenha sido conclu´ıdo. Se tratarmos dez animais com o fa´rmaco, qual a probabilidade de que pelo menos oito cheguem vivos ao final do experimento? Exerc´ıcio 5. Uma moeda honesta e´ lanc¸ada 20 vezes. Qual a probabilidade de sa´ırem 8 caras? Exerc´ıcio 6. Sabe-se que o nu´mero X de pessoas com uma certa patologia dentre n pessoas escolhidas ao acaso segue uma distribuic¸a˜o binomial. Para esta patologia espec´ıfica sabe-se que X ∼ Binomial (n, p) tal que E (X) = 7, 2 e V ar (X) = 4, 32. Enta˜o quais sa˜o os valores nume´ricos dos paraˆmetros n e p? Exerc´ıcio 7. O nu´mero de mulheres gra´vidas que sofrem de complicac¸o˜es no momento do parto segue uma distribuic¸a˜o Binomial, ou seja, X ∼ Binomial (n, p) tal que P (X = 4) = P (X = 5). Enta˜o qual o valor do paraˆmetro p em func¸a˜o de n? Exerc´ıcio 8. O nu´mero de pessoas com uma certa doenc¸a dentre n pessoas escolhidas ao acaso segue uma distribuic¸a˜o Binomial (n, p) tal que E (X) = 5 e V ar (X) = 3, 75. Quais os valores nume´ricos dos paraˆmetros n e p? Exerc´ıcio 9. O nu´mero X de laˆmpadas defeituosas para cada lote de n unidades pro- duzidas em uma fa´brica e´ uma varia´vel alato´ria discreta que segue um modelo binomial tal que E (X) = 1, 25V AR (X). Encontre a probabilidade de haver pelo menos uma laˆmpada defeituosa num lote de n = 12 laˆmpadas. 8.4 Exerc´ıcios sobre distribuic¸a˜o de Poisson Exerc´ıcio 1. Suponha uma distribuic¸a˜o de Poisson com paraˆmetro λ. a. Se λ = 2, determine P (X ≥ 2). b. Se λ = 8, determine P (X ≥ 3). c. Se λ = 0, 5, determine P (X ≤ 1). d. Se λ = 4, determine P (X ≥ 1). e. Se λ = 5, determine P (X ≤ 3). 52 Universidade Federal do Oeste da Bahia Prof. Dr. Marcelo de Paula Exerc´ıcio 2. Em uma certa populac¸a˜o, observou-se um nu´mero me´dio anual de 12 mortes por caˆncer de pulma˜o. Se o nu´mero de mortes causado por esta enfermidade segue uma distribuic¸a˜o de Poisson, qual a probabilidade de que, durante o ano a. haja exatamente 10 mortes por caˆncer de pulma˜o? b. morram 2 ou mais pessoas por causa desta enfermidade? c. morram 2 ou menos pessoas por causa desta enfermidade? Exerc´ıcio 3. Numa estrada ha´ 2 acidentes para cada 100km. Qual a probabilidade de que em: a. 250km ocorram pelo menos 3 acidentes? b. 300km ocorram 5 acidentes? Exerc´ıcio 4. A experieˆncia mostra que de cada 400 laˆmpadas, 2 se queimam ao serem ligadas. Qual a probabilidade de que numa instalac¸a˜o de: a. 600 laˆmpadas, no mı´nimo 3 se queimem? b. 900 laˆmpadas, exatamente 8 se queimem? Exerc´ıcio 5. Uma fa´brica de automo´veis verificou que ao testar seus carros na pista de prova ha´, em me´dia, um estouro de pneu em cada 300km, e que o nu´mero de pneus estourados segue razoavelmente uma distribuic¸a˜o de Poisson. Qual a probabilidade de que: a. num teste de 900 km haja no ma´ximo um pneu estourado? b. um carro ande 450 km na pista sem estourar nenhum pneu? Exerc´ıcio 6. Um caixa de banco atende 150 clientes por hora. Qual a probabilidade de que atenda: a. Nenhum cliente em 4 minutos. b. No ma´ximo 2 clientes em 2 minutos. Exerc´ıcio 7. O nu´mero X de ovos que uma determinada espe´cie de avestruz bota obe- dece uma distribuic¸a˜o de Poisson de paraˆmetro laˆmbda, isto e´, X ∼ Poisson (λ), tal que P (X = 4) = 5P (X = 5). Enta˜o qual o valor da esperanc¸a matema´tica do nu´mero de ovos que essa espe´cie
Compartilhar