Baixe o app para aproveitar ainda mais
Prévia do material em texto
Unijorge Disciplina: CEP Professor: Jonatas SES 2013.2 Embora os jogos de azar fossem conhecidos desde 3500 a.c. pelos egípcios, somente no sec. XVII iniciou- se oficialmente os estudos de probabilidade com base nesses jogos . Apesar de não ser possível precisar a origem da probabilidade, desconfia-se que em algumas civilizações antigas, já se estudava a existência de regularidade em fenômenos aleatórios. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 O Cálculo das Probabilidades se desenvolveu, a partir do século XVII, de forma independente, porém, paralela ao desenvolvimento da Estatística como disciplina científica. Em 1651, Blaise Pascal (1623-1662) e Pierre de Fermat (1601- 1665) estabeleceram os Princípios do Cálculo das Probabilidades a fim de solucionar os problemas de jogos de azar proposto por um amigo apaixonado por jogos, o Chevalier De Meré. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Diversos matemáticos foram interessando-se pelo estudo de Probabilidade e com isso grandes resultados surgiram. O matemático Laplace (1749-1827) incorporou os estudos que vinham sendo desenvolvidos em probabilidade no “Tratado analítico das probabilidades”, desenvolvendo a definição clássica de probabilidade Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 o Cálculo das Probabilidades e a Estatística, que vinham sendo desenvolvidas separadamente, incorporam-se de tal forma que hoje a Teoria das Probabilidades é uma das bases da Estatística. Com o Cálculo das Probabilidades, a Estatística pôde ser impulsionada teoricamente e chegar ao extraordinário desenvolvimento e aperfeiçoamento alcançado. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Além das aplicações formais de probabilidade, o conceito de probabilidade está no nosso dia-a-dia em frases como: Provavelmente vai chover amanhã. É provável que o avião atrase. Há boas chances de eu comparecer amanhã. Essas expressões estão baseadas na probabilidade de que certo evento ocorra Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Determinísticos: Ocorrem quando, dadas as condições de experimentação, pode-se determinar ou predizer, com certeza, o resultado final do experimento. Os modelos matemáticos consistem em uma simplificação da realidade. São uma idealização das características do fenômeno observado. Eles podem ser: Exemplo: Formulações matemáticas e físicas para comprovação de teorias, como a lei da queda e movimentos dos corpos. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Não – Determinísticos (ou probabilísticos ou estocásticos): Ocorrem quando não é possível predizer, com certeza, o resultado antes da realização do experimento. Exemplo: O estudo do efeito de um fertilizante químico em uma parcela do solo; A taxa de inflação do próximo mês. Um médico investigando o efeito de uma droga administrada em pacientes; Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 De uma forma em geral, a Teoria das Probabilidades visa definir um modelo matemático probabilístico que seja conveniente à descrição e interpretação de fenômenos aleatórios. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Lançamento de um dado e observação dos resultados. Utilização de um novo medicamento para uma dada doença em três pacientes e observação de cura ou não Uma Lâmpada é fabricada e observa-se o seu tempo de vida. Lançamento de duas moedas São aqueles onde o processo de experimentação está sujeito a influências de fatores casuais e conduz a resultados incertos. (E) Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Cada experimento poderá ser repetido um grande número de vezes sob as mesmas condições; Em cada repetição do experimento, não podemos afirmar que resultado particular ocorrerá, porém podemos descrever o conjunto de todos os resultados possíveis do experimento - as possibilidades de resultado; 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. Características de um experimento aleatório: (E) Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Conjunto de todos os resultados possíveis de um experimento E: Lançamento de um dado e observação dos resultados. E: Utilização de um novo medicamento para uma dada doença em três pacientes e observação de cura ou não. 𝜴={1,2,3,4,5,6} C=representa o paciente curado e C =representa o paciente não curado. Cada um dos elementos de que corresponde a um resultado recebe o nome de “ponto amostral” (). 𝜴={(C,C,C),(C,C,C ),(C,C ,C),(C,C ,C ),(C ,C,C),(C ,C,C ),(C ,C ,C),(C ,C ,C )} () Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Qualquer subconjunto do espaço amostral () de um experimento aleatório. A: Ocorrência de números pares no lançamento de um dado e observação dos resultados. B: Dois pacientes curados em um experimento de um novo medicamento com 3 pacientes. A={2,4,6} B=(C,C,C ),(C,C ,C),(C ,C,C)} Em relação aos dois experimentos do slides anterior teríamos: (A, B, ...) Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Evento simples ou elementar É o evento formado por um único ponto amostral. Exemplo: D: A observação de três pacientes curados Evento certo É o evento formado por todos os pontos amostrais. Exemplo: E: sair um número menor ou igual a 6: Evento impossível É o evento que não possui elementos em . Exemplo: F: Sair a face 7 no dado. D={(C,C,C)} E={1,2,3,4,5,6}=𝜴 F={∅} (A, B, ...) Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 • Entre eventos em um mesmo espaço amostral são permitidas todas as operações relativas aos conjuntos contidos num mesmo conjunto universo, como: A união de dois eventos A e B (𝑨 ∪ 𝑩) Representa a ocorrência de, pelo menos, um dos eventos A ou B. A intersecção do evento A com o B (𝑨 ⋂ 𝑩) Representa a ocorrência simultânea de A e B. A diferença entre A e B (𝑨 − 𝑩) A ocorrência de todos os elementos de A, exceto os que também estejam em B. • Ao realizar um experimento aleatório diz-se que o evento A ocorreu se o resultado observado for um elemento do subconjunto A. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Dizemos que dois eventos são mutuamente exclusivos quando a ocorrência de um impossibilita a ocorrência do outro, ou seja, se A e B são eventos mutuamente exclusivos, então: 𝑨 ∩ 𝑩 = ∅. E: Lançamento de um dado 𝜴={1,2,3,4,5,6} Exemplo: A: Ocorrência de número par 𝐀={2,4,6} B: Ocorrência de número ímpar B={1,3,5} Logo A e B são eventos mutuamente exclusivos, visto que: 𝑨 ∩ 𝑩 = ∅. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Dizemos que dois eventos são complementares, se a união entre eles resulta no espaço amostral e se a intersecção resulta num evento impossível, ou seja, se 𝐴 e 𝐴𝑐 são eventos complementares, então: 𝑨 ∩ 𝑨𝒄 = ∅ e 𝑨 ∪ 𝑨𝒄 = 𝛀 . E: Lançamento uma moeda 𝜴={cara, coroa} Exemplo: A: Ocorrência de Cara 𝐀={cara} 𝐴𝑐: Ocorrência de Coroa 𝑨𝒄={coroa} Logo A e B são eventos mutuamente são complementares,pois: 𝑨 ∩ 𝑨 = ∅ e 𝑨 ∪ 𝑨 = *𝒄𝒂𝒓𝒂, 𝒄𝒐𝒓𝒐𝒂+ = 𝜴. (𝑨𝒄 ou 𝑨 ) Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 B D: representa sair uma face par e maior que 3 {2, 4, 6} {4, 5, 6} = {4, 6} BC: representa sair uma face par e ímpar {2, 4, 6} {1, 3, 5} = BD: representa sair uma face par ou maior que 3 {2, 4, 6} {4, 5, 6} = {2, 4,5,6} BC: representa sair uma face par ou ímpar {2, 4, 6} {1, 3, 5} = {1, 2, 3,4, 5, 6} Bc = C Cc = B E: Lançamento de um dado. W = {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} Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 a) Observar o sexo de uma criança ao nascer. b) Lançar uma moeda três vezes sucessivamente e observar a face voltada para cima. Anotar a sequência de caras e coroas. c) Lançar uma moeda três vezes sucessivamente e observar a face voltada para cima. Registrar o número de caras ocorrido. d) Registrar o número de pessoas atendidas num ambulatório no período de 24 horas. e) Lançar uma moeda e um dado, simultaneamente, e registrar os resultados ocorridos nas faces voltadas para cima. f) Um lote de dez peças contém três peças defeituosas. As peças são retiradas uma a uma, sem reposição, até que a última peça defeituosa é encontrada. O número total de peças retiradas é registrado. g) Peças são fabricadas até que dez peças perfeitas sejam produzidas. O número total de peças fabricadas é anotado. 1) Descrever o espaço amostral para cada um dos seguintes experimentos: Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 2) Com base no experimento do exercício 1.e), relacione os elementos dos seguintes eventos: a) aparece coroa e número ímpar. b) aparece coroa e número par. c) aparece coroa. d) aparece número ímpar. 3) Sendo ={10;20;30;40;50;60;70;80;90;100}, listar cada um dos eventos: a) A={a | a é exatamente divisível por 3}. b) B={b | b é exatamente divisível por 4}. c) C=A U B. d) D=A∩B. e) E=𝐴 − 𝐵 f) A –B g) B - A Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Calcular uma probabilidade é medir a incerteza ou associar um grau de confiança aos resultados possíveis de um experimento. Por exemplo, ao escolher, ao acaso, uma carta de um baralho comum (bem embaralhado), o que é mais provável: Sair uma figura ( K, Q, J ) ou Sair o Ás de copas? Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 As probabilidades associam aos eventos um valor no intervalo [0,1]. Quanto maior o valor associado ao evento, maior a certeza de sua possibilidade de ocorrência. Seja W um espaço amostral. Uma função P definida para todos os eventos de W é chamada de probabilidade se: 0 ≤ 𝑃(𝐴) ≤ 1, para todo evento A ⊂ W; P(W)=1; Se A e B eventos são mutuamente exclusivos, 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃(𝐵). Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Definição: Seja A um evento associado ao espaço amostral equiprovável W, de um experimento aleatório E. 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 W: Um espaço amostral W é equiprovável quando todos os seus elementos têm a mesma chance de ocorrer. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 E: Lançamento de um dado. W = {1, 2, 3, 4, 5, 6} Evento B: representa sair face par Evento C: representa sair uma face ímpar Evento D: representa sair uma face maior que 3 Evento E: representa sair face 1 Qual a P(B), P(C), P(D) e P(E)? Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Na maioria das situações práticas, o espaço amostral não é equiprovável e não podemos calcular probabilidades usando a definição clássica. Neste caso, vamos calcular probabilidades baseado em observações obtidas de um experimento aleatório, e o valor obtido é uma estimativa da probabilidade. A probabilidade frequentista de um evento A é a frequência relativa desse evento quando repetimos o experimento E, n vezes, sob as mesmas condições: lim 𝑛→∞ 𝑓𝑛 𝐴 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑝𝑒𝑡𝑖çõ𝑒𝑠 𝑞𝑢𝑒 𝐴 𝑜𝑐𝑜𝑟𝑟𝑒 𝑛 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 A terceira característica enunciada do experimento aleatório apresenta o conceito de regularidade estatística quando repetimos o experimento um grande número de vezes. E: Lançamento uma moeda 𝜴={cara, coroa} A: Ocorrência de Cara 𝐀={cara} 𝐴𝑐: Ocorrência de Coroa 𝑨𝒄={coroa} Vamos repetir E 20 vezes, ou seja, jogar a moeda 20 vezes (n=20) Considere: 𝑛𝐴 : o número de vezes que o evento A ocorreu nas n repetições de E. 𝑓𝐴 = 𝑛𝐴 𝑛 : frequencia relativa do evento A ocorreu nas n repetições de E. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Resultado referente aos 20 lançamentos da moeda Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Gráfico correspondendo ao número de repetições do experimento versus frequência relativa: Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 1. P() = 0 2. P(W) = 1 3. Se 𝐴 ⊂ 𝐵 então P(𝐴) ≤ 𝑃(𝐵) 4. P(Ac) = 1- P(A) Se A e B são dois eventos quaisquer, então: 5. P (A B) = P(A) + P(B) - P(A B) 6. P (A - B) = P(A) - P(A B) Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Em uma pesquisa entre estudantes de uma faculdade, 1162 afirmaram que “colavam/pescaram” nos exames, enquanto 2468 afirmaram não “colar/pescar”. Selecionando aleatoriamente um desses estudantes, determine a probabilidade deste estudante ter “colado/pescado” em um exame. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 1) Retira-se uma carta de um baralho completo de 52 cartas. Qual a probabilidade de sair um rei ou uma carta de espada? 3) O seguinte grupo de pessoas está em uma sala: 5 rapazes com mais de 21 anos, 4 rapazes com menos de 21 anos, 6 moças com mais de 21 anos e 3 moças com menos de 21 anos. Uma pessoa é escolhida ao acaso dentre as 18, Os seguintes eventos são definidos. A: a pessoa tem mais de 21 anos, B: a pessoa é um rapaz. Qual a P(A), P(B), P(AB), P(AB) 2) Se dois dados são jogados. Qual a probabilidade de que a soma das faces sejam iguais a 7? Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Exemplo 6: Determinado produto é produzido por uma indústria em dois turnos de trabalho. Segue dados da produção de um determinado dia: Turno Não Defeituosos Defeituosos Total Matutino 570 30 600 Noturno 396 04 400 Total 966 34 1000 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Experimento aleatório: Uma peça é escolhida ao acaso deste lote. N: “Produto produzido no turno Noturno” D: “Produto apresenta algum defeito” N D: “Produzido no turno Noturno e apresenta algum defeito” N D: “Produzido no turno Noturno ou apresenta algum defeito” Calcule a probabilidade de ocorrência dos seguintes eventos: Se soubermos que o produto foi produzido no turno Noturno, qual é a probabilidade de ser defeituoso? Temos uma informação parcial (uma condição): o produto foi produzido no turno Noturno. P(D|N) Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Em algumas situações (fenômenos), a ocorrência de determinado evento interfere na ocorrência de outro evento.A probabilidade de um evento D ocorrer, dado que um outro evento N ocorreu, é chamada probabilidade condicional do evento D dado N e é denotada por: Sejam A e B eventos associados a um mesmo espaço amostral W de um experimento aleatório qualquer, com P(B) > 0. A probabilidade condicional de A dado B é definida como: P(B) )( )|( BAP BAP No Exemplo 6: Qual a probabilidade de produto selecionada ao acaso ter sido produzido no turno Matutino sabendo que o produto selecionado possui algum defeito? Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 A tabela a seguir resume informações de um levantamento das empresas industriais e comerciais de certo município em determinado ano, discriminando segundo o porte da empresa: Porte da Empresa Atividade Total Indústria Comércio Micro 40 50 90 Pequena 20 40 60 Média 15 20 35 Grande 5 10 5 Total 80 120 200 Qual a probabilidade de selecionarmos ao acaso uma empresa comercial, sabendo que a empresa escolhida é uma pequena empresa? Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Se A e B são dois eventos quaisquer associados ao mesmo espaço amostral, com probabilidades positivas, então, a probabilidade da ocorrência simultânea de A e B, P(A B), é definida por: 𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 𝐵 . 𝑃(𝐵) = 𝑃 𝐵 𝐴 . 𝑃(𝐴) Exemplo 8: Em um lote de 12 peças, 4 são defeituosas. Retira-se 2 peças do lote, uma após a outra, sem reposição. Qual a probabilidade de que ambas sejam boas? Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Dois eventos, A e B, são estatisticamente independentes se: ou seja, se o evento A é independente do evento B, então, Exemplo 9: Em um lote de 12 peças, 4 são defeituosas. Retira-se 2 peças do lote, uma após a outra, com reposição. Qual a probabilidade de que ambas sejam boas? E a de que a primeira seja defeituosa e a segunda seja boa? 𝑃 𝐴 ∩ 𝐵 = 𝑃(𝐴). 𝑃(𝐵), 𝑃 𝐴 𝐵 = 𝑃(𝐴) 𝑃 𝐵 𝐴 = 𝑃(𝐵) e Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 A tabela a seguir mostra os resultados de um levantamento no qual foi indagado a 102 homens e 103 mulheres, trabalhadores, com idade entre 25 e 64 anos, se tinham poupado para emergência pelo menos um mês de salário: Poupado Sexo Total Homens Mulheres Menos de um salário 47 59 106 Um salário ou mais 55 44 99 Total 102 103 205 a) Qual a probabilidade de um(a) trabalhador(a) selecionado ao acaso ter poupado um salário ou mais para emergência. b) Dado que um trabalhador selecionado ao acaso é homem, qual a probabilidade dele ter poupado menos de um salário. c) Dado que um trabalhador poupou um salário ou mais, qual a probabilidade de se tratar de uma mulher. d) Os eventos de ter poupado um salário ou mais e ser homem são independentes? Explique. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Considere que o espaço amostral possa ser dividido em eventos mutuamente exclusivos, por exemplo, A e 𝐴 , sendo 𝐴 o complementar de A, ou seja, AB= e AB=. 𝑃 𝐵 = 𝑃 𝐵 ∩ 𝐴 + 𝑃 𝐵 ∩ 𝐴 = 𝑃 𝐵 𝐴 . 𝑃(𝐴)+𝑃 𝐵 𝐴 . 𝑃(𝐴 ) Exemplo 11: Uma urna contém 3 bolas brancas e 2 amarelas. Uma segunda urna contém 4 bolas branca e 2 amarelas. Escolhe-se , ao acaso, uma urna e dela retira-se, também ao acaso, uma bola. Qual a probabilidade de que seja branca? Seja B um evento qualquer associado a . A probabilidade associada ao evento B é dada por: Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 De modo geral, sejam 𝐴1, … , 𝐴𝑘 eventos mutuamente exclusivos. Então, para qualquer evento B: 𝑃 𝐵 = 𝑃 𝐵 ∩ 𝐴1 + 𝑃 𝐵 ∩ 𝐴2 + …+ 𝑃 𝐵 ∩ 𝐴𝑘 = 𝑃 𝐵 𝐴1 . 𝑃(𝐴1)+𝑃 𝐵 𝐴2 . 𝑃(𝐴2)+...+𝑃 𝐵 𝐴𝑘 . 𝑃 𝐴𝑘 = 𝑃 𝐵 𝐴𝑖 . 𝑃 𝐴𝑖 𝑘 𝑖=1 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Em uma fábrica de parafusos, as Máquinas 𝑀1, 𝑀2 e 𝑀3 são responsáveis, respectivamente, por 25%, 35% e 40% do total produzido. Da produção de cada máquina, 5%, 4% e 2%, respectivamente, são parafusos defeituosos. a) Qual a probabilidade do parafuso, escolhido ao acaso, ser defeituoso? b) Agora, escolhe-se um parafuso ao acaso e verifica-se que é defeituoso. Qual a probabilidade que o parafuso escolhido seja originário da máquina 𝑀1? Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Sejam 𝐴1, 𝐴2, … , 𝐴𝑘 uma coleção de k eventos mutuamente exclusivos e com 𝑃(𝐴𝑖) > 0, para todo 𝑖 = 1,… , 𝑘. Então, para qualquer evento B em que P(B) > 0 : 𝑃 𝐴𝑗 𝐵 = 𝑃 𝐵∩𝐴𝑗 𝑃 𝐵 = 𝑃 𝐵 𝐴𝑗 .𝑃(𝐴𝑗) 𝑃 𝐵 𝐴𝑖 .𝑃 𝐴𝑖 𝑘 𝑖=1 O teorema de Bayes é útil quando conhecemos as probabilidades dos 𝐴𝑖 e a probabilidade condicional de B dado 𝐴𝑖, mas não conhecemos diretamente a probabilidade de B. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Suponha que um fabricante de sorvetes recebe 20% de todo o leite que utiliza da fazenda F1, 30% da fazenda F2 e 50% da fazenda F3. Um órgão de fiscalização inspecionou as fazendas de surpresa e observou que 20% do leite produzido na fazenda F1 estava adulterado por adição de água, enquanto que para F2 e F3, essa proporção era de 5% e 2%, respectivamente. Na indústria de sorvete os galões de leite são armazenados em um refrigerador sem identificação das fazendas. Para um galão escolhido ao acaso, vamos analisar o leite para decidir sobre sua adulteração. Se o galão escolhido está adulterado, qual a probabilidade do leite adulterado ser produzido pela fazenda F1? Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Sejam E um experimento e um espaço amostral associado E. Uma função X, que associe a cada elemento ω𝑖 ∈ Ω um número real, 𝑋(ω𝑖), é denominada variável aleatória (v.a.), ou seja, uma função cujo domínio é o espaço amostral e contradomínio é conjunto dos números reais. As variáveis aleatórias normalmente são representadas por letras maiúsculas, como X e Y, próximas ao final do alfabeto. 𝑋: Ω → ℝ ω𝑖 → 𝑥 = 𝑋(ω𝑖) Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Considere o experimento E: lançar duas moedas. Ω={(CC),(CK),(KC),(KK)}={ω1,ω2,ω3,ω4} Seja X a variável aleatória que representa o número de coroas obtidas nos dois lançamentos. 𝑋 ω1 = 2 𝑋 ω2 = 𝑋 ω3 = 1 𝑋 ω4 = 0 Seja 𝑅𝑋 o conjunto dos possíveis valores de X: 𝑅𝑋 = *0,1,2+ Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 A classificação das variáveis aleatórias é feita de acordo com os valores que assumem. Variável aleatória Discreta: Se a v.a. X assume valores em um conjunto finito ou infinito enumerável. Variável aleatória Contínua: Se a v.a. X assume valores em um conjunto infinito não enumerável. Exemplo 14: Sorteio de n indivíduos de uma população. Seja X o número de indivíduos do sexo masculino sorteados. X(Ω)={0,1,2,3,..,n} Exemplo 15: Templo de vida de uma lâmpada. X(Ω)={t|t ≥ 0} . Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Exemplo 16: Suponha a condução de um estudo sobre o número de atendimentos que um balconista faz durante um dia de trabalho. Os valores possíveis da variável aleatória X são 0, 1, 2, 3, 4 e assim por diante. Uma vez que o conjunto de resultados possíveis pode ser enumerado, X é uma variável aleatória discreta. Exemplo 17: Outra maneira de conduzir o estudo seria medir o tempo gasto pelo balconista no atendimento durante um dia. Uma vez que o tempo gasto no atendimento pode ser qualquer número de 0 a 24 (incluindo frações e decimais), X é uma variável aleatória contínua. Unijorge•CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 É uma função matemática que associa probabilidades a valores assumidos pela variável aleatória X. Esta função é diferenciada para os casos em que a variável aleatória em estudo é discreta ou contínua. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Seja X uma variável aleatória com distribuição discreta. A cada possível resultado 𝑥𝑖 Seja associaremos um número 𝑝(𝑥𝑖) = 𝑃(𝑋 = 𝑥𝑖), 𝑖 = 1,2,… , denominado probabilidade de 𝑥𝑖. Os números 𝑝(𝑥𝑖) devem satisfazer algumas condições: 0 ≤ 𝑝(𝑥𝑖) ≤ 1, para todo 𝑖 = 1,2,… ; 𝑝(𝑥𝑖)𝑖 = 1. A função 𝑝 definida acima é denominada função de probabilidade (f.p.) da variável aleatória X. A coleção de pares ,𝑥𝑖 , 𝑝 𝑥𝑖 -, para todo 𝑖 = 1,2,…, é denominada distribuição de probabilidade de X. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 E: Lançamento de um dado honesto. W = {1, 2, 3, 4, 5, 6} = {ω1,ω2,ω3,ω4,ω5,ω6} X: número da face observada 𝑋 ω = {1, 2, 3, 4, 5, 6} A distribuição de probabilidade de X é dada por: X 1 2 3 4 5 6 𝑃(𝑋 = 𝑥𝑖) 1/6 1/6 1/6 1/6 1/6 1/6 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 E: Lançamento de duas moedas. X: número de caras obtidas. 𝑋 ω = {0,1,2} A distribuição de probabilidade de X é dada por: X 0 1 2 𝑃(𝑋 = 𝑥𝑖) ¼ 2/4 1/4 Ω={(CC),(CK),(KC),(KK)}={ω1,ω2,ω3,ω4} Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Graficamente teríamos: E fórmula teríamos: 𝑃 𝑋 = 𝑥 = 1/4, 𝑠𝑒 𝑥 = 0 1/2, 𝑠𝑒 𝑥 = 1 1/4, 𝑠𝑒 𝑥 = 2 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 a) 𝑋 é negativo; b) 𝑃 𝑋 = −3|𝑋 ≤ 0 ; c) Calcule 𝑃 𝑋 ≥ 3|𝑋 > 0 ; Suponha que 𝑋 seja uma v.a., com a seguinte distribuição de probabilidade X -3 -1 0 1 2 3 5 8 𝑃(𝑋 = 𝑥𝑖) 0,1 0,2 0,15 0,2 0,1 0,15 0,05 0,05 Determine as seguintes probabilidades Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Distribuição Bernoulli Distribuição Binomial Distribuição Multinomial Distribuição Geométrica Distribuição Poisson Algumas distribuições de probabilidade discretas Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Seja X uma variável aleatória com distribuição contínua. A função densidade de probabilidade (f.d.p.), 𝑓(𝑥), é uma função que satisfaz as seguintes condições 𝑓(𝑥) ≥ 0, para todo 𝑥 ∈ ℝ; ∫ 𝑓 𝑥 𝑑𝑥 ∞ −∞ = 1. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Para qualquer 𝑎 e 𝑏 em ℝ, temos que: 𝑃 𝑎 < 𝑋 < 𝑏 = 𝑓 𝑥 𝑑𝑥 𝑏 𝑎 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 𝑓 𝑥 𝑑𝑥 𝑥𝑖 𝑥𝑖 = 0 Se 𝑋 for uma variável aleatória contínua, então todas as probabilidades abaixo serão iguais: Qualquer valor específico de 𝑋 tem probabilidade zero, ou seja, 𝑃(𝑋 = 𝑥𝑖) = 0, pois 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = 𝑃 𝑎 ≤ 𝑋 < 𝑏 = 𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝑃 𝑎 < 𝑋 < 𝑏 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 A quantia gasta anualmente, em milhões de reais, na manutenção do asfalto em uma cidade do interior da Bahia é representada pela variável aleatória 𝑌, com f.d.p. dada por 𝑓 𝑦 = 8 9 𝑦 − 4 9 , 𝑠𝑒 1 2 < 𝑦 < 2 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 Calcule a probabilidade de em determinado ano este município gastar entre 700 mil a 900 mil de reais com a manutenção do asfalto; Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Distribuição Exponencial Distribuição Weibull Distribuição Normal (ou Gaussiana) Distribuição t-Student Distribuição Qui-quadrado Distribuição F Algumas distribuições de probabilidade Contínuas Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 A função de probabilidade acumulada uma v.a. discreta 𝑋 num ponto 𝑥, é definida como sendo a probabilidade de que a v.a. 𝑋 assuma um valor menor ou igual a 𝑥 , isto é 0 ≤ 𝐹 𝑥 ≤ 1; 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑝(𝑥𝑖) 𝑥𝑖≤𝑥 Propriedades: 𝐹 −∞ = 0; 𝐹 ∞ = 1; 𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝐹 𝑏 − 𝐹 𝑎 ; 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = 𝐹 𝑏 − 𝐹 𝑎 + 𝑃(𝑋 = 𝑎) ; 𝑃 𝑎 < 𝑋 < 𝑏 = 𝐹 𝑏 − 𝐹 𝑎 − 𝑃(𝑋 = 𝑏) ; V.A. DISCRETA Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Suponha que a v.a. 𝑋 com a seguinte distribuição de probabilidades Logo X 0 1 2 𝑃(𝑋 = 𝑥𝑖) 1/3 1/6 1/2 𝐹 𝑥 = 0, 𝑠𝑒 𝑥 < 0 1/3, 𝑠𝑒 0 ≤ 𝑥 < 1 1/2, 𝑠𝑒 1 ≤ 𝑥 < 2 1 𝑠𝑒 𝑥 ≥ 2 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Seja 𝑋 uma v.a. contínua, com f.d.p. 𝑓 𝑥 para todo 𝑥 ∈ ℝ , então a função de distribuição acumulada de 𝑋 é definida por 0 ≤ 𝐹 𝑥 ≤ 1; 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑓 𝑡 𝑑𝑡 𝑥 −∞ Propriedades: 𝐹 −∞ = 0; 𝐹 ∞ = 1; 𝑃 𝑎 < 𝑋 < 𝑏 = 𝐹 𝑏 − 𝐹 𝑎 ; V.A. CONTÍNUA , para todo 𝑥 ∈ ℝ , Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Seja 𝑋 uma v.a. contínua, com f.d.p. definida por 𝑓 𝑥 = 3𝑥2, 𝑠𝑒 0 < 𝑥 < 1 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 a) Encontre a função de distribuição acumulada; b) Calcule 𝑃 𝑋 ≤ 1 3 | 1 4 < 𝑋 < 1 2 , utilizando a 𝐹 𝑥 . Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Seja 𝑋 uma v.a. discreta, cujos valores possíveis são 𝑥1, 𝑥2, ... 𝐸 𝑋 = 𝑥𝑖𝑃 𝑋 = 𝑥𝑖 ∞ 𝑖=1 V.A. DISCRETA A esperança de 𝑋, ou seja, o valor médio da distribuição da v.a. 𝑋, é definida por: A esperança matemática de v.a. 𝑋 também é chamada de valor esperado, valor médio, ou simplesmente média de 𝑋. Além da notação 𝐸 𝑋 a esperança de 𝑋 também é representada por 𝜇𝑋 ou simplesmente 𝜇. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Seja 𝑋 uma v.a. contínua, com f.d.p. 𝑓 𝑥 para todo 𝑥 ∈ ℝ , então o valor esperado de 𝑋 é dado por 𝐸 𝑋 = 𝑥𝑓 𝑥 𝑑𝑥 ∞ −∞ V.A. CONTÍNUA , para todo 𝑥 ∈ ℝ , Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 A quantia gasta anualmente, em milhões de reais, na manutenção do asfalto em uma cidade do interior da Bahia é representada pela variável aleatória 𝑌, com f.d.p. dada por 𝑓 𝑦 = 8 9 𝑦 − 4 9 , 𝑠𝑒 1 2 < 𝑦 < 2 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 Em média, 𝑬 𝒀 , anualmente o município gasta quanto com a manutenção do asfalto? Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 V.A. DISCRETA E CONTÍNUA 𝐸 𝑘 = 𝑘, sendo 𝑘 uma constante; 𝐸 𝑘𝑋 = 𝑘𝐸 𝑋 , sendo 𝑘 uma constante; 𝐸 𝑋 ± 𝑘 = 𝐸 𝑋 ± 𝑘, sendo 𝑘 uma constante; 𝐸 𝑋 ± 𝑌 = 𝐸 𝑋 ± 𝐸 𝑌 , sendo 𝑋 e 𝑌 duas v.a’s quaisquer; Se 𝑋 e 𝑌 são v.a’s independentes então 𝐸 𝑋𝑌 = 𝐸 𝑋 𝐸 𝑌 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Considere 𝑋 e 𝑌 duas v.a. independentes, e seja 𝑍 = 𝑋2 + 3𝑌 Verifique se a afirmativa abaixo é verdadeira ou falsa, e Justifique a sua resposta 𝐸 𝑍𝑋 = 𝐸(𝑋3) + 9𝐸 𝑋 𝐸(𝑌) Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 V.A. DISCRETA E CONTÍNUA Se 𝑋 é uma v.a. discreta, com f.p. 𝑃 𝑥𝑖 , o valor esperado de qualquer função da v.a. 𝑋, 𝑔(𝑥), será 𝐸 𝑔(𝑥) = 𝑔(𝑥𝑖)𝑃 𝑋 = 𝑥𝑖 ∞ 𝑖=1 Se Y é uma v.a. contínua, com f.d.p. 𝑓 𝑦 , o valor esperado de qualquer função da v.a. 𝑌, 𝑔(𝑦), será 𝐸 𝑔(𝑦) = 𝑔(𝑦) 𝑓 𝑦 𝑑𝑦 ∞ −∞ Unijorge• CEP • Prof. Jonatas Silvado Espirito Santo • 2013.2 Seja 𝑋 é uma variável aleatória, com média 𝜇𝑥 = 𝐸 𝑋 . A variância de X é definida como 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝜇 2 que pode ser reescrita em termos de esperanças da forma 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋2 − 𝐸(𝑋) 2 A variância de uma v.a. 𝑋 é uma medida dispersão, indicando o quão longe seus valores se encontram do seu valor esperado. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 V.A. DISCRETA E CONTÍNUA Se 𝑋 é uma v.a. discreta, com f.p. 𝑃 𝑥𝑖 , a variância de 𝑋 é 𝑉𝑎𝑟 𝑋 = 𝑥𝑖 − 𝜇 2𝑃 𝑥𝑖 ∞ 𝑖=1 Se Y é uma v.a. contínua, com f.d.p. 𝑓 𝑦 , a variância de 𝑌 é 𝑉𝑎𝑟 𝑌 = 𝑦 − 𝜇 2 𝑓 𝑦 𝑑𝑦 ∞ −∞ Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Considere 𝑋 e 𝑌 duas v.a. com distribuições a seguir 𝒚 𝑃 𝑌 = 𝒚 𝑦. 𝑃 𝑌 = 𝒚 -2 1/5 -2/5 𝜇𝑌 = 1 -1 1/5 -1/5 0 1/5 0 3 1/5 3/5 5 1/5 5/5 𝒙 𝑃 𝑋 = 𝒙 x. 𝑃 𝑋 = 𝒙 0 1/8 0 𝜇𝑋 = 1 1 6/8 6/8 2 1/8 2/8 a) Calcule a 𝑉𝑎𝑟 𝑋 e 𝑉𝑎𝑟 𝑌 . Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Universidade Federal da Bahia • MAT236 - Métodos Estatísticos • Prof. Jonatas SES • 2012.2 A quantia gasta anualmente, em milhões de reais, na manutenção do asfalto em uma cidade do interior da Bahia é representada pela variável aleatória 𝑌, com f.d.p. dada por 𝑓 𝑦 = 8 9 𝑦 − 4 9 , 𝑠𝑒 1 2 < 𝑦 < 2 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 a) Calcule a 𝑉𝑎𝑟 𝑌 . V.A. DISCRETA E CONTÍNUA 𝑉𝑎𝑟 𝑘 = 0, sendo 𝑘 uma constante; 𝑉𝑎𝑟 𝑘𝑋 = 𝑘2𝑉𝑎𝑟 𝑋 , sendo 𝑘 uma constante; 𝑉𝑎𝑟 𝑋 ± 𝑘 = Var 𝑋 , sendo 𝑘 uma constante; Se 𝑋 e 𝑌 são v.a’s independentes então 𝑉𝑎𝑟 𝑋 ± 𝑌 = 𝑉𝑎𝑟 𝑋 + 𝑉𝑎𝑟 𝑌 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 V.A. DISCRETA Distribuição de Bernoulli; Distribuição Binomial; Distribuição de Poisson. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Lançar uma moeda e observar se ocorre cara ou coroa; Numa linha de produção, observar se um item, tomado ao acaso é defeituoso ou não defeituoso. Observar se um cliente de uma financeira, será inadimplente ou adimplente. São os experimentos mais simples em que observamos a presença ou não de alguma característica em uma única tentativa, ou seja, um experimento com somente dois resultados possíveis: Fracasso ou Sucesso. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Uma variável aleatória segue modelo Bernoulli se assume apenas dois valores possíveis, 0 ou 1, Fracasso ou Sucesso, etc. 𝑋 tem distribuição Bernoulli com probabilidade de sucesso 𝑝: 𝑋~𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖(𝑝) Função de probabilidade: 𝑃 𝑋 = 𝑥 = 𝑝 𝑥 = 𝑝𝑥𝑞1−𝑥, 𝑋 = 1, 0, 𝑐𝑜𝑚 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑝 𝑐𝑜𝑚 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑞 = (1 − 𝑝) Esperança: 𝐸 𝑋 = 𝑝 Variância: 𝑉𝑎𝑟 𝑋 = 𝑝𝑞 = 𝑝(1 − 𝑝) Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Uma urna contêm 8 bolas, sendo 3 bolas Amarelas e 5 bolas Vermelhas. Retira-se uma bola dessa urna. Seja 𝑋 a quantidade de bolas Amarelas sorteadas. Determine: 𝑝 𝑥 , 𝐸 𝑋 e 𝑉𝑎𝑟 𝑋 . Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 São feitas 𝑛 ensaios de um experimento Bernoulli, sendo 𝑛 uma constante; Há apenas dois resultados possíveis em cada repetição, denominados de Fracasso ou Sucesso; A probabilidade de sucesso, 𝑝 , e a de fracasso, 1 − 𝑝 , permanecem constante em todas as repetições; As repetições são independentes entre si, ou seja, o resultado de um ensaio não influencia no resultado de outros ensaios. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Seja 𝑌 o total de sucessos obtidos na realização de 𝑛 ensaios de Bernoulli independentes. Se 𝑌 tem distribuição Binomial com parâmetros 𝑛 e 𝑝 : 𝑌~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙(𝑛, 𝑝) Função de probabilidade: 𝑃 𝑌 = 𝑦 = 𝑛𝑦 𝑝 𝑦(1 − 𝑝)1−𝑦, Esperança: 𝐸 𝑌 = 𝑛𝑝; Variância: 𝑉𝑎𝑟 𝑌 = 𝑛𝑝𝑞 = 𝑛𝑝(1 − 𝑝). em que 𝑛 𝑦 representa o número de combinações de 𝑛 objetos tomados 𝑦 de cada vez, e é dada por 𝑛 𝑦 = 𝑛! 𝑦! 𝑛−𝑦 ! . Suporte: 𝐴 𝑌 = *𝑦|𝑦 = 0,1,2,… , 𝑛+; Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Um fabricante afirma que 5% de todas as peças que produz tem duração inferior a 20h. a) Se o fabricante de fato tem razão, qual a probabilidade do lote ser rejeitado? Uma indústria compra semanalmente um grande lote dessas peças com esse fabricante, mas sob a seguinte condição: em uma amostra de 10 peças escolhidas ao acaso do lote, pode haver no máximo uma peça com duração inferior a 20h, caso contrário, o lote é rejeitado. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Em muitas situações, conhecemos o número de sucesso, porém é difícil, e às vezes, sem sentido, determinar o número de fracassos ou o número total de ensaios, por exemplo; Número de carros que passam em uma determinada rua ao longo de 1 dia. Número de falhas de um computador em um dia de operação; Número de buracos por quilômetro em uma rodovia; Número de clientes que chegam a uma determinada agência bancária durante seu expediente. Em resumo, o modelo de Poisson representa o experimento em que se observa uma contagem em determinado intervalo de tempo, espaço ou volume. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 O número de ocorrências de um evento em um intervalo de tempo, ou superfície, ou volume é independente do número de ocorrência do evento em qualquer outro intervalo disjunto; A probabilidade de duas ou mais ocorrências simultâneas é praticamente zero; O número médio de ocorrências por unidade de tempo, ou superfície, ou volume, 𝜶, é constante ao longo do tempo; Seja 𝑋 o número de eventos de um certo tipo, que ocorrem em um intervalo de tempo, ou superfície ou volume. Suponha que esses eventos ocorrem em instantes aleatórios de tempo ou de espaço, satisfazendo as seguintes hipóteses: Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Se as condições do slide anterior forem satisfeita, dizemos que 𝑋 tem distribuição de Poisson com parâmetro 𝜆 = 𝛼𝑡, sendo 𝛼 o número médio de eventos por unidade de tempo, ou superfície, ou volume, 𝑡. 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆) Função de probabilidade: Esperança: 𝐸 𝑋 = 𝜆 Variância: 𝑉𝑎𝑟 𝑋 = 𝜆 𝑃 𝑋 = 𝑥 = 𝑒−𝜆𝜆𝑥 𝑥! Suporte: 𝐴 𝑋 = *𝑥|𝑥 = 0,1,2,3,4,… +; Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Um telefone recebe em média 2 chamadas por hora. Calcule a probabilidade do telefone receber no máximo 3 chamadas em duas horas e a probabilidade do telefone não receber chamadas em 90 minutos. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 V.A. CONTÍNUAS Distribuição de Exponencial; Distribuição de Normal. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 A distribuição exponencial é bastante utilizada para modelar tempo de espera entre ocorrência de eventos. Tem aplicações em áreas diversas, principalmente na teoria da confiabilidade. Alguns exemplo da utilização da distribuição exponencial: Tempo de espera em uma fila; Tempo de sobrevivência de um pacientes após iniciar um tratamento; Tempo de vida de um material eletrônico; Tempo até determinado equipamento falhar. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Considere uma variável aleatória contínua𝑋 que tem distribuição Exponencial com parâmetro 𝜆. 𝑋~𝐸𝑥𝑝(𝜆) Função de probabilidade: Esperança: 𝐸 𝑋 = 𝛼 Variância: 𝑉𝑎𝑟 𝑋 = 𝛼2, 𝛼 > 0 Suporte: 𝐴 𝑋 = *𝑥|𝑥 ≥ 0+; 𝑓 𝑥 = 1 𝛼 𝑒− 1 𝛼𝑥 , 𝑠𝑒 𝑥 ≥ 0 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Suponha que o tempo médio de vida de uma determinada lâmpada seja de 1.000 horas. Considere que o tempo de vida dessa lâmpada seja uma v.a. 𝑇 com distribuição Exponencial. Determine: a) A função de probabilidade de T, 𝑓 𝑡 . b) A função de distribuição acumulada de T, 𝐹 𝑡 . c) A probabilidade da lâmpada queimar antes de 1.000 horas. d) A probabilidade de que ela queime depois de sua duração média. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Universidade Federal da Bahia • MAT236 - Métodos Estatísticos • Prof. Jonatas SES • 2012.2 Das diversas distribuições teóricas de probabilidade, a distribuição normal é uma das (ou até mesmo a) mais importante, visto que, Representa com boa aproximação as distribuições de frequências observadas de muitos fenômenos naturais e físicos; Diversas distribuições importantes, como por exemplo, a Binomial e a Poisson, podem ser aproximadas pela normal, simplificando o cálculo de probabilidades; Em grandes amostras, as distribuições amostral da média e da proporção, se aproximam da distribuição normal, o que nos permite fazer estimações intervalares e testes estatísticos aproximados. Considere uma variável aleatória contínua 𝑋 que tem distribuição Normal com parâmetros 𝜇 e 𝜎2. 𝑋~𝑁 𝜇, 𝜎2 Função de probabilidade: Esperança: 𝐸 𝑋 = 𝜇, −∞ < 𝜇 < ∞ Variância: 𝑉𝑎𝑟 𝑋 = 𝜎2, 𝜎 > 0 (desvio-padrão = 𝜎) Suporte: 𝐴 𝑋 = *𝑥| − ∞ < 𝑥 < ∞+; 𝑓 𝑥 = 1 2𝜋𝜎2 𝑒− 1 2 𝑥−𝜇 𝜎 2 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 A curva normal tem formato de sino e é simétrica em torno da média: 𝑓 𝜇 + 𝑥 = 𝑓 𝜇 − 𝑥 ; 𝑃 𝜇 − 𝑥 ≤ 𝑋 ≤ 𝜇 = 𝑃 𝜇 ≤ 𝑋 ≤ 𝜇 + 𝑥 ; 𝑃 𝑋 < 𝜇 = 𝑃 𝑋 > 𝜇 = 0,5; A área total sob a curva normal é igual a 1; A curva normal aproxima-se mais do eixo 𝑥, à medida que os valores de 𝑥 se afastam da média, mas nunca toca o eixo 𝑥 ou seja, existe uma concentração muito grande de valores em torno de da média e à medida que avançamos para os entremos essa concentração diminui. A distância entre 𝜇 e os pontos de inflexão da curva é igual a 𝜎; A moda e a mediana de 𝑋 são iguais a 𝜇. Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 - O intervalo (média – 1 desvio padrão ; média + 1 desvio padrão) engloba 68,3% de todas as observações; - O intervalo (média – 2 desvio padrão ; média + 2 desvio padrão) inclui 95,5% dos valores; - O intervalo (média – 3 desvio padrão ; média + 3 desvio padrão) contém 99,7% de todas as observações; Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 34% 34% 2 DP Média 1 DP 1 DP 68,3% 2 DP 95,5% 3 DP 3 DP 99,7% Como qualquer variável aleatória 𝑋 que tem distribuição normal é contínua, então não existe probabilidade para um específico valor 𝑥, mas sim para qualquer intervalo dos números reais. Se queremos, por exemplo, P 𝑎 < 𝑋 < 𝑏 , P 𝑋 ≥ 𝑎 ou P 𝑋 ≤ 𝑏 , devemos procurar pelas seguintes áreas, respectivamente: Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Considere uma v.a. 𝑋~𝑁 𝜇, 𝜎2 e a seguinte transformação Então 𝑍~𝑁 0,1 , chamada de distribuição normal padrão, ou seja, 𝑍 é uma variável aleatória normal com média zero e variância um. 𝑍 = 𝑋 − 𝜇 𝜎 As probabilidades da normal padrão, também conhecida como normal reduzida ou normal zero-um, estão tabeladas. Podemos obter probabilidades de 𝑋~𝑁 𝜇, 𝜎2 como segue: P 𝑋 ≤ 𝑥 = P 𝑋−𝜇 𝜎 ≤ 𝑥−𝜇 𝜎 = P 𝑍 ≤ 𝑥−𝜇 𝜎 , em que 𝑍~𝑁 0,1 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Considerando 𝑍~𝑁 0,1 Calcule as seguinte probabilidades: a) P 0 ≤ 𝑍 ≤ 0,51 b) P −0,51 ≤ 𝑍 ≤ 0 c) P −1 ≤ 𝑍 ≤ 1 d) P 𝑍 ≤ 1,62 e) P 𝑍 ≥ 1,62 f) P 1,03 ≤ 𝑍 ≤ 2,01 g) P 0 ≤ 𝑍 ≤ 𝑧 = 0,395 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Os salários de diretores de uma empresa distribuem-se normalmente com média R$8.000 e desvio-padrão R$5.000. Qual o percentual de diretores que recebem: a)Menos de R$6.470,00 b)Entre R$8.920,00 e R$9.380,00 c) Mais de R$9.500,00 Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2 Para verificar a calibração de uma balança, um peso de 100g foi testado 25 vezes na mesma balança, fornecendo uma média de 99,8g e desvio padrão 0,05g. Supondo distribuição normal para o peso, qual a probabilidade da balança acusar um peso fora da especificação (100,0 ± 1,0g), ao ser testada com um peso padronizado de 100g Unijorge• CEP • Prof. Jonatas Silva do Espirito Santo • 2013.2
Compartilhar