Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade Estadual do Oeste do Paraná Campus de Foz do Iguaçu PPRROOBBAABBIILLIIDDAADDEE Carlos dos Santos Foz do Iguaçu Março / 2014 1 Sumário 2. Probabilidade 2 2.1 Introdução 2 2.2 Experimento aleatório com espaço amosral e evento 3 2.3 Teoria clássica de probabilidade 6 2.4 A Teoria Frequentista de Probabilidade 7 2.5 Probabilidade subjetiva 8 2.6 Axiomas de probabilidade 8 2.7 Principais teoremas de probabilidade 10 2.8 Sequência de exercícios nº 1 20 2.9 Variável aleatória 22 2.9.1 – Definição Formal de Variável Aleatória 22 2.9.2 Variável Aleatória Discreta 24 2.9.3 Variável Aleatória Contínua 25 2.9.4 Função de Probabilidade 25 2.9.5 Função Densidade de Probabilidade 26 2.9.6 Função de Distribuição Acumulada 29 2.9.7 Esperança Matemática e Variância de Uma Variável Aleatória 32 2.9.7.1 Propriedades da Esperança Matemática 33 2.9.8 Sequência de exercícios nº 2 37 2.10 Distribuições discretas de probabilidade 38 2.10.2 Sequência de exercícios nº 3 40 2.10.4 Sequência de exercícios nº 4 43 2.10.5 Distribuição de Poisson 44 2.10.6 Sequência de exercícios nº 5 46 2.10.7 Distribuição Hipergeométrica 47 2.10.8 Sequência de Exercícios nº 6 49 2.11 Distribuições teóricas contínuas de probabilidade 50 2.11.1 Distribuição Exponencial 50 2.11.2 Sequência de exercícios nº 7 54 2.11.3 Distribuição normal 56 2.11.3.1 Distribuição normal reduzida 60 2.11.4 Sequência de exercícios nº 8 69 2.11.5 Aproximação normal à distribuição binomial 70 2.11.6 Sequência de exercícios nº 9 75 2 2. Probabilidade 2.1 Introdução Existem dois tipos de modelos na ciência, o modelo determinístico e o não-determinístico ou probabilístico. Os modelos determinísticos são utilizados em certos campos da ciência, como a física, a química analítica, ou a hidráulica, onde é possível elaborar modelos matemáticos que estabelecem relações precisas entre grandezas, devido ao grau de conhecimento relativamente alto dos fatores envolvidos. Por exemplo, o modelo da lei de Ohn pode ser descrito por Corrente = voltagem / resistência Ou I = E/R Esse modelo é determinístico ou mecanístico porque o mesmo é construído a partir do conhecimento do mecanismo físico básico, o qual relaciona que a corrente elétrica está em função da voltagem e da resistência, sem levar em consideração outros fatores. Modelo Determinístico ou Mecanístico Modelo que estabelece uma relação matemática precisa entre as variáveis envolvidas, devido o grau de conhecimento relativamente alto do sistema sob estudo. Em muitas situações é mais frequente que os mecanismos no sistema sob estudo não sejam suficientemente conhecidos, de maneira a possibilitar a construção de modelos determinísticos. A estatística lida essencialmente com modelos não determinísticos ou probabilísticos, ou seja, com aquelas situações onde os mecanismos do sistema não são tão conhecidos e, portanto, a previsão de resultados está envolta com um certo grau de incerteza, a qual é quantificada probabilisticamente. Modelos dessa natureza, que se preocupam em prever resultados com alta probabilidade, sem tentar especificar os agentes determinantes envolvidos, são chamados de não determinísticos ou probabilísticos. Modelo Não-Determinístico ou Probabilístico Modelo que procura prever um resultado, em geral usando probabilidades, sem se preocupar com a especificação dos agentes causais ou determinantes desse resultado. 3 Por exemplo, suponha que um pesquisador deseja saber qual é o tempo de carga de um aplicativo (Y) para cumprir determinada tarefa. Não há um modelo determinístico para essa situação, portanto, o pesquisador vai enumerar todas as possíveis variáveis explicativas para prever o tempo de carga, ou seja, capacidade do processador ( X1), capacidade de memória (X2), capacidade do HD (X3), etc., Assim, um possível modelo será: Y = α + β1X1 + β2X2 + β3X3 + ε Essa expressão representa um modelo de regressão linear múltipla, em que os coeficientes α, β1, β2 e β3 são estimados pelo método de mínimos quadrados. O termo ε representa os fatores aleatórios ou não controlados pelo modelo, tais como impulsos de voltagem, umidade, temperatura da máquina, etc. Devido aos fatores não controlados, o pesquisador irá prever o tempo de carga com um certo grau de confiança ou probabilidade. Dentro da teoria de probabilidade os termos “experimento”, “espaço amostral” e “evento”, são muito utilizados. Os conceitos desses termos são dados a seguir: 2.2 Experimento aleatório com espaço amosral e evento Experimento É um processo de investigação científica de alguns procedimentos, feito para responder determinadas perguntas. Um experimento é dito aleatório quando satisfaz as seguintes condições a) Pode ser repetido indefinidamente; b) O pesquisador é capaz de descrever todos os possíveis resultados do experimento, embora não se possa dizer com certeza qual ocorrerá; c) Obedece uma regularidade estatística, ou seja, quando o experimento for repetido um grande número de vezes, surgirá uma configuração definida (distribuição de frequência, agora chamada de distribuição de probabilidade). São experimentos aleatórios (1) tomar uma válvula eletrônica e verificar o tempo de vida; (2) medir o tempo de duração de uma lâmpada de LED; (3) medir a vazão do Lago na Barragem da Usina de Itaipu; (4) medição da resistência à ruptura de corpos de prova; (5) medição da dureza de corpos de prova de aço. 4 Espaço amostral Representado por , é o conjunto de todos os resultados possíveis de um experimento aleatório. Cada resultado de um experimento aleatório é denominado de ponto amostral. Exemplos: a) Lançar um dado e verificar a face de cima. O espaço amostral será: Ω = {1, 2, 3, 4, 5, 6} Os pontos amostrais serão: 1, 2, 3, 4, 5 e 6. b) Testar o tempo de vida de uma válvula eletrônica até queimar. O espaço amostral será: }0/{ xRx c) Resistência à ruptura de corpos de prova de concreto. . O espaço amostral será: }3600/{ kgfxRx d) O Espaço amostral também pode ser representado geometricamente. Suponha que uma empresa de eletricidade formou uma comissão da qual participavam 5 elementos da distribuição e 4 da transmissão. Representando graficamente todas as possibilidades do número de ausentes teremos: 5 Figura 2.1 - Representação geométrica do espaço amostral. Percebe-se na figura 2.1 que o número de resultados do espaço amostral é 6 x 5 = 30 e que, as áreas sombreadas A, B e C, correspondem, respectivamente, aos eventos "um elemento ausente", "4 elementos ausentes" e "o número de ausentes da distribuição é maior que o da transmissão". Porém esses não são os únicos eventos possíveis desses espaço amostral. Evento É qualquer subconjunto do espaço amostral . Deve-se considerar como eventos de qualquer espaço amostral, o evento impossível (aquele que nunca ocorre) e o evento certo (o próprio espaço amostral ). Exemplo Ω = {1, 2, 3, 4, 5, 6} Os eventos desse espaço amostral ao lançar o dado uma vez, são: = evento impossível; Eventos com um resultado possívelA = {1}, B = {2}, C = {3}, D = {4}, E = {5}, F = {6}. Eventos com dois resultados possíveis A = {1, 2}, B = {1, 3}, C ={1, 4}, D ={1, 5}, E ={1, 6}, F = {2, 3}, G = {2, 4}, H = {2, 5}, I = {2, 6}, J = {3, 4}, K ={3, 5}, L ={3, 6}, M = {4, 5}, N ={4, 6}, 6 O = {5, 5}, P ={5, 6}. Eventos com três resultados possíveis são A = {1, 2, 3}, B = {1, 2, 4}, C ={1, 2, 5}, D ={1, 2, 6}, E ={2, 3, 4}, F ={2, 3, 5}, G ={2, 3, 6}, H ={3, 4, 5}, I ={3, 4, 6}, J = {4, 5, 6}. Eventos com quatro resultados possíveis são A = {1, 2, 3, 4}, B = {1, 2, 3, 5}, C ={1, 2, 3, 6}, E ={2, 3, 4, 5}, F ={2, 3, 4, 6}, H ={3, 4, 5, 6} Evento com seis resultados possíveis. O próprio espaço amostral. = {1, 2, 3, 4, 5, 6} 2.3 Teoria clássica de probabilidade Essa teoria baseia-se na existência de um espaço amostral com n elementos unitários: = {a1, a2, . . . , an} Este espaço amostral estaria associado ao objeto de estudo de um experimento, e seus elementos seriam igualmente prováveis de ocorrer, ou seja, P(a1) = P(a2) = . . . = P(an) = n 1 Em que P( . ) denota probabilidade. Exemplo: Suponha que um dado de jogo em perfeito estado é lançado e sua face é anotada. O espaço amostral é = {1, 2, 3, 4, 5, 6}, assim, a probabilidade de que ocorra qualquer uma das faces será a mesma. P(1) = P(2) = P(3) = P(4) = P(5) = P(6) = 6 1 7 Porém, esta teoria apresenta lacunas, uma vez que exige o conhecimento prévio da entidade física referente aos eventos de igual probabilidade. Além disso, muitas vezes os eventos de um espaço amostral não são igualmente prováveis. 2.4 A Teoria Frequentista de Probabilidade A teoria frequentista de probabilidade possui uma motivação empírica para interpretar probabilidades (Wadsworth e Bryan, 1960). Na observação de certo fenômeno através de um experimento, a probabilidade de certo evento A é definida, formalmente, como a sua frequência relativa observada, à medida que o número de repetições tende para o infinito, ou seja, n n AP A n lim][ em que nA é o número de possibilidades favoráveis ao evento A, num total de n repetições de um experimento. Trata-se de uma definição operacional, no sentido que demanda a postulação de um experimento ou operação. Assim, as frequências relativas em populações infinitas são chamadas de probabilidades. Probabilidade Frequência relativa associada a uma variável descritora de uma população infinita. Portanto, pode-se denominar a distribuição de frequência relativa associada a uma variável descritora de uma população infinita como uma distribuição de probabilidade. Distribuição de probabilidade Distribuição de frequência relativa em uma população infinita aos valores da variável de interesse. Exemplo: Observa-se que durante 100 tentativas de partida sob condições similares, uma determinada turbina a gás parte com sucesso 98 vezes. Qual a probabilidade desta turbina partir com sucesso quando necessário? Solução: Denominemos A como o evento ”a turbina a gás parte com sucesso”. Logo, 8 %9898,0 100 98 )( ouAP 2.5 Probabilidade subjetiva Atualmente, pode-se dizer que a inferência estatística (a qual será estudada em seções posteriores), apresenta duas escolas de pensamento, a frequentista e a bayesiana. A primeira está baseada no conceito frequentista de probabilidade. Já, a inferência Bayesiana está assentada, também, em um enfoque subjetivo de probabilidade. Por ela, a formulação de modelos e sua verificação são feitas através da combinação de evidências experimentais (objetivas) com a opinião do pesquisador (subjetiva). Portanto, define-se probabilidade subjetiva como uma medida do grau de confiança de uma pessoa em relação a uma proposição (O’ Hagan, 1994). Ela é função da quantidade de informação disponível pela pessoa, e possui a restrição de que deve obedecer (assim como as teorias clássica e frequentista) a critérios de consistência, ou seja, aos axiomas de probabilidade os quais serão vistos a seguir. 2.6 Axiomas de probabilidade Axiomas são propriedades das quais não é exigida uma prévia demonstração, simplesmente são aceitas. Seja o espaço amostral associado a um dado experimento . A cada evento A associa-se um número real, denominado de probabilidade de A, o qual deve satisfazer às seguintes propriedades: (1 0 ) 0 P(A) 1 (2 0 ) P() = 1 (ou seja, a probabilidade do evento certo é igual 1) (3º) Se A e B são eventos mutuamente exclusivos (aqueles que não ocorrem simultaneamente), a probabilidade de ocorrência de A ou de B é igual à soma das probabilidades de cada um, ou seja, )()()( BPAPBAP A última propriedade pode ser utilizada para uma sequência finita ou infinita de eventos mutuamente exclusivos, pertencentes a , ou seja, 9 n i i n i i APAP 11 )( 11 )( i i i i APAP Exemplo de aplicação Suponha que um determinado instituto tem os seguintes números de alunos matriculados por curso: 110 de Matemática Pura, 30 de Matemática Aplicada, 30 de Estatística e 30 de Computação. a) Qual é a probabilidade de que, um aluno escolhido ao acaso seja do curso de Matemática Pura? b) Qual é a probabilidade de que um aluno escolhido ao acaso seja do curso de Matemática Pura ou do Curso de Estatística? c) Qual é a probabilidade de que um aluno escolhido ao acaso seja do curso de Matemática Pura, ou de Matemática Aplicada, ou de Estatística ou da Computação? Solução Sejam os eventos A: o aluno é do curso de Matemática Pura B: o aluno é do Curso de Matemática Aplicada C: o aluno é do curso de Estatística D: O aluno é do Curso de Computação a) %5555,0 200 110 ou n n P(A) A b) %7070,0 200 30 200 110 )()( ouCPAP n n n n C)P(A CA c) )()()()( DPCPBPAPB D)CP(A %1001 200 30 200 30 200 30 200 110 ou n n n n n n n n DCBA 10 2.7 Principais teoremas de probabilidade (1 o ) A probabilidade de um evento impossível é zero, ou seja, P() = 0. Demonstração Seja A um evento qualquer. A e são mutuamente exclusivos, pois A = , então, pelo 3º axioma )A(P)A(P + P() pela teoria de conjuntos AA Assim, )A(P)A(P Portanto, 0)(P Exemplo de aplicação Numa prova valendo 10 pontos, qual é a probabilidade de ocorrer de fato alguma nota maior do que 10? P(X > 10) = P() = 0 (2 o ) Se A c é o evento complementar de A, então P(A C ) = 1 – P(A) Demonstração Considere o seguinte diagrama: Pelo diagrama observa-se que A e A c são mutuamente exclusivos Logo, )A(P)A(P)AA(P cc 11 Como ΩAA C Tem-se )()()()( cc APAPAAPP pelo 2 o axioma 1)(P , logo, )A(P)A(P1 c Portanto, P(A C ) = 1 – P(A) Exemplo de aplicação Se a probabilidade de um equipamento de segurança falhar durante sua utilização é de 5%, então a probabilidade deste equipamento não falhar durante sua utilização será, P(F c ) = 1 - P(F) = 1 - 0,05 = 0,95 ou 95% (3 o ) SeBA , então )B(P)A(P Demonstração Considere o seguinte Diagrama: Pode-se escrever B)(AAB C Ora, A e B)(AC são mutuamente exclusivos. Logo, B)P(AP(A)P(B) C Assim, P(A)P(B)B)P(AC Pelo 1 o axioma, 0P(A)P(B) . Ocorre P(A) - P(B) = 0, quando A = B. Portanto, )B(P)A(P 12 Observação: ocorre )()( BPAP quando A = B Exemplo de aplicação Suponha que seja feito um sorteio de uma bolsa de estudos de um curso de inglês, entre os alunos da UNIOESTE de Foz do Iguaçu. Existem 1402 alunos matriculados no total. Ha 141 alunos no curso de Matemática, dos quais, 35 são do quarto ano. Qual é a probabilidade de ser sorteado: a) Um aluno do curso de Matemática b) Um aluno do quarto ano do curso de matemática Solução Os eventos são: A: O aluno é do curso de Matemática, B: O aluno é do quarto ano de Matemática, a) %06,101006,0 1402 141 )( ou n n AP A b) %50,20,0250 1402 35 )( ou n n BP B Como AB , tem-se P(B) < P(A). (4 o ) Teorema do Produto: A probabilidade de ocorrência simultânea de dois eventos A e B é igual ao produto da probabilidade de um deles pela probabilidade condicional do outro, ou seja, )A/B(P)A(P)BA(P Considerando dois eventos, pode ser que a ocorrência de um deles modifique a probabilidade de ocorrência do outro. Assim, a probabilidade do evento B, sabendo que A ocorreu, ou probabilidade condicional de B em relação a A, pode ser representada por P(B/A). Dessa forma, para P(A) 0, define-se AP BAP A/BP No caso de 3 eventos A, B e C, a probabilidade do evento C, sabendo que A e B ocorreram, é dada por 13 . BAP CBAP BA/CP Exemplo de aplicação O dono de um supermercado resolveu realizar uma promoção, sorteando dois brindes aos clientes que gastassem pelo menos 50 reais. Verificou-se que 500 clientes atenderam a esse quesito. Desses, 200 foram do Bairro A, 175 do B e 125 do C. Suponha que o ganhador de um prêmio não pode concorrer aos restantes (amostragem sem reposição). a) Qual a probabilidade de que os dois ganhadores sejam do bairro A? b) Qual a probabilidade de que ocorra um do bairro A e um do bairro B? c) Qual a probabilidade do segundo ser do bairro B, sendo que o primeiro cliente sorteado é do bairro A? d) Se fossem sorteados três brindes, qual seria a probabilidade de ser sorteado um de cada bairro? e) No sorteio três brindes, qual é a probabilidade de o terceiro cliente ser do bairro C, sendo que o primeiro é do Bairro A e o segundo do Bairro B. Solução n = 500; nA = 200, nB = 175, nC = 125 Sejam os eventos: A: O cliente é do Bairro A B: O cliente é do Bairro B C: O cliente é do Bairro C a) Como a amostragem é sem reposição A/AP.APAAP = 1n 1n n n AA 1595,0 499 199 . 500 200 b) A/BP.APBAP = 1n n n n BA = 1403,0 499 175 . 500 200 14 c) . AP BAP A/BP = n n 1n n n n A BA = 3507,0 500 200 499 175 500 200 d) BA/CPA/BPAPCBAP = 2n n 1n n n n CBA = 0352,0 498 125 499 175 500 200 e) BAP CBAP BA/CP 1n n n n 2n n 1n n n n BA CBA = 2510,0 499 175 500 200 498 125 499 175 500 200 Os eventos são ditos independentes quando a ocorrência de um deles independe da ocorrência do outro. Dessa forma, se A e B são independentes, então P(B/A) = P(B), assim como, P(A/B) = P(A), E no Teorema do Produto tem-se que BP.APBAP No caso de três eventos independentes: A, B e C, obtém-se )C(P)B(P)A(P)CBA(P Para o exemplo anterior, suponha que o ganhador de um prêmio possa concorrer aos restantes, ou seja, seu nome é reposto na urna (amostragem com reposição). a) Qual a probabilidade de o primeiro cliente sorteado ser do Bairro A e o segundo do B 15 b) Se fossem sorteados três brindes, qual a probabilidade de o primeiro cliente sorteado ser do Bairro A, o segundo do B e o terceiro do C. a) BP.APBAP = n n n n BA = 14,0 500 175 . 500 200 b) CPBPAPCBAP = n n n n n n CBA = 035,0 500 125 500 175 500 200 Exemplo de aplicação Os funcionários de uma empresa estão distribuídos de acordo com a tabela a seguir: Sexo Total Departamento Masculino Feminino A 25 25 50 B 15 10 25 C 20 5 25 Total 60 40 100 No sorteio de um funcionário, qual é a probabilidade de que este seja: a) Do sexo masculino? b) Do sexo masculino e do departamento A c) Do sexo masculino, sabendo que é do departamento A Solução Sejam os eventos: A: o funcionário é do departamento A B: o funcionário é do departamento B C: o funcionário é do departamento C M: o funcionário é do sexo masculino F: o funcionário é do sexo feminino 16 a) %6060,0 100 60 )( ou n n MP M b) MAPMPAMP /)..( = %2525,0 60 25 100 60)( ou n n n n M MeAM c) ./ AP MAP AMP = n n n n A MeA )( = %505,0 50 25 100 50 100 25 ou (5 o ) Teorema da soma ou das probabilidades totais: A probabilidade de ocorrer pelo menos um entre dois eventos A e B, não necessariamente mutuamente exclusivos, é igual à soma das probabilidades de A e de B, menos a probabilidade de A e B ocorrerem simultaneamente, ou seja, )BA(P)B(P)A(P)BA(P Demonstração Considere o seguinte diagrama: Pelo diagrama nota-se que os eventos CBA e BA são mutuamente exclusivos, e que )BA()BA(A C , então P(A) = )BA(P)A(P)BA(P)BA(P)BA(P CC ( I ) 17 Observa-se que os eventos CAB e BA , também são mutuamente exclusivos, e que )BA()AB(B C , assim, P(B) = )BA(P)B(P)AB(P)BA(P)AB(P CC ( II ) Os eventos CBA , CAB e BA também são mutuamente exclusivos e )BA(P)BA()BA(BA CC , logo, )BA(P)BA(P)BA(P)BA(P CC Dessa forma, de I e de II tem-se )BA(P)BA(P)B(P)BA(P)A(P)BA(P Portanto, )BA(P)B(P)A(P)BA(P Exemplo de aplicação No circuito abaixo, a probabilidade de que cada relé esteja fechado é de 0,8. Supondo que cada relé seja aberto ou fechado independentemente um do outro, calcular a probabilidade de a corrente passar de A para B. Sejam os eventos: R1: o relé 1 está fechado, R2: o relé 2 está fechado, R3: o relé 3 está fechado, R4: o relé 4 está fechado, onde P(R1) = P(R2) = P(R3) = P(R4) = 0,8 A corrente passa de A para B se estiverem fechados os relés 1 e 2 ou 3 e 4, portanto deve- se calcular )]RR()RR[(P 4321 , onde os eventos )RR(e)RR( 4321 podem ocorrer simultaneamente (se os quatro relés estiverem fechados), dessa formatem-se: )]()[()(()()]()[( 432143214321 RRRRPRRPRRPRRRRP )R(P)R()R(P)R(P)R(P)R(P)R(P)R(P 43214321 %04,87ou8704,08,08,08,08,08,08,08,08,0 18 (5 O ) Teorema de Bayes: Se A1, A2,. . ., An são eventos dois a dois mutuamente exclusivos tais que n21 AAA . Sejam P(Ai) as probabilidades conhecidas de vários eventos, e B um evento qualquer de tal que são conhecidas todas as probabilidades condicionais P(B/Ai).Então, para um dado evento Ai, tem-se )/()()/()()/()( )/()( )/( 2211 nn ii i ABPAPABPAPABPAP ABPAP BAP ou n i ii ii i ABPAP ABPAP BAP 1 )/()( )/()( )/( Demonstração Considere o seguinte diagrama da partição de em eventos Ai (i=1,2,3,4,5) e sua interseção com B. Dessa maneira, ( I ) n 1i i BAPBP )()( . Como )( )( )/( i i i AP BAP ABP , então: )()/()( iii APABPBAP .Dessa forma, n i n i iii APABPBAP 1 1 )()/()( Porém, de ( I ) sabe-se que n i i BAPBP 1 )()( , então ( II ) n i ii APABPBP 1 )()/()( . Mas, como (III) )/()()( iii ABPAPBAP 19 Pensando agora em uma probabilidade condicional P(Ai/B) qualquer n i ii ii i ABPAP ABPAiP BP BAP BAP 1 )/()( )/()( )( )( )/( tem-se, por (II) e (III) que n i ii i i ABPAP ABPAiP BAP 1 )/()( )/()( )/( Exemplo de Aplicação Uma indústria produz quatro tipos de válvulas eletrônicas: A, B, C e D. A probabilidade de uma válvula do tipo A ser defeituosa é 1%, do tipo B é 0,5%, do tipo C é 2% e do tipo D é 0,2%. Em um depósito existem 1000 válvulas do tipo A, 500 do tipo B, 300 do tipo C e 200 do tipo D. Uma válvula é retirada aleatoriamente do depósito e verifica-se que esta é defeituosa. Qual é a probabilidade de que a válvula retirada seja do tipo D? Sejam os eventos A: a válvula é do tipo A, B: a válvula é do tipo B, C: a válvula é do tipo C, D: a válvula é do tipo D, E: a válvula é defeituosa. O evento válvula defeituosa (E) ocorreu, portanto, a probabilidade de que seja do tipo D (sendo A, B, C e D mutuamente exclusivos) será dada por )/()()/()()/()()/()( )/()( )/( DEPDPCEPCPBEPBPAEPAP DEPDP EDP onde 50,0 2000 1000 )( AP ; 25,0 2000 500 )( BP ; 15,0 2000 300 )( CP ; 10,0 2000 200 )( DP P(E/A) = 1% = 0,01; P(E/B) = 0,5% = 0,005; P(E/C) = 2% = 0,02; P(E/D)= 0,2% = 0,002; Portanto, 20 %1,2021,0 002,010,0020,015,0005,025,0010,050,0 002,010,0 )/( ouEDP 2.8 Sequência de exercícios nº 1 01 No lançamento de um dado equilibrado considere os eventos A: ocorrência de face ímpar B: ocorrência de face menor do que 3 e C = face máxima observada igual a 5. a) Represente o espaço amostral b) Calcule P(A); P(B); P(C).R: 0,50; 0,3333; 0,8333 02. Uma moeda perfeita será lançada 3 vezes. Sejam os eventos: E1: observar pelo menos duas coroas; E2: observar no máximo uma coroa; E3: observar as 3 faces iguais; E4: observar 3 coroas; E5: O primeiro lançamento resulta em coroa; E6: o segundo lançamento resulta em coroa E7: o terceiro lançamento resulta em coroa. a) Escreva o espaço amostral no caso de três lançamentos b) Calcule P(E1), P(E2), P(E3), P(E4), P(E5), P(E6) e P(E7) R: 0,50; 0,50; 0,25; 0,125; 0,50; 0,50; 0,50 03 Uma urna contém 20 bolas das quais 9 brancas, 5 azuis e 6 vermelhas. Duas bolas serão retiradas sucessivamente da urna, sem reposição. Calcular as seguinte probabilidades a) de a segunda bola extraída ser vermelha, dado que a primeira é vermelha. R: 0,2632 b) de serem extraídas bolas de cores diferentes: R: 0,3395 c) de serem extraídas bolas de mesma cor? R: 0,0475 04. Sabe-se que na fabricação de um certo artigo, defeitos de um tipo ocorrem probabilidade 0,1 e defeitos de outro tipo com probabilidade 0,05. Qual será a probabilidade de que: a) um artigo não tenha ambos os tipos de defeitos: R: 0,995 b) Um artigo seja defeituoso? R: 0,145 05 Suponha que A e B associados a um experimento sejam eventos independentes. Se a probabilidade de A ou B ocorrerem for igual a 0,6 enquanto a probabilidade de ocorrência de A for igual a 0,4 determine a probabilidade de ocorrência de B. R: 0,3333 06. Um lote é composto de 1000 peças, sendo 95% perfeitas e 5% defeituosas. Duas peças são extraídas aleatoriamente desse lote, sem reposição, qual a probabilidade de que: a) ambas sejam perfeitas R: 0,90245 b) ambas sejam defeituosas R: 0,00245 c) uma seja defeituosa e a outra seja perfeita? 0,09510 21 07. No teorema da soma ou das probabilidades totais foi demonstrado que a probabilidade de ocorrer pelo menos um entre dois eventos A e B, não necessariamente mutuamente exclusivos, é igual à soma das probabilidades de A e de B, menos a probabilidade de A e B ocorrerem simultaneamente, ou seja, )BA(P)B(P)A(P)BA(P Demonstre que a probabilidade de ocorrer pelo menos um entre três eventos A, B e C, não necessariamente mutuamente exclusivos, é dada por: )CBA(P)CB(P)CA(P)BA(P)C(P)B(P)A(P)CBA(P 08 Nos circuitos abaixo, supondo que cada relé funcione independentemente um do outro, sendo 95% a probabilidade de que um relé qualquer esteja fechado, calcular a probabilidade de que corrente a corrente passe de A para B. R: 0,999875 R: 0,999756 09 Numa fábrica existem 100 máquinas. Algumas dessas são novas (N) e outras velhas (V), algumas são da firma A e outras são da firma B conforme a tabela abaixo Estado Firma Total A B Nova (N) 35 30 65 Velha (V) 25 10 35 Total 60 40 100 22 Um operário qualquer entra na fábrica e pega uma máquina. a) Qual é a probabilidade dela ser velha? Resposta: 0,35 ou 35% b) Qual é a probabilidade dela ser velha sendo que á da firma B? Resposta: 0,25 ou 25% 10. Certa indústria, possui cinco máquinas: A, B, C, D e E, as quais produzem os mesmos tipos de peças, que serão utilizadas na montagem de equipamentos elétricos. Sabe-se que a produção diária da máquina A é o dobro da produção diária da máquina D, que as produções das máquinas B e C são iguais e que a máquina E produz 20 peças a mais que a máquina A. De acordo com o setor de controle de qualidade dessa indústria, são defeituosas, respectivamente, 1%, 2%, 5%, 1% e 3% das peças produzidas pelas máquinas A, B, C, D e E. Uma peça foi tomada aleatoriamente e verificou-se que ela é defeituosa. Utilizando o teorema de Bayes, calcular a probabilidade de que essa peça tenha sido fabricada pela máquina E, sabendo que as máquinas A e B produzem, respectivamente, 200 e 150 peças. R: 0,3284 2.9 Variável aleatória As variáveis descritoras de uma população infinita podem ser qualitativas ou quantitativas, como visto na parte de Estatística Descritiva. Quando são associados valores de probabilidade às variáveis descritoras, como é no caso de populações infinitas, elas também são chamadas de variáveis aleatórias. Variável Aleatória De modo informal é a variável descritora de populações infinitas, a cujos valores são associadas probabilidades de ocorrência. Por convenção, as variáveis aleatórias são sempre quantitativas,mesmo se referindo a qualidades. No exemplo da produção de peças defeituosas, às categorias “perfeita” e “defeituosa” podem ser associados os valores 0 e 1, respectivamente. Dessa forma, as vaiáveis aleatórias podem ser discretas ou contínuas. As variáveis aleatórias são denotadas por letras maiúsculas, e suas realizações por letras minúsculas. Assim, a probabilidade de que uma variável aleatória X assuma determinado valor x, é denotada por P[X = x] ou P(x). 2.9.1 – Definição Formal de Variável Aleatória Seja “” um experimento aleatório e o espaço amostral associado ao experimento. Uma função X que associa números reais a cada evento “e” do espaço amostral é denominada 23 variável aleatória. Assim, formalmente, uma variável aleatória X é uma função com domínio e contradomínio a reta dos reais: R:)(X ω Geometricamente, tem-se: Figura 2.2 Representação geométrica de uma variável aleatória em que: e: é um evento qualquer de ; é o espaço amostral X: é uma função (aqui denominada inadequadamente de variável aleatória); X(e): é um número real associado ao evento “e” de ; Rx: é o contradomínio ou conjunto dos possíveis valores de X. Meyer (1983) aponta a fraqueza dessa terminologia, uma vez que se chama “variável” a uma função. Além disso, o termo aleatório também não é apropriado, uma vez que o acaso não está evidente na sua definição. Entretanto, devido o seu uso generalizado, também será adotada aqui. Exemplo Imagine que duas peças estão para ser coletados de um lote. Sejam os eventos, D: peça defeituosa e P: peça perfeita. Logo o espaço amostral será: = {PP; DP; PD, DD} Seja variável aleatória X que expressa o número de peças defeituosas. Então, o contradomínio será: RX = {0, 1, 2} Geometricamente ter-se-á: 24 Figura 2.3 Representação geométrica da variável aleatória qualidade da peça 2.9.2 Variável Aleatória Discreta Diz-se que uma variável aleatória X é discreta, se o número de possíveis valores de X (ou seja, Rx seu contradomínio) for finito ou infinito enumerável. No exemplo de peça defeituosa ou perfeita, às categorias “defeituosa” e “perfeita” puderam ser associados os valores 0 e 1, respectivamente. Por convenção as variáveis aleatórias são sempre quantitativas, mesmo se referindo a qualidades. Portanto, as vaiáveis aleatórias antes chamadas de qualitativas e as quantitativas discretas, na teoria de probabilidades, passam a ser chamadas de variáveis aleatórias discretas. Exemplos 1) Seja X a variável que representa o número de peças defeituosas em cada 5 inspecionadas. O contradomínio será finito, ou seja Rx = {0, 1, 2, 3, 4, 5} 2) Seja X a variável que representa o número de vezes que um transistor muda de estado na memória deum computador. O contradomínio será infinito e enumerável, ou seja, Rx = {0, 1, 2, . . .} 3) Seja X a variável que representa o número de moléculas em uma amostra de gás. O contradomínio será infinito e enumerável, ou seja, Rx = {1, 2, . . .} 4) Seja X a variável que representa o número de usuários de uma rede de computadores em certo período do dia. O contradomínio será infinito e enumerável, ou seja, Rx = {0, 1, 2, . . .} 25 2.9.3 Variável Aleatória Contínua Uma variável aleatória X é dita contínua, se corresponder a dados de medida, isto é, se o número de valores possíveis desta não puder ser enumerado. Assim, os elementos do contradomínio de X são representados em forma de intervalo. Dessa forma, na teoria de probabilidades, todas as variáveis quantitativas contínuas são chamadas apenas de variáveis aleatórias contínuas. Exemplos a) resistência à ruptura de corpos de prova. }500X0/Rx{Rx b)Tempo de duração em horas de um dispositivo eletrônico }0x/Rx{Rx Outros exemplos de variáveis aleatórias contínuas podem ser citados, tais como: resistência à tração de cabos, diâmetro de tubos, etc. 2.9.4 Função de Probabilidade Seja X uma variável aleatória discreta. A cada possível resultado xi está associado um número P(xi) = P(X = xi), denominado probabilidade de xi. A função p é denominada de função de probabilidade da variável aleatória X e segue às seguintes propriedades. i) P(X = xi) 0, para todo i; ii 1i 1 xi) P(X . O conjunto dos pares [xi, P(xi)] é denominado de distribuição de probabilidade. Exemplo Retornando ao exemplo do número de peças defeituosas em duas inspecionadas. O espaço amostral foi 26 = {DD; DP; PD, PP} e o contradomínio. RX = {0, 1, 2} A probabilidade de ocorrer nenhuma peça defeituosa será 25,0 4 1 )0X(P)0(P A probabilidade de ocorrer uma peça defeituosa será 50,0 4 2 )1X(P)1(P A probabilidade de ocorrerem duas peças defeituosas será 25,0 4 1 )2X(P)2(P Confirmando a propriedade “ii” 3 1i i 125,050,025,0)2X(P)1X(P)0X(P)x(P Graficamente tem-se: Figura 2.4 – Representação geométrica da função de probabilidade 2.9.5 Função Densidade de Probabilidade Seja X uma variável aleatória contínua. Define-se função densidade de probabilidade como sendo a função f que satisfaz às seguintes propriedades: 27 i) f(x) 0, para qualquer valor de x. ii) 1dx)x(f A propriedade (ii) indica que a área total limitada pela curva que representa a função f(x) e o eixo das abscissas é igual a 1 Seja o intervalo [a,b] RX. Então a probabilidade da variável aleatória contínua X assumir algum valor dentro desse intervalo será dado por: b a dx)x(f]bXa[P ,para qualquer a e b. que pode representar, por exemplo, a área escura sob a curva no gráfico a seguir: Figura 2.4 - Representação geométrica de uma função densidade de probabilidade. Verifica-se na figura 2.4 que, para variáveis aleatórias contínuas, as probabilidades são interpretadas como áreas. Portanto, para qualquer valor x0 RX, tem-se 0dx)x(f]xX[P 0 x 0 x 0 Devido à probabilidade de uma variável aleatória contínua ser nula num ponto, tem-se que )bXa(P)bXa(P)bXa(P)bXa(P Exemplo 28 (1) Seja uma variável aleatória contínua, cuja fdp é dada por: f(x) = x/16, 2 < x < 6 = 0, para quaisquer outros valores. Calcular: a) );4X3(P b) P(X > 5); c) );6X2(P d) Representar graficamente a fdp. Solução a) 219,0 32 7 2 7 . 16 1 2 9 8 16 1 2 x 16 1 dx 16 x )4X3(P 4 3 24 3 b) 344,0 32 11 2 11 . 16 1 2 25 18 16 1 2 x 16 1 dx 16 x )5X(P 6 5 6 5 2 c) 1218 16 1 2 x 16 1 dx 16 x )6X2(P 6 2 26 6 d) para x = 2 f(2) = 2/16 = 1/8 para x = 6 f(6) = 6/16 = 3/8 29 Portanto, observa-se através deste exemplo que, no caso de variáveis aleatórias contínuas unidimensionais, o cálculo de probabilidades refere-se ao cálculo de áreas.(2) Seja X uma variável aleatória contínua, cuja fdp é dada por: f(x) = k, )tetanconsk(5X2 = 0, para quais quer outros valores a) Determinar o valor de k b) Representar graficamente a fdp a) Sabe-se que 1dx)x(f é a uma das condições para que f(x) seja uma fdp, a outra é f(x) 0. Logo, 3 1 k1]25[k1xk1kdx 5 2 5 2 Essa fdp é denominada de uniformemente distribuída b) Gráfico 2.9.6 Função de Distribuição Acumulada Independente de uma variável aleatória ser discreta, ou contínua, uma importante função associada a esta é a função de distribuição acumulada, função de distribuição de probabilidade, ou simplesmente, função distribuição, a qual segue as seguintes propriedades: i) Se x1 < x2, então F(x1) F(x2), ou seja F(x) é uma função não decrescente 30 ii) 0)x(Flim x iii) 1)x(Flim x iv) )x(F)x(F]xXx[P 1221 A função de distribuição acumulada de uma variável aleatória discreta é dada por: k 1i ikk ]x[P]xP[X]F[x No caso de uma variável aleatória contínua, a função de distribuição acumulada é expressa por: x dz)z(f)xX(P)x(F Exemplos: ( 1 ) Seja a variável aleatória X que representa o número de transformadores defeituosos, em cada lote de 100 unidades, tomados da linha de produção, segundo o quadro abaixo: i 1 2 3 4 5 6 X 0 1 2 3 4 5 Proporção 0,32 0,28 0,20 0,12 0,06 0,02 Essas proporções podem ser consideradas como probabilidades no sentido que, se um lote for tomado ao acaso da linha de produção, existe uma probabilidade, por exemplo, de 28% de que ela contenha apenas 1 transformador defeituoso. A probabilidade de que ele contenha 3 transformadores defeituosos, ou menos, é dada por: ]xX[P]xX[P]xX[P]xX[P 1i ]xX[P]xX[P]x[F 4321 4 i44 F[3] = P[X 3] = P[X = 0] + P[X = 1] + P[X = 2] + P[X = 3] = 0,32 + 0,28 + 0,20 + 0,12 = 0,92 ou 92% Resumidamente tem-se os seguintes resultados de F(X): 31 X 0 1 2 3 4 5 F(X) 0,32 0,60 0,80 0,92 0,98 1,00 Graficamente tem-se: Figura 2.4– Representação gráfica da F(X) Exemplo: ( 2 ) Seja a variável aleatória contínua X, referente ao tempo de vida útil (em horas) de aspersores de uma determinada marca, cuja função densidade é dada por: 0x0 0xe020 xf x020 , ,, )( , Assim, por exemplo, a probabilidade de que um aspersor dessa marca, tomado ao acaso, dure pelo menos 100 horas, é dada por: x dz)z(f)xX(P)x(F dzedzXPF Z 100 0 02,0 0 02,00)100()100( 100 0 02,002,00 dze z Propriedade b a kx b a kx k e dxe 2100.02,0 100 0 z02,0 e11e 02,0 e 02,0 = 0,8647 ou 86,47% 32 Resumidamente têm-se os seguintes resultados de F(X): X 1 10 20 30 40 50 F(X) 0,0198 0,1813 0,3297 0,4512 0,5507 0,6321 X 100 150 200 300 400 F(X) 0,8647 0,9502 0,9816 0,9975 0,9996 Assim, o gráfico de F(X) fica: 2.9.7 Esperança Matemática e Variância de Uma Variável Aleatória O conhecimento das funções de probabilidade, de densidade de probabilidade e de distribuição acumulada de uma variável aleatória é importante, mas pode não ser suficiente para descrever satisfatoriamente o comportamento da mesma. Particularmente, surgem algumas questões com frequência. Por exemplo, em geral deseja-se saber o valor médio que a variável assume. Em outras palavras, se infinitas realizações da variável fossem observadas, qual seria a média.? Devido a isto, é importante a utilização da esperança matemática, expectância, valor esperado, ou média de uma variável aleatória. Para uma variável aleatória discreta a esperança matemática é dada por: 1i i E(X) ]xX[px i No exemplo do número de transformadores defeituosos, se infinitos lotes de 100 unidades forem tomados da linha de produção observados, o número médio transformadores defeituosos por lote será: 33 1,38 0,025 0,064 0,12 3 0,202 0,28 1 0,320 E(X) Transformadores defeituosos A esperança matemática de uma variável contínua tem a seguinte expressão: - E(X) dx)x(fx No exemplo do tempo de vida de aspersores de uma marca, se forem observados infinitos deles, o tempo médio de vida corresponderá a: 0 0,02x 0 0,02x dxex0,02dx0,02eE(X) x como a função é f(x) = xe-0,002x é da família exponencial pode-se aplicar a seguinte propriedade de integrais. Assim, para 0 0,02x dxex0,02E(X) , m = 1, a = 0,02 e n = 1 logo, 50 020 1 020 2 020XE 2 , ! , ,)( horas 2.9.7.1 Propriedades da Esperança Matemática i) E(k) = k Demonstração: n 1i i n 1i i k1k)x(Pk)x(Pk)k(E ii) E(k.X) = k. E(X), onde k é uma constante 34 Demonstração: n 1i ii n 1i ii )X(Ek)x(Pxk)x(Pxk)Xk(E iii) E(X Y) = E(X) E(Y) (será demonstrada em variáveis aleatórias bidimensionais) Demonstração: )y,x(py)y,x(px)y,x(p)yx()YX(E ji m 1i n 1j jji m 1i n 1j iji m 1i n 1j ii )Y(E)X(E)y(Py)x(px)y,x(py)y,x(px n 1j jj m 1i ii n 1j m 1i jij m 1i n 1j jii iv) E(X k) = E(X) k Demonstração: k)X(E)k(E)X(E)k E(X v) E(XY) = E(X).E(Y) se X e Y são independentes. (será demonstrada em variáveis aleatórias bidimensionais) Demonstração: )y(p),x(pyx)y,x(pyx)YX(E jii m 1i n 1j ijii m 1i n 1j i )Y(E)X(E)y(py)x(px n 1j jj m 1i ii 35 As observações de uma determinada variável aleatória podem se concentrar em torno do valor médio, ou estar mais dispersas. A resposta a essa questão pode ser dada pela variância de uma variável aleatória, a qual é dada por: V(X) = E(X 2 ) – E(X) Sendo X uma variável aleatória discreta tem-se que: 1i 2 i 2 x )E(X ]XX[p i No exemplo dos transformadores defeituosos em cada lote de 100. 3,62 0,02 2 5 0,06 2 4 0,12 2 3 0,20 2 2 0,28 2 1 0,32 2 0 ) 2 E(X (transformadores defeituosos) 2 e a variância será de: V(X) = E(X 2 ) – [E(X)] 2 = 3,62 – (1,38) 2 = 1,72 (transformadores defeituosos) 2 Extraindo a raiz quadrada desse valor, obtém-se o chamado desvio padrão, de significado mais imediato, uma vez que está associado, a grosso modo, ao quanto, em média, os valores se distanciam da esperança matemática ou média. DP(X) = 1,311,7156 transformadores defeituosos A seguir será calculada a variância para o exemplo do tempo de vida de aspersores de uma marca. V(X) = E[X – E(X)] 2 = E(X2 ) – [E(X)] 2 Para variável aleatória contínua, basta tomar: dxXfxXE 22 )()( Assim, 0 0,02x22 dx0,02exXE )( 0 0,02x2 dxex0,02 36 como a função f(x) = x 2 e -0,002x é da família exponencial pode-se aplicar a seguinte propriedade de integrais. Assim, para 0 0,02x22 dxex0,02)E(X , m = 2, a = 0,02 e n = 1 logo, 5000 020 2 020 3 020XE 23 , ! , ,)( horas Assim, a variância fica V(X) = E(X 2 ) – [E(X)] 2 = 5000 - [50] 2 = 2500 horas ao quadrado e o desvio padrão fica DP(X) = 502500 horas A variância também apresenta certas propriedades: i) V(k) = 0, sendo k um constante ii) V(kX) = k 2 V(X) iv) V(X k) = V(X) iv) V(X Y) = V(X) + V(Y) COV(X, Y) Sendo COV(X,Y) = E(XY) - E(X)E(Y) é denomina de covariância entre as variáveis aleatórias X e Y. Se X e Y são variáveis aleatórias independentes uma da outra, então E(XY) = E(X)E(Y). Portanto a COV(X,Y) = 0. Embora COV(X,Y) = 0 sempre que X e Y são independentes, a recíproca não é verdadeira, isso é, mesmo que ocorra COV(X,Y) = 0, nem pode-se dizer que X e Y são independentes. 37 2.9.8 Sequência de exercícios nº 2 01. O tempo de vida em horas de um tipo de componente eletrônico produzido por certa indústria, tem fdp dada por: 1000,0 1000, 1000 )( 2 x xse xxf Determinar: a) a função de distribuição acumulada; R: para X <1000 e 1 – 100/x para x 1000 b) a probabilidade de que o tempo de vida de um componente eletrônico tomado ao acaso esteja entre 1700 e 1800 horas. R: 0,0327 c) O tempo médio (esperança) de vida. Não é definido 02. Em uma indústria, verificou-se que o número de vezes (X) por semana, que um técnico é solicitado para regular certos equipamentos, tem distribuição de probabilidade dada por: xi 0 1 2 3 4 P(xi) 0,75 0,15 0,05 0,03 0,02 a) Representar graficamente as funções de probabilidade e de distribuição acumulada. b) Qual a probabilidade do técnico ser solicitado menos de 2 vezes em uma semana?R: 0,90 c) Qual a probabilidade do técnico ser solicitado 3 ou mais vezes em uma semana?R: 0,05 d) Calcular o valor esperado de X.R: 0,42 e) Calcular a variância de X.R: 0,7636 03. Considere o comprimento X dos parafusos produzidos por certa companhia como uma variável aleatória contínua, tendo fdp valoresoutrosquaisquerpara xxcx xf ,0 10),1( )( a) Determine a constante c.R: 6 b) Represente graficamente a fdp. c) Determine a função de distribuição acumulada de X. R: F(x) = 0 para x < 0, 3x 2 – 2x 3 para 0 x 1 e 1 para x > 1 d) Calcular E(X) e V(X) R: 0,5 e 0,05 04. A espessura (em mm) das chapas produzidas por certa siderúrgica, 38 tem fdp dada por .50 ,543/)5( ,423/1 ,213/)1( ,10 )( xse xsex xse xsex xse xf a) Representar graficamente a fdp. b) Determinar a função de distribuição acumulada e representa-la graficamente. R: F(x) = 0 para x < 1, (1/6).(x 2 – 2x + 1) para 1 x 2, (1/6).(2x-3) para 2 < x < 4, (1/6).(-x 2 + 10x – 19) para 4 x 5 e 1 para X > 5 c) Calcular a probabilidade de uma chapa qualquer ter espessura superior a 2,5 mm. R: 2/3 d) Calcular a espessura média (esperança). 2.10 Distribuições discretas de probabilidade É comum o uso de variáveis de contagem, como já comentado. Nessa situação, o uso de modelos (distribuições) discretos é indicado para descrever o fenômeno. Nesta seção serão abordadas algumas distribuições de probabilidade relativas a variáveis aleatórias discretas. 2.10.1 Distribuição de bernoulli Quando uma variável é classificada com base em apenas dois resultados possíveis, tais como planta atacada ou não atacada por inseto, peça perfeita ou defeituosa, sexo feminino ou masculino, aluno aprovado ou reprovado, etc., define-se a chamada distribuição de Bernoulli. Em tais situações, pode-se definir uma variável aleatória que assume valores iguais a 0 ou 1, associados a dois resultados possíveis. O evento a partir do qual a variável assume o valor 1 é por vezes denominado de evento de sucesso, ou simplesmente sucesso, e a probabilidade p desse evento ocorrer pode ser chamada de probabilidade de sucesso. Assim, uma variável aleatória X apresenta distribuição de Bernoulli se tem a seguinte função de probabilidade: casosoutrosem0 0xsep,1 1xsep, x)P(Xp)f(x; É usual denotar (1-p) pela letra q. Outra maneira de representar esta função é: 39 (x)I(x)I 1}{0,1}{0, x1xx1x qp)p1(px)P(X p)f(x, em que I é a função indicadora do intervalo de valores que a v.a. X pode assumir. Exemplo: Numa fábrica, a probabilidade de que uma peça seja perfeita é 0,95. Qual a probabilidade de que um peça escolhida aleatoriamente da linha de produção seja defeituosa? Solução: O evento de sucesso é “ peça é defeituosa” , então, para este atribui-se o valor X = 1. A probabilidade de insucesso (peça perfeita) é 1 – p = 0,95, logo, a probabilidade de sucesso (peça defeituosa) será p = 0,5. Assim, a probabilidade de que uma peça escolhida ao acaso seja defeituosa será: 0,050,950,05p)(1p1)P(X p)f(x, 0x1x Percebe-se, portanto, que o evento de sucesso não precisa ser, necessariamente, aquele que o observador gostaria que ocorresse na prática (no exemplo, peça perfeita), mas sim, aquele sobre o qual deseja-se calcular a probabilidade de ocorrência (no exemplo, peça defeituosa). É fácil observar que a esperança e a variância de uma variável aleatória X com distribuição de Bernoulli, são dadas por: E(X) = p V(X) = pq Demonstração pE(X)p1)1p(0]xX[px E(X) 1 0x p)E(Xp1)1p(0]xX[px]xX[px )E(X 222 2 1i i 2 i 1i i 2 i 2 V(X) = E(X 2 ) – [E(X)] 2 = p – p 2 = p(1 – p) V(X) = pq A esperança de X, p, não deve ser interpretada como uma probabilidade, mas sim, um valor numérico médio, fracionário (frequência relativa média), que a variável assume. Ou seja, se infinitas realizações são observadas, o número médio de X corresponderá a p. 40 Exemplo: Para o exemplo anterior, o valor médio da proporção de peças defeituosas, se infinitas peças forem inspecionadas, será E(X) = p = 0,05 E a variância V(X) = pq = 0,05 . 0,95 = 0,0475 2.10.2 Sequência de exercícios nº 3 01. No lançamento de um dado, a variável X representa o número de faces iguais a 4 obtidas. Determine a média e o desvio padrão. Resposta. E(X) = 1/6 e DP(X) = 0,37 02. Uma urna contém 15 bolas brancas e 25 vermelhas. Uma bola é retirada da urna e a varável X representa o número de bolas brancas obtidas. Calcule a média e o desvio padrão de X. Resposta. E(X) = 0,375) e DP(X) = 0,484 03. Um caixa contém 12 canetas das quais 5 são defeituosas. Uma caneta é selecionada ao acaso e a variável X representa o número de canetas defeituosas obtidas. Calcule a média e o desvio padrão de X. Resposta. E(X) = 0,4167 e DP(X) = 0,4930 04. Um lote contém 50peças boas e 5 defeituosas. Uma peça é selecionada deste lote e a variável X representa o número de peçasdefeituosas obtidas. Calcule a média e o desvio padrão de X. Resposta. E(X) = 0,0909 e DP(X) = 0,2875 2.10.3 Distribuição binomial Se um fenômeno é observado (ou um experimento é realizado), em que 2 resultados são possíveis, esta observação corresponde a um ensaio de Bernoulli. Diferentes ensaios de Bernoulli envolvem, cada um, uma variável aleatória Xi. Por exemplo, seja a probabilidade p de que um aluno seja reprovado em Matemática. Neste caso, a observação de um aluno corresponde a um ensaio de Bernoulli. Se a cada ensaio corresponde uma distribuição com mesmo parâmetro p, a observação conjunta de vários desses ensaios corresponde a uma distribuição binomial, discutida a seguir: 41 Suponha, agora, que n alunos são observados com relação a ter sido reprovado em Matemática, e sendo que a probabilidade de um aluno qualquer ter sido reprovado é igual a p, então pode-se definir uma variável aleatória associada ao número de alunos reprovados (X = 1, 2, 3, . . ., n). Tal variável aleatória apresenta distribuição de probabilidade, com parâmetros n e p, a qual é obtida pela expansão do binômio de Newton (p + q) n , o qual justifica a denominação da distribuição binomial, cuja função de probabilidade é dada por )()1()(),,( },...,1,0{ xIqpCppCxXPpxnf n xnxx n xnxx n . Na realidade, como a cada aluno está associada uma distribuição de Bernoulli, então a soma das realizações dessas variáveis corresponde exatamente ao número de sucessos. Por isso, a distribuição binomial também é definida como a soma de n variáveis independentes com distribuição de Bernoulli. Demonstra-se, para a distribuição binomial, que a esperança (média) e a variância são dadas, respectivamente, por: E(X) = np V(X) = np(1-p) = npq Demonstração À distribuição binomial é definida como a soma de n variáveis independentes com distribuição de Bernoulli, ou seja, se Xi, i = 1, . . .,n são variáveis aleatórias cada qual com distribuição de Bernoulli, então a variável X = n 1i iX tem distribuição Binomial, assim, )X(E n 1i i n 1i i np)X(EXE )X(E 2 n 1i 2 i n 1i 2 i npXEXE npq)p1(np)pp()]X(E[)X(E)x(VXV)X(V n 1i 2 n 1i 2 i 2 i n 1i i n 1i i 42 Exemplos ( 1 ) Suponha que 5 geradores idênticos de uma usina hidrelétrica, com 100 MVA cada, tem uma probabilidade de 0,98 de estar em operação. Qual é probabilidade de um deles não estar em operação. Solução: p = 0,98 )()1()(),,,( },...,1,0{ xIqpCppCxXPpxnf n xnxx n xnxx n %22,90922,002,09224,05)98,01(98,0)4()98,0;4;5( 45445 ouCXPf ( 2 ) Segundo os registros de uma escola, a proporção média de alunos reprovados na disciplina de Matemática, na sétima série, ao longo dos anos, é 0,25. Assim, a probabilidade, de que numa turma de 40 alunos da sétima série ocorram, por exemplo, exatamente 7 alunos reprovados é: xnxx n xnxx n qpCppCxXPpxnf )1()(),,( %57,80857,0)25,01(25,0)7()25,0;7;40( 7407740 ouCXPf ( 3 ) Sabe-se que 5% dos parafusos fabricados por uma indústria são defeituosos. Em um lote de 10 parafusos, qual a probabilidade de: a) exatamente 2 serem defeituosos. b) menos de 2 serem defeituosos c) três ou mais serem defeituosos d) Qual a média e o desvio padrão do número de parafusos defeituosos? A probabilidade de que um parafuso qualquer seja defeituoso é p = 0,05, logo 1- p = 0,95. Portanto, a) P[X=2] = 0746,0)95,0()05,0( 21022,10 C b) P(X< 2 ) = P(X= 0 ) + P(X=1) = 9138,03151,05987,0)95,0()05,0(()95,0()05,0( 1101110 01000 10 CC c) )]2X(P)1X(P)0X(P[1)3X(P1)3X(P 43 01151,0]07463,031512,059874,0[1 d) E(X) = np = 10 . 0,05 = 0,5 peças defeituosas Intepretação: significa que, se forem coletadas várias a amostras com 10 parafusos em cada uma, o número médio de parafusos defeituosos será 0,5. sdefeituosapeças69,095,005,010npq)x(vDP 2.10.4 Sequência de exercícios nº 4 01 Um exame do tipo teste é constituído de 20 questões, cada uma delas com 5 respostas alternativas, das quais uma é correta. Se um estudante responde as questões ao acaso, qual é a probabilidade de que consiga acertar exatamente 10 questões? Resposta: 0,02 ou 2 % 02 Uma empresa produz 10% de peças defeituosas. As peças são embaladas em caixas que contém 12 peças. Calcule a probabilidade de um cliente comparar uma caixa contendo a) Nenhuma peça defeituosa. Resposta: 0,2824 ou 28,24 % b) uma peça defeituosa. Resposta: 0,3766 ou 37,66 % 03 Uma amostra de 25 peças é retirada, com reposição de um lote que contém 10% de peças defeituosas. Calcule a probabilidade de que a) O lote não contenha peças defeituosas. Resposta: 0,0718 b) O lote contenha exatamente três peças defeituosas. Resposta: 0,2265 c) O lote contenha pelo menos uma peça defeituosa. Resposta: 0,9282 d) O lote contenha entre três e seis peças defeituosas. Resposta: 0,2030 e) O lote contenha de três a seis defeituosas. Resposta: 0,4537 f) Calcule o valor esperado e o desvio padrão. Resposta: E(X) = 2,5 DP(X) = 1,5 04. Umm levantamento efetuado em um pregão da bolsa de valores mostrou que naquele dia, 40% das empresas tiveram aumento do valor de suas ações, enquanto que as ações das empresas restantes ficaram estáveis ou perderam valor. Um fundo negocia com ações de 1º dessas empresas. Calcule a probabilidade de que nesse dia: a) todas as ações tenham se valorizado. Reposta: 0,01% b) No máximo as ações de duas empresas tenham se valorizado. Reposta: 1,23% 44 05. Uma indústria de computadores suspeita que 3% de um determinado tipo de peça que ela produz, são defeituosos. Se tal suspeita é correta, determine a probabilidade de que, numa amostra de quatro peças, sejam encontradas: a) no mínimo duas defeituosas. Reposta: 0,52% b) duas peças boas ou menos. Reposta: 0,33% 06. Uma empresa distribuidora costuma falhar em suas entregas de mercadorias, 15% das vezes, por atraso de entrega, ou por mercadoria fora da especificação, ou por danos, etc., causando reclamações por parte dos clientes.. Calcule a probabilidade de: a) Não ocorrer reclamações em dez entregas de hoje. Resposta: 19,69% b) ocorrer pelo menos uma reclamação nas quatro entregas de hoje. Resposta: 47,80% c) ocorrer no máximo uma reclamação nas dez entregas de hoje. Resposta: 54,43% 07. Um produto eletrônico contém 40 circuitos integrados. A probabilidade de que qualquer circuito seja defeituoso é de 0,01. Os circuitos integrados são independentes e o produto opera apenas se não houver circuitos integrados defeituosos. Qual é a probabilidade de que o produto opere? Resposta: 66,89% 2.10.5 Distribuição de Poisson Certos casos de distribuição binomial são melhor abordados por um tratamento matemático diferenciado. Estabelecendo n , de maneira que o produto np, ou seja, a média se mantenha constante, a distribuição binomial resulta em: )x(I x! e x)(XP),x(f },...,1,0{ x em que = np ; e = 2,7183...,.que define a função de probabilidade da distribuição de Poisson. Como fizemos n , então p 0 , para que o produto = np seja constante. Portanto,a distribuição de Poisson é aplicável no estudo eventos raros, ou seja, com baixa probabilidade p de ocorrência. A distribuição de Poisson pode ser utilizada no lugar da distribuição binomial, com um grau de aproximação muito bom, desde que n seja grande e p seja pequeno. Na prática, essa aproximação geralmente é usada para n 50 e np <5. A esperança e a variância da distribuição de Poisson são iguais, ou seja, E (X) = V(X) = np 45 Demonstração 0x ]xX[px E(X) 0x x x! e x 1x x 0x x 1)!-x( e 1)!-(xx e x Observação: se s = x – 1 x = s + 1 e se x = 1 s = 0, logo, np !s e !s e )X(E 1 0s s 0s 1s 0x 22 ]xX[px )E(X 1x x 1x x 0x x 2 1)!-x( e x 1)!-x(x e xx x! e x Observação: se s = x – 1 x = s + 1 e se x = 1 s = 0, logo, 0s s 0s 1s 2 !s e)1s( !s e)1s( )X(E 2 0s 1 0s ss 2 )S(E !s e !s es )X(E V(X) = E(X 2 ) – [E(X)] 2 = np22 Exemplos: ( 1 ) Verificou-se que a probabilidade de falha de um transistor em um instrumento eletrônico, durante uma hora de operação, é igual a 0,005. Calcular a probabilidade de a) Não haver falhas em 80 horas de operação; b) haver menos de duas falhas em 80 horas de operação Como n = 80 > 50 e np = 80x0,005 = 0,4 < 5, a distribuição de Poisson pode utilizada para calcular tais probabilidades 46 a) 6703,0 !0 4,0 )0( 4,00 e YP b) P(X< 2 ) = P(X= 0 ) + P(X=1) + P(X=2) = 9384,02681,06703,0 !1 4,0 !0 4,0 4,014,00 ee ( 2 ) O número de partículas radioativas emitidas em cada intervalo de 5 segundos, são contadas. Suponha que o número de partículas emitidas, durante o intervalo de 5 segundos, tenha uma distribuição de Poisson com média de duas partículas. Tendo sido observados 10 intervalos de tempo, qual a probabilidade de que em cada um deles, menos de 3 partículas sejam emitidas? Tem-se = 2,0, portanto )2X(P)1X(P)0X(P)3X(P 6767,02707,02707,01351,0 !2 e2 !1 e2 !0 e2 222120 , que representa a probabilidade de emissão de menos de 3 partículas em um intervalo de tempo. Portanto, no caso de 10 intervalos de tempo, tem-se a probabilidade: P(X1 < 3 X2 < 3 . . . X10 < 3) = P(X1 < 3) . P(X2 < 3). . . P(X10 < 3) = (0,6767) 10 = 0,0201. 2.10.6 Sequência de exercícios nº 5 01 Uma máquina produz uma proporção p = 0,009 de peças defeituosas. Suponha que são inspecionas 100 peças. Pergunta-se: a) É permitida a utilização da distribuição de Poisson para calcular probabilidades neste exemplo, com uma boa aproximação da distribuição da distribuição binomial? Justifique a sua resposta. b) Qual é a probabilidade de ocorrerem 8 peças defeituosas? Calucle pela distribuiçãode Poisson e pela distribuição binomial. Reposta: pela Poisson (0,000004), pela binomial (0,000003) 02 Supondo que o número de carros que chegam à fila de um guichê de pedágio tem distribuição de Poisson com média de três carros por minuto, Calcule a probabilidade de que cheguem cinco carros nos próximos dois minutos. Resposta: 0,1606 ou 16,06% 47 03 Uma Cia de seguros realiza seguros para 100 carros de uma grande empresa de São Paulo. O percentual de carros roubados no ano passado, em São Paulo, foi de 3,5%. Qual é a probabilidade de, no ano passado, desta Cia, ter ocorrido roubo de: a) nenhum carro? Resposta: 0,0302 b) um carro? ? Resposta: 0,1057 c) No máximo dois carros? Resposta:0,3209 04 O controle de qualidade de uma montadora de automóveis acusa que 1% das falhas no processo de proteção antioxidante da lataria dos veículos que ela produz. Foram encomendados 100 veículos. Calcule a probabilidade de que a falha citada ocorra em: a) nenhum um veículo. Resposta: 0,3679 b) apenas um veículo. Resposta: 0,3679 c) No máximo um veículo. Resposta: 0,7358 d) mais de um veículo. Resposta: 0,2662 2.10.7 Distribuição Hipergeométrica Foi visto em seções anteriores, que a distribuição binomial se aplica quando a probabilidade do evento de sucesso se mantém constante em todas as realizações de um experimento. A distribuição binomial é utilizada, portanto, quando se tem amostragem com reposição ou em populações infinitas. A distribuição Hipergeométrica pode ser utilizada quando têm-se uma amostra com n elementos coletados de uma população com N elementos, sem reposição, sendo que r deles correspondem ao evento de sucesso e se quer saber a probabilidade de que, dentre os n observados, x correspondam ao evento de sucesso. n N xn rN x r C CC xXP )( n NC representa a contagem do número total possível de amostras de tamanho n coletadas sem reposição de uma população de tamanho N; x rC representa o número possível de maneiras que o evento de sucesso x da amostra pode ocorrer em um total de r vezes que o evento de sucesso ocorre na população; 48 xn rNC representa o número possível de maneiras que o evento de fracasso n - x da amostra pode ocorrer de um total de N - r que o evento de fracasso ocorre na população. Demonstra-se que a esperança e a variância de uma variável aleatória com distribuição hipergeométrica são, respectivamente: E(X) = np e )1( )( )1()( N nN pnpXV Em que p representa a probabilidade do evento de sucesso na população, ou seja, p = r/N. Exemplos ( 1 ) Uma firma compra lâmpadas por centenas. Examina sempre uma amostra de 15 lâmpadas para verificar se estão boas. Se uma centena inclui 12 lâmpadas queimadas, qual é a probabilidade de se escolher, numa amostragem sem reposição, a) nenhuma lâmpada queimada. b) pelo menos uma lâmpada queimada. c) nessa situação, qual é o provável número médio, a variância e o desvio padrão do número de lâmpadas queimadas na amostra? Solução N = 100, r = 12, n =15 a) 1253,0)0()( 15 100 015 12100 0 12 C CC XP C CC xXP n N xn rN x r a) P(X ≥ 1) = 1 - P(X < 1) = 1 - P(X = 0) = 1 - 0,1253 = 0,8747 b) E(X) = np = 15.(12/100) = 15.0,12 = 1,8 2 Lâmpadas queimadas 36,1 )1100( )15100( )12,01(12,015 )1( )( )1()( N nN pnpXV (Lâmpadas queimadas) 2 49 ( 2 ) Pequenos motores são guardados em caixas de 50 unidades. Um inspetor de qualidade examina cada caixa, antes da posterior remessa, testando 5 motores. Se nenhum motor for defeituoso, a caixa é aceita. Se pelo menos um for defeituoso, todos os 50 motores são testados. Suponha que há 6 motores defeituosos numa caixa. Qual é a probabilidade de que seja necessário examinar todos os motores dessa caixa? Solução N = 50, n = 5, r = 6 4874,05126,011)0(1)1(1)1( )( 5 50 05 650 06 C CC XPXPXP C CC xXP n N xn rN x r 2.10.8 Sequência de Exercícios nº 6 01. Lotes de 40 peças são aceitáveis se contém, no máximo, três peças defeituosas. O processo de amostragem consiste em extrair aleatoriamente, cinco peças de cada lote e rejeitá-lo se for encontrada pelo menos uma peça defeituosa nas cinco peças extraídas. Há três peças defeituosas em todo o lote? Qual é a probabilidade de o lote ser rejeitado? Resposta: 0,3376 02. Num lote de 10 misseis, são lançados quatro escolhidos aleatoriamente. Se o lote contém três que não funcionam, qual é a probabilidade de que a) todos os quatro funcionem? Resposta: 0,1667 b) NO máximo dois funcionem? Resposta: 0,9667 03. Numa urna há 40 bolas brancas e 60 pretas. São retiradas 20 bolas sem reposição. Qual é a probabilidade de que ocorram no mínimo duas bolas brancas? Resposta: 0,9998 04. Uma fábrica de motores para máquinas de lavar roupas separa para inspeção, uma amostra de 30 itens da sua linha de produção diária de 350 peças. É 14 o número de peças por dia. Qual é a probabilidade de que a amostra contenha pelo menos 3 motores defeituosos? Resposta: 0,1085 50 2.11 Distribuições teóricas contínuas de probabilidade 2.11.1 Distribuição Exponencial Uma variável aleatória X tem distribuição exponencial se sua função densidade de probabilidade é dada por: 0xse0 0xsee )x(f x O gráfico da função da f.d.p. da distribuição exponencial é A função de distribuição acumulada de X é dada por: F(x) = x z z e e dzedzzf x xx 1)( 000 Logo, 0xse0 0xsee1 )x(F x Uma função de interesse em estudos de confiabilidade é a função de falha h(x), calculada por 51 )x(F1 )x(f )t(h Para a distribuição exponencial tem-se então )e1(1 e )x(H x x , ou seja, uma constante. Essa característica de taxa de falha constante faz com que a distribuição exponencial seja largamente empregada nos estudos de confiabilidade de sistemas de potência. O valor médio ou esperança e a variância de X são dados, respectivamente, por: 1 )X(E e 2 1 )X(V Demonstração 0 x 0 x dxxedxexdx)x(xf)X(E lembremos da seguinte propriedade do cálculo: para funções da família exponencial tem-se Logo, para 0 xdxxe)X(E tem-se m = 1, a = e n = 1 0 x2 0 x222 dxexdxexdx)x(fx)X(E tem-se m = 2, a = e n = 1 52 23323 2 3 1 )X(V 21212 [E(X)]2 E(x2) V(X) Exemplos ( 1 ) Numa grande rede corporativa de computadores, as conexões dos usuários ao sistema podem ser modeladas por um processo de Poisson com média = 25 conexões por hora. A medição do tempo, em horas, entre duas conexões consecutivas segue a distribuição exponencial. Qual é a probabilidade desse tempo: a) exceder a 6 minutos? b) estar entre 2 e 3 minutos? c) Qual é o tempo médio e a variância até a próxima conexão. Solução: a) = 25 conexões por hora, então 6/60 = 0,1 hora A função de distribuição acumulada da distribuição exponencial é dada por 0xse0 0xsee1 )x(F x Logo, P( x > 0,1 ) = 1 – P( X ≤ 0,1) = 1 – F(0,1) = 1 – (1 – e -(0,1).25 ) = e -(0,1).25 = 0,0821 b) 2/60 = 0,033, 3/60 =0,05 A propriedade iv da distribuição acumulada é P (x1 ≤ X ≤ x2) = F(x2) - F(x1), logo, 53 P( 0,033 < X < 0,05) = F (0,05) – F(0,033) = (1 – e -(0,05).25 ) – (1 – e -(0,033).25 ) P( 0,033 < X < 0,05) = - e -(0,05).25 + e -(0,033).25 = -0,2865 +0,4382 = 0,1517 c) hXE 04,0 25 11 )( ou 2,4 min Intepretação: significa que, se nessa rede de computadores forem medidos os tempos, entre várias conexões consecutivas, o tempo médio será de 0,04h ou 2,4 min. 2 22 0016,0 25 11 )( hXV ( 2 ) A vida útil de tubos de TV segue a distribuição exponencial com média de 800horas de uso contínuo. Qual é a probabilidade de que a fábrica tenha que substituir um tubo gratuitamente, se oferece uma garantia de 300 horas de uso? Solução P(X ≤ 300) = ? 00125,0 800 11 800 1 )( XE A função de distribuição acumulada da distribuição exponencial é dada por 0xse0 0xsee1 )x(F x Logo, P(X ≤ 300) = F(300) = 1 – e -0,00125. 300 = 0,31127. Portanto, a probabilidade de que a fábrica tenha que substituir um tubo de TV gratuitamente, se oferece uma garantia de 300h de uso, é 0,3127 ou 31,27%. 54 ( 3 ) A taxa de saída observada de determinada linha de transmissão (LT) é de 1,2 saídas por 100 km de linha por ano. Se a linha possui 200 km de comprimento, qual a probabilidade de que essa LT não opere nas próximas 24 horas? Solução: A taxa de saída é de 1,2 saídas a cada 100 km por ano. Então, em 200 km a taxa será 22,1 = 2,4 saídas/ano Se cada dia tem 24 horas e cada ano tem 365 dias, o ano terá 24*365 = 8760 horas. Dessa forma, a taxa média de saída será, 00027397,08760/4,2 saídas/hora A função de distribuição acumulada da distribuição exponencial é dada por 0xse0 0xsee1 )x(F x Logo, P(X ≤ 24) = F(24) = 1 – e -(0,00027397).24 = 1 – 0,99345154 = 0,00654846 Logo, a probabilidade de que a linha de transmissão não opere nas próximas 24 horas, é de 0,00654846 ou 0,6%. Então, corre-se um risco baixo de falta de energia. 2.11.2 Sequência de exercícios nº 7 01 Supondo que a variável aleatória X tenha distribuição exponencial com parâmetro = 3, determine: a) P(X ≤ 0) Resposta: 0 55 b) P(X ≥ 3) Resposta: 0,00012 c) P(X ≤ 2) Resposta: 0,99752 d) P(2<X<3) Resposta: 0,00236 02 Supondo que a variável aleatória X tenha distribuição exponencial com parâmetro = 5, determine: a) P(X > 5) Resposta: 0,3679 b) P(X > 15) Resposta: 0,0489 c) P(X >20) Resposta: 0,0183 03 As contagens registradas por um contador de gêiser segue a distribuição de Poisson, com média de duas contagens por minuto. a) Qual é a probabilidade de que seja contado nenhum gêiser em um intervalo de 30segundos? Resposta 0,3678 b) Qual é a probabilidade de que a primeira contagem ocorra em 10 segundos ou menos? Resposta 0,2835 c) Qual é a probabilidade de que a primeira contagem ocorra entre 10 e 30 segundos? Resposta 0,2835 04 Um robô completa uma operação de soldagem em um automóvel, com uma taxa média de 12 soldagens por hora. O tempo para completar uma operação de soldagem é definido a partir do momento do início do procedimento de soldagem até o início do próximo procedimento. A variável aleatória X representa o tempo para completar uma operação
Compartilhar