Baixe o app para aproveitar ainda mais
Prévia do material em texto
Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas ECO 1721 – Introdução à Estatística Econômica UNIDADE I – Cálculo de Probabilidades 5. Principais Distribuições Discretas Referências: Resumo Teórico 4, Rice – Cap. 2, Montgomery e Runger – Cap. 3, Larson – Cap. 4 e Meyer – Cap. 4 e Cap. 8 Distribuição de Bernoulli (RT5 – Seção 5.1) Exemplo 1. Uma máquina produz peças sequencialmente. Admita-se que o regime de produção é uniforme ao longo do tempo. Suponha-se que a probabilidade de uma peça ser produzida com defeito é 0,02. Uma peça é selecionada ao acaso da produção dessa máquina. Seja X a variável aleatória definida por 0 se ocorrer A ="a peça não temdefeito" X 1 se ocorrer A ="a peça temdefeito" Determinar: a) a função de probabilidade de X; b) a expectância e a variância de X; c) a função geratriz de momentos de X. A variável aleatória considerada tem distribuição de Bernoulli, com parâmetro p = 0,02. Ou seja, X ~Bernoulli (0,02) Então, tem-se: a) a função de probabilidade de X é 0,98 , se x =0 p(x) = 0,02 , se x =1 que também pode, de forma alternativa, ser expressa analiticamente por x 1 xp(x) 0,02 . 0,98 , para x 0,1 b) a expectância e a variância de X são: E(X) = p = 0,02 e V(X) = p.q = p.(1 – p) = 0,02 . 0,98 = 0,0196 Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas c) a função geratriz de momentos é 1 1 t X t x t x x 1 x 0 t t X X x 0 0 (t) E p (x) 0,02 0,98 0,98 0,02 0,98 0,02 x M e e e e e e Exemplo 2. Um lote de 100 peças da máquina considerada no exercício anterior tem 5 peças defeituosas. Uma peça é selecionada ao acaso desse lote. Seja X a variável aleatória que representa o número eventual de peças defeituosas encontradas. Determine a função de distribuição acumulada de probabilidade de X. Nesse caso, tem-se: N = 100 e AN 5 donde AN 5p= P(A)= p= = =0,05 N 100 Logo, assim como no caso anterior, a variável aleatória X tem distribuição de Bernoulli de parâmetro p = 0,05 e consequentemente: i) a sua função de probabilidade é 0,95 , se x =0 p(x) = 0,05 , se x =1 ii) a sua função de distribuição de X é 0 , se x 0 F(x) = 0,95 , se 0 x 1 1 , se x 1 Distribuição Binomial (RT5 – Seção 5.2) Exemplo 3. Considere-se, novamente, a máquina do exercício 5.1. São selecionadas 10 peças escolhidas ao acaso da produção dessa máquina. Seja X a variável aleatória que representa o número eventual de peças defeituosas encontradas entre aquelas selecionadas. Determinar: a) a função de probabilidade de X; b) a expectância e a variância de X; c) a função geratriz de momentos de X. Supondo independência entre a incidência de defeitos nas peças fabricadas (isto é, que as peças possuem (ou não) defeitos independentemente umas das outras), então a Juliana Realce Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas distribuição de X é binomial, de parâmetros n = 10 e p = 0,02. Ou seja, X ~ Binomial (10, 0,02). Logo, a) a função de probabilidade de X é x x 10- x 10p(x) 0,02 0,98 , para x 0,1,2,3,...,10C b) a expectância e a variância de X são E(X) = n p = 10 . 0,02 = 0,2 e V(X) = n p q = 10 . 0,02 . 0,98 = 0,196 c) a função geratriz de momentos de X é 10 10 x 5 t x x x 10 x x t 10 x t X 10 5 x =0 x =0 (t) C 0,02 0,98 C 0,02 0,98 0,02 0,98M e e e Exemplo 4. Um dado é lançado 50 vezes. Qual é a probabilidade de que o número de pontos 3 ou 4 seja igual a 20? a) o número de pontos pares seja no mínimo igual a 10? b) o número de pontos maiores que 2 seja menor que 8? c) não ocorram pontos maiores que 4? d) todos os pontos sejam iguais a 4? Inicialmente deve-se ressaltar que os lançamentos de um dado podem ser considerados independentes. Em cada um dos casos, seja A o evento de interesse, cuja probabilidade de ocorrência é p = P(A). Então: a) A = “o número de pontos é 3 ou 4” , 2 1 2 P(A) = p = = e q = 1 p 6 3 3 logo 20 20 50 30 1 P X = 20 3 2 3 C b) A = “o número de pontos é par” , 3 1 1 P(A) = p = = e q = 1 p 6 2 2 Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas logo x50 50 x x 50 10 -1 1 P X 10 C 2 2x c) A = “o número de pontos é maior que 2” , 4 2 1 P(A) = p = = e q = 1 p 6 3 3 logo 7 0 50-x x 50 P X <8 x 2 1 3 3x C d) A = “o número de pontos é maior que 4” , 2 1 2 P(A) = p = = e q = 1 p 6 3 3 logo 0 50 50 1 2 2 P X =0 3 3 3 0 50 C e) A = “o número de pontos é igual a 4” , 1 5 P(A) = p = e q = 1 p 6 6 logo 50 50 50 50 50 50 1 5 1 P X 50 6 6 6 C Exemplo 5. De acordo com a experiência acumulada sobre as compras efetuadas em um supermercado, a probabilidade de um cliente efetuar compras em determinada seção do supermercado pode ser estimada como igual a 10%. Em determinado dia, no horário das 8h às 8:30h, entram 20 clientes nesse supermercado. Seja X o número de clientes desse grupo que efetuam compras naquela seção. Determinar: a) a função de probabilidade de X; b) a expectância de X; c) a probabilidade de X ser inferior a 5. Supondo que os vinte clientes do grupo efetuam compras de forma independente uns dos outros, a variável aleatória X que representa o número eventual de clientes que realizam compras na seção considerada tem distribuição Binomial de parâmetros n = 20 e p = 0,10. Portanto: a) a função de probabilidade de X é Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas x x 20 x20P X x p(x) C 0,10 0,90 para x 0,1,2,3,...,20 b) A expectância (média) de X é E(X) = n p = 20 . 0,10 = 2 c) a probabilidade de X ser inferior a 5 é 4 x x 50 x 20 x 0 -P X <5 P X 4 C 0,10 0,90 Exemplo 6. Um produtor de sementes vende seu produto em pacotes que contém 100 unidades. Se a probabilidade de que uma semente venha a germinar é igual a 0,8, pergunta-se: a) qual é a probabilidade de que um pacote apresente mais que cinco sementes sem germinar? b) qual é a probabilidade de que em três pacotes, apenas um tenha todas as sementes germinadas? c) qual é o número médio de sementes sem germinar apresentada por pacote? a) Supondo que as sementes germinam independentemente umas das outras e sendo G o evento definido por G = “a semente germina”, tem-se n = 100 , P G p 0,8 e P(G) 1 p 0,2 q Seja X a variável aleatória que representa o número eventual de sementes de um pacote que germinam. Então, nessas condições, X tem distribuição binomial de parâmetros n = 100 e p = 0,8. Logo, a sua função de probabilidade é x 100-xx 100 P X = x p(x) 0,8 0,2C Portanto, se o evento cuja probabilidade se quer determinar é A = “mais do que cinco sementes sem germinar” ele equivale a (X < 95). Logo, tem-se 94 x = 0 x 100-xx 100 P X < 95 P X 94 0,2 0,8C Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas ou ainda, alternativamente, com menor esforço de cálculo 100 x = 95 x 100-xx 100 P X < 95 P X 94 1 P X 95 1 0,2 0,8C b) Com base no mesmo pressuposto anteriormente feito, decorre que as germinações das sementes de pacotes distintos são independentes. Então, sendo o evento E definido por E = “todas as sementes do pacote germinam” tem-se 100 100n 3 , P E p 0,8 e P(E) 1 p 1 0,8 q Seja Y a variável aleatória que representa o número eventual de pacotes em que todas as sementes germinam. Y tem distribuição binomial de parâmetros n = 3 e p = 0,8 100 . Logo a função de probabilidade de Y é y 3 y y 100 100 3P Y= y p(y) = (0,8) 1 (0,8) para y = 0,1, 2,3C e assim 2 1 100 100 3P Y=1 p(1) = (0,8) 1 (0,8)C c) Seja Z a variável aleatória que representa o número de sementes sem germinar em um pacote. Então, Z = 100 – X, logo E(Z) = 100 – E(X) e como se tem E(X) = n p = 100 . 0,8 = 80 decorre que E(Z) = 100 – 80 = 20. Distribuição Geométrica (RT5 – Seção 5.3) Exemplo 7. Considere-se, novamente, a máquina do exercício 5.1. Suponha agora que todas as peças produzidas são inspecionadas para verificar a presença de defeito. Seja X a variável aleatória que representa o número eventual de peças fabricadas até ser encontrada a primeira peça defeituosa. Determinar: a) a função de probabilidade de X; b) a expectância, a variância e o desvio padrão de X; c) a função geratriz de momentos de X. Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas Supondo independência entre a incidência de defeitos nas peças fabricadas (isto é, que as peças possuem (ou não) defeitos independentemente umas das outras), então a distribuição de X é geométrica, de parâmetro p = 0,02. Ou seja, X ~ Geométrica (0,02). Logo, i) a função de probabilidade de X é x -1p(x) 0,02.0,98 , para x 1,2,3,... ii) a expectância, a variância e o desvio padrão de X são E(X) = 1 1 50 p 0,02 , V(X) = 2 2 q 0,98 2450 p 0,02 e σ = 2450 49,4975 49,50 Exemplo 8. De um baralho comum (com 52 cartas) retiram-se cartas sucessivamente, com reposição, até que saia pela primeira vez uma dama. Qual é a probabilidade de que a) sejam necessárias menos de 4 extrações? b) sejam necessárias pelo menos mais 2 extrações, se já foram efetuadas 5 extrações sem sucesso? Como há reposição das cartas extraídas, as extrações são independentes. Nas condições estabelecidas, X tem distribuição geométrica de parâmetro 4 1 p 52 13 logo a sua função de probabilidade é x -11 12 p(x) = para x 1,2,3,.... 13 13 Então, tem-se: a) 2 0 x -1 x -13 3 x =1 x =1 12 12 12 1 12 1 12 1 13 13 13 P X 4 P X 3 1213 13 13 13 13 1 13 Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas 312 1 0,2135 13 b) 6 x -1 x =7 x -1 5 x =6 12 1 13 1 12 1213 113 13P X 7 1213P X 7|X 5 0,9231 P X 6 131 12 12 113 13 13 1213 1 13 Distribuição de Pascal ou Binomial Negativa (RT5 – Seção 5.4) Exemplo 9. Considere-se, mais uma vez, a máquina do exercício 5.1. Nas mesmas condições do exercício 5.7 – exame de todas as peças produzidas – seja agora X a variável aleatória que representa o número eventual de peças fabricadas até ser encontrada a quarta peça defeituosa. Determinar: a) a função de probabilidade de X; b) a probabilidade da quarta peça defeituosa ser a vigésima-primeira peça fabricada; c) a expectância e a variância de X. Supondo independência na incidência de defeitos nas peças fabricadas (isto é, que as peças possuem (ou não) defeitos independentemente umas das outras), então X tem distribuição de Pascal, de parâmetros r = 4 e p = 0,02. Ou seja, X ~ Pascal (4; 0,02). Logo, a) a função de probabilidade de X é 3 4 x-4 x-1p(x) 0,02 .0,98 , para x 4,5,6,...C b) 3 4 1720P X=21 =p(21) 0,02 .0,98 0,0001C c) a expectância, a variância e o desvio padrão de X são E(X) = r 4 200 p 0,02 , V(X) = 2 2 r q 4 . 0,98 9800 p 0,02 e σ = 9800 98,9949 98,99 Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas Distribuição Hipergeométrica (RT4 – Seção 5.5) Exemplo 10. Um lote com 100 peças possui 20 peças defeituosas. São selecionadas 5 peças ao acaso, sem reposição, do lote. Seja X a variável aleatória que representa o número eventual de peças defeituosas entre as selecionadas. Determinar: a) a função de probabilidade de X; b) a probabilidade de não ser encontrada nenhuma peça defeituosa; c) a probabilidade de haver, no máximo, duas peças defeituosas. Nas condições estabelecidas, X tem distribuição hipergeométrica, de parâmetros N = 100, m = 20 e n = 5. Ou seja: X ~ Hipergeométrica (100, 20, 5). Então, segue: a) a função de probabilidade de X é x 5- x 20 80 5 100 p(x) , para x 0,1,2, ...,5 C C C b) A probabilidade de não ser encontrada nenhuma peça defeituosa é 0 5 5 20 80 80 5 5 100 100 80! C C C 80.79.78.77.76 15!75! P X 0 0,3193 0,32 100! 100.99.98.97.96 2C C 5!95! c) A probabilidade de haver no máximo duas peças defeituosas é x 5 x2 20 80 5 x =0 100 C C P X 2 C Exemplo 11. Determinar a função de probabilidade, a expectância e a variância do número eventual de pontos (acertos) de um jogador em uma única aposta no jogo da Mega Sena. A Mega Sena é um jogo com 60 “dezenas” – números de 1 a 60 – para apostar. Uma aposta “simples” é constituída pela escolha (“marcação”) de 6 “dezenas” em um talão (“volante”). Na extração lotérica são selecionas, ao acaso, sem reposição, 6 bolas entre Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas as 60 bolas numeradas de 1 a 60 existentes em uma urna, sendo este conjunto de seis “dezenas” o resultado da loteria. Nessas condições, a variável aleatória X que representa o número eventual de pontos (acertos) de um apostador tem distribuição hipergeométrica de parâmetros N = 60, m = 6 e n = 6. Então, tem-se: a) x 6-x 6 54 6 60 p(x) , para x 0,1,2,3, ...,6 C C C b) E(X) = 0,6 c) V(X) = 0,4942 = 0,49 Distribuição de Poisson (RT5 – Seção 5.6) Exemplo 12. O número de partículas emitidas por uma fonte radioativa durante o período de uma hora é uma variável aleatóriacom distribuição de Poisson de parâmetro α=2 . Determinar: a) a probabilidade de não haver emissão de partículas pela fonte durante 1 hora; b) a probabilidade de não serem emitidas mais do que 3 partículas durante 1 hora. A função de probabilidade de X é 2 x2 p(x) , para x 0,1,2,3, ... x! e Então: a) 2 0 2 22 .1P X =0 = p(0) 0,1353 0,14 0! 1 e e e b) 2 x 2 0 2 1 2 2 2 33 x = 0 2 2 2 2 2 P X 3 = x! 0! 1! 2! 3! e e e e e 2 2 2 2 2.1 .2 .4 .8 38 6,3333. 0,1353 0,8571 0,86 1 1 2 6 6 e e e e e Exemplo 13. O número de acidentes de trabalho que ocorrem em uma empresa possui distribuição de Poisson com taxa média igual a 0,0004 acidentes em um dia de trabalho Juliana Realce Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas de um operário. Qual é a probabilidade de ocorram no mínimo 2 acidentes de trabalho em um grupo de 50 operários durante 30 dias de trabalho? Seja X número de acidentes de trabalho . Então X ~ Poisson com X 0,0004 50operários 30dias 0,6 operário dia e assim decorre que P X 2 1 P X 2 1 P X 1 1 P X 0 P X 1 = 0,6 0,61 0,6 0,12190e e Exemplo 14. O número de latas de cerveja vendidas por certo supermercado possui distribuição de Poisson de média igual a 0,1 lata para cada cliente que permanece fazendo compras durante uma hora. Em certo instante, chegaram juntos 20 clientes que iniciaram simultaneamente suas compras no supermercado. Pergunta-se: a) Se os 20 clientes permaneceram 1h 30m fazendo compras, qual é a probabilidade de que eles tenham comprado pelo menos uma lata de cerveja? b) Se os 20 clientes permaneceram 2 horas fazendo compras e pelo menos um deles comprou cerveja em lata, qual é a probabilidade de que eles tenham comprado pelo menos duas latas de cerveja? Seja X a variável aleatória que representa o número eventual de latas de cerveja compradas por um cliente que permanece durante uma hora fazendo compras no supermercado. Então X tem distribuição de Poisson de parâmetro λ t 0,1.1 0,1 . Desse modo, tem-se: a) na situação em que 20 clientes permanecem durante 1h 30m fazendo compras, segue que X tem distribuição de Poisson de parâmetro α nλ t 20. 0,1 . 1,5 3 , logo 3 x 33p(x) P(X x) , para x 0,1,2, ... e P(X 1) 1-P(X 0) 1 x! e e Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas b) na situação em que 20 clientes permanecem 2 horas fazendo compras, então X tem distribuição de Poisson de parâmetro α nλ t 20 . 0,1 . 2 4 , portanto 4 x4 p(x) P(X x) , para x 0,1,2, ... x! e e segue que 4 4 4 4 4 4 P(X 2) 1 P(X 1) P(X > 0) 1 P(X 0) 1 e P(X 2|X 1) P(X 1) 1 P(X 0) 1 ( 4 ) 1 5 1 1 e e e e e e Exemplo 15. Seja X uma variável aleatória com distribuição de Poisson de média igual a 5. Calcular, pelo método de recorrência, P X= x para x = 0,1,2,3,4 . 5 xP X x 5 / x! x 0,1,2,3,....e 5P X 0 0,00674e 5 P X 1 0,00674 0,03369 1 5 P X 2 0,03369 0,08422 2 5 P X 3 0,08422 0,14037 3 5 P X 4 0,14037 0,17547 4 Exemplo 16. Certa cidade possui 10.000 aparelhos telefônicos. No horário de pico, em um dia normal, a probabilidade de que um telefone seja acionado é 0,0005. O sistema telefônico da cidade está dimensionado para atender no máximo a 100 telefones ligados. Nessas condições: a) qual é o número médio de telefones ligados no horário de pico, em um dia normal? b) qual é a probabilidade de que em um dia normal não sejam efetuadas ligações telefônicas no horário de pico? c) qual é a probabilidade de que o sistema telefônico fique saturado no horário de pico de um dia normal? Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas Admitindo independência entre as ligações de telefones distintos, a variável aleatória X que representa o número eventual de telefones ligados no horário de pico naquela cidade tem distribuição binomial de parâmetros n = 10.000 e p = 0,0005. Logo, tem-se x 10000 x 10000p(x) P(X=x) C 0,0005 .0,9995 , para x 0,1,2,...,10.000 x Portanto a) E(X) n.p 10000.0,0005 5 b) 0 0 10000 10000p(x) P(X 0) p(0) C 0,0005 .0,9995 0,0067 c) 10000 x x 10000 x 10000 x 101 100 x x 10000 x 10000 x 0 P(X 100) C 0,0005 .0,9995 1 C 0,0005 .0,9995 0 Outra solução Nas condições estabelecidas – isto é com n = 10.000 e p = 0,0005 – a distribuição binomial de X pode ser aproximada pela distribuição de Poisson de parâmetro α , onde α np 10000.0,0005 5 Nesse caso, a função de probabilidade de X seria, aproximadamente, 5 x5 p(x) P(X x) , para x 0,1,2, ... x! e E assim: a) E(X) α 5 b) 5 0 55p(0) P(X 0) 0,0067 0! e e Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas c) 5 x 5 x100 x 101 x 0 5 5 P(X 100) 1 0 x! x! e e ---------------------------------------------------------------------------------------------------------- Exercícios Adicionais Resolvidos Exercício resolvido 1. Uma prova de múltipla escolha é constituído por 10 questões com cinco alternativas cada uma, das quais apenas uma é verdadeira. Se um estudante escolhe as respostas ao acaso, determinar a probabilidade de que a) ele não acerte nenhuma das questões; b) ele acerte exatamente 4 questões; c) ele acerte pelo menos 5 questões. Supondo que as questões são respondidas independentemente e sendo o evento A definido por A = “o estudante acerta a resposta da questão”, resulta que a variável aleatória X que representa o número eventual de questões respondidas acertadamente pelo estudante tem distribuição binomial de parâmetros n = 10 e p = 1/5 = P(A). Então, X ~ Binomial (10, 1/5) e a sua função de probabilidade é x 10 x 1 4x para x = 0,1, 2,3,...,10 5 510 P X = x p(x) C Logo a) 0 10 10 1 4 40 5 5 510 P X =0 C b) 4 14 10 P X 4 6 4 5 5 C c) 10 5 x 10 P X 5 x 10-x 1 4 5 5x C Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas Exercício resolvido 2. Considere-se novamente o exercício anterior. Se cada questão da prova valer 1,0 ponto, qual é o valor esperado da nota obtida por um estudante que escolhe as respostas ao acaso? Suponhaagora que se estabeleça uma condição de penalização: cada resposta errada anula uma certa. Nessas condições, qual é o valor esperado da nota desse estudante? Seja X a variável aleatória que representa o número eventual de questões acertadas pelo estudante nas condições estabelecidas. Então a variável aleatória Y que representa a sua pontuação (nota) na prova sem as condições de penalização é Y = 1,0 X. Como X tem distribuição binomial de parâmetros n = 10 e p = 0,20, decorre que E(X) = n p = 10 . 0,2 = 2 questões; logo a sua nota esperada é E(Y) = 1,0 E(X) = 2,0. Nas novas condições estabelecidas (isto é com a penalização por erro), tem-se que 0, se X 5 Y X-(10 -X) 2X-10, se X > 5 Portanto, o valor esperado da nota do estudante nessas novas condições é dado por E(Y) 0,0.P(X 5)+2,0.P(X 6)+4,0.P(X 7) 6,0.P(X 8)+ 8,0.P(X 9) 10,0.P(X 10) Ou seja, com valores numéricos E(Y) 0,00.0,9936306 2,0.0,0055050 4,0.0,0007864 6,0.0,0000737 8,0.0,0000041 10,0.0,00000010 0,015 Exercício resolvido 3. De acordo com os estudos sobre as vendas de uma rede de supermercados, a probabilidade de um cliente que efetua compras na seção de higiene e limpeza comprar um determinado artigo é igual a 10%. Para simplificar, admita-se que cada cliente compra um único artigo (ou não compra). Em certo dia, 400 clientes efetuam compras de artigos de limpeza em um supermercado dessa rede. Seja X a variável aleatória que representa o número eventual de artigos comprados nesse dia. Determine: a) a distribuição de probabilidade de X; b) a probabilidade do número de artigos vendidos nesse dia ser superior a 50; c) o valor esperado e o desvio padrão do número de artigos vendidos nesse dia. Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas Supondo que os clientes efetuam compras de forma independente uns dos outros, a variável aleatória X tem distribuição binomial de parâmetros n = 400 e p = 0,10. Assim, tem-se: a) a função de probabilidade de X é x x 400 x 400p(x) 0,1 .0,9 , para x 0,1,2,...,400 b) a probabilidade requerida é 400 x x 400 x 400 x 51 P(X 51) 0,1 .0,9 c) a média e o desvio padrão de X são E(X)= n.p 400.0,10 40 e V(X) n.p.q 400.0,10.0,9 36 6 Exercício resolvido 4. Em certa linha de fabricação de calçados, a probabilidade de que um pé de sapato apresente defeito é igual a 1/20. Após a fabricação de cada par, os mesmos são examinados (pé direito e pé esquerdo). Cada par de sapatos somente é aprovado se ambos os pés não apresentarem defeitos. a) Qual é a probabilidade de que seja necessário examinar mais de dez pares de sapatos até que o primeiro par seja rejeitado? b) Qual é o número médio de pares examinados até que o primeiro par seja rejeitado? Sejam os eventos definidos a seguir: iE "o i-ésimopé de sapato apresenta defeito" , para i=1,2 ; e A = “pelo menos um pé de sapato apresenta defeito”, ou seja 1 2A E E . Como i 1 P(E ) , para i 1,2 20 e supondo-se independência na incidência de defeitos nos dois pés de sapatos, resulta que 1 2 1 2 1 2 1 2P(A) = 1-P(A) 1 P(E E ) 1 P(E E ) 1 P(E )P(E ) 1 1 P(E ) 1 P(E ) donde 19 19 361 39 P(A) = 1 1 20 20 400 400 Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas Nessas condições, a variável aleatória X que representa o número eventual de pares de sapatos examinados até ser encontrado o primeiro par defeituoso tem distribuição geométrica de parâmetro p = 39/400. Portanto, a sua função de probabilidade é x -139 361 p(x) = para x 1,2,3,.... 400 400 Consequentemente, tem-se: a) 10 x -1 x -1 x =11 x =11 361 39 361 39 361 39 400 P(X 10) P(X 11) 361400 400 400 400 400 1 400 10 10 361 39 361400 39400 400 400 b) 400 E X 10,26 39 Exercício resolvido 5. O número de defeitos existentes em uma chapa de aço fabricada por uma empresa possui distribuição de Poisson com uma taxa média de 0,2 defeitos por m 2 . Se forem fabricadas 10 chapas de 6m 2 cada uma, qual é a probabilidade de que pelo menos 7 delas não apresentem defeitos? Seja X = Número de defeitos por chapa. Então, X ~ Poisson 22 0,2 6m 1,2 m Logo p = Probabilidade de que uma chapa não apresente defeitos 1,2P X=0 e Seja agora Y = Número de chapas sem defeitos, dentre 10 fabricadas. Então Y ~ Binomial n,p com n =10 e p = 1,2P X=0 0,3012e . Portanto, P Y 7 = 6 1 1,2 1,2 0 1 6 1 1 x C e e x 0-x x 10P X 0,01085 Juliana Realce Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas Note-se que neste caso a aproximação da distribuição binomial por uma de Poisson não é muito precisa, pois p não é suficientemente pequeno. Exercício resolvido 6. Certa indústria fabrica um produto cuja demanda é muito elevada, o que assegura a venda de toda a produção. A fabricação desse produto requer o emprego de um maquinário complexo que, para funcionar em perfeitas condições, exige um monitoramento contínuo. Quando tal maquinário se desregula é necessário pará-lo (interrompendo a produção) e realizar um serviço de manutenção para ajustá-lo novamente às condições ideias de funcionamento. Suponha-se que quando o maquinário funciona nas condições ideais a produção ocorre de modo contínuo e um lucro de c unidades monetárias é obtido, por hora de produção. Entretanto, devido aos desajustes o maquinário tem o seu funcionamento paralisado com certa frequência. Suponha que o número de vezes, X, que o mesmo é paralisado em um período de t horas pode ser considerado uma variável aleatória com distribuição de Poisson de parâmetro λt . Suponha-se também que se o maquinário for paralisado x vezes durante o período de t horas isso acarretará um prejuízo igual a 2ax bx . Nessas condições, determine o valor de t de modo que o lucro seja máximo em um período de t horas. A função que expressa o lucro em um período de t horas é: 2L c t -(a X +bX) onde X tem distribuição de Poisson de parâmetro α λt . Portanto, 2 2 2E(L) E ct -aX -bX c t a.E(X ) b.E(X ) e como 2 2 2 2 2E(X) λ t e E(X ) V(X)+E (X) λ t +(λ t) λ t +λ t Então 2 2 2 2 2 2 E(L) c t a (λ t +λ t ) bλ t c t λ (a +b) t +λ a t c λ (a +b) t -λ a t Logo o ponto de máximo é estabelecido pela condição 2 2 2 d E(L) d 0 donde c λ(a +b) t -λ a t c λ (a +b) 2λ a t 0 dt dt Unidade I – Cálculo de Probabilidades – Cap. 5 – Principais Distribuições Discretas do que resulta 2 2 c λ (a +b) 2λ a t c λ (a +b) e assim t 2λ a
Compartilhar