Baixe o app para aproveitar ainda mais
Prévia do material em texto
Resoluções Silvio Henrique M. Gomes silviogomes@usp.br Vamos então construir o seguinte quadro: xi P(X = xi) ou P(xi) xiP(xi) xi²P(xi) 0 1/2 0*1/2 = 0 0² * ½ = 0 1 1/3 1*1/3 = 1/3 1² * 1/3 = 1/3 2 1/6 2*1/6 = 2/6 2²*1/6 = 2/3 TOTAL 2/3 1 A primeira coluna são os valores de xi, a segunda coluna a probabilidade de X assumir um valor de xi. As duas últimas são colunas para cálculo da esperança e variância respectivamente. Sabemos que a esperança de X é calculada a partir de: E(X) = ∑ x i P( xi) E(X) = 2/3 ou 0,6667 E a variância de X: var(X) = E( X2)−[ E(X )]2 var(X) = 1 – [2/3]² var(X) = 1 – 4/9 var(X) = 1-4/9 = 5/9 ou 0,555 Aqui temos uma plantação de eucalipto com 30% de probabilidade de ser atacada por formigas. Ou seja, nosso parâmetro da binomial é π=0,30, portanto nosso complemento é 1- π = 0,70. Nosso n, neste caso, será 10 (n=10). Vamos então resolver o item a): Para que X possa ser estudada como uma variável aleatória binomial, ela deverá seguir os seguintes pressupostos: P(x i)≥0 e ∑i P(xi)=1 Portanto, para observar se a família binomial satisfaz esses pressupostos devemos calcular as possíveis combinações do nosso espaço amostral: Assim temos nossa função de probabilidade da família binomial: P(X=x)=(nx)π x (1−π)n−x Para nosso exemplo ela será atribuida da seguinte maneira: P(x)=(10x )0,30 x (1−0,30)10−x para x=0, 1,2, …, 10 Assim: P(x)=(100 )0,30 0 (1−0,30)10−0= 10! 0!10−0 ! 0,300(1−0,30)10−0=0,02825 Faremos para todos os valores de x e preencheremos o quadro com as probabilidades de X=x: xi P(X=xi) ou P(x) 0 0,02825 1 0,12106 2 0,23347 3 0,26683 4 0,20012 5 0,10292 6 0,03676 7 0,00900 8 0,00145 9 0,00014 10 0,000006 ∑ 1 Como os resultados atendem os pressupostos relatados anteriormente, a variável número de árvores atacadas por formigas pode ser estudada como uma variável aleatória binomial. b) X~B(n=10, π=0,3) ; P(X=x)=(10x )0,30 x (1−0,30)10−x para x=0, 1,2, …, 10 Observe que a função f(x) assume valores zero quando: x<0 e x>1. Ou seja, estamos restringindo como regra da função o nosso domínio. Pela estrutura básica da função temos: y=f(x). Ou seja, f: A → B, dados dois conjuntos A e B. O conjunto A é conhecido como domínio. Esse nome é escolhido para esse conjunto devido ao papel dos seus elementos na função. Lembre-se de que o conjunto A é que determina a variável independente. Portanto, os elementos do conjunto A possuem o “domínio” sobre os resultados da função, uma vez que os resultados de y obtidos dependem do valor x escolhido. Mas, qual seria a nossa função? Nesse caso nossa função é f(x) = kx², caso a regra 0≤x≤1 seja atendida. Ou seja, y=f(x) será y=kx². Como estamos falando de uma variável aleatória contínua, vamos então às propriedades das funções de distribuições dessa magnitude (também chamadas de funções de densidade contínuas): Nos modelos contínuos, as funções de distribuição são funções monotônicas contínuas com contradomínio no intervalo [0,1], logo as funções de densidade derivadas delas têm duas propriedades: i) f (x)≥0 ii) ∫ −∞ +∞ f (x)dx=1 , se o contradomínio de F(x) é o intervalo [0,1], a integral de sua derivada em todo o domínio será necessariamente unitária. Agora podemos responder: a) Determine k de modo que a função f(x) seja um função de densidade de probabilidade. Atribuindo-se a segunda propriedade e f(x) = kx² teremos: ∫ −∞ +∞ f (x)dx=1 como k é uma constante podemos isolar o termo da integral definida: ∫ 0 1 k x ² dx=1⇒k [ x 3 3 ]0 1 =k [1 3 3 − 03 3 ]⇒ k 13=1 Assim, k=3∗1→3 b) faça o gráfico de f(x): c) Calcule P(0,5 < x ≤ 1) Observe o gráfico abaixo: Agora restringimos a área a ser calculada, sendo k=3 teremos ∫ 0,5 1 k x ² dx⇒ k [ x 3 3 ]0,5 1 =3 [1 3 3 − 0,53 3 ]=3[ 13−0,1253 ]⇒ 2124 =0,875 d) calcule a média e a variância de X # valor médio ou esperança μX=E(X) = ∫ −∞ +∞ x f (x)dx E(X) = ∫ 0 1 x kx2dx=∫ 0 1 kx3 dx⇒ k [ x 4 4 ]0 1 =3[1 4 4 − 04 4 ]=3 [14 ]=34 ou 0,75 # cálculo da variância E(X²) = ∫ −∞ +∞ x2 f (x)dx E(X²) = ∫ 0 1 x2 kx2dx=∫ 0 1 kx4 dx⇒ k [ x 5 5 ]0 1 =3[1 5 5 − 05 5 ]=3 [15 ]=35 ou 0,6 Portanto, para calcular a variância teremos: σ²X = Var(X) = E (X²) – [E(X)]² = 3 5 −[ 34 ] 2 = 3 80 Este é o caso típico em que nossa variável “número de covas falhadas” é discreta, portanto a família de distribuição ideal é a Binomial. Sabemos que o poder de germinação é de 70% (0,70), portanto 0,30 a probabilidade da semente não germinar: G – Germinar (0,70) g – Não germinar (0,30) Como cada cova possui 4 sementes, a probabilidade das 4 não germinarem é calculada como: g x g x g x g = 0,3 * 0,3 * 0,3 * 0,3 = 0,0081 Para o cálculo de n utilizaremos os valores do espaçamento entre linhas e entre covas: 0,4m entre linhas e 0,2m entre covas. Cada linha possui 5m de comprimento, sendo 6 linhas no total. Portanto: número de entre covas/linha: (5/0,2) = 25 → 25 +1 = 26 → o número 1 representa a borda faltante. número de covas total = 6*26 = 156 → seis vezes o número de covas por linha Assim, X ~ B(n=156, π=0,0081) o número médio de covas falhadas pela família binomial será: E{X~B} = n π = 156*0,0081 = 1,26 covas falhadas Aqui também temos uma variável discreta que é o número de bezerros nascidos do sexo feminino. Assim, a família de distribuição ideal é a Binomial. Nosso n será o número de partos e o π, que é a nossa probabilidade, é 0,60. n = 30 partos π = 0,60 Sabemos que a esperança da binomial é calculada a partir de: E{X~B} = n π → 30*0,6 = 18 bezerros são do sexo feminino Para cálculo do desvio padrão, devemos obter primeiramente a variância: var{X~B} = n π (1- π) = 30*0,6 (1-0,6) = 18*0,4 = 7,2 Então, nosso desvio padrão será: √7,2=2,68 Neste exemplo a família Poisson é ideal já que avalia as ocorrências de um dado evento ou variável numa certa região do espaço, aqui tratado como volume em cm³. Portanto nossa variável aleatória será: X: bactérias por cm³ ou por área; X P ( λ )∼ Sendo, E(X) = λ = 5 bactérias por cm³ a) Qual desvio padrão do número de bactérias por cm³? Sabemos que a variância da distribuição Poisson é o próprio λ, portanto σ = √σ2=√λ=√5 ou 2,34 bactérias por cm³ b) Encontre a probabilidade de que pelo menos duas bactérias ocorram num volume de líquido de 1 cm³. Sabemos que em média encontramos 5 bactérias por cm³, e este é o nosso λ. Por ser uma distribuição para variáveis discretas, o cálculo deverá ser aplicado da seguinte maneira: P(x)=P(X=x)= e−λ λx x! , sendo x=1,2,3,. .. , Queremos obter a probabilidade de pelo menos duas bactérias estejam no líquido de 1 cm³, ou seja, duas ou mais bactérias. Portanto, devemos calcular o nosso complemento e simplificar a operação: P(X≥2)=1−P( X=0)−P( X=1)=1− e−550 0 ! − e−5 51 1! =1−0,00674−0,03369=0,9596 ~ 0,96 Aqui temos um exemplo da aproximação da Binomial pela Poisson. A distribuição Poisson é uma distribuição limite da binomial. Quando n → ∞ e π → 0 a distribuição binomial resulta na distribuição de Poisson com λ = nπ. Em outras palavras, isto ocorre quando nosso n que representa o número de vespas atraídas pela isca é muito grande e nossa proporção (ou probabilidade) de vespas capturadas (π) é muito pequena. O enunciado fala “Qual é a probabilidade que dentre três vespas atraídas pela isca da armadilha”, ou seja, nosso n agora é 3. Assim, nosso λ é: λ = nπ = 3*0,178 = 0,534 a) Nenhuma seja capturada: P(X=0)= e−0,5340,5340 0 ! =0,58626 b) Pelo menos uma seja capturada: P(X≥1)=1−P( X=0)=1− e−0,534 0,5340 0 ! =1−0,58626=0,4137 a) λ = nπ = 20*0,1 = 2 P(X<3)=P (X=0)+P (X=1)+P( X=2)= e−2 20 0 ! + e−221 1! + e−2 22 2 ! =0,1353+0,2707+0,2707=0,6767 b) λ = nπ = 20*0,1 = 2 P(X≥3)=1−P( X=0)−P (X=1)−P (X=2)=1− e−2 20 0 ! + e−221 1 ! + e−222 2! =1−0,6767=0,3233 λ = nπ = 5000*0,001 = 5 a) P(X=5) = e −5 55 5 ! =0,17547→0,76 b) P(X≥2)=1−P( X=0)−P (X=1)=1− e−5 50 0 ! − e−5 51 1 ! =1−0,00674−0,03369=0,9596→0,96 Pequenos → 20% → P20% Médios → 55% → P75% Grandes → 15% → P90% Extra → 10%→ P1-0,9 Conforme indica o enunciado, a variável “pesos de coelhos criados na granja” pode ser representada por uma distribuição normal: X ~N(μ,σ²) Para cálculo dos pesos baseados nos percentis, vamos utilizar a normal padronizada: Z ~ N(0,1) Z= (X−μ) σ E(Z)=μZ=E ( X−μσ )=0 eVar (Z )=Var ( X−μ σ )=σZ2 Para o primeiro passo, encontrar na tabela da distribuição Normal Padrão acumulada o valor de Z20%. Como a tabela não possui o percentil 20%, podemos procurar pela outra cauda a 80%: Assim, o valor de Z0,2, ou seja, para os mais leves, será -0,8416 e porderá ser aplicado na fórmula: P(Z<( X−μ)σ )=P(−0,8416<( X−5)0,8 )=P (X<4,33) X20%= -0,6732+5 = 4,33 kg → (−∞ ,4,33) para pequenos O valor de Z0,75, ou seja, para os médios, será 0,6745 e poderá ser aplicado na fórmula: P(-0,8416<Z < 0,6745) Como já sabemos o valor de X20%, vamos aplicar para X75%: P(Z<( X−μ)σ )=P(0,6745< (X−5)0,8 )=P(X<5,54 ) X75%= 0,5396+5 = 5,54 kg → [ 4,33 ;5,54 ) para médios Vamos aplicar para X90%: P(Z<( X−μ)σ )=P(1,2815<( X−5)0,8 )=P (X<6,02) X90%= 1,0252+5 = 6,02 kg → [ 5,54 ;6,02 ) para grandes Portanto, para Extra teremos → [ 6,02;+∞ ) a) P(X<742,5) = P(Z<( X−μ)σ )=P(Z< (742,5−750)7,5 )=P (Z<−1) = 0,1587 Buscar na tabela o valor de -1 e sua respectiva porcentagem. Como a tabela não possui, devemos observar o valor positivo (1) e calcular o complemento: 1-0,8413 = 0,1587 → 15,9% b) Observe a figura abaixo: Na tabela: Z-2 = 0,0227 Z+2 = 0,9772 Z+2 - Z-2 = 0,9772 – 0,0227 = 0,954 P(Z0,99)=2,3263 P(Z<( X−μ)σ )=P(2,3263<(22−μ)0,3 )→μ=21,03 Aqui podemos utilizar a família Binomial, em que: π = 1-0,9 = 0,1; n = 100 e x =12 P(X=12)=(10012 )0,1 12 (1−0,1)100−12= 100! 12!100−12! 0,112(1−0,1)100−12=0,098 P(X≥950)=1−P (X≤950) P(X≤950)=∑ x=0 950 P (X=x )=P( X=0)+P( X=1)+ ...+P (X=950) P(X≥950)=1−0,9883=0,0117
Compartilhar