Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Variáveis Aleatórias Discretas Definição: seja um experimento aleatório e o espaço amostral associado a esse experimento. Uma função X , que associe a cada elemento um número real )(X , é denominada de variável aleatória (v.a). Observação: em algumas situações o resultado do espaço amostral já constitui uma característica numérica que desejamos registrar. Assim, tomamos )(X . Exemplo 1: lançamento de duas moedas. Considere a v.a. X sendo o número de faces CARA. },,,{ KCCKKKCC C ”cara” e K ”Coroa” Definição: uma v.a X é dita discreta quando o conjunto dos valores possíveis de X é finito ou infinito enumerável. },.....,,{ 21 nX xxx ou ,.....},{ 21 xxX . 2 Função massa de probabilidade (fmp) Definição: a função massa de probabilidade (f.m.p) de uma v.a. discreta é: ]1,0[: Xf ; → ( ) = ( = ) Condições para ser uma f.m.p: (1ª) 1)(0 ixf , Xix (2ª) 1)( Xix ixf , (3ª) 0)( ixf se Xix Exemplo 2: seja X o número de faces cara em 3 lançamentos de uma moeda tal que 4 3)( CP e 4 1)( KP . ix 0 1 2 3 )( ixf 1/64 9/64 27/64 27/64 1 64 1 4 1 4 1 4 1)()0()0( KKKPXPf (1) = ( = 1) = [( )⋃( )⋃( )] = ( ) + ( ) + ( ) = + + = (2) = ( = 2) = [( )⋃( )⋃( )] = ( ) + ( ) + ( ) = + + = 64 27 4 3 4 3 4 3)()3()3( CCCPXPf 3 Representação gráfica da f.m.p do Exemplo 2: Exemplo 3: seja X v.a. discreta com a seguinte f.m.p: x -3 -1 0 1 2 3 5 8 )(xf 0,1 0,2 0,15 0,2 0,1 0,15 0,05 0,05 1 Obtenha: (a) probabilidade de X ser negativa (b) probabilidade de X ser par (c) 0|3 XXP (d) 0|3 XXP Solução: (a) 3,0)1()3( ff (b) 3,0)8()2()0( fff (c) [( = −3)⋂( ≤ 0)] ( ≤ 0) = ( = −3) ( ≤ 0) = (−3) (−3) + (−1) + (0) = 0,1 0,45 = 2 9 (d) 11 5 55,0 25,0 )8()5()3()2()1( )8()5()3( fffff fff 4 Exemplo 4: nas funções massa abaixo obtenha o valor de C (a) ..,0 };...;2;1{,2 )( cc NxCxf x Usando a soma dos termos de uma PG finita, )12(2 1 12 )12(2 1 2 1 1 NNN x x C (b) ..,0 ;...}2;1{, 2 1 )( cc xC xf x Usando a soma dos termos de uma PG infinita, 11 2 11 2 1 CC Esperança matemática de uma v.a. discreta A esperança matemática da v.a. X é definida como: )()( ix i xfxXE Xi . notações: EXXE ,),( Exemplo 5: (a) Título pré-fixado de 12% ao ano (b) Título pós-fixado com probabilidade 0,60 de render 14% e probabilidade de 0,40 de render 8%. Qual aplicação escolher? 5 Solução: (a) Título pré-fixado o rendimento já determinado é de 12% (b) Título pós-fixado o rendimento esperado é 60,11840,01460,0 O título pré-fixado tem rendimento melhor. Observações: (1ª) A esperança matemática é a média da população, enquanto X é a média da amostra, ou seja, uma estimativa de E(X). (2ª) Interpretamos a esperança matemática como sendo o centro de gravidade (equilíbrio) de uma fmp, e é empregada com a finalidade de representatividade dos valores de X . Exemplo 6: Uma fábrica opera com 3 marcas de máquinas: A, B, C. O gerente deseja saber qual marca tem menor custo médio de manutenção. Marca A Marca B Marca C Tipo de defeito Custo do Conserto(X) Probab. de Falha Custo do Conserto(Y) Probab. de falha Custo do Conserto(Z) Probab. de falha Mecânico 33 0,50 32 0,48 34 0,45 Elétrico 34 0,20 36 0,21 35 0,27 Hidráulico 50 0,30 47 0,31 51 0,28 3,3830,05020,03450,033 EX ; 49,37EY ; 03,39EZ A marca B tem menor custo médio, logo deve ser a preferida. Propriedades da Esperança: (1ª) ,)( ccE se c for uma constante (2ª) )()( XcEcXE , se c for uma constante (3ª) ,)()( bXaEbaXE Rba , constantesd (4ª) )()()( YEXEYXE 6 Variância e desvio padrão de uma v.a. discreta Definição: Seja X v.a discreta com f.m.p f e espaço amostral ,......},{ 21 xxX . Definimos a variância de X por )()( 2 ix i xfEXxXVar Xi . Definição: o desvio padrão é definido como )()( XVarXDP . Notações: XX XDPXVarXV ),(,),(),( 2 . Observações: (1ª) uma fórmula alternativa para a variância é 22 )()( EXxfxXVar ix iXi . (2ª) 0)( XVar . (3ª) a variância tem como unidade de medida o quadrado da unidade de medida de X . (4ª) o desvio padrão tem mesma unidade de medida que a v.a. X , e mede o grau de dispersão dos valores de X em torno de EX . (5ª) podemos também utilizar o coeficiente de variação de X , definido como %100 || EX DPCV . O CV é interpretado como o grau de variabilidade relativa em torno da esperança, ou seja, CV é uma medida relativa, enquanto DP é absoluta. Exemplo 7: com relação ao Exemplo 2, 64 144)( XE , 5625,0 64 144 64 360)( 2 XVar 75,0)( XDP e %3333,33CV . 7 Propriedades da variância (1ª) ,0)( cVar c constante; (2ª) )()( 2 XVarccXVar ; (3ª) ),()( 2 XVarabaXVar Rba , . (4ª) XZ , 0)( ZE 1)( ZVar Modelos probabilísticos discretos Modelo Uniforme Discreto fmp: ,1)( N xf i }.....,2,1{ Ni . caso particular: N if Nix Xi 1)( },.....,2,1{ Notação: )(NUnif Gráfico da fmp de uma distribuição uniforme discreta 8 Esperança e variância de uma Uniforme discreta 2 1 NEX ; 12 )1()( 2 NXVar . Exemplo 8: X= “no. de pontos marcados na face superior de um dado”. x 1 2 3 4 5 6 )(xf 1/6 1/6 1/6 1/6 1/6 1/6 1 5,3 2 16)( XE Exemplo 9: a amostra a seguir é o resultado de 24 lançamentos de um dado equilibrado Face 1 2 3 4 5 6 Total No. ocorrências 4 4 5 4 3 4 24 416666,3 24 82 24 463544534241 X Em n lançamentos de um dado a soma das faces divida por n é aproximadamente 3,5. Modelo Binomial Seja um experimento aleatório com dois resultados possíveis, isto é, },{ 21 , com pP )( 1 e qpP 1)( 2 . A variável aleatória X , tal que 1)( 1 X (ocorreu um sucesso) e 0)( 2 X (ocorreu um fracasso) é dita modelo de Bernoulli. O que é um “sucesso” ou um “fracasso” é subjetivo. 9 Exemplo 10: lançamento de uma moeda equilibrada ={cara, coroa} 5,01 XP e 5,00 XP . Exemplo 11: ={ fator RH+ ; fator RH-} Sabe-se, da Biologia, que 85,01 XP e 15,00 XP . Sendo nXXX ,....,, 21 v.a’s. independentes e identicamente distribuídas segundo uma Bernoulli de parâmetro p , então n i i XX 1 é dita binomial de parâmetros n e p . Notação: ),( pnBinomial Observação: A v.a. X é interpretada como o número de sucessos em n repetições independentes do experimento. O valor n é também visto como o tamanho da amostra e p a proporção de sucessos na população. fmp: xnxxn qpCpnxf ),,( , }.....,2,1,0{ nx Esperança e Variância de uma v.a. Binomial: npEX ; )1( pnpVarX 10 Exemplo 12: considere uma prova com 10 questões, cada uma com 4 alternativas. Suponha que o aluno escolha as respostas ao acaso. Qual é a probabilidade de: (a) Acertar todas (b) Errar todas (c) Acertar no máximo 1 (d) Acertar no mínimo 2 (e) Qual o número esperado de acertos? Solução: vamos denotar X como o número de acertos X é binomial comn=10 e p=0,25 (a) 7 105367,925,0 75,025,0)10()10( 10 01010 10 CfXP (b) 0563,075,075,025,0)0()0( 10100010 CfXP (c) 2440,00563,01877,0)1()0()1( ffXP (d) 2440,01)1()0(1)1(1)2( ffXPXP (e) 35,225,010)( XE 11 Exemplo 13: no exemplo anterior, se a prova tivesse 40 questões, qual o número esperado de acertos? Solução: 1025,040)( XE 5,775,025,040)( XVar %3861,27CV Exemplo 14: suponha que um comprador queira decidir se vai aceitar ou não um lote de itens. Para isso, ele retira uma amostra de tamanho 20n do lote, e conta o no. x de defeituosos. Se 2x ele aceita o lote, caso contrário é rejeitado. Qual a probabilidade de aceitar um lote quando a proporção de defeituosos for: (a) 20,0p (b) 10,0p (c) 05,0p (d) qual valor de p tal que 95,0)2( XP ? Solução: P(aceitar o lote) = )2()1()0()2( XPXPXPXP 1821920 )1(190)1(20)1( ppppp (a) 0,20608 (b) 0,6769 (c) 0,9245 (d) 0,042169 Exemplo 15: uma fábrica produz válvulas hidráulicas para banheiro, das quais 20% são defeituosas. As válvulas são vendidas em caixas de 10 unidades. Se a caixa não contiver nenhuma defeituosa, o preço de venda será 10,00 u.m.; uma defeituosa será 8,00, duas ou três defeituosas será 6,00; mais que três será 2,00. (a) Qual o preço médio de venda da caixa? (b) Qual o valor de p tal que o preço médio de venda seja 9? Solução: (a) X é o número de peças com defeitos, a qual segue distribuição binomial de 10n e 20,0p 4;2 }3,2{;00,6 1;00,8 0;00,10 X X X X PV 12 4828,622013,0302,042684,061074,08 2))3()2((4)1(6)0(8 ))2()1()0(1(2))3()2((6)1(8)0(10 )2()1()0(12 )3()2(6)1(8)0(10 )4(2)3()2(6)1(8)0(10)( ffff fffffff XPXPXP XPXPXPXP XPXPXPXPXPPVE (b) 92)1(120)1(454)1(106)1(8 7382910 ppppppp 051,0p Modelo Hipergeométrico Nota: a denominação do modelo tem relação com a série hipergeométrica. Experimento aleatório: Seja uma população de tamanho N com r elementos possuindo uma característica em comum. O experimento consiste em extrair uma amostra, sem reposição, e observar se a unidade amostral possui a característica. Se a unidade amostral tiver a característica, diremos que ocorreu um “sucesso”. A v.a. X ”número de sucessos (itens com a característica de interesse) na amostra” é tal que )},min(,....,1,0{ rnX . f.m.p: ,)(),,,( n N xn rN x r C CCxXPrnNxf )},min(,....,1,0{ rnx . Nr 1 ; Nn 1 Notação: ),,( rnNH Esperança e variância de uma Hipergeométrica: npXE )( , 1 )1()( N nNpnpXVar , N rp Observação: para N e mantendo N rp constante, a fmp de uma hipergeométrica converge para a binomial . Logo, para uma população suficientemente grande, os processos com e sem reposição ficam muito próximos. 13 Exemplo 16: parafusos são vendidos em embalagens de 20 unidades. Um inspetor de qualidade examina uma embalagem, selecionando ao acaso e sem reposição 5 unidades. Sabendo-se que há 4 defeituosos na embalagem, qual a probabilidade de que nesta amostra ele encontre: (a) Nenhum item defeituoso? (b) Um item defeituoso? (c) No mínimo dois com defeitos? Solução: X “número de parafusos defeituosos na amostra” }4,3,2,1,0{ X 20N 5n 4r (a) 2817,0)0()0( 5 20 5 16 0 4 C CCfXP (b) 4696,0)1()1( 5 20 4 16 1 4 C CCfXP (c) 2487,04696,02817,01 )1()0(1)1(1)2( ffXPXP Exemplo 17: determinado tipo de parafuso é vendido em caixas de 1000 peças. É uma característica da fabricação produzir 10% defeituosos. Normalmente, cada caixa é vendida por 13,50 u.m. Um comprador faz a seguinte proposta: de cada caixa, ele escolhe uma amostra sem reposição de 20 peças. Se a amostra tiver nenhum defeituoso, ele paga 20,00; 1 ou 2 defeituosos ele paga 10,00, 3 ou mais ele paga 8,00. Qual alternativa é mais vantajosa para o fabricante? Solução: X “número de parafusos defeituosos na amostra” X é uma Hipergeométrica com 1000N ; 20n e 10010,0 Nr 3;00,8 }2,1{;00,10 0;00,20 X X X PV 14 54,108]2881,02701,0[21190,012 8)]2()1([2)0(12 )]2()1()0(1[8)]2()1([10)0(20 )3(8)2()1(10)0(20)( fff ffffff XPXPXPXPPVE Aproximando pela Binomial de parâmetros 20n e 10,0p , 57,108]2852,02702,0[21215,012)( PVE É mais vantagem para o fabricante vender ao preço fixo de 13,50. Se o fabricante conseguisse reduzir a percentagem de defeituosos, digamos para 1%, então pela proposta do comprador 16,18)( PVE , a qual seria mais vantajoso para o fabricante. Modelo de Poisson A distribuição de Poisson é o modelo probabilístico que descreve um experimento aleatório, cuja variável aleatória X é o número de sucessos em um intervalo de comprimento t . Exemplo 18: aplicações do modelo de Poisson: (1º) no. de chamadas telefônicas recebidas por um PBX durante um período de tempo. (2º) no. de falhas de um computador durante 1 dia. (3º) no. de veículos que chegam a um pedágio durante 1 hora. (4º) no. de falhas em 1 metro de tecido de algodão. fmp: ( , , ) = ( ) ! , ,.......}2,1,0{x sendo .....718281828,2e , t > 0 e 0 o número médio de “sucessos” no intervalo de comprimento 1. Notação: ),( tPois 15 Gráfico da fmp de uma Poisson Esperança e variância de uma Poisson: tEX tXVar )( . Exemplo 19: em um pedágio de uma autoestrada chegam em média 3 veículos por minuto. Qual a probabilidade de que em: (a) 1 minuto não chegue nenhum veículo? (b) 2 minutos cheguem 7 veículos? (c) 1 minuto cheguem no mínimo 3 veículos? (d) Qual k tal que 95,0)( kXP ? Assuma t =1 . 16 Solução: X ”número de veículos em um intervalo de t minutos” (a) 313 t 04978,0 !0 )0( 3 0 eeXP (b) 623 t 1377,0 !7 6 !7 2)7( 7 6 7 2 eeXP 623 t (c) 313 t 5768,04232,012240,01494,004978,01 )2()1()0(1)2(1)3( fffXPXP (d) 95,0)( KXP , ou seja, 95,0 ! 3 0 3 K x x x e .Não há uma solução explícita para a incógnita K, pois ela está relacionada com o número de parcelas da soma. A solução é obtida através do método recursivo, como consta na tabela. Assim, K=6, pois não conseguimos que a soma seja exatamente 0,95, uma vez que K deve ser inteiro positivo. k )( kXP 0 1 2 3 4 5 6 0,04978 0,1991 0,4232 0,6472 0,8152 0,9161 0,9664 Exemplo 20 (leitura opcional) A oficina de manutenção de uma indústria pode atender até 4 casos de avarias de máquinas por dia. O número de avarias diárias segue distribuição de Poisson de média 3. Se houver mais de 4 avarias a máquina tem que esperar até surgir uma vaga na oficina. (a) Qual a probabilidade de que em um dia a oficina não consiga atender todas as máquinas avariadas? (b) Qual a probabilidade de que o número de máquinas avariadas em um dia seja entre 2 (incluso) e 5 (incluso)? (c) Quantas vagas deve haver na oficina para que atenda todas as máquinas avariadas em 90% dos dias? 17 Solução: X número de máquinas avariadas em um dia t=1 (a) 1847,0)4()3()2()1()0(1 )4(1)4( fffff XPXP (b) 7169,0)5()4()3()2()52( ffffXP (c) 590,0 ! 3 0 3 K x e K x x
Compartilhar