Baixe o app para aproveitar ainda mais
Prévia do material em texto
Variáveis Aleatórias GLADYS CACSIRE B. AULA: 2 Definição [Variável aleatória] Seja o espaço amostra associado ao um experimento aleatório. Uma variável aleatória, X, é uma função que tem como domínio a e como contradomínio um subconjunto dos números reais. Por exemplo , retiram-se, ao acaso, um artigo de um lote de 6 unidades e definem-se as variáveis: X: Número de falhas que tem o artigo elegido. Y:Tempo de vida do artigo. 3 O espaço amostral associado a este experimento aleatório é: 621 ,,, aaa Para o exemplo, os valores possíveis da variável X são 0,1,2,..., e os valores possíveis da variável Y serão números reais não negativos. Ou seja, o contradomínio das variáveis X, e Y são: 0; ,3,2,1,0 tRtR R Y X As variáveis aleatórias podem ser classificados: •Variáveis aleatórias discretas. São aquelas variáveis com contradomínio um conjunto finito ou infinito enumerável •Variáveis aleatórias continuas. São aquelas variáveis cujo contradomínio é um conjunto infinito não enumerável 4 1. Variáveis aleatórias discretas (VAD) Função de probabilidade: Se X é uma variável aleatória discreta que tem como contradomínio Rx uma função f(x) é chamada função de probabilidade da variável aleatória X se tem como domínio a Rx e como contradomínio a um conjunto de números reais P[X=xi]= f(xi) que satisfaz as seguintes condições: Xi Rx i i Xiii xfiii xfii RxxfxXPi 1)()( ;1)(0)( ,0)()()( Exemplo 1: Suponha que o Departamento de Eng.Elétrica é formado por 35 professores, sendo 21 homens e 14 mulheres. Uma comissão de 3 professores será constituída, sorteando-se, ao acaso, três membros do departamento. Qual é probabilidade da comissão ser formada por pelo menos duas mulheres? Vamos definir a variável aleatória. X: número de mulheres na comissão. 5 Espaço amostral Probabilidade X HHH 203,0 33 19 34 20 35 21 0 HHM 150,0 33 14 34 20 35 21 1 HMH 150,0 33 20 34 14 35 21 1 MHH 150,0 33 20 34 21 35 14 1 HMM 097,0 33 13 34 14 35 21 2 MHM 097,0 33 20 34 21 35 14 2 MMH 097,0 33 21 34 13 35 14 2 MMM 056,0 33 12 34 13 35 14 3 x 0 1 2 3 P(X=x) 0,203 0,450 0,291 0,056 0,347.0,0560,2913)p(x2)p(x2)p(x , Assim 6 Exemplo 2: Suponha que a demando diária de uma peça é uma variável aleatória discreta com a seguinte função de probabilidade: .4,3,2,1; ! 2 )( d d C dDP d (a) Determinar a constante C. (b) P(D > 2). Solução: (a) Já que, P(D=d) é uma função de probabilidade, o qual implica que: (i) C>0; (iii) P(D=1)+P(D=2)+P(D=3)+P(D=4)=1. Ou seja, 6 1 1 !4 2 !3 2 !2 2 1 2 ,1)( 432 CCdDP DRd 3 2 6 4 6 2 1)1(1)2()( 4,3,2,1; !6 2 )( DPDPb d d dDP d 7 Função de distribuição acumulada de uma VAD Definição [Função de distribuição acumulada](FDA) Seja X uma variável aleatória discreta com contradomínio RX={x1,x2,...} e função de probabilidade f(xi)=P(X=xi), seja x R, a função de distribuição acumulada de X denotado por F(x), define-se : Xi xx i xx i RxondexXPxfxXPxF ii ,)()()()( Exemplo 3: Suponha que uma VAD, X, tem a seguinte função de probabilidade. cc xse xse xXPxf .,0 3,2,15/7 1,15/1 )()( Determinar F(x). 8 xx i x i xx i x i xx i x i i i i i i i XPXPXPxXPxXPFxSe XPXPXPxXPXPFxSe XPXPxXPxXPxFxSe XPXPxXPXPFxSe XPxXPxXPxFxSe fXPxXPXPFxSe xXPxFxSe 1)3()2()1()()()3(3 1 15 7 15 7 15 1 )3()2()1()()3()3(3 15 8 )2()1()()()(32 15 8 15 7 15 1 )2()1()()2()2(2 15 1 )1()()()(21 15 1 )1()1()()1()1(1 0)()(1 3 2 1 9 x1 1 R de elementos são )()(,;[ se geral Em.).2()(,3,2[ );1()(,2,1[ se que observar, se-Pode ll lll xexonde xFxFentãoxxxFxFentãoxSe FxFentãox Observação 1: Logo, a função de distribuição acumulada pode-se escrever assim: 3,1 32,15/8 21,15/1 1,0 )( xse xse xse xse xF O gráfico da FDA de X é: 10 Se F(x) é a FDA de uma VAD X com contradomínio Rx, satisfaz as seguintes propriedades: 1. Para todo xR, 0 F(x) 1. 2. F(x) é uma função monótona não decrescente. 3. 1)(0)( xFLimexFLim xx 4. Se RX = {x1, x2,......}, tal que x1<x2<..., então f(xi)=P(X=xi)=F(xi)-F(xi-1). 5. Se a, b R tal que, a<b, então )()()()()( )()()()()( )()()()( )(1)()( )()()( bXPaFbFbXaPv aXPaFbFbXaPiv aFbFbXaPiii aXPaXPii aFaXPi Propriedades da função de distribuição acumulada 11 Exemplo 4: A variável aleatória X, tem a seguinte função de distribuição acumulada: 3 32 1 8/5 212/1 108/1 00 )( x x se se xse xse xse xF Calcular: cc xse xse xXPxf R b FFXP xfcXPbXPa x .0 3,18/3 2,08/1 )()( :por dada é X de adeprobabilid de função a quemostrar se-pode FDA, da 4 epropriedad Pela}.3,2,1,0{ :que se- temFDA, Da (c) 1/2.1/2-1F(1)-12)P(X-12)P(X :FDA da 5.i epropriedad Da)( ,2/12/11)1()3()31( (a) :que FDA temos da 5.iii epropriedad Da ).()()2()();31()( 12 2. Variáveis aleatórias contínuas(VAC) Função de probabilidade. Uma função f(x) é chamada função densidade de probabilidade (f.d.p) da variável aleatória contínua X se satisfaz as seguintes condições. b a dxxfbXaPAPEntãobxaxA dxxf Rxsexf .)()()(}.;{ :evento o Seja.3 .1)(.2 .,0)(.1 Exemplo 1:Suponha que o tempo de produção de um artigo (em minutos) é uma variável aleatória, X que tem como função de probabilidade: contráriocaso xse x xf ,0 42, 4 5 )( Verificar se f(x), é uma função de densidade de probabilidade e calcular a probabilidade que o tempo de produção de um artigo escolhido ao acaso seja menor de 3 minutos. 13 Da figura, pode-se observar que a função f(x)0 (é não negativo) para xR. Para que f(x) seja f.d.p. falta verificar a condição (2), ou seja a área sob o eixo x e a função f(x) é igual a 1. .1) 2 5( 4 1 4 5 0 4 5 0)( 4 2 22 4 2 4 4 2 x x xdx x dxdx x dxdxxf A probabilidade que o tempo de produção de um artigo escolhido ao acaso seja menor de 3 minutos é a probabilidade do evento: A={X<3}, ou seja, 8 5 ) 2 5( 4 1 )5( 4 1 0)()3()( 3 2 23 2 3 2 x xdxxdxdxxfXPAP 14 Observação 2.1: Se X é uma VAC, então RatodoparaaXPaXP RbabXaPbXaPbXaPbXaP RxtodoparaxXP x ),()( ., todopara),()()()( ,0)( Função de distribuição acumulada de uma VAC Definição [Função de distribuição acumulada] Seja X uma VAC com f.d.p. f(x). A função de distribuição acumulada (FDA) da VAC X, define-se por: RxdttfxXPxF x todopara ,)()()( Exemplo 2. Considere a variável aleatória X, do exemplo 1, isto é, contráriocaso xse x xf ,0 42, 4 5 )( Determinar F(x). 15 1f(t)dt)()(f(t)dtF(x) ,4 . 8 )5(9 8 5 4 5 0f(t)dtF(x) se,- tem4,x2Se 0.F(x)logo, ,0)( que se- tem,2 Se 0 x 4 1 4 2 0 2x - 2 2 22 2 x - dttfdttf setemxSe xt dt t dt xfx x x 4,1 42 8 )5(9 2,0 )( 2 xse xse x xse xF Logo, a FDA da VAC, X é: 16 Observação 2.2. A FDA de uma VAC X, permite o cálculo de probabilidades de eventos da forma (aXb), onde a < bR. Isto é, P(aXb)=F(b) - F(a). Exemplo 3. Considere a FDA, do exemplo 2 e obtenha: P(X 3) e P(3,0 X < 5). Solução: a FDA é dada por: 4,1 42 8 )5(9 2,0 )( 2 xse xse x xse xF 8 3 8 5 1)3()5()50,3( 8 5 8 )35(9 )3()3( 2 FFXP FXP 17 Propriedades da FDA deuma VAC 1. 0F(x)1, para todo xR. 2. F(x) é uma função monótona não decrescente. 3. F(x) é uma função contínua para todo xR. 4. „ x xx x xx dttfxFedttfxF 1)(lim)(lim0)(lim)(lim x dttf dx d xF )()( dx d f(x) 5. Do segundo teorema fundamental do cálculo tem-se: Exemplo 4. Suponha que o tempo de vida de um processador é uma variável aleatória X com a seguinte FDA: 0,0 0,1)( 2 x xkexF x Determinar: 18 (a) o valor de k; (b) P(X2), P(2 X 4) e P(X -1). (c) f(x). Solução: (a) Pela propriedade 3 de F(x) temos: F(0)=0, o qual implica: cc kke .,0 0xse,e-1F(x) Logo, .101 2 x - 0 0,0 0, 2 1 )()( : temoscontínua,FDA da 5, epropriedad Da )( .0)1()1( .)1()1()2()4()42( .)1(1)2(1)2()( 2 2112 11 x xexF dx d xf c FXP eeeeFFXP eeXPXPb x 19 Valor Esperado e Variância de uma variável aleatória Definição[Valor esperado de uma variável aleatória] Seja X uma variável aleatória com função de probabilidade ou função densidade de probabilidade,f(x). O valor esperado, ou esperança matemática ou média da variável aleatória, denotado por E(X)=, define-se como: ,)()( contínua, aleatória variáveluma é X Se .2 ,)()( discreta, aleatória variáveluma é X Se 1. dxxxfXE xxfXE XRx Definição[Variância] Seja X uma variável aleatória com função de probabilidade ou função densidade de probabilidade,f(x) e valor esperado E(X)=, a variância da variável aleatória, X, denotado por, 2)( XVar define-se como valor esperado da variável aleatória 2X 20 Solução: (a) pela definição do valor esperado de uma VAD temos que: 9 19 !46 2 3 !36 2 3 !26 2 2 6 2 1)()( 432 XRx xxfXE Exemplo 5. Suponha que a demando diária de uma peça é uma variável aleatória discreta com a seguinte função de probabilidade: . .,0 4,3,2,1, !6 2 )( cc x xxXP x Determinar: (a) a demanda esperada. (b) a variância da demanda. ,)()()( contínua, aleatória variáveluma é X Se .2 ,)()()( discreta, aleatória variáveluma é X Se 1. 2 2 dxxfxXVar xfxXVar XRx 21 81 80 !46 2 ) 9 19 3( !36 2 ) 9 19 3( !26 2 ) 9 19 2( 6 2 ) 9 19 1( )()()( 4 2 3 2 2 22 2 XRx xfxXVar Definição[Desvio padrão] é definido como raiz quadrada positiva da variância, isto é, )()( XVarXDP Propriedades do valor esperado e variância de uma v.a. Seja X e Y duas variáveis aleatórias e a e b duas constantes reais. )()(.4 )()(.3 )()(.2 .)(.1 YbEXaEbYaXE bXaEbaXE XaEaXE aaE 22 )()()()Var(X então, tes,independen sn variávei são ,,.8 ).()(abY)Var(aX então ,indepentes aleatórias variáveissão.7 )()(.6 0)(.5 2121 1 22 2 nn n XVarXVarXVarXX XXSe YVarbXVar YeXSe XVaraaXVar aVar Teorema: Se X é uma variável aleatória com média, , então 22 )()( XEXVar Exemplo: Suponha que as vendas diárias de um empresa que comercializa equipamentos eletrônicos (em dezenas de milhares de dólares) é uma variável aleatória com função de densidade; ..,0 64, 6 6 42, 3 2 )( cc xse x xse x xf 23 Escolhe-se ao acaso um dia de venda, determine: (a) A probabilidade que as vendas da empresa seja maior de 22.000 dólares mais não maior de 45.000 dólares. (b) A média e o desvio padrão das vendas diárias. (c) Se o lucro diário é definida pela função Y=0,2X-0,5, calcule a média e variância do lucro diário. Solução: Seja X: Vendas diárias de uma empresa (em dezenas de milhares de dólares). (a) Seja o evento A={2,2<X<4,5}, então P(A)=? 805833,0 2 6 6 1 2 23 1 6 6 3 2 )()5,42,2()( 5,4 4 2 4 2,2 2 5,4 2,2 5,4 4 4 2,2 x xx x dx x dx x dxxfXPAP 24 888889,14 9 134 6 6 3 2 )()( 777778,3 9 34 6 6 3 2 )()( 6 4 2 4 2 222 6 4 4 2 dx x xdx x xdxxfxXE dx x xdx x xdxxxfXE (b) Da definição de esperança matemática temos: Logo, a média e o desvio padrão de X são respectivamente: .742,785681/50)( )(81/50 9 34 9 134 )()( .78,777.37)( 2 2 222 dólaresXVar dólaresdemilharesdedezenas XEXVar dólaresXE (c) Seja, Y=0,2X-0,5. Das propriedades de valor esperado e variância temos: E(Y)=E(0,2X-0,5)=0,2E(X)-0,5=(0,5)(34/9)-0,5=0,25556 024691,0)81/50(2,0)(2,0)5,02,0()( 22 XVarXVarYVar 25 Principais modelos probabilísticos discretos 1. Modelo Bernoulli Na prática muitos experimentos que admitem apenas dois resultados Exemplo: 1. Uma peça é classificada como boa ou defeituosa; 2. O resultado de um exame médico para detecção de uma doença é positivo ou negativa. 3. Um entrevistado concorda ou não com a afirmação feita; 4. No lançamento de um dado ocorre ou não face 6; 5. No lançamento de uma moeda ocorre cara ou coroa. Situações com alternativos dicotômicas, podem ser representadas genericamente por resposta do tipo sucesso-fracasso. Esses experimentos recebem o nome de Ensaio de Bernoulli e originam uma v.a. com distribuição de Bernoulli. 26 1.2 Variável Aleatória De Bernoulli É uma variável aleatória X que apenas assume apenas dois valores 1 se ocorrer sucesso (S) e 0 se ocorrer fracasso (F), e, sendo p a probabilidade de sucesso, 0 < p <1. Isto é, se X(S)=1 e X(F)=0. Logo a distribuição de probabilidade é dado por: x P(X=x) 0 1 1-p p Notação: X~Bernoulli (p), indica que a v.a. X tem distribuição de Bernoulli. Se X~Bernoulli(p) pode-se mostrar que: E(X)=p Var(X)=p(1-p). Repetições independentes de um ensaio de Bernoulli dão origem ao modelo Binomial. cc xpp xXPxf xx .;0 1,0;)1( )()( 1 27 2. Modelo Binomial Exemplo 1: Suponha que uma moeda é lançada 3 vezes e probabilidade de cara seja p em cada lançamento. Determinar a distribuição de probabilidade da variável X, número de caras nos 3 lançamentos. Denotemos, S: sucesso, ocorrer cara (c) e F:fracasso, ocorrer coroa(k). O espaço amostral para o experimento de lançar um moeda 3 vezes é: ={FFF.FFS, FSF,SFF,FSS, SFS, SSF,SSS} Seja, Xi é uma variável aleatória Bernoulli (i=1,2,3). Então a variável X=X1+X2+X3, representa o número de caras nos 3 lançamentos. Pode-se mostrar que Xi ~Bernoulli(p). Probabilidade X1 X2 X3 X=X1+X2+X3 FFF (1-p) 3 0 0 0 0 FFS (1-p) 2 p 0 0 1 1 FSF (1-p) 2 p 0 1 0 1 SFF (1-p) 2 p 1 0 0 1 FSS (1-p)p 2 0 1 1 2 SFS (1-p)p 2 1 0 1 2 SSF (1-p)p 2 1 1 0 2 SSS P 3 1 1 1 3 28 3 2 2 3 })({)3( )1(3}),,({)2( )1(3}),,({)1( )1(})({)0( pSSSPXP ppSSFSFSFSSPXP ppSFFFSFFFSPXP pFFFPXP Daí temos que: A distribuição de probabilidade da v.a. X é dada por: 3223 )1(3)1(3)1()()( 3210 ppppppxXPxf x O comportamento de X , pode ser representado pela seguinte função: )!3(! !33 .,0 3,2,1,0,)1( 3 )( 3 xxx onde cc xpp xxf xx 29 Definição[Distribuição Binomial] Considere a repetição de n ensaios de Bernoulli independentes e todos com a mesma probabilidade de sucesso p. A variável aleatória que conta o número total de sucessos nos n ensaios de Bernoulli é denominada de variável aleatória Binomial com parâmetros n e p e sua função de probabilidade é dado por: Binomial. ecoeficient o representa, )!(! ! .,0 ,,1,0,)1( )( xnx n x n onde cc nxpp x n xf xnx Notação, X~B(n,p), para indicar que v.a. X tem distribuição Binomial com parâmetros n e p. Se X~Bernoulli(p) pode-se mostrar que: E(X)=np Var(X)=np(1-p). 30 A professora da disciplina de Estatística e probabilidade elaborou um prova de múltipla escolha, consistente em 10 questõescada uma com 5 alternativas cada questão. Suponha que nenhum dos estudantes que vão a fazer a prova não vão as aulas e não estudaram para a prova (o que é muito freqüente). O professor estabeleceu que para aprovar deve contestar corretamente ao menos 6 questões. Se 100 se apresentaram, quantos alunos aprovaram a disciplina?. Solução:Seja a v.a. X: número de questões respondidas corretamente nas 10 questões. Então o evento de interesse é: S: “questão respondida corretamente” F:”questão respondida incorretamente” P(S)=1/5 e P(F)=4/5. Logo, X~B(10,p). cc x xxf xx .,0 10,,1,0, 5 4 5 110 )( 10 A probabilidade de aprovar a prova um aluno é: 10 6 10 0197,0 5 4 5 110 )6( x xx x XP Portanto, dos 100 alunos que fizeram a prova aprovariam:100(0,0197)2, alunos Exemplo 2. 31 3. Modelo Poisson Na prática muitos experimentos consistem em observar a ocorrência de eventos discretos em um intervalo contínuo (unidade de medida) Exemplo: 1. Número de machas (falhas) por metro quadrado no esmaltado de uma geladeira. 2. Número de chamadas que chegam a uma central telefônica de uma empresa num intervalo de tempo (digamos de 8,0 a 12,0). 3. Número de bactérias em um centímetro cúbico de água. 4. Número de autos que chegam ao Campus entre 7,0 a.m. a 10,0 a.m. Definição[Distribuição de Poisson] Uma variável discreta X tem distribuição de Poisson com parâmetro se sua função de probabilidade é dada por: ..;0 ,2,1,0 !)( cc x x e xf x 32 Onde: X: número de eventos discretos em t unidades de medida, : media de eventos discretos em uma unidade de medida, t: unidade de medida = t: media de eventos discretos em t unidades de medida Exemplo 1. Suponha que a central telefônica de uma empresa de grande porte recebe em média 3 chamadas cada 4 minutos. Qual é a probabilidade que a central recepcione 2 ou menos chamadas em um intervalo de 2 minutos? Notação: X~P(), para indicar que a v.a. X tem distribuição de Poisson com parâmetro . Pode-se mostrar que se X~P() E(X)= , Var(X)= Se X: número de chamadas que recebe a central telefônica da empresa em 2 minutos, então, X ~P(). Aqui t=2 e =3/4=0,75, então =(0,75)(2)=1,5. Ou seja X~P(1,5) .808847,0] 2 5,1 5,11[)2()1()0()2( ....3,2,1,0, ! 5,1 )( 2 5,1 5,1 eXPXPXPXP x x e xf x 33 4. Modelo Normal Uma variável aleatória contínua X tem distribuição normal com média e variância , se sua função de densidade é dada por: 2 Rxexf x , 2 1 )( 2 ).,(~: 2NXNotação 34 Distribuições normais com médias diferentes e variâncias iguais. Distribuições normais com médias iguais e variâncias diferentes 35 Propriedades da distribuição normal 2)(,)()( XVarXEa (b) A distribuição é simétrica ao redor de sua média. (c) A área total sob curva é igual a um portanto, cada metade da curva tem 0,5 da área total. (d) 9973,0)33( 9546,0)22( 6896,0)( XP XP XP 36 dt t xF x 2 2 1 exp 2 1 )( A função de distribuição acumulada de uma v.a ).,(~ 2NX 37 Distribuição normal padrão ou reduzida Se Z é uma variável aleatória normal com média zero e variância um, então Z é chamado de uma v.a. normal padrão ou reduzida e sua f.d.p é dada por: Rzezf z , 2 1 )( 2 2 A função de distribuição acumulada de uma v.a Z~N(0,1) d dttxzPz z )5,0exp( 2 1 )()( 2 38 Uso da Tabela Normal dttxzPz z )5,0exp( 2 1 )()( 2 39 z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,0 0,500000 0,503989 0,507978 0,511966 0,515953 0,519939 0,523922 0,527903 0,1 0,539828 0,543795 0,547758 0,551717 0,555670 0,559618 0,563559 0,567495 0,2 0,579260 0,583166 0,587064 0,590954 0,594835 0,598706 0,602568 0,606420 0,3 0,617911 0,621719 0,625516 0,629300 0,633072 0,636831 0,640576 0,644309 0,4 0,655422 0,659097 0,662757 0,666402 0,670031 0,673645 0,677242 0,680822 0,5 0,691462 0,694974 0,698468 0,701944 0,705401 0,708840 0,712260 0,715661 0,6 0,725747 0,729069 0,732371 0,735653 0,738914 0,742154 0,745373 0,748571 0,7 0,758036 0,761148 0,764238 0,767305 0,770350 0,773373 0,776373 0,779350 0,8 0,788145 0,791030 0,793892 0,796731 0,799546 0,802337 0,805106 0,807850 0,9 0,815940 0,818589 0,821214 0,823814 0,826391 0,828944 0,831472 0,833977 1,0 0,841345 0,843752 0,846136 0,848495 0,850830 0,853141 0,855428 0,857690 1,1 0,864334 0,866500 0,868643 0,870762 0,872857 0,874928 0,876976 0,878999 1,2 0,884930 0,886860 0,888767 0,890651 0,892512 0,894350 0,896165 0,897958 1,3 0,903199 0,904902 0,906582 0,908241 0,909877 0,911492 0,913085 0,914656 1,4 0,919243 0,920730 0,922196 0,923641 0,925066 0,926471 0,927855 0,929219 1,5 0,933193 0,934478 0,935744 0,936992 0,938220 0,939429 0,940620 0,941792 1,6 0,945201 0,946301 0,947384 0,948449 0,949497 0,950529 0,951543 0,952540 1,7 0,955435 0,956367 0,957284 0,958185 0,959071 0,959941 0,960796 0,961636 1,8 0,964070 0,964852 0,965621 0,966375 0,967116 0,967843 0,968557 0,969258 1,9 0,971284 0,971933 0,972571 0,973197 0,973810 0,974412 0,975002 0,975581 2,0 0,977250 0,977784 0,978308 0,978822 0,979325 0,979818 0,980301 0,980774 2,1 0,982136 0,982571 0,982997 0,983414 0,983823 0,984222 0,984614 0,984997 2,2 0,986097 0,986447 0,986791 0,987126 0,987455 0,987776 0,988089 0,988396 2,3 0,989276 0,989556 0,989830 0,990097 0,990358 0,990613 0,990863 0,991106 2,4 0,991802 0,992024 0,992240 0,992451 0,992656 0,992857 0,993053 0,993244 2,5 0,993790 0,993963 0,994132 0,994297 0,994457 0,994614 0,994766 0,994915 2,6 0,995339 0,995473 0,995603 0,995731 0,995855 0,995975 0,996093 0,996207 2,7 0,996533 0,996636 0,996736 0,996833 0,996928 0,997020 0,997110 0,997197 2,8 0,997445 0,997523 0,997599 0,997673 0,997744 0,997814 0,997882 0,997948 2,9 0,998134 0,998193 0,998250 0,998305 0,998359 0,998411 0,998462 0,998511 3,0 0,998650 0,998694 0,998736 0,998777 0,998817 0,998856 0,998893 0,998930 3,1 0,999032 0,999064 0,999096 0,999126 0,999155 0,999184 0,999211 0,999238 3,2 0,999313 0,999336 0,999359 0,999381 0,999402 0,999423 0,999443 0,999462 3,3 0,999517 0,999533 0,999550 0,999566 0,999581 0,999596 0,999610 0,999624 3,4 0,999663 0,999675 0,999687 0,999698 0,999709 0,999720 0,999730 0,999740 3,5 0,999767 0,999776 0,999784 0,999792 0,999800 0,999807 0,999815 0,999821 3,6 0,999841 0,999847 0,999853 0,999858 0,999864 0,999869 0,999874 0,999879 3,7 0,999892 0,999896 0,999900 0,999904 0,999908 0,999912 0,999915 0,999918 3,8 0,999928 0,999930 0,999933 0,999936 0,999938 0,999941 0,999943 0,999946 3,9 0,999952 0,999954 0,999956 0,999958 0,999959 0,999961 0,999963 0,999964 40 Exemplo: Seja Z~N(0,1), determinar: (a) P(Z<1,80) (b) P(0,80<Z<1.40) (c) P(Z<-0,57) (d) O valor de k tal que: P(Z<k)=0,05. Solução: da tabela normal padrão tem-se: 0,13110,78814-0,91924(0,80)-(1,40)1,40)ZP(0,80(b) 0,964070)80,1()80,1()( ZPa 0,204339.715661,01)57,0(1)57,0()( ZPZPc 64,105,0)()( kkZPd Observação: 1)(2)()( 0),(1)()( kZPkZkPii kkZPkZPi 41 Teorema (Transformação linear de uma variável normal) Se X é uma v.a. normal com média e variância 2, então a variável aleatória Y=a+bX tem distribuição normal com média y e variância 222 b Y . Uma conseqüência do teorema anterior é a variável )1,0(~ N X Z Exemplo: Se X~N(90,100). Determinar: (a) P(80< X < 100) (b) P(|X-90|<30) (c) O valor de a tal que: P(90-2a <X< 90+2a)=0,99 42 .47725,0)97725,01(5,0 ))2(1()0()2()0( )02() 10 100100 10 9080 ()10080()( ZPZPZPZP ZP X PXPa 0,99731-0.99865021)3(2)33( ) 10 30 10 90 10 30 ()309030()30|90(|)( ZPZP X PXPXPb 85,1257,2 5 995,0) 5 (99,01) 5 (2 102 10 90 10 2 )2902()290290()( a a a ZP a ZP aXa PaXaPaXaPc 43 Exemplo: O tempo gasto no exame vestibular de uma universidade tem distribuição normal com média 120 minutos e desvio padrão 15 minutos. (a) Sorteando-se um aluno ao acaso, qual é probabilidade dele terminar o exame antes de 100 minutos? X: tempo gasto no exame vestibular. 0,0917690,9082411)33,1(1 )33,1(1 )33,1( 15 120100 )100( ).15,120(~ 2 ZP ZPZPXP NX 44 (b) Qual deve ser o tempo de prova de modo que permita o 95% dos vestibulandos terminem no prazo estipulado? 95,0 15 120 )( 95,0)( x ZPxXP xXP z=? , tal que (z)=0,95 Da tabela z= 1,64 (c) Qual o intervalo central de tempo, tal que 80% dos estudantes gastam para completar o exame? 2,128564,1120 x 45 80.0 15 120 15 120 80,0)( 2121 x Z x PxXxP z=? , tal que (z)=0,90 Da tabela z= 1,28 .min2,13928,11512028,1 15 120 .min8,10028,11512028,1 15 120 11 1 11 1 xx x xx x 46 Teorema( Combinação Linear de variáveis aleatórias normais) Sejam nXX ,,1 , n variáveis aleatórias independentes onde Xi ~N(i, i 2), para i=1,...,n. Sejam naa ,,1 constantes reais. Seja a variável aleatória Y uma combinação linear das variáveis aleatórias normais. Isto é nnXaXaY 11 Então a variável aleatória Y tem distribuição normal com média i n i innY aaa 1 11 e variância 2 1 22 11 i n i innY aaa 47 Exemplo: Uma companhia embala em cada caixa 5 pires e 5 xícaras. Os pesos dos pires distribuem-se normalmente com média de 190 g e desvio padrão 100 g. Os pesos das xícaras também são normais com média 170 g e desvio padrão 12,25 g. O peso da embalagem é praticamente constante e igual a 100 g. (a) Qual é a probabilidade da caixa pesar menos de 2000 g? completa. caixa da peso :C embalagem; da peso:E xícara;ésima-i do peso :X pires; ésimo-i do peso: i iP Solução. Sejam, n i i n i i xícarasdaspeso n piresdospeso n EXPEXXXPPPC 11 2121 48 Tem-se interesse: P(C < 2000)=? Do problema temos: niNXNP ii ,,1)25,12,170(~),10,190(~ 22 Do teorema anterior C distribui-se normalmente com média g EXEPE n i i n i iC 190010017051905 )()( 11 222 11 2 1250025,125105 )()()( g EVarXVarPVar n i i n i iC e variância 0,997673)83,2( 1250 19002000 )2000( ZP ZPCP 49 (b) Qual é a probabilidade de uma xícara pesar mais que um pires numa escolha ao acaso? Seja X: peso de uma xícara; P: peso de um pires. P(X > P)=P(X – P >0)=? .25025,1210 ;20190170 );(~ 22222 2 PXY PXY YY onde NPXYSeja Logo, 0,103835. 0,8961651)26,1(1 250 )20(0 1 )0(1)0( ZP ZP YPYP 50 Corolário (Propriedade reprodutiva da distribuição normal) Sejam nXX ,,1 , n variáveis aleatórias independentes onde Xi ~N(, 2), para i=1,...,n. Então a variável aleatória n i in XXXY 1 1 tem distribuição normal com média n e variância ),(~ é, isto , 22 nnNYn ).1,0(~ / 1 N n X n nX Y n i i Exemplo: o peso de uma caixa de peças é uma variável aleatória normal com média de 65 kg e desvio padrão de 4 kg. Um carregamento de 120 caixas de peças é feito. Qual é a probabilidade que a carga pesar entre 7.893 kg e 7.910 kg? 51 120,,1),16,65(~caixa ésima-i da peso : iNXX ii )1920,7800(~ )16120,65120(~carga da peso : 120 1 NY NXYY i i 010966,0482997,0493963,0 )12,2()51,2()51,212,2( 1920 78007910 1920 78007893 )79107893( ZP ZPYP
Compartilhar