Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
dianaa@univap.br
INTRODUÇÃO
Esta apostila destina-se ao curso de Estatística I, aplicado na
Universidade do Vale do Paraíba (UNIVAP), para os cursos de Engenharia
Aeronáutica, Engenharia ambiental, Engenharia Civil, Engenharia
Elétrica, Engenharia Química, Arquitetura e Urbanismo.
2
Índice
Capítulo 1
Capítulo 2
Capítulo 3
Capítulo 4
3
CAPÍTULO 1
TABELAS
O objetivo é organizar melhor esta tabela, ou seja, queremos construir uma tabela que
relacione o número de faltas com o número de vezes que ela ocorreu. Por isso, faz
necessário seguir os seguintes passos:
Passo 1: Decidir o número de classes da tabela de freqüência. Este número deve ficar
entre 5 e 20, geralmente depende das quantidades que dispomos. Vamos escolher 10
classes como exemplo.
Passo 2: Determinar a amplitude (A) das classes. Para isso, tomamos o maior valor de
falta, subtraímos pelo menor valor e, finalmente, dividimos pelo número de classes
escolhidas.
Maior valor = 16
Menor valor = 1
4
A=
Passo 3: Escolher o limite inferior da tabela como sendo o menor valor encontrado na
tabela. No nosso caso, o menor valor é 1.
Passo 5: Monte a tabela com as classes a esquerda e conte o número de vezes que
aquela classe apareceu na sua primeira tabela.
Faltas Freqüências
1-2,4 9
2,5-3,9 3
4,0-5,4 10
5,5-6,9 6
7,0-8,4 5
8,5-9,9 3
10,0-11,4 6
11,5-12,9 0
13,0-14,4 1
14,5-16 2
5
Tabela de Freqüências Relativas: É uma tabela semelhante a tabela de freqüências,
mas é obtida através da divisão da freqÜência de cada classe pela freqüência total.
A tabela acima possui freqüência total 45, que é a soma de todos os números a direita
da tabela. Assim, a tabela de freqüências relativas será a tabela acima com sua coluna
a direita dividida por 45.
Faltas Freqüências
Relativas
1-2,4 0,2
2,5-3,9 0,067
4,0-5,4 0,222
5,5-6,9 0,133
7,0-8,4 0,111
8,5-9,9 0,067
10,0-11,4 0,133
11,5-12,9 0
13,0-14,4 0,022
14,5-16 0,044
GRÁFICOS
O uso de tabelas para resumir um conteúdo de dados nem sempre é útil para tirar
algumas conclusões. Assim, o uso de gráficos se faz necessário para melhor
representar os dados da tabela.
6
Utilizaremos como exemplo a tabela já feita sobre as faltas cometidas pelos alunos de
uma determinada classe. Note que utilizaremos a tabela de freqüências relativas, mas
poderia ser também a tabela de freqüências.
Figura 1: histograma feito sobre os dados da tabela de freqüências relativas de faltas Figura 1: histog
cometidas pelos alunos de uma classe. cometidas pelos
11,0
1,0
b) construa o histograma.
7
Exercício 1.2) Com o intuito de melhor a vida dos moradores da cidade de São paulo,
a prefeitura fez uma pesquisa com usuários de transporte coletivo na cidade
indagando sobre os diferentes tipos usados nas suas locomoções diárias. Dentre
metro, ônibus e trem, o número de diferentes meios de transporte utilizados foi o
seguinte: 3, 2, 1, 2, 1, 2, 2, 1, 1, 2, 3, 3, 1, 1, 1, 2, 2, 3, 1, 1, 1, 1, 2, 1, 1, 2, 2, 1, 2, 1,
2, 3.
8
CAPÍTULO 2
Uma variável aleatória é tal que não sabemos ao certo que valor tomará, mas para a
qual podemos calcular a probabilidade de tomar determinado valor. Nos experimentos
aleatórios, mesmo que as condições iniciais sejam sempre as mesmas, os resultados
finais de cada tentativa do experimento serão diferentes e não previsíveis.
Embora, em geral, não podemos dizer exatamente qual será o valor de uma variável
aleatória, freqüentemente podemos eliminar alguns valores. Por exemplo, o número (W)
de vezes que um repórter falou a palavra “calor” durante uma semana não pode ser
5/8, nem π, nem 2 , nem qualquer outro número estranho; W deve ser um número
inteiro. O número Y no dado também deve ser um número inteiro, mas deve ser um
dos seis valores 1, 2, 3, 4, 5, 6. As variáveis aleatórias que só podem tomar valores
isolados são chamados “variáveis aleatórias discretas”. Elas não precisam ser inteiras.
Por exemplo: suponha que joguemos um dado duas vezes, e seja T a média dos dois
números que aparecem. Então, T admite os valores 1; 1,5; 2; 2,5; 3; 3,5; 4; 4,5; 5; 5,5;
6.
Espaço amostral:
9
Exemplo 2.1) Seja uma população de N pessoas. Dessas, M têm olhos azuis. Se não
sabemos o valor de M, como podemos estimá-lo?
Funções de Probabilidade
No caso de uma variável comum, praticamente tudo quanto precisamos saber é seu
valor. Com variáveis aleatórias, entretanto, a situação é um pouco diferente.
Primeiro, devemos saber quais valores são possíveis, e quais não o são. Por
exemplo, se uma variável a aleatória X nunca pode tomar o valor 3/2, escrevemos
que a probabilidade de X = 3/2 é zero, ou de forma mais concisa:
P(X=3/2) = 0
P(Y=1) = 1/6;
P(Y=2) = 1/6;
P(Y=3) = 1/6;
P(Y=4) = 1/6;
P(Y=5) = 1/6;
10
P(Y=6) = 1/6;
No caso de um lançamento de uma moeda uma única vez, seja X o número de vezes
que aparece cara. Qual a probabilidade de tirarmos cara?
P(X=0) = ½ Î coroa
P(X=1) = ½ Î cara
Cara-Cara (KK)
Cara-Coroa (KC)
Coroa-Cara (CC)
Coroa-Coroa (CC)
1 1 1
P(KK) = . = (K e K)
2 2 4
1 1 1
P(CC) = . =
2 2 4
Então, temos tanta chance de observar nenhuma cara como de observar duas caras.
1 1 1 1 1 1 1
P((KC) ou (CK)) = P(KC) + P(CK) = . + . = + =
2 2 2 2 4 4 2
1 1 1
P(C e C) = . =
2 2 4
11
Regra da adição:
1 1 2 1
P(0 ou 1) = P(0) + P(1) = + = =
10 10 10 5
Uma forma simples de lembrar é perceber que se você escolhe dois números em dez,
você tem uma probabilidade maior de acertar do que se você escolhesse apenas um
número. Isso porque as probabilidades são somadas neste caso.
ATENÇÃO:
Agora, vamos supor que queremos saber qual a probabilidade de ser escolhido algum
número ímpar ou números superiores a 6.
Aqui, deve-se tomar o cuidado de não contar duas vezes a mesma probabilidade de
ocorrer o mesmo número. Temos que escrever melhor o nosso conjunto de resultados
procurados: {1, 3, 5, 7, 8, 9}, ou seja, temos um total de seis resultados procurados
dentro do dez possíveis valores. Então:
6
P(ímpares ou superiores a 6} = = 0,6
10
12
5 3 2 6
= + − = = 0,6
10 10 10 10
Neste caso, os eventos não são mutuamente exclusivos. Assim devemos aplicar a regra
geral para a soma:
Assim:
Regra da multiplicação:
13
Agora, se já tirei uma carta, o baralho ficou com 51 cartas. E a probabilidade de tirar o
rei na segunda vez, levando em conta que não coloquei a primeira carta tirada de volta
no baralho é:
4
P(rei) =
51
4 4 16
P = P(ás).P(rei) = . = 0,00603
52 51 2652
Uma outra fórmula bastante útil é a fórmula geral para o número de resultados
que apresentam h caras em n jogadas de uma moeda. Para isso, devemos primeiro
calcular o número de resultados possíveis. No caso da moeda:
n
P=
2 n h!( n − h)!
6! 6 6 3
Na primeira: P = = 6 = =
2 5!(6 − 5)! 2 5!1! 2.2
6 5
32
14
Na segunda, queremos saber a probabilidade de dar 5 caras (independente da ordem)
em 6 jogada de moeda. As combinações possíveis são:
KKKKKC
KKKKCK
KKKCKK
KKCKKK
KCKKKK
CKKKKK
Assim,
f(a) = P(X=a)
Quando estivermos lidando com mais de uma variável aleatória de uma vez,
escrevemos a função densidade de probabilidade como fx(a) para deixar claro que é a
f.d.p. da variável aleatória X.
1 1 1
f(1) = f(2) = f(3) =
6 6 6
1 1 1
f(4) = f(5) = f(6) =
6 6 6
15
1
f(0) = Î nenhuma cara
8
3
f(1) = Î 1 cara
8
3
f(2) = Î 2 caras
8
1
f(3) = Î 3 caras.
8
f(a) ≤ 0 ∀ a
f(a) ≤ 1 ∀ a
ou seja, 0 ≤ f(a) ≤ 1 .
f = f(a) + f(b).
É importante verificar que para que haja uma distribuição de probabilidades de uma
variável aleatória X é necessário que:
Exemplo 2.5) Lançam-se 2 dados. Seja X: soma das faces. Determinar a distribuição
de probabilidades de X.
16
(3 e 5) ou (5 e 3) ou (1 e 7) ou (7 e 8 5
1) ou (4 e 4) 36
(3 e 6) ou (4 e 5) ou (6 e 3) ou (5 e 9 4
4) 36
(4 e 6) ou (5 e 5) ou (6 e 4) 10 3
36
(6 e 5) ou (5 e 6) 11 2
36
(6 e 6) 12 1
36
17
ESPERANÇA (OU VALOR ESPERADO)
Ou
n
E(X) = ∑
i =1
ai . f (ai ) ,
Ou ainda:
n
E(X) = ∑
i =1
x i .P ( x i )
1 1 1 1 1 1 21 3.7 7
E(X) = .1 + .2 + .3 + .4 + .5 + .6 = = = = 3,5 ,
6 6 6 6 6 6 6 2.3 2
Solução:
X P(X) X.P(X)
1.000 0,97 970
18
-29.000 0,03 -870
1
n 2
Assim, E(X) = ∑ x p( x ) = ∑
i =1
i i
1
x1 p ( x1 ) + x 2 p( x 2 ) = 970 – 870 = R$ 100,00.
19
Para isso, vamos montar uma tabela para organizar os nossos dados:
Exemplo 2.9) Num jogo de dados, Cláudio paga R$20,00 a Lúcio e lança 3 dados. Se
sair face 1 em um dos dados apenas, Cláudio ganha R$ 20,00. Se sair face 1 em dois
dados apenas, Cláudio ganha R$ 50,00 e se sair 1 nos três dados, Cláudio ganha R$
80,00. Calcule o lucro médio de Cláudio em uma jogada.
Resolução:
Para resolver esse problema, vamos organizar nossos dados numa tabela. Para isso
precisamos lembrar:
Da mesma forma que o anterior, a probabilidade de sair apenas uma face 1 será:
20
X P(X) X.P(X)
+60 1/216 60/216
+30 15/216 450/216
0 75/216 0
-20 125/216 -2500/216
Exemplo 2.10) Suponha que você ganhe R$ 100,00 multiplicado pleo número que
aparece quando se joga um dado. Se Y é variável aleatória que representa o número do
dado, e W representa o seu ganho, então W = 100.Y. podemos calcular:
E(k) = k
b) e
E(kX) = k.E(X)
VARIÂNCIA
Ou seja:
21
n
VAR (X) = ∑ (x
i =1
i − μ x ) 2 . p ( xi )
n
Onde E(X2) = ∑ (x )
i =1
i
2
. p ( xi )
Exemplo 2.11)
Gráfico da
distribuição de
probabilidades
22
39 2
Assim, VAR(Y) = E(X2) – E2(X) = − 1 = 6,8 .
5
Cujo gráfico é:
10 8
VAR(X) = E(X2) – E2(X) = − = 0,25 .
8 8
A variância é uma medida quadrada, e muitas vezes torna-se artificial. Por exemplo:
altura média de um grupo de pessoas é 1,70 m e a variância é 25 cm2. Fica um tanto
quanto esquisito cm2 de altura. Contornaremos esse problema definindo o desvio
padrão.
23
DESVIO PADRÃO
σ x = VAR( X )
σ x = 0,25 = 0,5
Nos exemplos anteriores:
σ x = 6,8 = 2,61
Exemplos de aplicação:
24
1 + 6 + 8 + 5 + 12 + 0 + 4 36 9
Assim, temos que: E(X) = = =
16 16 4
E
1 + 9 + 16 + 12,5 + 36 + 0 + 16 90,5
E(X2) = =
16 16
2
90,5 ⎛ 9 ⎞ 9,5
VAR(X) = −⎜ ⎟ = = 0,59375
16 ⎝ 4 ⎠ 16
σ = VAR ( X ) = 0 ,59375 = 0 , 77
PROPRIEDADES DA VARIÂNCIA
1) VAR(k) = 0, se k constante.
Demonstração:
2) VAR(k.X) = k2.VAR(X)
VAR(kX) = k2 VAR(X)
25
PROBABILIDADE CONDICIONAL
Consideremos 250 alunos que cursam o primeiro ciclo de uma faculdade. Destes
alunos, 100 são homens (H) e 150 são mulheres (M); 110 cursam física (F) e 140
cursam química (Q). A distribuição de alunos é a seguinte:
Disciplina F Q Total
Sexo
H 40 60 100
M 70 80 150
Total 110 140 250
80
80
P(Q / M ) = 250 =
150 150
250
ou seja,
P( M ∩ Q)
P(Q / M ) =
P( M )
Assim, a probabilidade condicional de A dado que B ocorre (A/B) será dada por:
P( A ∩ B)
P( A / B) = , se P(B) ≠ 0.
P( B)
P( B ∩ A)
P ( B / A) =
P( A)
26
Exemplo 2.14) Duas bolas vão ser retiradas sem reposição de uma urna que contém 2
bolas brancas (B), 3 pretas (P) e 4 verdes (V). Qual a probabilidade de que ambas:
a) Sejam verdes?
Neste caso, os eventos não são independentes. O fato de uma bola ser retirada e não
reposta, indica que na segunda retirada, haverá apenas 8 bolas na urna.
TEOREMA DE BAYES
P(A|B) = P( AeB)
P( B)
27
Ou seja, é a probabilidade Condicional já estudada. Entretanto, uma generalização
disso é considerar que existam mais do que dois sistemas: Ai com i = 1, 2, 3, ..., n e
queremos saber qual a probabilidade
de um P( A3 ).P( B | A) deles, A3, por exemplo,
acontecer sabendo que o evento B
P( A1 ).P( B | A1 ) + P( A2 ) P( B | A2 ) + P( A3 ) P( B | A3 )
aconteceu. Então, teremos:
P(A3|B) =
Generalizando, temos:
P( A j ).P( B | A j ) P ( A j ).P( B | A j )
P(Aj|B) = =
n
P( A1 ).P( B | A1 ) + P ( A2 ).P ( B | A2 ) + ... + P( An ) P( B | An )
∑ P( A ).P( B | A )
i =1
i i
Então:
P(Aj|B) = P ( BeA j )
P( B)
Exemplo 2.15) Uma urna A contém 3 fichas vermelhas e 2 azuis, e a urna B contém 2
vermelhas e 8 azuis. Joga-se uma moeda, se der cara, extrai-se uma ficha da urna A;
se der coroa, extrai-se uma ficha de B. Uma ficha vermelha é extraída. Qual a
probabilidade de ter saído cara no lançamento, ou seja, de ter sido sorteada a urna A?
28
P(A) = ½ = P(B), pois existe uma chance de 50% da moeda cair cara e 50 % de cair
coroa.
P(V|A) = 3/5
3
10 = 3 10 = 0,75
P(VeA ) 4 10 4
P(A|V) = P (V ) = 10
P(par|A) = 4/9
P(par|B) = 2/5
29
CAPÍTULO 3
DISTRIBUIÇÕES DE PROBABILIDADE
DISTRIBUIÇÃO BINOMIAL
Pelo mesmo raciocínio, podemos mostrar que a probabilidade de obter sucesso nas 10
provas será p10. Por exemplo, se p = 0,8 (ou, seja, 80 % de chance de sucesso), a
probabilidade de 10 sucessos, será 0,810 = 0,107. Embora as chances de sucesso seja
em qualquer prova em particular seja boa, a chance de que haja 10 sucessos seguidos
é pequena.
30
Agora! Qual a probabilidade de 9 sucessos e uma falha? Essa questão é um pouquinho
mais complicada! Formularemos então, uma questão mais simples para começar: qual
a probabilidade de sucesso na primeira prova e falha nas outras nove provas?
⎛10 ⎞
⎜⎜ ⎟⎟ = 45
⎝2⎠
⎛ A⎞ A!
Temos que lembrar que: ⎜⎜ ⎟⎟ =
⎝ B ⎠ B!( A − B)!
⎛10 ⎞
⎜⎜ ⎟⎟ x 0,82 x 0,28 = 7,373 x 10-5
⎝2⎠
31
quais comporta apenas um dentre dois resultados possíveis. Esses dois resultados
chamam-se sucesso e falha, embora, em alguns casos, possam ser designados de
modos diferentes. Suponha que o cientista realize o experimento n vezes. Seja X o
número de sucessos. Se a probabilidade de sucesso em cada prova é p, então a
probabilidade de i sucessos é:
⎛n⎞ i
P(X = i) = ⎜⎜ ⎟⎟ p (1 − p) n−i
⎝i⎠
Essa é a fórmula da função de probabilidade para a variável aleatória binomial.
Formalmente diz-se que X é uma variável aleatória que tem distribuição binomial com
parâmetros n e p.
Resolução:
X = 0, 1, 2, ..., 20 Î p = ½
n = 20
i=8
8 12
⎛ 20 ⎞⎛ 1 ⎞ ⎛ 1 ⎞
P(X=8) = ⎜⎜ ⎟⎟⎜ ⎟ ⎜1 − ⎟ = 0,12013
⎝ 8 ⎠⎝ 2 ⎠ ⎝ 2 ⎠
Resolução:
32
⎛ 20 ⎞
Lembrando que P(X=0) = ⎜⎜ ⎟⎟0,4 0 x0,6 20 = 0,00003
⎝0⎠
⎛ 20 ⎞
e P(X=1) = ⎜⎜ ⎟⎟0,41 x0,619 = 0,00049
⎝1⎠
Exemplo 3.3) Uma prova tipo teste tem 50 questões independentes. Cada questão tem
5 alternativas. Apenas uma das alternativas é a correta. Se um aluno resolve a prova
respondendo a esmo as questões, qual a probabilidade de tirar nota 5?
X: número de acertos
X: 0, 1, ..., 50
p = 1/5 = 0,20
⎛ 50 ⎞
P(X=25) = ⎜⎜ ⎟⎟0,20 25 x0,8 25 = 0,000002
⎝ 25 ⎠
E(X) = n.p
= E[ X2 – 2XE(X) + E2(X) ]
= E(X2) – E2(X)
33
No caso da distribuição binomial:
Var (X) = = E(X2) – E2(X) = n.(n-1).p2 + n.p – n2.p2 = (n2 – n)p2 + n.p – n2p2 = n2p2 – np2
+ n.p – n2p2 = n.p - np2 = n.p.(1-p)
34
Notar que o denominador n-1 acima contrasta com a equação para a variância da
população. Uma fonte de confusão comum é que o termo variância da amostra e a
notação s2 pode referir-se quer ao estimador não enviesado da variância da
população acima como também àquilo que é em termos estritos, a variância da
amostra, calculada usando n em vez de n-1.
Lembrando que E(2) = 2, pois 2 é uma constante (não é uma variável aleatória), temos:
VAR(k) = 0, se k constante
e
VAR(k.X) = k2.VAR(X)
Temos:
Var (Y) = Var (3.X + 2) = Var (3.X) + Var (2) = 32Var (X) + 0 = 9 Var (X) e
Resumindo:
35
Numa distribuição binomial, onde um experimento é repetido n vezes e tem
probabilidade de sucesso p, a probabilidade de i sucessos será:
⎛n⎞
P(X=i) = ⎜⎜ ⎟⎟ p i (1 − p) n −i
⎝i⎠
E(X) = n . p
DISTRIBUIÇÃO DE POISSON
Consideremos:
⎛n⎞
Nessas condições, se queremos calcular P(X=i) = ⎜⎜ ⎟⎟ p i (1 − p) n −i
⎝i⎠
e − λ λi
Mostraremos que P(X=i) ≅
i!
Seja P(X=i) =
36
⎛n⎞ i n! n! p i pi
⎜⎜ ⎟⎟ p (1 − p) n −i = p i (1 − p) n −i = .(1 − p ) n −i = n(n − 1)(n − 2)...(n − i + 1). (1 − p ) n −i
⎝i⎠ i!(n − i )! (n − i )! i! i!
Se n . p = λ Î p = λ/n e (1 - p) = (1 - λ/n)
P(X = i) = lim
⎧⎪ ⎛ λ ⎞ 1 ⎛ λ ⎞ ⎫⎪
i n −i
⎧⎪ ⎛ 1 ⎞ ⎛ 2 ⎞ ⎛ 3 ⎞ ⎛ i − 1 ⎞ i 1 ⎛ λ ⎞ n ⎛ λ ⎞ − i ⎫⎪
= ⎨n(n − 1)(n − 2)...(n − i + 1)⎜ ⎟ . .⎜1 − ⎟ ⎬ = lim⎨1.⎜1 − ⎟.⎜1 − ⎟.⎜1 − ⎟.⎜1 − ⎟.λ . ⎜1 − ⎟ .⎜1 − ⎟ ⎬ =
⎪⎩ ⎝ n ⎠ i! ⎝ n ⎠ ⎪⎭ ⎪⎩ ⎝ n ⎠ ⎝ n ⎠ ⎝ n ⎠ ⎝ n ⎠ i! ⎝ n ⎠ ⎝ n ⎠ ⎪⎭
1 e − λ λi
= 1.1.1.1.1.1.....1. λi . e −λ .1 =
i! i!
e − λ λi
Assim, chegamos em P(X=i) = que é chamada de Distribuição de Poisson.
i!
Logo, a binomial tem distribuição de Poisson como limite quando n Æ ∞ e p Æ 0.
Exemplo 3.5) Uma moeda viciada tem probabilidade de cara 0,01. Após ser lançada 200
vezes, calcule a probabilidade de dar 10 caras usando a binomial e a aproximação pela
Poisson.
⎛ 200 ⎞
P(X=10) = ⎜⎜ ⎟⎟(0,01)10 (0,99)190 = 0,000033
⎝ 10 ⎠
λ = n . p = 200.0,01 = 2
e −2 .210
P(X=10) = = 0,000038
10!
Exemplo 3.6) A probabilidade de uma lâmpada se queimar ao ser ligada é 1/100. Numa
instalação de 100 lâmpadas, qual a probabilidade de 2 lâmpadas queimarem ao serem
ligadas?
37
X: número de lâmpadas queimadas.
⎛100 ⎞ ⎛100 ⎞
P(X=2) = ⎜⎜ ⎟⎟(0,01) 2 (1 − 0,01) 98 = ⎜⎜ ⎟⎟(0,01) 2 (0,99) 98 = 0,1848
⎝ 2 ⎠ ⎝ 2 ⎠
λ = n . p = 100 . 0,01 = 1
e −1 .12
P(X=2) = = 0,18394
2!
e − λ λi
P(X=i) = , onde λ é a média.
i!
A variável X assim definida tem distribuição de Poisson.
1) carros que passam por um cruzamento por minuto, durante uma certa hora do
dia;
4) colônias de bactérias numa dada cultura por 0,01 mm2 numa plaqueta de
microscópio;
5) mortes por ataque de coração por ano, numa cidade. É aplicada também em
problemas de filas de espera em geral, e outros.
38
Esperança e Variância na distribuição de Poisson
E(X) = λ
Var (X) = λ
Exemplo 3.7) Num livro de 800 páginas há 800 erros de impressão. Qual a
probabilidade de que uma página contenha pelo menos 3 erros?
Exemplos 3.8) Numa central telefônica chegam 300 telefonemas por hora. Qual a
probabilidade de que:
e −5 5 0
P(X=0) = = 0,006738
0!
39
e −10 10 2
P(X=2) = = 0,002270
2!
λ = 5t
EXERCÍCIOS:
Exercício 3.1) Uma urna tem 20 bolas pretas e 30 brancas. Retiram-se 25 bolas com
reposição. Qual a probabilidade de que:
a) 2 sejam pretas?
b) Pelo menos três sejam pretas?
Exercício 3.2) Numa estrada há 2 acidentes para cada 100 km. Qual a probabilidade
de que em:
Exercício 3.3) A probabilidade de um arqueiro acertar um alvo com uma única flecha
é de 0,20. Ele lança 30 flexas no alvo. Qual a probabilidade de que:
40
a) 600 lâmpadas, no mínimo 3 se queimem?
b) 900 lâmpadas, exatamente 8 se queimem?
Exercício 3.8) Uma firma recebe 720 mensagens em seu fax em 8 horas de
funcionamento. Qual a probabilidade de que:
a) sem reposição;
b) com reposição;
41
CAPÍTULO 4
42
Figura: Em vermelho uma distribuição discreta. Em azul, curva contínua.
As áreas dos retângulos são dadas pela fórmula base x altura (bxh), em cada caso.
3
Para calcularmos, por exemplo: P (1≤ X≤ 3) = ∑ Ar
i =1
i = Ar1 + Ar2 + Ar3 = 0,1 + 0,2 + 0,4 = 0,7 .
1. f(x) ≥ 0
+∞
2. ∫ f ( x)dx = 1
−∞
43
b
P(a ≤ X ≤ b) = ∫ f ( x)dx
a
corresponde à área limitada pela função f(x), eixo X e pelas retas X=a e X=b. Veja figua
abaixo.
Definição:
+∞
E(X) = ∫ x. f ( x)dx
−∞
+∞
+∞
∫ x . f ( x)dx
2
E(X2) =
−∞
2x+3, se 0< x ≤ 2
Exemplo 4.1)Verificar se f(x) =
{ 0, se x ≤0 ou x >2
é uma f. d. p.
44
Resolução:
i) Primeiro devemos verificar se f(x) ≥ 0 para todo xÎ Sim, ela é sempre positiva!
+∞
∫ f ( x)dx = ∫ (2 x + 3)dx = x + 3x
2
Para isso: = 4 + 6 = 10 Î não é f. d. p.
0 0
0
Distribuição Exponencial
⎧λe − λx se x ≥ 0
f(x) = ⎨
⎩ 0 se x < 0.
45
O gráfico da f. d. p de X é:
0
E
+∞
∫ dx = 1
− λx
λ e
0
E a função de distribuição é:
x
F ( x) = P( X ≤ x) = ∫ λe− λs ds = 1 − e− λx
0
∞
1 ⎛ 1⎞ 1
E ( x) = ∫ x.λe − λx dx = (− x.e − λx − e − λx ) ∞0 = (0 − 0) − ⎜ 0 − ⎟ =
0
λ ⎝ λ⎠ λ
Podemos chegar também na variância de modo análogo:
1
Var (X) =
λ2
A distribuição Exponencial é largamente utilizada como um modelo para a distribuição
dos tempos até a falha de componentes eletrônicos. Nessas aplicações o parâmetro λ
representa a taxa de falha para o componente, e 1/λ é o tempo médio até a falha.
Conhecendo-se os tempos até a falha de um produto é possível definir os períodos de
garantia.
46
Exemplo 4.2) Uma variável aleatória contínua X tem f. d. p. dada por:
⎧ k −x
⎪2 e Se x ≥ 0
⎪
f ( x) = ⎨
⎪ 0
⎪ Se X < 0
⎩
a) Calcular o valor de k
b) Determinar F(x)
c) Determinar a mediana da distribuição;
+∞
+∞ ∞
∞
k −x k −x k k
∫0 2 ∫
−x
e dx = 1∴ e dx = 1∴ ( − e ) = 1∴ (0 − (−1)) = 1∴ k = 2
20 2 2
0
b) Lembrando que:
F ( x) = P( X ≤ x) , temos:
x ∞
F ( x) = P( X ≤ x) = ∫ e ds = 1 − ∫ e − s ds = 1 − (−e − ∞ − (−e − x )) = 1 + 0 − e− x
−s
0 x
⎧1 − e − x Se x >0
⎪
F ( x) = ⎨
⎪ 0
⎩ Se x ≤ 0
47
c) Definição de mediana: m é a mediana da distruição se P(X>m) = P(X<m).
Então:
∞
∞
P( X > m) = ∫ e − x dx = −e − x = 0 − ( −e − m ) = e − m
m
m
da mesma forma:
m
m
P( X < m) = ∫ e − x dx = −e − x = (−e − m + 1) = 1 − e − m
0
0
Fazendo P(X>m) = P(X<m), tem-se:
1
e− m = 1 − e− m ∴ 2e− m = 1∴ e− m =
2
1 1 1
ln e− m = ln ∴ −m = ln ∴ m = − ln = −(−0,693147)
2 2 2
m = 0,693147
48
DISTRIBUIÇÃO NORMAL
1 − (1 / 2 )[( x − μ ) / σ ]2
f ( x) = e
2πσ
O desvio padrão σ é a raiz quadrada da variância e é a distância, a partir da média, a
qualquer do dois pontos de inflexão – os pontos fronteira onde a curva muda de
concavidade (ver figura abaixo).
A figura abaixo mostra quatro distribuições normais com a mesma variância mas com
médias diferentes.
Já a próxima figura exibe quatro distribuições normais com a mesma média, mas com
variâncias distintas. A área sobre cada uma das curvas (tanto as curvas acima quanto
as curvas abaixo) é 1, como deve ser o caso para uma variável aleatória contínua. As
extremidades da curva são chamadas caudas da distribuição. As caudas jamais tocam
o eixo. Teoricamente, pois, a variável aleatória normal pode tomar qualquer valor,
49
inclusive valores muito distantes da média. Todavia, pode-se ver que não há muita
área sob a curva nas caudas, de modo que a chance de aparecer um valor muito
distante da média é remota.
Muitas vezes você vai encontrar a distribuição normal com a seguinte notação: X : N(μ,
σ2).
Na maioria das vezes em que necessitamos da área sob uma curva normal, devemos
recorrer a uma tabela, ou usar um computador ou uma calculadora. Seria impossível
elaborar uma tabela para cada distribuição normal com todos os valores possíveis da
média e da variância. Felizmente, podemos achar os resultados para qualquer
distribuição normal apelando para uma tabela de distribuição normal com média μ = 0
e variância σ2 = 1. Essa distribuição é chamada distribuição normal reduzida e a
notação será:
Z : N(0, 1).
Considere Z uma variável aleatória com função de densidade normal reduzida. A figura
abaixo exibe o gráfico da função de densidade para Z.
50
⎛1⎞
1 −⎜ ⎟ x 2
f ( x) = e ⎝2⎠
2π
Infelizmente, não existe uma fórmula simples que nos dê essa área. Pois essa função
não pode ser integrada de forma explícita. Ela é calculada numericamente e tabelada.
Temos de procurar os resultados em uma tabela tal como a tabela em anexo. A tabela
dá a função de distribuição acumulada, que indica a probabilidade de Z ser inferior a
um determinado valor z. Usa-se, em geral, a letra maiúscula grega Φ para representar
tal função: Φ(a) é igual a probabilidade de Z ser menor do que a, ou seja, Φ(a) = P(Z <
a). A função satisfaz a seguinte propriedade: Φ(-a) = 1 - Φ(a).
A probabilidade de Z estar entre dois números quaisquer “a” e “b” é dada por
Já mostramos que Φ(0) = 0,5. Pela tabela da normal padronizada, vemos que Φ(1) =
0,8413. Portanto, a probabilidade de Z estar entre 0 e 1 é 0,8413 – 0,5000 = 0,3413.
51
Portanto há uma chance de 68 % de uma variável aleatória normal padronizada estar
entre -1 e 1. Ou seja, há 68 % de chance de uma variável aleatória normal padronizada
estar a menos de um desvio-padrão de sua média (em nosso caso, a média é 0 e o
desvio-padrão é 1).
Apelando-se para a tabela pode-se mostrar também que há 95% de chance de estar a
menos de dois desvios-padrão de sua média.
Y −6
Z=
3
Que tem distribuição normal com média 0 e variância 1, em razão da propriedade da
adição. Ora,
⎛5−6⎞ ⎛Y − 6⎞ ⎛8− 6⎞
P(5 < Y < 8) = P⎜ ⎟<⎜ ⎟<⎜ ⎟ = P(−1 / 3 < Z < 2 / 3)
⎝ 3 ⎠ ⎝ 3 ⎠ ⎝ 3 ⎠
P(5 < Y < 8) = Φ (0,667) − Φ (−0,333) = 0,7486 − (1 − 0,6293)
P (5 < Y < 8) = 0,7486 − 0,3707
P (5 < Y < 8) = 0,3779
De modo geral, se X é uma variável aleatória normal com média μ e variância σ2, então
(X-μ)/σ é uma variável aleatória normal padronizada. Suponhamos, por exemplo, que
52
quiséssemos a probabilidade de vendar mais de 230 hambúrgueres numa lanchonte
da cidade. Representamos por X1 o número de hambúrgueres. Nesse caso, μ = 200, σ2
= 1600 e σ = 40. Criemos a variável normal padronizada Z1:
X 1 − 200
Z1 =
40
Assim,
⎛ X − 200 30 ⎞ ⎛ 3⎞
P ( X 1 > 230) = P⎜ 1 > ⎟ = P⎜ Z > ⎟
⎝ 40 40 ⎠ ⎝ 4⎠
Ou seja, se X1 > 230, então Z1> do que ¾. A tabela nos diz que a probabilidade de isso
ocorrer é 1 – P( Z < 0,75) = 1 – 0,7734 = 0,2266.
Se X1 = 14, Z1 = -3;
Se X2 = 16, Z2 = -2;
Se X3 = 18, Z3 = -1;
Se X4 = 20, Z1 = 0; Î μ = 0;
53
Se X5 = 22, Z2 = 1;
Se X6 = 24, Z6 = 2;
Se X7 = 26, Z7 = 3;
a) P(100 ≤ X ≤ 106);
X − 100
Para X = 100: Z= =0
5
106 − 100
Para X = 106: Z = = 1,2
5
b) P(89 ≤ X ≤ 107)
89 − 100
Da mesma forma: Para X = 89: Z = = −2,2
5
107 − 100
Para X = 107, Z = = 1,4
5
c) P(X ≥ 108)
108 − 100
Se X = 108, Z = = 1,6
5
54
Exemplo 4.7) Um fabricante de baterias sabe, por experiência passada, que as
baterias de sua fabricação tem vida média de 600 dias e desvio-padrão de 100 dias,
sendo que a duração tem aproximadamente a distribuição normal. Oferece uma
garantia de 312 dias, isto é, troca as baterias que apresentarem falhas nesse período.
Fabrica 10.000 baterias mensalmente. Quantas deverá trocar pelo uso da garantia,
mensalmente?
Resolução:
⎧μ = 600
⎪ 312 − 600
X: duração da bateria ⎨ Î Z= = 2,88
⎪σ = 100 100
⎩
P(X ≤ 2,88) = 0,0020, ou seja, existe uma chance de 0,20 % de uma bateria ser trocada
durante a garantia. Então, ele deve substituir mensalmente 20 em 10 mil baterias
fabricadas por mês.
EXERCÍCIOS
Exercício 4.2) Uma fábrica de carros sabe que os motores de sua fabricação têm
duração normal com média de 150.000 km e desvio-padrão de 5.000 km. Qual a
probabilidade de que um carro, escolhido ao acaso, dos fabricados por essa firma,
tenha um motor que dure:
a) Menos de 170.000 km?
b) Entre 140.000 km e 165.000 km?
c) Se a fábrica substitui o motor que apresenta duração inferior à garantia,
qual deve ser esta garantia para que a percentagem de motores
substituídos seja inferior a 0,2%?
⎧ K (2 x − x 2 ) Se 0 ≤ x ≤ 1
⎪
f ( x) = ⎨
⎪ 0
⎩ Se x < 0 ou x >1
a) Determinar K;
b) Calcular E(X) e Var (X).
55
c) Calcular P(0 ≤ x ≤ ½).
Exercício 4.4) A variável aleatória X tem f. d. p. dada pelo gráfico abaixo. Determinar:
d) P (X > 2);
e) M tal que P(X > m) = 1/8;
f) E(X)
g) Var (X);
h) F(x).
Exercício 4.5) Uma fábrica de tubo de TV determinou que a vida média dos tubos de
sua fabricação é de 800 horas de uso contínuo e segue uma distribuição exponencial.
Qual a probabilidade de que a fábrica tenha de substituir um tubo gratuitamente se
oferece uma garantia de 300 horas de uso?
56