Beruflich Dokumente
Kultur Dokumente
Exemplos:
Um dado equilibrado é lançado e seu número observado.
O espaço amostral é: = { 1, 2, 3, 4, 5, 6 }.
Sejam
A = O número observado é menor ou igual a 4, então, A = { 1, 2, 3, 4 }
B = O número observado é par, B = { 2, 4, 6 }
C = O número observado é ímpar, C = { 1, 3, 5 }
Então, temos
A B = { 2, 4 } e A C = { 1, 3 }
B C = B e C são disjuntos
Bc = C, pois B C =
6) Evento elementar
Seja o espaço amostral = { 1, 2, ..., N }, em que i, i = 1, 2, ...,
N , são resultados elementares.
Um evento é dito elementar se é formado por um resultado
elementar, ou seja:
Ai = { i }, i = 1, 2, ..., N.
obs: note que o evento elementar é dado por um subconjunto unitário.
No lançamento de um dado equilibrado:
A1 = { 1 }, A2 = { 2 }, A3 = { 3 }, A4 = { 4 }, A5 = { 5 }, A6 = { 6 } são
eventos elementares.
Exemplos:
a) Experimento: numa linha de produção, conta-se o número de
peças com defeito, por lote;
A = { 0, 1, 2, . . . , N }, N = tamanho do lote
Eventos:
A1 = todas as peças são boas A1 = { 0 }
A2 = no máximo cinco peças com defeito A2 = { 1, 2, 3, 4, 5 }
b) Experimento: Numa indústria são contados os itens produzidos até
a ocorrência de um item defeituoso;
B = { 1, 2, 3, 4, . . . }, ou ainda B = N*, N* = N – { 0 }
Eventos:
B1 = o item defeituoso ocorre até a 10ª peça produzida
B1 = { 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 }
B2 = são produzidas no mínimo 200 peças antes do item defeituoso
B2 = { X N* | X > 200 }
C = { t R | t 0 }
Eventos:
C1 = a lâmpada queima antes de completar 720 horas (4 sem.)
C1 = { t < 4 }
C2 = a lâmpada dura pelo menos 1 ano (52 semanas)
C2 = { t R | t 52 }
medida de A
P A
medida de Ω
8) Métodos de Contagem
i) Permutação: quando temos de permutar n elementos em n
posições diferentes
Pn,n n! n! n(n 1)(n 2) 1, n! é o fatorial de n
n n! A n, k
Cn, k ; note que Cn, k .
k k ! ( n k )! Pk , k
P (B A )
P (B | A ) .
P( A)
10.1) Partição: os eventos E1, E2, . . ., Ek, são uma partição de se:
i) Ei Ej = , i j, i, j = 1, 2, . . ., k;
ii) E1 E2 . . . Ek =
A
Assim, podemos escrever A como sendo:
A (A E1) (A E2 ) (A E3 ) (A E4 ) (A E5 )
k
ou ainda: A ( A Ei ) .
i 1
b) Temos pelo menos duas formas para definir uma variável aleatória
para esse caso:
(i) X1 = número de gols marcados nas três cobranças ou
(ii) X2 = número de gols perdidos nas três cobranças.
Propriedades:
a) 0 p(x) 1;
b) p ( x) 1.
xI
Exemplos:
a) No exemplo dos 3 jogadores, temos I = { 0, 1, 2, 3 } e:
x p(x) função que associa
0 0.0018 probabilidades à v.a.
1 0.0396 número de gols
2 0.2854 narcados nas 3
3 0.6732 cobranças de penaltis.
Em que:
10
P(X = 0) = (0.01)0 (0.99)10 = 0.90438
0
10
P(X = 1) = (0.01)1 (0.99)9 = 0.09135
1
10
P(X = 2) = (0.01)2 (0.99)8 = 0.00415
2
10
P(X = 3) = (0.01)3 (0.99)7 = 0.00011
3
O modelo binomial
No exemplo acima podemos escrever uma fórmula geral para as
probabilidades:
10
P(X = x) = (0.01)x (0.99)10 – x
x
n
P(X = x) = px (1 – p)n – x, x = 0, 1, 2, ..., n.
x
80
a) P(X = 1) = (0.025)1(0.975)79 = 0.2706
1
80
b) P(X = 0) = (0.025)0(0.975)80 = 0.1319
0
c) P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = 0.6767.
P(X = x0) = 0.
a) f(x) 0, x I;
b) f ( x)dx 1;
I
c) lim f ( x) lim f ( x) 0 ;
x x
b
Então: P(a X b) = f ( x)dx
a
b
P(a X b) = f ( x)dx = F(b) – F(a)
a
k x
De f ( x)dx 2 e dx 1,
0
Portanto,
k x w dw 2 2
2 e dx 2 e e w e e0 1,
0 0 k k 0 k
2
de onde se obtém: 1 k 2.
k
b) Encontrar a fda
x
x
2u e 2u
F ( x) 2 e du 2 1 e 2 x .
2
0 0
2 x
Portanto, F ( x) P( X x) 1 e .
P(1 X 2) = 1 e 22
1 e21 e2 e4 = 0.1170.
Valor Esperado e Variância de uma v.a.
Propriedades de Esperança:
a) Eg ( X ) g ( x) p( x) ou Eg ( X ) g ( x) f ( x)dx
x x
b) E (aX bY ) aE ( X ) bE (Y ) e E (aX b) aE ( X ) b
c) E (k ) k , k constante.
em que: E ( X 2 ) x 2 p( x) ou E ( X 2 ) x 2 f ( x)dx
x x
Propriedades de Variância:
a) Var (aX b) a 2Var ( X )
b) Var (k ) 0 , k constante.
Exemplos:
1) Seja uma v.a. discreta com função de probabilidade
x 1
dada por: p( x) , k > 0 e x { –2, –1, 0, 2, 4 }:
k 2 3
10
a) Achar o valor de k para que p(x) seja uma função de
probabilidade;
b) Calcular o valor esperado de X ;
c) Calcular a variância de X;
d) Encontre P(–1 X < 4 );
e) Quais os valores de a e b para os quais (aX + b)
tenha média zero e variância um?
a) Achar o valor de k:
2 1 1 1 0 1 2 1 4 1
p( x) 1 k 2 3
k 2 3
k 2 3
k 2 3
k 2 3
1
x 10 10 10 10 10
10 1
k 2 3
k 2 4
1
10 10
10k 4 1
2
k2 4 0 k 2
x 1 x 1
Desta forma: p( x) 2 2 3
ou p( x) 0.1 x 1
10 10
x –2 –1 0 2 4
p(x) 0.3 0.2 0.1 0.1 0.3
b) Valor esperado de X:
E ( X ) x p( x) (2) 0.3 (1) 0.2 (0) 0.1 (2) 0.1 (4) 0.3
x
E (X ) 0.6
c) Variância de X:
E ( X 2 ) x 2 p( x)
x
(2) 2 0.3 (1) 2 0.2 (0) 2 0.1 (2) 2 0.1 (4) 2 0.3
1.2 0.2 0 0.4 3.2 6.6
e) E (aX b) aE ( X ) b 0.6a b 0
1
Var (aX b) a 2Var ( X ) 6.24a 2 1 a 0.400
6.24
0.6
Assim, temos que: b 0.2402
6.24
Resultado:
X E( X )
Seja uma v.a. Y aX b , tal que Y , então Y é
DP( X )
uma v.a. padronizada, tendo média 0 e variância 1.
2) Seja uma v.a. contínua com fdp dada por:
k
f ( x) , k > 0 e { x R | 0 < x 1 }:
x
a) Achar o valor de k para que f(x) seja uma densidade
de probabilidade;
b) Calcular o valor esperado de X ;
c) Calcular a variância de X;
d) Encontre a função distribuição acumulada de X;
e) Encontre P(X 1/2) e P(1/4 < X < 9/16);
f) Quais os valores de k1 e k2 tal que P(X k1) = 0.05 e
P(X k2) = 0.05?
1
Logo: f ( x) , 0 < x 1 , é uma fdp.
2 x
b) Valor esperado de X :
1 1
x x
E( X ) dx dx
0
2 x 0
2
1
1 x3 / 2 1 1
E( X )
2 3 / 2 3 3
0
c) Variância de X:
1 1
x2 x3 / 2
E( X 2 ) dx dx
0
2 x 0
2
1
1 x5 / 2 1
2 5 / 2 5
0
2
1 1 4
Var ( X )
5 3 45
4
DP( X ) 0.2981
45
d) fda de X:
x
1 u1/ 2
x
1
F ( x) du x
0
2 u 2 1 / 2
0
0 , x0
Logo: F ( x) x , 0 x 1.
1 , x 1
Figura: fdp e fda, respectivamente.
2
i) P( X 1/ 2) F (1 / 2) 1 / 2
2
3 1 1
ii) P(1 / 4 X 9 / 16) F (9 / 16) F (1 / 4)
4 2 4
i) P( X k1 ) k1 0.05 k1 0.025
ii) P( X k2 ) 1 P( X k2 ) 1 k2 0.05
k2 0.95
k2 0.9025
3) Seja X uma v.a. discreta com função de probabilidade
binomial(n, p). Calcular E(X) e Var(X).
E(X) =
Var(X) = 2
2 x
E ( X ) x 2e
2 2
dx 2 x 2 e 2 x dx , e, integrando p.partes
0 0
1 1
E ( X 2 ) , logo, Var ( X ) .
2 4
A distribuição de probabilidade Normal.
e x
1
f x
2
2 2
, x , e 2 0 .
2
1 z2 2
e a sua fdp é dada por: f z e , z .
2
Nota: Com este resultado, basta construir uma tabela de probabilidades
para a distribuição normal padronizada que conseguimos as
probabilidades para uma va normal qualquer.
a) P(X 225)
X 220 225 220
P(X 225) = P PZ 1.25 = 0.8943
4 4
b) P(210 X 228)
210 220 X 220 228 220
P(210 X 228) = P
4 4 4
k 220
Da tabela temos que 2.33 k = 210.38
4
k 220 k 220
P(k1 X k2) = P 1 Z 2 = 0.95,
4 4
k 220 k 220
Da tabela temos que P Z 1 P Z 2 = 0.025, e,
4 4
k1 220
1.96 k1 = 212.16
4
k 2 220
1.96 k2 = 227.84
4
L 35 L 35
P Z 0.05 1.645
2.675 2.675
L = 30.6 mil horas ( 3.5 anos)
30.6 35 4.4
P Z 0.025 1.96
* *
* = 2.245 mil horas ( 3.1 meses)
Notação: Seja Z o quantil 100% da distribuição N(0, 1), então,
Z é tal que P(Z Z) =
0.004 0.004
P(“boa”) = P(0.610 D 0.618) = P Z
0.0025 0.0025
= P(Z 1.60) – P(Z –1.60)
= 0.9452 – 0.0548 = 0.8904
k1 0.614
Z 0.0025 2.81 k1 = 0.607
0.0025
k2 0.614
Z 0.9975 2.81 k2 = 0.621
0.0025
1
f.d.p.: P( X x) xi ( x1 , x2 ,, xk ), i = 1,2,, k .
k
k k
xi xi2
E( X ) i 1
Var ( X ) i 1
E ( X ) 2
k k
F x P ( X x ) P ( X xi )
n( x )
f.d.a.: ,
xi x k
onde n(x) é o número de valores xi x .
Notação: X ~ Bernoulli ( p)
x 0 1 Total
p x 1–p p 1
E( X ) p Var ( X ) p (1 p)
0, x<0
f.d.a.: F ( x) (1 p), 0 x 1 , 0 p 1.
1, x 1
3. Binomial: Considere n ensaios de Bernoulli, independentes. Seja X a va que conta o
número de sucessos nesses n ensaios. Então X tem distribuição binomial com
parâmetros n e p.
X : número de sucessos em n ensaios de Bernoulli, independentes.
n
f.d.p.: P( X x) p x (1 p) n x x 0, 1, , n e 0 p 1 .
x
E( X ) n p Var ( X ) n p (1 p)
f.d.a.: F ( x ) P ( X x ) P ( X xi )
xi x
Notação: X ~ HG( N , m, n) .
m N m
k n k
f.d.p.: P( X k ) max0, n ( N m) k min( m, n) .
N
n
nm n m m N n
E( X ) Var ( X ) 1
N N N N 1
f.d.a.: F ( x ) P ( X x ) P ( X xi )
xi x
Notação: X ~ geométrica ( p) .
f.d.p.: P( X x) p (1 p) x x 0, 1, 2, e 0 p 1 .
(1 p) (1 p)
E( X ) Var ( X )
p p2
f.d.a.: F ( x) P( X x) 1 P( X x 1) 1 (1 p) x1
obs: A geométrica pode, ainda, ser definida pela contagem do número de ensaios até o
primeiro sucesso, sendo P( X x) p (1 p) x1 , x 1, 2, e 0 p 1.
Notação: X ~ BN (r , p) .
r x 1 r
f.d.p.: P( X x) p (1 p) x x 0, 1, 2, , r 1 e 0 p 1 .
r
r (1 p) r (1 p)
E( X ) Var ( X )
p p2
f.d.a.: F ( x ) P ( X x ) P ( X xi ) .
xi x
obs: Da mesma forma como a geométrica, a distribuição binomial negativa pode ser
definida pela contagem do número de ensaios até o r-ésimo sucesso.
7. Poisson: a distribuição de Poisson ocorre quando contamos o número de eventos, de
um certo tipo, que ocorrem num intervalo de tempo, superfície ou volume, etc. . .
com taxa de ocorrência λ.
Notação: X ~ Poisson() .
e x
f.d.p.: P( X x) x 0, 1, 2, e 0 .
x!
E (X ) Var (X )
f.d.a.: F ( x ) P ( X x ) P ( X xi )
xi x
Notação: X ~ U (a, b) .
1
se a xb
f.d.p.: f ( x) b a
0 se x < a ou x > b
ab (b a) 2
E( X ) Var ( X )
2 12
xa
f.d.a.: F ( x) , se a x b
ba
Notação: X ~ N (, 2 ) .
1
( x ) 2
x ;
f.d.p.: f ( x) exp 2
, .
2
2 e 0
E (X ) Var ( X ) 2
x
f.d.a.: F ( x) f (u )du . F (x) não tem solução algébrica e seus valores
devem ser obtidos por intermédio de tabela.
1
ez
2
f.d.p.: f ( z) 2
, z .
2
3. Exponencial: Dizemos que uma va X tem distribuição exponencial, ou distribuição
dos tempos de vida, com parâmetro , 0, se a sua fdp é:
1 x
e se x0
f.d.p.: f ( x)
0 se x<0
E (X ) Var ( X ) 2
x
f.d.a.: F ( x) f (u )du 1 e x .
0
Notação: X ~ gama(, ) .
1 x
x e se x0
( )
f.d.p.: f ( x)
0 se x<0
onde () x 1 e x dx é chamada função gama.
0
E( X ) Var ( X )
2
x
f.d.a.: F ( x) f (u )du . F (x) não tem solução algébrica.
Notação: X ~ 2n .
1
n x n 21 e x 2 se x0
2 n 2
f.d.p.: f ( x) 2
0 se x<0
E( X ) n Var ( X ) 2n
Notação: X ~ t n .
n
E( X ) 0 Var ( X ) , n 2.
n2
Notação: Y ~ Fm,n .
mn
w ( m 2) 2
m2
2 m
f.d.p.: f ( w) ( m n)
, w 0.
m n n
2
mw
1
2 2 n
n 2n 2 (m n 2)
E (W ) Var ( X ) , n 4.
n2 m (n 2) 2 (n 4)