Escolar Documentos
Profissional Documentos
Cultura Documentos
Unidade III - Distribuição de Probabilidade Versao Nova
Unidade III - Distribuição de Probabilidade Versao Nova
1. INTRODUO
EXEMPLO 1.1: Suponha que duas moedas sejam lanadas e observamos a sequncia de
caras e coroas obtidas. Considere o espao amostral associado a esse
experimento. Isto ,
47
Definio 1.2: Sejam um experimento E e seu espao amostral . Seja X uma varivel
aleatria definida em e seja Rx seu contradomnio. Seja B um evento
definido em relao a Rx, isto , B Rx. Ento, define-se A como
A { / X ( ) B} .
Assim, A ser constitudo por todos os resultados em , para os quais X ( ) B .
Neste caso, diz-se que A e B so eventos equivalentes. Como pode ser visualizado na
seguinte figura:
SOLUO: J que X(Ca,Co) = X(Co,Ca) = 1 se, e somente se, X()=1, temos que
A = {(Ca,Co),(Co,Ca)} equivalente a B.
Definio 1.3: Seja B um evento no contradomnio Rx. Define-se P(B) da seguinte forma
P(B) = P(A) , onde A { / X ( ) B} .
Em outras palavras, como B equivalente a A em , a probabilidade de B
igual probabilidade de A.
Uma vez que as probabilidades associadas aos vrios resultados (ou eventos) no
contradomnio Rx tenham sido determinadas (mais precisamente, induzidas), ignoraremos
frequentemente o espao amostral original , que deu origem a essas probabilidades. O
fato, de que essas probabilidades sejam determinadas por uma funo de probabilidade
definida sobre o espao amostral original , passa desapercebido quando estamos
interessados em estudar os valores da varivel aleatria X.
48
2. VARIVEIS ALEATRIAS DISCRETAS
Seja D = a pea defeituosa, P = a pea perfeita. Ento, ={DD, DP, PD, PP}
Definio 2.2: Seja X uma varivel aleatria discreta, ento X pode assumir os valores
x1, x2,.... Chamaremos de funo de probabilidade da varivel aleatria X
a funo que a cada xi associa sua probabilidade de ocorrncia, ou seja,
P ( X xi ) P( X ( ) xi ) p( xi ) ,
tal que:
a) 0 p( xi ) 1
b) p( x ) 1
i 1
i
P(X = 0) = 1/4,
P(X = 1) = 1/2,
P(X = 2) = 1/4,
P(X 2) = P() = 1 e
P(X < 0)=P() = 0
2
Podemos observar que 0 P( X i ) 1 , para i = 0,1,2 e P( X i ) 1
i 0
A funo de probabilidade pode ser representada por tabela, grfico ou frmula.
Para o exemplo anterior, temos:
Tabela:
xi 0 1 2
P(X= xi) 1/4 1/2 1/4
49
Grfico:
2 1
Frmula: p( xi ) , xi 0,1,2
xi 4
EXEMPLO 2.3: Um par de dados lanado. Seja X a varivel aleatria que associa a
cada ponto (a,b) de a soma de desses nmeros, isto , X(a,b) = a + b.
Determine a funo de probabilidade de X.
xi 2 3 4 5 6 7 8 9 10 11 12
p(xi) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Obtemos, por exemplo, p(4) = 3/36, pois (1,3), (2,2) e (3,1) so os pontos de
cuja soma das componentes 4; ento
3
p(4) = P(X = 4) = P({(1,3),(2,2),(3,1)}) =
36
Definio 2.3: Definimos funo de distribuio de probabilidade acumulada da
varivel aleatria X como sendo:
F ( x ) P( X x )
Para o caso discreto, tratado acima, temos: F ( x ) p( x )
xi x
i
50
F (0) P ( X 0) 1 / 4
SOLUO: F (1) P ( X 1) 3 / 4
F ( 2) P ( X 2) 1
ento,
0, se x 0
1 / 4, se 0 x 1
F ( x)
3 / 4, se 1 x 2
1, se x 2
Observaes:
1. O domnio de F a reta real.
2. lim F ( x ) 0 e lim F ( x ) 1
x x
51
3. VARIVEIS ALEATRIAS CONTNUAS
Definio 3.1: Uma varivel aleatria X contnua se existir uma funo f, denominada
funo de densidade de probabilidade (fdp) de X, que satisfaa as
seguintes condies:
1. f ( x ) 0, para todo x R X
2.
f ( x )dx 1
b
3. para quaisquer, a,b, com a b , teremos P (a X b) f ( x)dx
a
Observaes:
EXEMPLO 3.1:Suponha que X uma varivel aleatria contnua com a seguinte fdp:
2 x , 0 x 1,
f ( x)
0, para quaisquer outros valores
a) Mostre que f(x) uma fdp.
b) Calcule P ( X 1 / 2)
c) Calcule P ( X 1 / 2 1 / 3 X 2 / 3)
SOLUO:
1
2 1
a) Evidentemente, f(x) > 0 para todo x R X e 2 xdx x
0 0
1.
1/ 2
b) Para calcular P ( X 1 / 2) , deve-se apenas calcular a integral (2 x)dx 1 / 4.
0
c) Aplicando-se diretamente o conceito de probabilidade condicional,
1/ 2
(2 x)dx
teremos P X 1 / 2 1 / 3 X 2 / 3
P (1 / 3 X 1 / 2)
P(1 / 3 X 2 / 3)
1/ 3
2/3
5 / 36 5
1 / 3 12
(2 x)dx
1/ 3
52
Da definio 2.3, a funo de distribuio acumulada, para o caso contnuo dada
por:
x
F ( x ) f ( s)ds
EXEMPLO 3.2: Seja f(x) como definida no exemplo 3.1. Calcule a funo de
distribuio acumulada e represente graficamente esta funo.
0, se x 0,
x
SOLUO: F ( x ) (2 s)ds x 2 , se 0 x 1,
0
1, se x 1
Graficamente,
1, se 0 x 1
f ( x)
0, caso contrrio
53
4. ESPERANA MATEMTICA E VARINCIA
Definio 4.1: Seja X uma varivel aleatria discreta, com valores possveis x1, ..., xn,...
Seja p(xi) = P(X=xi), i=1,2,...,n,... Ento, o valor esperado, esperana
matemtica de X, valor mdio de X, ou expectncia de X, denotado por
E(X) definido como
E ( X ) xi p( xi ) , se a srie x p( x )
i i convergir absolutamente, isto ,
i 1 i 1
se x
i 1
i p( xi ) .
Seja X uma varivel aleatria contnua com fdp f(x). O valor esperado de X
definido como
E( X )
xf ( x )dx , se, e somente se,
x f ( x )dx .
Notao: E(X) =
3
1 2 1
SOLUO: E ( X ) xi p( x i ) 0 1 2 1 .
i 1 4 4 4
Isto representa que ao retirarmos duas peas do lote, esperamos, em mdia, vir
uma pea defeituosa.
EXEMPLO 4.2: Consideremos a varivel aleatria contnua do exemplo 3.1. Calculemos
a E(X).
1 1 2
SOLUO: E ( X ) ( x2 x )dx (2 x 2 )dx
0 0 3
54
E ( K ) K.
2. Multiplicando-se uma varivel aleatria X por uma constante, sua mdia fica
multiplicada por essa constante.
E ( KX ) KE ( X )
E ( X Y ) E ( X ) E (Y )
Observao: Note que toda funo de uma varivel aleatria X tambm uma varivel
aleatria. Podemos, portanto, falar na esperana de X2, 2X+1, dentre outras.
E ( X 2 ) xi2 p( xi ) , para o caso discreto e analogamente
i 1
E ( X 2 ) ( x 2 f ( x ))dx , para o caso contnuo.
V ( X ) E X E ( X )
2
Notao: V(X) 2
Observao:
1. A varincia de uma varivel aleatria, uma medida que d a idia de disperso dos
valores da varivel, em relao ao seu valor esperado.
PROPRIEDADES DA VARINCIA
2. Multiplicando-se uma varivel aleatria por uma constante sua varincia fica
multiplicada pelo quadrado da constante.
V ( KX ) K 2V ( X ) .
55
3. Somando-se ou subtraindo-se uma constante varivel aleatria, sua varincia no se
altera,
V (K X ) V ( X )
V ( X Y ) V ( X ) V (Y ) 2 cov( X , Y )
onde cov( X , Y ) E X E ( X )Y E (Y ) E ( XY ) E ( X ) E (Y )
K , se a x b
f ( x)
0, caso contrrio
SOLUO: Para que f(x) satisfaa a condio (2) da definio 3.1, temos que
b 1
b
Kdx Kx a K (b a ) 1 . Logo, K 0 , que satisfaz a condio (1) da
a ba
mesma definio.
b
b 1 1 x2 b2 a 2 (b a )(b a ) a b
Agora, E ( X )
a
x
(b a )
dx
(b a ) 2
2(b a )
2(b a )
2
a
b 1 b 3 a 3 (b a )(b 2 a 2 ab) b 2 a 2 ab
E( X ) dx
2 2
x
a (b a ) 3(b a ) 3(b a ) 3
Da,
56
b 2 a 2 ab (a b) 2 4b 2 4a 2 4ab 3a 2 3b 2 6ab
V(X)
3 4 12
b a 2ab (b a )
2 2 2
V(X)
12 12
1, se ocorrer sucesso
X
0, se ocorrer fracasso
A distribuio de probabilidade :
xi 0 1
P(X=xi) 1-p p
xi 0 1
P(X=xi) 4/6 2/6
57
1 2
com E ( X ) e Var ( X )
3 9
1. O experimento deve ser repetido, nas mesmas condies, um nmero finito de vezes
(n).
2. As provas repetidas devem ser independentes, isto , o resultado de uma no afeta os
resultados das sucessivas.
3. Em cada prova deve aparecer um dos possveis resultados: sucesso ou fracasso.
4. No decorrer do experimento, a probabilidade p do sucesso e a probabilidade q (q=1-p)
do insucesso manter-se-o constante.
5. Definimos a varivel aleatria discreta Y como sendo o nmero de sucessos nas n
realizaes.
n
P (Y k ) p k (1 p) n k , k 0,1, n
k
Notao: Y ~ B(n, p) , que equivalente a dizer que Y tem uma distribuio Binomial
com parmetros n e p.
A mdia da Binomial :
E (Y ) E ( X 1 X 2 X n ) E ( X 1 ) E ( X 2 ) E ( X n ) np ,
e a varincia : V (Y ) V ( X 1 X 2 X n ) V ( X 1 ) V ( X 2 ) V ( X n ) np(1 p)
EXEMPLO 5.2:Dois times de futebol, A e B, jogam entre si 6 vezes. Suponha que as
probabilidades de A ganhar, perder ou empatar um jogo, so as
mesmas, e permaneam constante durante as 6 partidas. Encontre a
probabilidade do time A ganhar 4 vezes e calcule a esperana e a
varincia.
1
Temos que n = 6, p , ento,
3
58
k ( 6 k )
6 1 1
P ( X k ) 1 , k 0,1,2,3,4,5,6
k 3 3
4 2
6 1 2 1 4 20
Queremos P ( X 4) 15
4 3 3 81 9 243
1 1 2 4
E a esperana E ( X ) 6 2 , com varincia V ( X ) 6
3 3 3 3
e k
P( X k ) , k 0,1,2, .
k!
EXEMPLO 5.3: Numa fbrica existem vrias mquinas de um certo tipo. Depois de
muitas observaes chegou-se concluso que o nmero de mquinas
que se avariam em cada ms uma varivel aleatria com distribuio
de Poisson com parmetro 3. Qual a probabilidade de que em um
determinado ms se avariem 7 ou mais mquinas ?
e 3 3 k
SOLUO: P ( X 7) 0,0335
k 7 k!
59
d) Chegadas de clientes a um caixa de banco.
e ( t ) ( t ) k
P( X t k ) , k 0,1,2,.
k!
EXEMPLO 5.4: Em mdia h duas chamadas por hora num certo telefone. Calcule a
probabilidade de no haver chamada em 90 minutos.
2 90
2 e t 1,5
1 60
e 3,0 (3,0) 0
Ento, P ( X 1,5 0) 0,04979
0!
Apresentaremos agora a distribuio contnua mais importante.
60
Seja uma varivel aleatria contnua que assume valores reais. Dizemos que X
tem distribuio normal com parmetros e 2 onde = E(X) e 2 = Var(X), e
denotaremos X ~ N(,2), se sua funo de densidade de probabilidade for da forma:
1
1 ( x )2
f ( x) e 2 2
, x , , 2 0 .
2 2
1. unimodal, isto , f(x) tem um ponto de mximo, cuja abscissa x = . Esse ponto
situado no meio da distribuio aquele em que coincidem os valores da mdia, moda
e mediana.
2. f(x) simtrica com relao reta x = .
3. f(x) tem dois pontos de inflexo, cujas abscissas so x e x = +
4. f(x) tem uma assntota: eixo x, isto , a partir do topo a curva cai gradativamente at
formar as caudas, que se estendem indefinidamente, aproximando-se cada vez mais da
linha base, sem entretanto, jamais toc-la.
5. Fixando-se a mdia, verifica-se que o achatamento da curva est diretamente ligado ao
valor do desvio padro , ou seja, quanto maior for o desvio padro mais achatada a
curva como pode ser vista na figura abaixo.
f(x)
61
Para o clculo das probabilidades surgem dois problemas:
Ento:
X 1 1
E (Z ) E E ( X ) ( ) 0 ,
e
X 1
Var ( Z ) Var 2 Var ( X ) 1
1
1 z2
f ( z) e 2
, z .
2
1 x z2 / 2
( x) (e )dz ,
2
Podemos utilizar a tabulao da funo , a fim de calcularmos a P (a Z b) ,
visto que P (a Z b) P( Z b) P( Z a ) (b) (a ) .
A utilidade notvel da tabulao acima devida ao fato de que, se X tiver
qualquer distribuio normal N(,2), a funo tabelada pode ser empregada para
calcular probabilidades associadas a X. Simplesmente empregaremos a transformada para
a varivel Z. Consequentemente,
a b b a b a
P ( a X b) P Z P Z P Z
62
EXERCCIOS:
SOLUO:
2. Seja Z uma varivel aleatria com distribuio normal padro. Determine o valor de t
se:
a) P ( Z t ) 0,7967 c) P (0 Z t ) 0,4236
b) P (t Z 2) 0,1000 d) P ( Z t ) 0,9099
SOLUO:
a) P ( X 2,3) c) P ( X t ) 0,48
b) P (1,8 X 2,1) d) P ( X t ) 0,34
SOLUO:
X 2 2,3 2
a) P ( X 2,3) 1 P 1 (0,75) 1 0,7734 0,2266
0,4 0,4
63
1,8 2 X 2 2,1 2
P (1,8 X 2,1) P P( 0,5 Z 0,25) (0,25) ( 0,5)
b) 0,4 0,4 0,4
0,5987 0,3085 0,2902
X 2 t 2 t 2 t 2
c) P ( X t ) 0,48 P 0,48 0,48 0,05 t 1,98
0,4 0,4 0,4 0,4
X 2 t 2
P ( X t ) 0,34 1 P( X t ) 0,34 P ( X t ) 0,66 P 0,66
0,4 0,4
d)
t 2 t2
0,66 0,41 t 2,164
0,4 0,4
49 50 X 50 52 50
P (49 X 52) P P ( 0,25 Z 0,5) (0,5) ( 0,25)
4 4 4
0,6915 0,4013 0,2902
, pois, de se esperar que, em mdia, 29,02% dos operrios tenham salrios entre
R$ 49,00 e R$ 52,00.
6. REFERNCIAS BIBLIOGRFICAS
64