Вы находитесь на странице: 1из 48

CONCEITOS BÁSICOS

1) Experimento Aleatório é um experimento no qual:

  • i) todos os possíveis resultados são conhecidos;

ii) resulta num valor desconhecido, dentre todos os resultados

possíveis; iii) pode ser repetido em condições idênticas.

2) Espaço Amostral é o conjunto de todos os resultados possíveis para um experimento aleatório. É denotado por . Pode ser:

  • - Discreto

  • - Contínuo

Finito: formado por um conjunto finito de pontos; Infinito: conjunto infinito e enumerável de pontos;

formado por um conjunto Não Enumerável de pontos.

3) Um Evento é um subconjunto de , associado a um experimento.

É denotado por letras maiúsculas: A, B, E,

. .

.

4) Um Evento Complementar: denotado por A c é o complementar de A em relação a , ou seja, A c A = .

5) Dois eventos A e B são mutuamente exclusivos, ou disjuntos, se A B = .

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 } B C =  

A C = { 1, 3 } B e C são disjuntos

e

B c = 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:

A i = { i }, i = 1, 2, ...

, N.

obs: note que o evento elementar é dado por um subconjunto unitário.

No lançamento de um dado equilibrado:

A 1 = { 1 }, A 2 = { 2 }, A 3 = { 3 }, A 4 = { 4 }, A 5 = { 5 }, A 6 = { 6 } eventos elementares.

são

Assim sendo, temos que: A 1 A 2 A 3 A 4 A 5 A 6 =

Ou seja:

6

A

i

i 1

Ω

.

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:

A 1 = todas as peças são boas

A 1 = { 0 }

A 2 = no máximo cinco peças com defeito

A 2 = { 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,

. . .

},

Eventos:

ou ainda

B = N*,

N* = N { 0 }

B 1 = o item defeituoso ocorre até a 10ª peça produzida

B 1 = { 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 }

B 2 = são produzidas no mínimo 200 peças antes do item defeituoso

B 2 = { X N* | X > 200 }

c) Experimento: Uma lâmpada é fabricada e, num ensaio, é anotado o tempo (semanas) até que ela se queime; C = { t R | t 0 }

Eventos:

C 1 = a lâmpada queima antes de completar 720 horas (4 sem.)

C 1 = { t < 4 }

C 2 = a lâmpada dura pelo menos 1 ano (52 semanas)

C 2 = { t R | t 52 }

7) Medida de Probabilidade: Seja um evento A associado a um espaço amostral , então a probabilidade de ocorrência de A é dada por

P

A

medida de A

medida de Ω

As medidas de A e de são bem definidas e estando associadas às suas dimensões.

7.1) Probabilidade em Espaços Finitos: seja A um evento associado a um espaço amostral finito , então

P A

número de pontos, em

Ω

, favoráveis a

A

card(

A

)

 

número total de pontos em Ω

 

card(

Ω

)

,

card(.) = função cardinalidade = número de elementos do conjunto.

PAé a probabilidade de ocorrência do evento A e deve satisfazer:

  • a) 0 PΩ1; PA1;
    b)

  • c) Se A e B são disjuntos, então, PA BPAPB.

7.2) Probabilidade como frequência relativa: sejam o evento A associado a um experimento E. Suponha que E seja repetido n vezes e seja n A o número de ocorrências de A.

A frequência relativa de A é dada por:

f A

n

A

n

,

0

f

A

1

.

Se

n

for grande, então

f

A

ocorrência de A, ou seja,

se aproxima da probabilidade de

lim

f

A

n 

P(A)

.

7.3) Resultados igualmente prováveis: se num espaço amostral finito os eventos elementares têm todos a mesma probabilidade, então dizemos que são igualmente prováveis.

Seja p i , i = 1, 2, evento elementar, então:

. . .

, N, a probabilidade de ocorrência do i-ésimo

p

1

p

2

p N

  • 1 N card(Ω)

N

,

obs: nesse caso dizemos que o espaço amostral é uniforme.

7.3) Propriedades de Probabilidade

i)

Se

é

o espaço vazio,

P() = 1;

então

P() = 0 e, consequentemente,

ii) Se A c é o evento complementar de A, então

P

(A

c

)

1

  P

(A)

iii) Se A e B são eventos quaisquer, então

P(A B) P(A) P(B) P(A B)

iv) Se A e B são eventos tais que A B, então

P(A) P(B);

A A B B B A

P(A P(A B) B)   P(B). P(A);

8) Métodos de Contagem

i)

Permutação: quando temos de permutar posições diferentes

n elementos

em

n

P

n n

,

n

!

n!n(n 1)(n 2)1, n! é o fatorial de n

ii) Arranjo: quando, de um total de n elementos, devemos tomar k destes elementos e permutá-los

A

n k

,

n !

(

n

k

)!

(

n n

1)(

n

2)

(

n

k

 

1)

.

iii) Combinação: quando temos de escolher k, dentre n elementos distintos, sem considerar a ordem

C

n k

,

n

 

 

 

k

n !

k

!(

n

k

)!

;

note que

C

n k

,

A

n k

,

 
 

.

 

P

k k

,

9) Probabilidade Condicional e Independência: sejam A e B eventos

quaisquer

tais

que

PA0,

então

a

probabilidade

de

B

condicionada ao evento A é definida por

P B

(

|

A

)

P (

B

A

)

 

P (

A

)

.

Lê-se: probabilidade de B dado A.

Nota: os eventos A e B são independentes se: P(B| A) P(B).

9.1) Regra Multiplicativa das Probabilidades: da probabilidade condicional podemos escrever a probabilidade conjunta de A e B por

P(A B) P(B| A)P(A)

ou

P(A B) P(A |B)P(B)

E, se A e B forem independentes, então

P(A B) P(A)P(B).

Exemplos:

  • I) Considere as informações da qualidade de um produto pela região de

procedência. O produto foi classificado como tipos A e B, sendo o tipo A de melhor qualidade.

Qualidade

 

Região

Total

S

SE

CO

Tipo A

 
  • 22 54

118

 

224

Tipo B

 
  • 23 11

42

 

76

Total

 
  • 75 65

160

 

300

Se um fornecedor é sorteado ao acaso para verificação, qual é a probabilidade de que:

  • a) Seja de qualidade Tipo A?

P(A)

224

300

0.7467

  • b) Seja procedente da região S?

P(S)

75

300

0.25

  • c) Seja de qualidade Tipo B e da região CO?

P(BCO)

  • 11 0.0367

300

  • d) Seja da região S ou de qualidade Tipo A?

P

(A

S)

75

224

52

300

247

300

0.8233

  • e) Sabendo que o fornecedor escolhido é da região probabilidade de que seja de qualidade do Tipo B?

SE,

qual

a

P(B|SE)

42 / 300

160 / 300

  • 42 0.2625

160

  • f) Se a amostra não é de região S, qual é a probabilidade de que seja de qualidade do Tipo A?

P [A |(SE

CO)]

P

[A |(SE

CO)]

P [(A

SE)

(A

CO)]

 
 

P (SE

CO)

 

(118

54)/ 300

172

0.7644

 

(160

65)/ 300

 

225

II) Um aluno responde a um teste de múltipla escolha com quatro alternativas, sendo uma só correta. A probabilidade de que saiba a resposta é de 30%. Se ele não sabe a resposta, vai “chutar”. Definindo: A = o aluno acerta a questão e S = o aluno sabe a resposta.

  • a) Qual a probabilidade dele acertar a questão? P(A) = P(acertar sabendo ou acertar chutando) P(A) = P(acertar sabendo) +P(acertar chutando) P(A) = P(A | S) P(S) + P(A | S c ) P(S c ) P(A) = (1.0)(0.3) + (0.25)(0.7) = 0.475

  • b) Se ele acertou a questão, qual é a probabilidade de que ele realmente saiba a resposta?

P (S| A)

P (S

A)

P (A)

0.3

0.475

0.632

** Esse resultado é conhecido como “teorema de Bayes”.

10) Teorema de Bayes

10.1) Partição: os eventos E 1 , E 2 , . . ., E k ,
10.1)
Partição: os eventos E 1 , E 2 ,
. .
., E k , são uma partição de  se:
i)
E i  E j = ,
i  j,
i, j = 1, 2,
. .
., k;
ii) E 1  E 2 
. . .
 E k = 

Seja um evento A ocorrendo sobre a partição de .

A
A

Assim, podemos escrever A como sendo:

A

A E A E A E A E A E

(

1

)

(

2

)

(

3

)

(

4

)

(

5

)

ou ainda:

A

k

(

A E

i

)

i 1

.

Então, a probabilidade de ocorrência de A é calculada por:

P A

(

)

P

k

(

A

i 1

E

i

)

k

P A

(

i

1

E

i

)

k

P A

(

i

1

|

E

i

)

P E

(

i

)

O resultado acima é conhecido como lei da probabilidade total.

10.2) Teorema de Bayes: considerando a partição de e sabendo que ocorreu o evento A, a probabilidade de que tenha ocorrido uma parcela específica E J da partição é dada por

P ( E  A ) P ( A | E ) P ( E )
P (
E
A
)
P
(
A
|
E
)
P
(
E
)
P
(
E
|
A
) 
J
J
J
J
,
J = 1, 2,
. .
., k.
P (
A
)
P (
A
)

Podemos, ainda escrever o resultado acima como:

P E

(

J

|

A

)

P

(

A

|

E

J

)

P

(

E

J

)

k

P

(

A

i 1

|

E

i

)

P

(

E

i

)

,

J = 1, 2,

. .

., k.

Esse resultado

se

deve ao

trabalho

seu

homenagem.

publicado

em

Revendo Inglês Thomas Bayes num

1763,

e

recebe

o

seu

nome

em

sua

Os exemplos a seguir são para resolver em sala

III) Um levantamento nas estradas mostra que 75% dos acidentes ocorrem por imprudência do motorista, 5% por defeito na pista ou falha na sinalização e o restante por falha mecânica no veículo. O índice de casos fatais nos acidentes é de 9%, 5% e 3%, respectivamente.

  • a) Se um acidente é registrado, qual é a probabilidade de que haja uma

vítima fatal?

  • b) Se uma morte acontece num acidente, qual a probabilidade de que

seja por falha na pista? E por imprudência?

IV) O Neymar do Santos e o Ronaldo do Corinthians resolveram fazer uma disputa de pênaltis. O Neymar só acertou 30% dos últimos pênaltis

cobrados e o Ronaldo 88%. Cada um tem uma única cobrança e o Marcos do Palmeiras é o goleiro. Qual a probabilidade de que:

  • a) Ambos acertem as cobranças?

  • b) Só o Ronaldo acerte?

  • c) Apenas um deles acerte?

IV)

Num processo de

produção de placas eletrônicas, o índice de

defeitos é de 1%. Sabendo que as peças são produzidas

independentemente umas das outras:

  • a) Qual é a probabilidade de que a primeira placa com defeito seja exatamente a quinta a ser produzida?

  • b) Existe uma norma na empresa que diz que se a primeira placa defeituosa for produzida antes e que a 11ª placa tenha sido produzida, então o processo deve ser ajustado. Qual a probabilidade de que o processo precise ser ajustado?

  • c) Qual a probabilidade de que a primeira placa defeituosa ocorra apenas após a 20ª peça ter sido produzida?

Variáveis Aleatórias

Definição:

Uma variável aleatória v.a. é uma função que associa elementos do espaço amostral a valores numéricos, ou seja, X : I , em que I . Esquematicamente:

Variáveis Aleatórias Definição : Uma variável aleatória v.a. é uma função que associa elementos do espaço

As variáveis aleatórias são classificadas em dois tipos:

VA discreta: é aquela para a qual o conjunto I é um conjunto finito ou infinito enumerável

Exs.:

I = {1, 2, 3, 4, 5, 6},

I = N = {0, 1, 2, 3, 4,

.......},

etc.

VA contínua: é aquela para a qual o conjunto I é um conjunto infinito não enumerável, ou seja, é uma v.a. que assume valores em intervalos de números reais

Exs.:

I = = (−∞,),

I = [0,1] , etc.

Notas: Para v.a.’s contínuas, a função que normalmente associa pontos de ao conjunto I , é a função identidade; Para v.a.’s discretas, a função que normalmente associa pontos de ao conjunto I , é uma contagem ou soma.

Exemplo: Três jogadores A, B

e

C

cobram

um

penalti

cada

um

(independentemente) e marcam o gol com probabilidades 90%, 88% e 85%, respectivamente.

  • a) Quais os resultados possíveis?

  • b) Como definir uma v.a.?

  • c) Como associar probabilidade a essa uma v.a.?

Sejam os eventos A = o jogador A marca o penalti, B = o jogador B marca o penalti e C = o jogador C marca o penalti.

  • a) = ABC, A c BC, AB c C, ABC c , A c B c C, A c BC c , AB c C c , A c B c C c é o espaço amostral.

  • b) Temos pelo menos duas formas para definir uma variável aleatória para esse caso:

    • (i) X 1 = número de gols marcados nas três cobranças ou

(ii) X 2 = número de gols perdidos nas três cobranças.

Vamos considerar X = número de gols marcados nas três cobranças X(ABC) = 3 X(A c BC) = X(AB c C) = X(ABC c ) = 2 X(A c B c C) = X(A c BC c ) = X(AB c C c ) = 1 X(A c B c C c ) = 0

Vamos simplificar a notação para os possíveis valores da v.a.:

X(ABC) X(A c BC) = X(AB c C) = X(ABC c )

X(A c B c C) = X(A c BC c ) = X(AB c C c )

X(A c B c C c )

X = 3 X = 2 X = 1 X = 0

Assim pode-se escrever:

P(X = 3) = P(ABC) = 0.900.880.85 = 0.6732 P(X = 2) = P(A c BC AB c C ABC c ) = 0.2854 P(X = 1) = P(A c B c C A c BC c AB c C c ) = 0.0396 P(X = 0) = P(A c B c C c ) = 0.0018

Normalmente

reperentam-se

os

valores

numa

tabela

com

a

distribuição das probabilidades, chamada de função de probabilidade:

Tabela: Função de probabilidade da v.a. X = gols marcados nas 3 cobranças.

Valores da v.a. X

Probabilidades

 
  • 0 0.6732

 
  • 1 0.2854

 
  • 2 0.0396

 
  • 3 0.0018

Função de probabilidade de uma v.a. discreta

A função que associa probabilidades aos possíveis valores de uma v.a. discreta X, é chamada de função de probabilidade (fp) ou função massa de probabilidade (fmp), sendo representada por:

p(x) = P(X = x),

x I,

I = conjunto dos possíveis valores de X.

Propriedades:

  • a) 0 p(x) 1;

b)

p

(

x

)

xI

1

.

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.

b) Uma indústria que produz placas para componentes eletrônicos, usadas na fabricação de celulares, afirma que no processo de produção dessas

placas, 1% sai com defeito nas furações. Considerando que na inspeção dessas placas, 10 unidades são selecionadas aleatoriamente e avaliadas,

  • i) Defina uma variável aleatória para esse caso.

Qual é a probabilidade de que a inspeção encontre:

ii) exatamente uma placa com defeito? iii) pelo menos uma placa com defeito? iv) no máximo três placas com defeito?

Escrevendo as probabilidades em termos da v.a.:

a) Seja

a

v.a.

X

=

número de itens com defeito encontrados na

inspeção de n = 10 placas. Então, temos que I = { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 }, ou seja

p(x) = P(X = x), em que

x { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 }.

b) Probabilidade de que a inspeção encontre exatamente uma placa defeituosa: P(X = 1). Se o índice de placas com defeitos na produção é de 1%, então, uma placa tem probabilidades 0.01 de ser defeituosa e 0.99 de ser boa.

Sendo D = placa com defeito e b = placa boa, temos que

b/D

D

b

b

b

b

b

b

b

b

b

prob.

0.01

0.99

0.99

0.99

0.99

0.99

0.99

0.99

0.99

0.99

item

1

2

3

4

5

6

7

8

9

10

Assim, a probabilidade de que a inspeção encontre exatamente uma placa defeituosa, senda esta a primeira é igual a: (0.01)(0.99) 9

Como a placa com defeito pode ser a primeira placa ou a segunda ou a

terceira

. . .

ou a décima, então temos dez vezes essa probabilidade, i.e.:

P(X = 1) = 10(0.01)(0.99) 9 =

10

 

1

 

(0.01) 1 (0.99) 9 = 0.09135

c) Se a inspeção encontrar pelo menos uma placa com defeito, então,

pode ser uma placa com defeito ou duas ou três

. . .

ou as dez.

Portanto, a probabilidade da inspeção encontrar pelo menos uma

placa com defeito é dada por:

P(X 1) =

10

P

(

X

x 1

x

)

P(X = 1) + P(X = 2) + ...

+

P(X = 10).

Mas, utilizando o evento complementar, podemos escrever essa probabilidade como sendo um menos a probabilidade de que todas as placas sejam boas, ou seja:

P(X 1) = 1 P(X = 0) = 1 (0.99) 10 = 0.09562

d) A probabilidade da inspeção encontrar no máximo três placas com defeito é escrita como:

P(X 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3).

Em que:

P(X = 0) =

10

 

0

 

(0.01) 0 (0.99) 10 = 0.90438

P(X = 1) =

10

 

1

 

(0.01) 1 (0.99) 9 = 0.09135

P(X = 2) =

10

 

2

 

(0.01) 2 (0.99) 8 = 0.00415

P(X = 3) =

10

 

3

 

(0.01) 3 (0.99) 7 = 0.00011

Logo, P(X 3) = 0.99999 1

O modelo binomial

No exemplo acima podemos escrever uma fórmula geral para as probabilidades:

P(X = x) =

10

 

x

 

(0.01) x (0.99) 10 x

Generalizando um pouco mais, podemos pensar num processo de fabricação com índice de defeitos diferente de 1%.

Como esse índice de defeitos pode ser expresso como uma proporção entre 0 e 1, podemos definir uma quantidade p, 0 p 1, como sendo a probabilidade de que uma placa seja defeituosa. Considerando que a inspeção pode ser aplicada a um número n qualquer de placas, se X é a v.a. que conta o número de defeitos nas n placas inspecionadas, então podemos generalizar a probabilidade P(X = x) por:

P(X = x) =

n

 

 

 

x

p x (1 p) n x ,

x = 0, 1, 2, ...

,

n.

Esse modelo é conhecido como modelo binomial.

O

modelo

binomial

está

associado

à

ensaios

ou

eventos

independentes com apenas dois resultados possíveis:

sim/não;

ocorre/não ocorre;

0 ou 1.

Os ensaios com essas características são chamados de ensaios de Bernoulli.

Nos ensaios de Bernoulli estamos interessados na ocorrência de apenas um dos resultados ao qual chamaremos de sucesso sendo que, a não ocorrência do evento de interesse vamos chamar de fracasso.

Desta forma, para o modelo binomial temos que:

p = P(sucesso)

e

(1 p) = P(fracasso)

No exemplo acima, ocorre sucesso quando a inspeção detecta uma placa com defeito e fracasso quando a placa não apresenta defeito.

O modelo binomial é, então, caracterizado pela realização de n ensaios independentes com apenas dois resultados possíveis (sucesso e fracasso), nos quais a probabilidade de sucesso p é constante.

A v.a. binomial é definida como sendo:

Uma v.a. que conta o número de sucessos num número fixo de ensaios de Bernoulli.

Notação: X binomial(n; p).

No exemplo das placas eletrônicas, temos p = 0.01 e n = 10, logo X binomial(10; 0.01).

Outro exemplo: Considere a fabricação de pinos metálicos para montagens de motores em que o índice de produtos com defeito é de

2.5%. Se um inspetor seleciona um lote com 80 pinos para inspeção, qual a probabilidade de que:

  • a) apenas um seja defeituoso?

  • b) nenhum seja defeituo?

  • c) no máximo dois sejam defeituosos?

  • d) Qual é o número esperado de pinos defeituosos no lote?

Vamos definir a v.a. X = número de pinos defeituosos dentre os 80.

Como estamos interessados nos defeitos (sucesso defeito), então:

p = P(defeito) = 0.025 e X binomial(80; 0.025)

a)

P(X = 1) =

80

 

1

 

(0.025) 1 (0.975) 79 = 0.2706

b)

P(X = 0) =

80

 

0

 

(0.025) 0 (0.975) 80 = 0.1319

  • c) P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = 0.6767.

  • d) Espera-se: 800.025 = 2 peças defeituosas no lote, ou seja, espera-se np peças com defeito.

Resultado: O número esperado de sucessos em n ensaios de Bernoulli, tal

que, P(sucesso) = p é dado por

np.

No exemplo das placas eletrônicas, espera-se 100.01 = 0.1 placas com defeito na inspeção.

Mais um exemplo: Segundo pesquisa Lance!/IBOPE (ago/2010) 9.2% dos Paulistas são torcedores do Santos. Se 21 pessoas do estado de São Paulo são escolhidas ao acaso,

  • a) qual é a probabilidade de que pelo menos uma seja Santista?

  • b) qual é a probabilidade de que no máximo duas sejam Santistas?

  • c) qual o número esperado de Santistas entre as 21 pessoas?

Seja a v.a. X = número de torcedores do Santos na amostra.

X binomial(21; 0.092)

  • a) P(X 1) = 1 P(X = 0)

=

1 (0.908) 21 = 0.8682

  • b) P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = 0.6962

  • c) E = 21 0.092 = 1.932 2 torcedores

Função de probabilidade de uma v.a. contínua

Para modelarmos as probabilidades associadas a uma v.a. contínua, temos de considerar que estas assumem valores em intervalos dos reias. Desta forma, o conjunto de possíveis valores que uma v.a. contínua X pode assumir é dado por I = { x R | k 1 x k 2 }, k 1 < k 2 . Como existem infinitos pontos no intervalo [k 1 , k 2 ], não faz sentido pensarmos na probabilidade de X assumir um valor x 0 I, uma vez que essa probabilidade será igual a zero. Desta forma, para uma v.a. contínua,

P(X = x 0 ) = 0.

No entanto, podemos determinar a probabilidade de X assumir um valor entre dois pontos quaisquer pertencentes a I:

P(a

X b) ; P(X b); P(X a); etc…

Definição 1: Seja um função f(x) não negativa tal que

  • 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

A função f(x) é chamada de função densidade de probabilidade (fdp) da v.a. X, ou simplesmente função densidade de X e serve para descrever a distribuição de probabilidade de uma v.a. contínua.

A função de probabilidade f(x) pode ser aproximada pelo
A
função
de
probabilidade
f(x)
pode
ser
aproximada
pelo

histograma da v.a. X., conforme podemos observar pela figura 2.

A função de probabilidade f(x) pode ser aproximada pelo histograma da v.a. X ., conforme podemos

Definição 2: Seja um função F(x) tal que

F(x)

P(X

x)

x

f (u)du.



F(x) é chamada função de distribuição acumulada (fda) da v.a. X, ou simplesmente função de distribuição.

Nota: Da definição de fdp segue-se que:

 

b

P(a

X b) = f (x)dx = F(b) F(a)

a

Exemplo: Seja uma v.a. X com fdp f(x) dada por

f(x) = 2

k x

e

,

x 0.

  • a) Para que valor de k, f(x) define uma f.d.p.?

De



f

(

x dx

)





2

e

k x

dx

0

1

,

fazendo w = kx, segue-se que dw = kdx.

Portanto,



0

2

e

k x

dx

2

e

w

0

dw

2

k

k

e

w

0

2

k



e

e

  • 0

1

,

de onde se obtém:

2

k

1

k 2.

  • b) Encontrar a fda

F

(

x

)

Portanto,

F

(

x x   2 u e   2 u  2 x  2
x
x
 2 u
e
 2 u
 2 x
2
e
du 
2 
  e
1
.
2
0
0
x
)
P
(
X
x
)
 
1
e
 2 x
.

Desta forma, podemos encontrar P(1 X 2) = F(2) F(1), ou seja

P(1 X 2) =

1

e

2 2

 

1

  e

21

 

2

e

4

e

= 0.1170.

Valor Esperado e Variância de uma v.a.

A-) O valor esperado, esperança ou média de uma variável aleatória é definido por:

i) Se X é uma variável discreta:

E(X )

x p(x)

x

ii) Se X é uma variável contínua:

E(X ) E g(X )

Propriedades de Esperança:

a)

E g(X )

g(x) p(x)

ou

x

x

x

x f (x)dx g(x) f (x)dx

  • b) E(aX E(k)   k bY) , aE(X) bE(Y)
    c)

k constante.

e

E(aX b) aE(X) b

B-) A variância de uma variável aleatória é definida por:

Var(X ) E X E(X )

2

E(X

2

)

E(X )

2

,

em que:

E(X

2

)

x

2

p(x)

x

ou

Propriedades de Variância:

  • a) Var aX b

(

)

2

a Var

(

X

)

E(X

2

)

2

x f (x)dx

x

Exemplos:

1) Seja uma v.a. discreta com função de probabilidade

dada por:

p

x  1 ( x )  k 2  3 10
x
 1
(
x
) 
k
2
 3
10

, k > 0

e

x { 2, 1, 0, 2, 4 }:

  • 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:

p

(

x

) 1

x

  2 1
 
2
1
  • 10 k

2

3

10

  • 10 k

2

3

  1 1 0  1  k 2  3 k 2  3
 
1
1
0
1
k
2
3
k
2
3
10
10
1
 1
2
10
k
 4

2  1 k 2  3 10
2
1
k
2
 3
10

4  1 k 2  3 10
4
1
k
2
 3
10

1

Desta forma:

p

10 k 2  4  1 k 2  4  0 x  1
10
k
2
 4
1
k
2
4
0
x
 1
(
x
) 
2
2
3
10

k  2  x  1 p x ( ou 10
k  2
x
 1
p x
(
ou
10

)

0.1

x

1

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

( ) (2)0.3(1) 0.2 (0)0.1(2)0.1(4)0.3

x

 

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

Var(X )

E(X

  • 2 )

E(x)

  • 2 6.6

(0.6)

  • 2 6.24

DP(X )

b) Valor esperado de X : E ( X )   x p ( )

6.24 2.4980

d) P(1 X < 4 ) = 0.2 + 0.1 + 0.1 = 0.4

  • e) E(aX b) aE(X) b 0.6a b 0 Var aX b

(

)

2

a Var

(

X

)

6.24

a

2

1 1  a  6.24
1
1
a 
6.24

0.400

Assim, temos que:

b  

  • 0.6 0.2402

6.24
6.24

Resultado:

Seja uma v.a.

Y aX b, tal que

Y

X

E

(

X

)

(

DP X

)

, então Y é

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
k
f (x) 
, k > 0
e
x

{ x R | 0 < x 1 }:

  • 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 k 1 e k 2 tal que P(X k 1 ) = 0.05 e P(X k 2 ) = 0.05?

a) Achar o valor de k:

x

f (x)dx

1

1 k  x 0
1
k
x
0

dx

  • 1

2k (10) 1

2k 1

1 k  2
1
k 
2

Logo:

f

  • ,

0 < x 1 , é uma fdp.

  • b) Valor esperado de X :

E

(

X

)

1

1