variáveis aleatórias - ufscar.br · normalmente reperentam-se os valores numa tabela com a...
TRANSCRIPT
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:
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, AcBC, ABcC, ABCc, AcBcC, AcBCc, ABcCc, AcBcCc é o espaço
amostral.
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.
Vamos considerar X = número de gols marcados nas três cobranças
X(ABC) = 3
X(AcBC) = X(ABcC) = X(ABCc) = 2
X(AcBcC) = X(AcBCc) = X(ABcCc
) = 1
X(AcBcCc) = 0
Vamos simplificar a notação para os possíveis valores da v.a.:
X(ABC) X = 3
X(AcBC) = X(ABcC) = X(ABCc) X = 2
X(AcBcC) = X(AcBCc) = X(ABcCc
) X = 1
X(AcBcCc) X = 0
Assim pode-se escrever:
P(X = 3) = P(ABC) = 0.900.880.85 = 0.6732
P(X = 2) = P(AcBC ABcC ABCc) = 0.2854
P(X = 1) = P(AcBcC AcBCc ABcCc) = 0.0396
P(X = 0) = P(AcBcCc) = 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) 1)(I
x
xp .
Exemplos:
a) No exemplo dos 3 jogadores, temos I = { 0, 1, 2, 3 } e:
x p(x) função que associa
probabilidades à v.a.
número de gols
narcados nas 3
cobranças de penaltis.
0 0.0018
1 0.0396
2 0.2854
3 0.6732
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 =
1
10(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
1
)(x
xXP 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) =
0
10(0.01)0 (0.99)10 = 0.90438
P(X = 1) =
1
10(0.01)1 (0.99)9 = 0.09135
P(X = 2) =
2
10(0.01)2 (0.99)8 = 0.00415
P(X = 3) =
3
10(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) =
x
10 (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) =
x
n px (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) =
1
80 (0.025)1(0.975)79 = 0.2706
b) P(X = 0) =
0
80(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 | k1 x k2 }, k1 < k2.
Como existem infinitos pontos no intervalo [k1, k2], não faz sentido
pensarmos na probabilidade de X assumir um valor x0 I, uma vez que
essa probabilidade será igual a zero.
Desta forma, para uma v.a. contínua,
P(X = x0) = 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) 1)(I
dxxf ;
c) 0)(lim)(lim
xfxfxx
;
Então: P(a X b) = b
a
dxxf )(
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
histograma da v.a. X., conforme podemos observar pela figura 2.
Definição 2: Seja um função F(x) tal que
x
duufxXPxF )()()( .
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:
P(a X b) = b
a
dxxf )( = F(b) – F(a)
Exemplo: Seja uma v.a. X com fdp f(x) dada por
,e2
1)( xkxf {x R | x 0}.
a) Para que valor de k, f(x) define uma fdp?
De 1e2
1)(
0
dxdxxf xk ,
fazendo w = kx, segue-se que dw = kdx.
Portanto, 1ee2
1e
2
1e
2
1e
2
1 0
000
kkk
dwdx wwxk ,
de onde se obtém: 12
1
k
2
1k .
b) Encontrar a fda
2/
0
2/
0
2/ e1e22
1e
2
1)( xxu
xu duxF .
Portanto, 2/e1)()( xxXPxF .
Desta forma, podemos encontrar P(1 X 2) = F(2) – F(1), ou seja
P(1 X 2) = 12/12/12/2 eee1e1 = 0.2387.
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: x
xpxXE )()(
ii) Se X é uma variável contínua: x
dxxfxXE )()(
Propriedades de Esperança:
a) x
xpxgXgE )()()( ou x
dxxfxgXgE )()()(
b) )()()( YbEXaEbYaXE e bXaEbaXE )()(
c) kkE )( , k constante.
B-) A variância de uma variável aleatória é definida por:
222)()()()( XEXEXEXEXVar ,
em que: x
xpxXE )()( 22 ou x
dxxfxXE )()( 22
Propriedades de Variância:
a) )()( 2 XVarabaXVar
b) 0)( kVar , k constante.
Exemplos:
1) Seja uma v.a. discreta com função de probabilidade
dada por: 32
10
1)(
k
xxp , 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:
1)( x
xp 110
14
10
12
10
10
10
11
10
12
33333 22222
kkkkk
110
1
10
10
43 22
kk
110 42
k
042 k 2k
Desta forma: 10
1
10
1)(
322
xxxp ou 11.0)( xxp
x –2 –1 0 2 4
p(x) 0.3 0.2 0.1 0.1 0.3
b) Valor esperado de X:
3.0)4(1.0)2(1.0)0(2.0)1(3.0)2()()( x
xpxXE
0.6)(XE
c) Variância de X:
x
xpxXE )()( 22
3.0)4(1.0)2(1.0)0(2.0)1(3.0)2( 22222
6.62.34.002.02.1
6.24 222 )6.0(6.6)()()( xEXEXVar
2.4980 24.6)(XDP
d) P(–1 X < 4 ) = 0.2 + 0.1 + 0.1 = 0.4
e) 06.0)()( babXaEbaXE
124.6)()( 22 aXVarabaXVar 0.40024.6
1a
Assim, temos que: 0.240224.6
6.0b
Resultado:
Seja uma v.a. baXY , tal que )(
)(
XDP
XEXY
, então Y é
uma v.a. padronizada, tendo média 0 e variância 1.
2) Seja uma v.a. contínua com fdp dada por:
x
kxf )( , k > 0 e { 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 k1 e k2 tal que P(X k1) = 0.05 e
P(X k2) = 0.05?
a) Achar o valor de k:
x
dxxf 1)(
12/1
1
0
2/11
0
xkdx
x
k
1)01(2 k
12 k 2
1k
Logo: x
xf2
1)( , 0 < x 1 , é uma fdp.
b) Valor esperado de X :
1
0
1
022
)( dxx
dxx
xXE
3
1
2/32
11
0
2/3
x
3
1)( XE
c) Variância de X:
1
0
2/31
0
22
22)( dx
xdx
x
xXE
5
1
2/52
11
0
2/5
x
45
4
3
1
5
1)(
2
XVar
2981.045
4)( XDP
d) fda de X:
xu
duu
xF
xx
0
2/1
02/12
1
2
1)(
Logo:
1,1
10,
0,0
)(
x
xx
x
xF .
Figura: fdp e fda, respectivamente.
e) P(X 1/2) e P(1/4 X < 9/16):
i) 2
22/1)2/1()21( F/XP
ii) 4
1
2
1
4
3)4/1()16/9()1694/1( FF/XP
f) k1 e k2 tal que P(X k1) = 0.05 e P(X k2) = 0.05:
i) 05.0)( 11 kkXP 025.01 k
ii) 05.01)(1)( 222 kkXPkXP
95.02 k
9025.02 k
3) Seja X uma v.a. discreta com função de probabilidade
binomial(n, p). Calcular E(X) e Var(X).
4) Seja X uma v.a. contínua com fdp dada por:
/e
1)( xxf , > 0 e {x R | x 0}.
Calcular E(X) e Var(X).
O modelo acima é o modelo exponencial:
X exponencial()
E(X) =
Var(X) = 2
Obs: = 1/ é a taxa de ocorrência:
O modelo exponencial também aparece na forma:
xxf e)( , > 0 e {x R | x 0}.
Mais Exemplos:
1) Para o modelo binomial mostra-se facilmente que
E(X) = np e que Var(X) = np(1 – p).
Dessa forma, no exemplo das placas, como n = 10 e p = 0.01,
E(X) = 10(0.01) = 0.1 placas e
Var(X) = 10(0.01)(0.99) = 0.099
2) No exemplo da fabricação de pinos metálicos para
motores, como n = 80 e p = 0.025,
E(X) = 80(0.025) = 2 def./lote e
Var(X) = 80(0.025)(0.975) = 1.95.
3) Para o exemplo da v.a. contínua, em que ,e2
1)( 2/xxf
temos que:
0
2/
0
2/ e2
1e
2)( dxxdx
xXE xx , integrando por partes,
2)( XE .
0
2/2
0
2/2
2 e2
1e
2)( dxxdx
xXE xx , integrando p. partes
8)( 2 XE , logo, 4)( XVar .
A distribuição de probabilidade Normal.
Uma v.a. X tem distribuição normal ou Gaussiana, com parâmetros
e 2 se a sua fdp for:
,e2
1 222
xxf x , e 02 .
Notação: X normal( ; 2) ou X N( ;
2).
As principais características da distribuição normal são:
a) X tem média E(X) = e variância Var(X) = 2;
b) f(x) é uma função simétrica em torno de : f( – k) = f( + k);
c) f(x) tem pontos de inflexão em ( – ) e ( + );
d) f(x) tem o conhecido formato de sino com 95% de probabilidade
entre ( – 2) e ( + 2) (ver figura).
A função de distribuição acumulada (fda) do modelo normal não pode
ser determinada uma vez que a integral
,e2
1 222 dwxF
xw
não tem solução algébrica, o que dificulta as coisas, pois temos de
recorrer à programação numérica.
No entanto, o resultado a seguir vem facilitar as coisas:
Considere a va normal padronizada, dada pela transformação linear
XZ .
Essa transformação padroniza a va X em relação ao seu desvio padrão,
além de centralizá-la na origem.
Desta forma, tem-se que E(Z) = 0 e Var(Z) = 1.
Resultado: Seja X uma va com distribuição normal com média e
variância 2, então a variável Z tem distribuição normal padrão, com
média 0 e variância 1, ou seja: Z N(0; 1),
e a sua fdp é dada por: ,e2
1)( 22zz
z .
Nota: Com este resultado, basta construir uma única tabela de
probabilidades para a distribuição normal padronizada que teremos as
probabilidades para uma va normal qualquer.
Exemplo: 1) Seja uma va X com distribuição normal com média 220 e
variância 16, ou seja, X N(220; 16). Calcular as probabilidades abaixo:
a) P(X 225)
P(X 225) = 25.14
220225
4
220
ZP
XP = 0.8943
b) P(210 X 228)
P(210 X 228) =
4
220228
4
220
4
220210 XP
00.250.2 ZP
50.200.2 ZPZP 0.9773 – 0.0062 = 0.9711
c) Qual o valor de k tal que P(X k) = 0.01?
P(X k) =
4
220
4
220 kXP = 0.01,
Da tabela temos que 33.24
220
k k = 210.38
d) Quais os valores k1 e k2 simétricos em torno de , tal que
P(k1 X k2) = 0.95?
P(k1 X k2) =
4
220
4
220 21 kZ
kP = 0.95,
Da tabela temos que
4
220
4
220 21 kZP
kZP = 0.025, e,
96.14
2201 k
k1 = 212.16
Como k1 e k2 simétricos em torno da média, então
96.14
2202 k
k2 = 227.84
Exemplo: 2) Suponha que o nível de dureza de uma peça de espuma
tenha distribuição 36 40;N . Qual a probabilidade de que:
a) Um item produzido tenha dureza inferior a 28.7?
b) Um item produzido tenha dureza superior a 50.5?
c) A especificação para esse produto é que pelo menos 95% dos itens
produzidos tenham dureza entre 28 e 52. A especificação é atendida?
a) P(X < 28.7)
P(X < 28.7) = 88.16
407.28
ZPZP = 0.0301
b) P(X > 50.5)
P(X > 50.5) = 75.116
405.50
ZPZP = 0.0401
c) P(28 < X < 52)
P(28 < X < 52) = 0.20.20.20.2 ZPZPZP
= 0.9773 – 0.0228 = 0.9545
Exemplo: 3) O tempo até a falha dos televisores da marca X-View tem
distribuição normal com média 35 mil horas ( 4 anos) e desvio padrão de
2.675 mil horas ( 3.7 meses). A empresa deseja fixar a garantia do
produto de forma que, no máximo 5% dos televisores apresentem
problemas abaixo desse limite.
a) Encontre o limite de garantia? P(X < L) = 0.05
05.0675.2
35
LZP 645.1
675.2
35
L
L = 30.6 mil horas ( 3.5 anos)
b) Os diretores da companhia traçam um plano de ação para
reduzir a variabilidade do processo de produção. De quanto deve ser
reduzido o desvio padrão do processo para que, mantido o limite obtido
em (a), o percentual de itens abaixo do limite garantia caia pela metade?
P(X < 30.6) = 0.025
025.0*
356.30
ZP 96.1
*
4.4
* = 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) =
Principais quantis da distribuição Normal
Quantil Z
= 0.005 0.5% Z0.005 = –2.575
= 0.01 1% Z0.01 = –2.33
= 0.025 2.5% Z0.025 = –1.96
= 0.05 5% Z0.05 = –1.645
= 0.10 10% Z0.1 = –1.28
= 0.5 50% ou x~ Z0.5 = 0
= 0.90 90% Z0.9 = 1.28
= 0.95 95% Z0.95 = 1.645
= 0.975 97.5% Z0.975 = 1.96
= 0.99 99% Z0.99 = 2.33
= 0.995 99.5% Z0.995 = 2.575
Obs: 1) Note que Z = – Z(1–), por exemplo Z0.025 = – Z0.975;
2) No programa R os quantis da normal são obtidos pelo
comando: qnorm(), 0 1.
Exemplo: 4) O diâmetro D (cm) de esferas usadas na fabricação
de um rolamento tem distribuição )106.25 0.614,( 6-N . Uma
esfera é classificada como “boa” se 618.0 0.610 D ;
“recuperável” se 610.0 0.608 D ou 620.00.618 D e como
“descarte” se 608.0D ou 620.0D . Quais as probabilidades
de uma esfera ser “boa”, “recuperável” e “descarte”?
P(“boa”) = P(0.610 D 0.618) =
0025.0
004.0
0025.0
004.0ZP
= P(Z 1.60) – P(Z –1.60)
= 0.9452 – 0.0548 = 0.8904
P(“rec”) = P(0.608 D < 0.610) + P(0.618 < D 0.620)
= [P(Z –1.60) – P(Z –2.40)]
+ [P(Z 2.40) – P(Z 1.60)]
= [0.0548 – 0.0082] + [0.9918 – 0.9452]
= 0.0466 + 0.0466 = 0.0932
P(“des”) = P(D < 0.608) + P(D > 0.620)
= P(Z –2.40) + [1 – P(Z 2.40)]
= 0.0082 + [1 – 0.9918] = 0.0164
Classificação boa recuperável descarte
probabilidade 0.8904 0.0932 0.0164
O fabricante deseja fixar limites de especificação (inferior e
superior) para o produto “bom” de tal forma que apenas 0.5%
dos rolamentos fiquem de fora. Quais devem ser esses limites?
P(k1 D k2) = 1 – 0.005
=
0025.0
614.0
0025.0
614.0 21 kZ
kP = 0.995
81.20025.0
614.00025.0
1
Zk
k1 = 0.607
Como k1 e k2 são simétricos em torno da média, então
81.20025.0
614.09975.0
2
Zk
k2 = 0.621
Logo, P( 0.607 D 0.621 ) = 0.995
Considere que cada esfera é produzida a um custo de R$ 0.15
e vendida a R$ 0.25 por unidade, calcule o lucro esperado na
venda de 50 mil unidades do produto se cada peça recuperável
tem um custo adicional de R$ 0.05 de retrabalho.
Seja L o lucro na venda de uma esfera, então
Classificação boa recuperável descarte
probabilidade 0.8904 0.0932 0.0164
Custo C 0.15 0.15 + 0.05 0.15
Venda V 0.25 0.25 0
Lucro L 0.10 0.05 – 0.15
E(L) = 0.8904(0.10) + 0.0932(0.05) + 0.0164(– 0.15)
= R$ 0.09124/esfera
Em 50 mil esferas, temos:
50000 E(L) = 50000 (0.09124) = R$ 4.562,00
Obs: Pode-se, ainda, encontrar o lucro esperado fazendo:
L = V – C E(L) = E(V) – E(C),
em que V é o valor da venda de uma esfera.
Como E(V) = R$ 0.2459/un., e
E(C) = R$ 0.15466/un., então
E(L) = R$ 0.2459 – R$ 0.15466 = R$ 0.09124/un.
Exemplo: 5) Um produto é vendido em pacotes de um
quilograma, sendo que a distribuição do peso dos pacotes é
normal com média 1005g e desvio padrão 12g.
a) Qual a probabilidade de que um pacote saia com peso 15g
abaixo da média?
b) Num fardo com 12 pacotes, qual é a probabilidade de no
máximo 2 estejam abaixo de 990g?
c) Um fiscal informou o produtor de que são aceitos apenas 5%
dos pacotes com peso abaixo de 995g. De quanto deve
diminuir a variabilidade para que esse limite seja atendido?
d) Como o processo não permite o ajuste na variabilidade, a
opção seria aumentar a média para atender a especificação.
De quanto deve ser a nova média?
e) Com a nova média obtida no item anterior, de quanto se
espera aumentar a perda do empacotador em uma tonelada
do produto.