Noces de Probabilidade e Estatstica o Resoluco dos Exerccios Pares a Captulo 4

Gledson Luiz Picharski Data da ultima atualizao: 2 de Maio de 2008 ca

Seo 4.2 ca
2. Vinte e cinco residncias de um certo bairro foram sorteadas e visitadas por um entree vistador que, entre outras questes, perguntou sobre o nmero de televisores. Os dados o u foram os seguintes: 2, 2, 2, 3, 1, 2, 1, 1, 1, 1, 0, 1, 2, 2, 2, 2, 3, 1, 1, 3, 1, 2, 1, 0, 2 Organize os dados numa tabela de freqncia e determine as diversas medidas de posio. ue ca Resposta: > res <- c(2,2,2,3,1,2,1,1,1,1,0,1,2,2,2,2,3,1,1,3,1,2,1,0,2) > table(res) res 0 1 2 2 10 10

3 3

> summary(res) #mdia, mediana, quartis, minimo e mximo. e a Min. 1st Qu. 0.00 1.00 Median 2.00 Mean 3rd Qu. 1.56 2.00 Max. 3.00

> moda(res) #para usar a fun~o moda() carregar o pacote dprep. ca [1] 2 1 1

4. Sendo X uma varivel aleatria com funo de probabilidade dada a seguir, obtenha as a o ca medidas de posio , M d e M o. ca X pi -2 0 2 1/3 1/3 1/3

Resposta: J que os valores so igualmente provaveis, podemos supor um conjunto com a mesma a a quantia de cada dado e obter as mediadas de posio, podemos tambm dizer que no ca e a existe moda, por serem valores de mesma probabilidade. > dados <- c(-2, 0, 2) > summary(dados) Min. 1st Qu. -2 -1 Median 0 Mean 3rd Qu. 0 1 Max. 2

6. Um atacadista recebe de vrios fornecedores uma certa pea para revenda. A pea a c c e produzida com material de qualidade diferente e, portanto, tem custo diferenciado. Levando em conta a proporo fornecida e o preo apresentado por cada fabricante, pode-se ca c admitir que o custo de uma pea em reais, escolhido ao acaso, uma varivel aleatria c e a o (C). Admita a seguinte funo de probabilidade para C: ca C pi 1,00 1,10 1,20 1,30 1,40 0,2 0,3 0,2 0,2 0,1

a) Determine as medidas de posio da varivel C. ca a b) Suponha que o atacadista revenda cada uma dessas peas acrescentando 50% sobre c o custo da pea, alm de um adicional de R$0,10 pelo frete.Calcule as medidas de c e posio da varivel preo de revenda. ca a c Resposta: Suponho uma quantidade de dados proporcional a probabilidade de cada um a) > pea <- rep(c(1, 1.1, 1.2, 1.3, 1.4), c(2, 3, 2, 2, 1)) c > prop.table(table(pea)) c pea c 1 1.1 1.2 1.3 1.4 0.2 0.3 0.2 0.2 0.1 > summary(pea) c Min. 1st Qu. 1.000 1.100 Median 1.150 Mean 3rd Qu. 1.170 1.275 2 Max. 1.400

> moda(pea) c [1] 1.1 b) O preo de revenda obtido com os calculos a seguir. c e > revenda <- pea + pea * 0.5 + 0.1 c c > prop.table(table(revenda)) revenda 1.6 1.75 0.2 0.3 1.9 2.05 0.2 0.2 2.2 0.1 Mean 3rd Qu. 1.855 2.013 Max. 2.200

> summary(revenda) Min. 1st Qu. 1.600 1.750 > moda(revenda) [1] 1.75 Median 1.825

Seo 4.3 ca
2. A pulsao de 10 estudantes no in de uma prova de estat ca cio stica foram as seguintes (em batimentos por minuto): 80, 91, 84, 86, 93, 88, 80, 89, 85 e 86. Calcule a mdia e a e varincia desse conjunto de dados. a Resposta: Observe que a funo var() serve para calcular a varincia da amostra, para calcularca a mos a varincia da populao devemos usar uma das vrias frmulas(todas equivalentes) a ca a o mostradas pelo livro. > pulsa~o <- c(80,91,84,86,93,88,89,85,86) ca > mean(pulsa~o) ca [1] 86.88889

> var(pulsa~o) # esta a vari^ncia para a amostra, pois um estimador consisten ca e a e [1] 15.11111 > mean((pulsa~o-mean(pulsa~o))^2) #vari^ncia da popula~o ca ca a ca [1] 13.4321

4. Num certo bairro da cidade de So Paulo, as companhias de seguro estabeleceram o a seguinte modelo para o nmero de ve u culos furtados por semana: 1 2 3 4 Furtos 0 pi 1/4 1/2 1/8 1/16 1/16 Calcule a mdia e a varincia do nmero de furtos semanais desse bairro. e a u Resposta: A seguradora tem esse modelo para toda a populao de ve ca culos que ela segura, ento a usamos a frmula para calcular a varincia no lugar de usar a funo var(). o a ca > veculos <- rep(0:4, c(1/4, 1/2, 1/8, 1/16, 1/16) * 10000) > prop.table(table(veculos)) veculos 0 1 2 3 4 0.2500 0.5000 0.1250 0.0625 0.0625 > mean(veculos) [1] 1.1875 > mean((veculos - mean(veculos))^2) [1] 1.152344

6. Numa certa cidade, o nmero de crianas em idade escolar, em fam u c lias com 4 lhos, e uma varivel aleatria modelada pela Binomial com parmetros n=4 e p=0,6. Para cada a o a lho em idade escolar, um projeto de apoio ` educao paga 1 salrio m a ca a nimo para a fam lia. Calcule a mdia e a varincia do custo desse projeto por fam e a lia. Resposta: Fao uma simulao dos dados seguindo o modelo binomial, o parametro times do rep() c ca s pode possuir nmeros inteiros, por isso multiplico por mil, sabendo que isso no altera o u a a proporcionalidade e consequentemente no altera a mdia e varincia. a e a > crianas <- rep(0:4, times = dbinom(0:4, 4, 0.6) * 1000) c > prop.table(table(crianas)) c crianas c 0 1 2 3 4 0.02507523 0.15346038 0.34603811 0.34603811 0.12938816 > mean(crianas) c 4

[1] 2.401204 > mean((crianas - mean(crianas))^2) c c [1] 0.9563877

Seo 4.4 ca
2. Estudando uma nova tcnica de satura, foram contados os dias necessrios para a completa e a cicatrizao de determinada cirurgia. Os resultados de 25 pacientes foram os seguintes: ca 6, 8, 9, 7, 8, 6, 6, 7, 8, 9, 10, 7, 8, 10, 9, 9, 9, 7, 6, 5, 7, 7, 8, 10 e 11. Organize os dados numa tabela de freqncia e calcule a mdia e a varincia. ue e a Resposta: Crio um objeto com os dados e calculo os valores pedidos. > dias <- c(6, 8, 9, 7, 8, 6, 6, 7, 8, 9, 10, 7, 8, 10, 9, 9, 9, + 7, 6, 5, 7, 7, 8, 10, 11) > prop.table(table(dias)) dias 5 6 7 8 9 10 11 0.04 0.16 0.24 0.20 0.20 0.12 0.04 > mean(dias) [1] 7.88 > mean((dias - mean(dias))^2) [1] 2.2656

4. As notas nais de estat stica para os alunos de um curso de Administrao foram as ca seguintes: 7, 5, 4, 5, 6, 3, 8, 4, 5, 4, 6, 4, 5, 6, 4, 6, 6, 3, 8, 4, 5, 4, 5, 5 e 6. a) Determine a mediana e a mdia. e b) Separe o conjunto de dados em dois grupos deniminados aprovados, com nota pelo menos igual a 5, e reprovados para os demais. Compare a varincia desses dois a grupos. Resposta: 5

> notas <- c(7, 5, 4, 5, 6, 3, 8, 4, 5, 4, 6, 4, 5, 6, 4, 6, 6, + 3, 8, 4, 5, 4, 5, 5, 6) a) Para encontrar a mediana devemos ordernar os dados, neste caso por puro acaso, os dados desordenados possuem a mesma mediana que os dados ordenados, a mdia e e fcil de ser calculada com a funo mean. a ca > notas [1] 7 5 4 5 6 3 8 4 5 4 6 4 5 6 4 6 6 3 8 4 5 4 5 5 6 > notas[order(notas)] [1] 3 3 4 4 4 4 4 4 4 5 5 5 5 5 5 5 6 6 6 6 6 6 7 8 8 > median(notas) [1] 5 > median(notas[order(notas)]) [1] 5 > mean function (x, ...) UseMethod("mean") <environment: namespace:base> b) Percebemos que a varincia no grupo de aprovados maior, o que signica que entre a e os aprovados existiu uma maior disperso de notas. a > aprovados <- notas[notas >= 5] > reprovados <- notas[notas < 5] > mean((aprovados - mean(aprovados))^2) [1] 0.984375 > mean((reprovados - mean(reprovados))^2) [1] 0.1728395

6. O departamento de atendimento ao consumidor de uma concessionria de ve a culos recebe, via telefone, as reclamaes dos clientes. O nmero de chamadas dos ultimos 30 dias foram co u anotados e os resultados foram: 3, 4, 5, 4, 4, 5, 6, 9, 4, 4, 5, 6, 4, 3, 6, 7, 4, 5, 4, 5, 7, 8, 8, 5, 7, 5, 4, 5, 7 e 6. a) Construa uma tabela de fraqncia. ue b) Calcule a mdia e o desvio padro. e a c) Admitindo que cada telefonema acarreta servios sob a garantia avaliados em R$50 c por chamada, calcule a mdia e o desvio padro das despesas oriundas do atendie a mento ao consumidor. Resposta: 6

> chamadas <- c(3, 4, 5, 4, 4, 5, 6, 9, 4, 4, 5, 6, 4, 3, 6, 7, + 4, 5, 4, 5, 7, 8, 8, 5, 7, 5, 4, 5, 7, 6) a) > prop.table(table(chamadas)) chamadas 3 4 5 6 7 8 9 0.06666667 0.30000000 0.26666667 0.13333333 0.13333333 0.06666667 0.03333333 b) Se tivessemos trabalhando com uma amostra poderiamos usar a funso sd() para ca calcular o desvio padro, mas como se trata de uma populao devemos usar a a ca frmula adequada a situao. o ca > mean(chamadas) [1] 5.3 [1] 1.508863 c) > custo <- chamadas * 50 > mean(custo) [1] 265 > sqrt(mean((custo-mean(custo))^2))#desvio padr~o do custo. a [1] 75.44314

> sqrt(mean((chamadas-mean(chamadas))^2)) #desvio padr~o da popula~o de chama a ca

8. O tempo, em horas, necessrio para um certo medicamento fazer efeito apresentado a e abaixo: 0.212.712.122.813.300.150.543.120.801.76 1.140.160.310.910.180.041.162.161.480.63 a) Calcule a mdia e a varincia para o conjunto de dados. e a b) Construa uma tabela de freqncia para classes com amplitude de 0,5 hora, comeue cando do zero. c) Suponha que o conjunto original de dados foi perdido e s dispomos da tabela conso tru em (b). Utilizando alguma suposio conveniente, recalcule a mdia e a da ca e varincia e comente as poss a veis diferenas encontradas. c Resposta: > tempo <- c(0.21, 2.71, 2.12, 2.81, 3.3, 0.15, 0.54, 3.12, 0.8, + 1.76, 1.14, 0.16, 0.31, 0.91, 0.18, 0.04, 1.16, 2.16, 1.48, + 0.63) a) > mean(tempo) [1] 1.2845 > mean((tempo - mean(tempo))^2) 7

[1] 1.116895 b) Com o comando range() verico os valores extramos do conjunto de daods, uso o cut para separar em classes, e coloco isso em uma tabela para vericar a frequencia em cada classe. > range(tempo) [1] 0.04 3.30 > y <- cut(tempo, seq(0, 3.5, by = 0.5)) > table(ordered(y)) (0,0.5] (0.5,1] (1,1.5] (1.5,2] (2,2.5] (2.5,3] (3,3.5] 6 4 3 1 2 2 2 c) Suponho que o ponto mdio de cada classe substitui o valor original, ento cale a culo a mdia e varincia. As difernas encontradas nos novos valores decorrem da e a e c impreciso em dados resumidos, eles so bem representativos dos dados originais, a a mas obviamente divergem um pouco nas medidas resumo, por no serem os mesmos a valores. > levels(y) <- (0:6/2 + 1:7/2)/2 > mean(as.numeric(levels(y))[y]) [1] 1.325 > mean((as.numeric(levels(y))[y] - mean(as.numeric(levels(y))[y]))^2) [1] 1.081875

10. O Sindicato dos Engenheiros do Estado de So Paulo est estudando o impacto do estgio a a a na obteno de bons empregos. Dentre os engenheiros recm formados e com empregos ca e considerados bons, foi sorteada uma amostra e observado o nmero de anos de estgios u a anteriores ` formatura. a a) Calcule a mdia e a varincia. e a b) Para efeito de anlise, decidiu-se desprezar os valores que se distanciassem da mdia a e amostral por mais de dois desvios padro, isto , s sero considerados os valores no a e o a intervalo xobs 2dpobs . Recalcule o item (a) e comente os resultados. Resposta: Primeiramente crio um objeto com os valores dados pelo livro. > estgio <- rep(0:6, c(25, 58, 147, 105, 72, 45, 10)) a > table(estgio) a estgio a 0 1 2 3 25 58 147 105 a) > mean(estgio) a 8 4 72 5 45 6 10

[1] 2.683983 > var <- mean((estgio - mean(estgio))^2) a a > var [1] 1.947752 b) Crio um novo objeto que s possui valores dentro do intervalo estabelecido pelo o livro. As nova mdia e varincia divergem da anterior, pois no temos agora outlie a a ers, obviamente a varincia diminui por termos excluido valores mais distntesdos a a outros. > est <- estgio[mean(estgio) + 2 * sqrt(var) > estgio & estgio > a a a a + mean(estgio) - 2 * sqrt(var)] a > mean(est) [1] 2.610619 > mean((est - mean(est))^2) [1] 1.742188

12. O rgo do Governo Federal encarregado de scalizar a distribuio de energia eltrica o a ca e tem acompanhado o nmero semanal de interrupes de fornecimento numa certa cidade. u co Os dados, referentes `s ultimas 50 semanas, consideraram apenas as interrupes que a co ultrapassaram 3 horas e so apresentados na tabela abaixo. a Interrupes freqncia co ue 0 12 1 14 2 9 3 7 4 3 5 3 6 2 total 50 a) Determine a mdia e a varincia do nmero de interrupes semanais. e a u co b) O Governo Federal aplica uma multa de 10 mil reais por semana, se h pelo menos a uma interrupo no fornecimento. Calcule a mdia e a varincia do valor das multas ca e a aplicadas por semana. c) A Prefeitura dessa cidade fez um levantamento dos preju zos, nos vrios setores, a decorrentes da falta de energia e atribuiu um valor total de 900 mil reais para ser ressarcido pela companhia responsvel pelo fornecimento de eletricidade, referente a ao per odo de 50 semanas. Qual seria o preju mdio por semana? zo e d) Nesse per odo, qual ser a mdia e a varincia do desembolso semanal da companhia a e a , incluindo multa e ressarcimento de preju zo? Resposta: 9

> > > >

freq <- c(12, 14, 9, 7, 3, 3, 2) inte <- 0:6 interrup~es <- rep(inte, freq) co table(interrup~es) co 5 3 6 2

interrup~es co 0 1 2 3 4 12 14 9 7 3

a) Duas moedas esto sobre a mesa, uma delas tem duas caras a > mean(interrup~es) co [1] 1.84 > mean((interrup~es - mean(interrup~es))^2) co co [1] 2.7744 b) Verico o nmero de semanas com pelo menos uma interrupao e multiplico por 10 u c mil. > prej <- sum(freq[inte >= 1]) * 10000 > prej [1] 380000 > v <- rep(c(0, rep(10, 6)), freq) > mean(v) [1] 7.6 > var <- mean((v - mean(v))^2) Podemos observar que o preju seria de 380000 reais. zo c) Tendo um prejuizo com ressacimento de 900 mil em 50 semanas, para encontrar o prejuizo mdio basta apenas dividir 900 por 50, onde encontramos 18 mil reais por e de prejuizo por semana. d) Somando prejuizo de multa com o ressarcimento e obtendo a mdia, ou somando a e mdia dos dois custos, obteremos a mdia de prejuizo total, ento podemos calcular e e a a mdia e a varincia desses dados. e a > mean(v + 18) [1] 25.6 > mean((v + 18 - mean(v + 18))^2) [1] 18.24

14. Duas moedas esto sobre a mesa, uma delas tem duas caras e a outra tem probabilidade a igual de cara e de coroa. Sorteamos, ao acaso, uma dessas moedas e lanamos duas vezes. c Seja X a varivel aleatria que conta o nmero de caras nesses dois lanamentos. Qual a o u c e a mdia de X? e 10

Resposta: Assumindo K para coroas e C para caras, fao a Tabela 1 de probabilidades para os eventos c possuveis, ento fao um objeto com quantidade de dados proporcionais `s probabilidades a c a e encontro a mdia. e Eventos Probabilidades CC 0.5 CC 0.125 KC 0.125 CK 0.125 KK 0.125 Tabela 1: Tabela de probabilidades para eventos possiveis. > moedas <- rep(0:2, c(0.125, 0.25, 0.625) * 1000) > mean(moedas) [1] 1.5

16. A funo de probabilidade da varivel X P (X = k) = 1/5 para k = 1, 2, ..., 5. Calcule ca a e 2 E(X) e E(X ) e, usando esses reaultados, determine E[(X + 3)2 ] e V ar(3X 2). Resposta: Sabendo que os dados possuem mesma probabilidade, em uma simulao dos dados basta ca crialos em mesma proporo, atravs disso obtemos mdia e varincia. ca e e a > > > > > dados <- 1:5 md.dados <- mean(dados) md2.dados <- mean(dados^2) x <- mean(dados^2) + 6 * mean(dados) + 9 x1 <- mean((3 * dados - 2)^2) - (mean(3 * dados - 2))^2

E[(X + 3)2 ] = E[X 2 + 6X + 9] = E[X 2 ] + 6E[X] + E[9] = 11 + 63 + 9 = 38 V ar(3X 2) = E[(3X 2)2 ] (E[3X 2])2 = 9E[X 2 ] 12E[X] + 4 (3E[X] 2)2 = 9 11 12 3 + 4 (3 3 2)2 ) = 18 18. Os alunos do curso de estat stica tm um time de futebol que no dos melhores. O e a e cartola que administra o time paga um prmio de vitria por partida de um sorvete por e o jogador, acrescentando mais um sorvete por saldo de gols maior que 1(saldo de gols e a diferena entre gols feitos e gols sofridos). Admita que a funo de probabilidade dos c ca diversos saldos seguinte: e 11

X pi

5 6 7 8 9 10 0.1 0.1 0.2 0.4 0.1 0.1

> saldo <- rep(-4:2, c(0.1, 0.3, 0.3, 0.1, 0.1, 0.05, 0.05) * 100) > prop.table(table(saldo)) saldo -4 -3 -2 -1 0 1 2 0.10 0.30 0.30 0.10 0.10 0.05 0.05 > saldo[saldo < 1] <- 0 > x <- mean(saldo) > x [1] 0.15 > x * 11 [1] 1.65 O cartola gastar 0.15 sorvetes por jogador por partida, isso signica que gastar 1.65 a a por partida com os 11 jogadores. 20. Cada lmpada custa ao fabricante R$10, mas se sua durao for inferior a 6 horas ele se a ca compromete a indenizar o comprador com R$ 15. Qual deve ser o preo de cada lmpada c a para o fabricante obter um lucro mdio por lmpada de R$20? e a Resposta: Aps representar a funo de probabilidade, calculo o custo mdio de cada lampada, o ca e acrecentando os R$20,00 de lucro do fabricante teremos o preo nal. c > dura~o <- rep(5:10, c(0.1, 0.1, 0.2, 0.4, 0.1, 0.1) * 10) ca > prop.table(table(dura~o)) ca dura~o ca 5 6 7 8 9 10 0.1 0.1 0.2 0.4 0.1 0.1 > custo <- (25 * sum(dura~o < 6) + 10 * sum(dura~o >= 6))/length(dura~o) ca ca ca > custo [1] 11.5 > preo <- custo + 20 c > preo c 12

[1] 31.5

22. Num cassino, um jogador lana dois dados cujas probabilidades so proporcionais aos c a valores das faces. Se sair soma 7, ganha R$50, se sair soma 11, ganha R$100 e se sair soma 2, ganha R$200. Qualquer outro resultado ele no ganha nada. Qual o ganho a e mdio do jogador. e Resposta: Este um caso bem particular, ca um pouco dif generalizar a programao, mas e cil ca mostro duas resolues que considerei interessantes, a primeira um pouco mais pobre, co pois tem menor ecincia computacional, a segunda me pareceu bem mais interessante, e talvez ainda assim outras resolues ainda melhores poderiam surgir. co primeira resoluo. ca > possiveis <- paste("(",rep(1:6,6),",",rep(1:6,each=6),")",sep="") > matrix(possiveis,ncol=6) # matriz de possiveis combina~es de dados. co [,1] "(1,1)" "(2,1)" "(3,1)" "(4,1)" "(5,1)" "(6,1)" [,2] "(1,2)" "(2,2)" "(3,2)" "(4,2)" "(5,2)" "(6,2)" [,3] "(1,3)" "(2,3)" "(3,3)" "(4,3)" "(5,3)" "(6,3)" [,4] "(1,4)" "(2,4)" "(3,4)" "(4,4)" "(5,4)" "(6,4)" [,5] "(1,5)" "(2,5)" "(3,5)" "(4,5)" "(5,5)" "(6,5)" [,6] "(1,6)" "(2,6)" "(3,6)" "(4,6)" "(5,6)" "(6,6)"

[1,] [2,] [3,] [4,] [5,] [6,]

> y <- rep(1:6,6)+rep(1:6,each=6) > matrix(y,ncol=6) # matriz com os resultados de lanamento de dois dados. c [,1] [,2] [,3] [,4] [,5] [,6] 2 3 4 5 6 7 3 4 5 6 7 8 4 5 6 7 8 9 5 6 7 8 9 10 6 7 8 9 10 11 7 8 9 10 11 12

[1,] [2,] [3,] [4,] [5,] [6,] > > > + + + > > >

prob <- c(rep(1:6/21,6)*rep(1:6/21,each=6)) y1 <- data.frame(valores=y,prob) for(i in 2:12){ a <- paste("a",2:12,sep="") assign(a[i-1],with(y1,sum(prob[valores == i]))) } y2 <- data.frame(valores=2:12,prob=unlist(lapply(a,get))) y1$valores[y1$valores == 2] <- 200 y1$valores[y1$valores == 7] <- 50 13

> y1$valores[y1$valores == 11] <- 100 > y1$valores[y1$valores != 50 & y1$valores != 100 & y1$valores != 200] <- 0 > sum(y1[,1]*y1[,2]) [1] 20.40816 segunda resoluo. ca > > > > > > px <- (1:6)/sum(1:6) # probabilidades de aparecer cada face do dado foo1 <- outer(px, px, "*") # probabilidades para cada par de dados foo2 <- outer(1:6, 1:6, "+") sumprobs <- sapply(2:12, function(s)sum(foo1[foo2==s])) names(sumprobs) <- as.character(2:12) sumprobs # fun~o distribui~o de probabilidade ca ca

2 3 4 5 6 7 0.002267574 0.009070295 0.022675737 0.045351474 0.079365079 0.126984127 8 9 10 11 12 0.158730159 0.172335601 0.165532880 0.136054422 0.081632653 > > > > val <- c(200,50,100,0) ind <- pmatch(as.character(c(2,7,11)),names(sumprobs)) vec <- c(sumprobs[ind], outros=sum(sumprobs[-ind])) sum(vec*val) # mdia de ganho do jogador. e

[1] 20.40816

24. A experincia de diversas companhias de resgate de navios naufragados indica que a e probabilidade de um resgate ser bem sucedido na primeira tentativa de 0,6; caindo para e a metade cada nova tentativa. Uma empresa de resgate tem como norma no realizar a mais de trs tentativas e cobra 50 mil reais para iniciar os trabalhos e mais 10.000(k 1) e reais, com k sendo o nmero de tentativas. u a) Qual o custo mdio dos servios dessa empresa? e c b) Se um navio resgatado pode render ao proprietrio 65 mil reais, interessante para a e ele contratar essa empresa? Justique. Resposta: Suponho que a empresa no necessite fazer mais do que 12 resgates, pois a probabia lidade disto acontecer muito baixa. e > prob <- 0.6/(2^(0:12)) > custos <- 0:12 * 10 a) > x <- sum(custos * prob)/length(custos) + 50 > x 14

[1] 50.9215 b) Percebendo que o custo mdio para contratar esta empresa seria menor que a recome pensa, favoravel estabelecer este contrato. e

26. Numa industria farmacutica, uma mquina produz 100 cpsulas por minuto. A mquina e a a a est regulada de modo que no mximo 5% das cpsulas no contenham remdio e, assim, a a a a e sejam consideradas defeituosas. a) Se as cpsulas so acondicionadas em vidros com 20 unidades, qual a probabilidade a a de um vidro apresentar no mximo 2 cpsulas com defeito? a a b) Qual o nmero esperado de cpsulas com defeito, por vidro? u a c) Qual o nmero esperado de cpsulas com defeito por minuto de produo? u a ca Resposta: a) A situao um modelo Binomial. ca e X Binom(n, p) n = 20 p = 0.05 X : # de capsulas com def eito. > pbinom(2, 20, 0.05) [1] 0.9245163 b) O valor esperado para uma varivel que segue o modelo Binomial p n, que neste a e caso 0.05 20 = 1. e c) seguindo a mesma lgica do item anaterior, temos que esperado 5 cpsulas com o e a defeito por minuto.

28. Admita que, em cada corrida de Frmula 1, o motor tem 0,4 de probabilidade de quebrar, o independentemente das corridas anteriores. Suponha que a equipe encerrar sua particia pao no torneio quando o motor quebrar pela primeira vez. Se o ganho acumulado da ca equipe (em milhares de reais) 50C, sendo C o nmero de corridas completadas por este e u motor antes de quebrar calcule: a) Qual a probabilidade da equipe completar 8 corridas? E de participar de 8 corridas? b) Quanto receber em mdia essa equipe durante sua vida em corridas? a e Resposta: X Geomtrica(0.4). a) > pgeom(8,0.4) # P(X <= 8) [1] 0.9899223 15

> pgeom(7,0.4) # P(X < 8) [1] 0.9832038 b) Encontro a mdia de corridas, sabendo a variavel segue modelo Geomtrico, ento e e a multiplico pelo valor ganho em cada corrida 1p E(X) = p > x <- ((1 - 0.4)/0.4) * 50 > x [1] 75

30. Uma oricultura vende rosas, cravos e jasmins com lucro de, respectivamente, R$10, R$12 e R$15 por dezena. Observa-se que a procura igual para as trs ores. Se o estoque do dia e e no for vendido, a oricultura tem um prju a zo(lucro negativo) de, respectivamente, R$5, R$7 ou R$10 com cada dezena de rosas, cravos ou jasmins. Se a oricultura dispe de duas o dezenas de cada or e trs clientes visitam a oricultura sucessivamente e compram uma e dezena cada um. Fazendo alguma suposio adicional que seja conveniente, determine o ca lucro esperado da loja. Resposta: Para encontrarmos o lucro esperado deveriamos mostrar a funo de probabilidade, mas ca como a situao descrita s apresenta um evento possivel, basta calcular o lucro nesta ca o situao. ca 10(10 + 12 + 15) 10(5 + 7 + 15) = 15 O lucro mdio igual a R$15,00 por dia. e e 32. Para um exame com 25 questes dotipo certo-errado, um estudante sabe a resposta correta o de 17 questes e responde as demais chutando. o a) Calcule a probabilidade dele acertar pelo menos 90% das respostas. b) Determine a mdia e a varincia do nmero de acertos. e a u c) Suponha que nesse mesmo exame, um outro estudante saiba a resposta correta para 15 questes e tenha probabilidade de acerto nas demais de 0,7. Qual dos estudantes o voc espera que tenha malhor desempenho? e d) Nas mesmas condies do item (c), qual dos estudantes ter desempenho mais hoco a mogneo? e Resposta: X Binomial(n, p) n = 25 17 p = 0.5 X : # de acertos do estudante. 16

a) > pbinom(round(0.9 * 25) - 16, 25 - 17, 0.5) [1] 0.9648438 b) Temos que fazer a simulao dos dados, para isso, basta percebermos que todos ca os eventos possiveis so igualmente provaveis, eno geramos os dados possievis em a a mesma proporo e calculamos a mdia e variancia. ca e > dados <- 17:25 #O nmero de acertos pode ser de 17 ` 25. u a > mean(dados) [1] 21 > mean((dados-mean(dados))^2) [1] 6.666667 c) > 17 + 8 * 0.5 [1] 21 > 15 + 10 * 0.7 [1] 22 d) Perceber qual estudante ter desempenho mais homogneo, signica encontrar menor a e varincia. a > 8 * 0.5 * (1-0.5) # vari^ncia para o primeiro estudante. a [1] 2 > 10 * 0.7 * (1-0.7) # vari^ncia para o segundo estudante. a [1] 2.1 Ento sabemos que o primeiro foi mais homogneo. a e

34. (Use o computador) Considere as observaes contidas no arquivo cancer.txt(ver Exerc co cio 24, Cap tulo 1). a) Obtenha as medidas de posio e de variabilidade para as variveis Idade e Glica a cose(GL). b) Repita o item (a) para cada tipo de diagnstico. Compare as respostas obtidas. o Resposta: > cancer <- read.table("http://www.ime.usp.br/~noproest/dados/cancer.txt", + head = T) > head(cancer) 1 2 3 4 5 6 Ident Grupo Idade AKP P LDH ALB N GL 1 1 71 8.0 3.2 7.8 62 6 113 2 1 66 10.5 5.1 50.1 57 9 93 3 1 83 8.5 3.3 15.3 53 21 109 4 1 52 12.8 3.2 18.8 45 14 91 5 1 61 7.4 4.3 12.9 69 19 78 6 1 54 8.1 2.7 15.9 57 10 122 17

a) > with(cancer,summary(Idade)) Min. 1st Qu. 9.00 37.00 [1] 365.3591 > with(cancer,summary(GL)) Min. 1st Qu. 0.0 91.0 [1] 615.5434 b) > with(cancer, summary(Idade[Grupo == 1])) Min. 1st Qu. 18.00 39.25 [1] 353.4724 > with(cancer, summary(Idade[Grupo == 2])) Min. 1st Qu. 14.00 27.25 [1] 371.1991 > with(cancer, summary(Idade[Grupo == 3])) Min. 1st Qu. 21.00 49.50 [1] 281.3207 > with(cancer, summary(GL[Grupo == 1])) Min. 1st Qu. 72.0 91.0 [1] 259.5623 > with(cancer, summary(GL[Grupo == 2])) Min. 1st Qu. 0.0 89.0 [1] 477.4528 > with(cancer, summary(GL[Grupo == 3])) 18 Median 97.0 Mean 3rd Qu. 100.9 106.0 Max. 180.0 Median 96.0 Mean 3rd Qu. 100.0 105.2 Max. 153.0 Median 60.00 Mean 3rd Qu. 58.69 68.50 Max. 103.00 Median 44.00 Mean 3rd Qu. 45.68 60.75 Max. 85.00 Median 55.00 Mean 3rd Qu. 53.27 65.25 Max. 101.00 Median 99.0 Mean 3rd Qu. 104.3 111.0 Max. 298.0 Median 54.00 Mean 3rd Qu. 51.21 66.00 Max. 103.00

> with(cancer,var(Idade)) # Vari^ncia amostral a

> with(cancer,var(GL))

> with(cancer, var(Idade[Grupo == 1]))

> with(cancer, var(Idade[Grupo == 2]))

> with(cancer, var(Idade[Grupo == 3]))

> with(cancer, var(GL[Grupo == 1]))

> with(cancer, var(GL[Grupo == 2]))

Min. 1st Qu. 72.0 94.5 [1] 742.2905

Median 105.0

Mean 3rd Qu. 111.2 120.0

Max. 247.0

> with(cancer, var(GL[Grupo == 3]))

36. (Use o computador) As variveis desse exerc a cio fazem parte do arquivo aeusp.txt(ver Exerc 26, Cap cio tulo 1). a) Obtenha as medidas de posio e de variabilidade para as variveis Itrab e Renda. ca a b) Repita o item (a) para cada uma das comunidades estudadas. Existem diferenas c entre elas? c) Utilizando os valores da varivel Serif, divida os moradores em trs categorias: os a e a que no pararam de estudar, aqueles que pararam at a 8 srie e os demais. Para a e e cada uma das categorias, obtenha as medidas de posio e a varincia da varivel ca a a Itrab. d) Baseado nas variveis Sexo e Itrab, vocdiria que os homens comeam a trabalhas a e c mais cedo? Resposta: > se <- read.xls("aeusp.xls", head = T) [1] "/tmp/RtmpxA04tm/file14330624.csv" > head(se) 1 2 3 4 5 6 1 2 3 4 5 6 > > > > > >

Num Comun Sexo Idade Ecivil X.Reproce X.Temposp X.Resid Trab Ttrab X.Itrab 1 JdRaposo 2 4 4 Nordeste 21 9 3 NA 20 2 JdRaposo 2 1 1 Sudeste 24 9 1 1 14 3 JdRaposo 2 2 1 Nordeste 31 3 1 1 14 4 JdRaposo 1 2 2 Nordeste 10 3 1 4 10 5 JdRaposo 2 4 2 Nordeste 31 6 1 1 11 6 JdRaposo 2 4 2 Sudeste 24 4 2 NA 15 X.Renda X.Acompu X.Serief 1 2 1 2 2 7 5 2 7 5 2 11 6 1 4 4 2 4 with(se, with(se, with(se, with(se, with(se, with(se, Sexo[Sexo != 1 & Sexo != 2] <- NA) Idade[Idade < 1 | Idade > 4] <- NA) Ecivil[Ecivil < 1 | Ecivil > 5] <- NA) X.Temposp[X.Temposp[Idade == 1] > 25] <- NA) X.Temposp[X.Temposp[Idade == 2] > 35] <- NA) X.Temposp[X.Temposp[Idade == 3] > 45] <- NA) 19

> > > > > > >

with(se, with(se, with(se, with(se, with(se, with(se, with(se,

X.Temposp[X.Temposp[Idade == 4] > Inf] <- NA) Idade[X.Temposp == NA] <- NA) Trab[Trab < 1 | Trab > 3] <- NA) Ttrab[Ttrab < 1 | Ttrab > 5] <- NA) X.Renda[X.Renda < 1 | X.Renda > 6] <- NA) X.Acompu[X.Acompu < 1 | X.Acompu > 2] <- NA) X.Serief[X.Serief < 1 | X.Serief > 12] <- NA) Median 13.00 Mean 3rd Qu. 13.39 16.00 Max. 35.00 NAs 33.00

a) > with(se, summary(X.Itrab)) Min. 1st Qu. 4.00 10.00 [1] 18.41057 > with(se, summary(X.Renda)) Min. 1st Qu. 1.000 2.000 [1] 1.934348 b) > with(se, summary(X.Itrab[Comun == (levels(Comun))[1]])) Min. 1st Qu. 5.00 12.00 [1] 17.80964 > with(se, summary(X.Renda[Comun == (levels(Comun))[1]])) Min. 1st Qu. 1.000 4.000 [1] 1.588646 > with(se, summary(X.Itrab[Comun == (levels(Comun))[2]])) Min. 1st Qu. 5.00 10.25 [1] 23.53285 > with(se, summary(X.Renda[Comun == (levels(Comun))[2]])) Min. 1st Qu. 1.00 2.00 [1] 1.530204 20 Median 3.00 Mean 3rd Qu. 2.98 4.00 Max. 6.00 Median 12.00 Mean 3rd Qu. 13.02 14.75 Max. 35.00 NAs 4.00 Median 4.000 Mean 3rd Qu. 4.151 5.000 Max. 6.000 Median 13.00 Mean 3rd Qu. 13.65 16.00 Max. 29.00 NAs 9.00 Median 4.000 Mean 3rd Qu. 3.405 4.000 Max. 6.000

> with(se, var(X.Itrab, na.rm = T))

> with(se, var(X.Renda))

> with(se, var(X.Itrab[Comun == (levels(Comun))[1]], na.rm = T))

> with(se, var(X.Renda[Comun == (levels(Comun))[1]]))

> with(se, var(X.Itrab[Comun == (levels(Comun))[2]], na.rm = T))

> with(se, var(X.Renda[Comun == (levels(Comun))[2]]))

> with(se, summary(X.Itrab[Comun == (levels(Comun))[3]])) Min. 1st Qu. 4.00 10.00 [1] 20.84056 > with(se, summary(X.Renda[Comun == (levels(Comun))[3]])) Min. 1st Qu. 1.000 3.000 [1] 2.375 > with(se, summary(X.Itrab[Comun == (levels(Comun))[4]])) Min. 1st Qu. 7.00 10.00 [1] 17.75376 > with(se, summary(X.Renda[Comun == (levels(Comun))[4]])) Min. 1st Qu. 1.000 2.000 [1] 1.567504 > with(se, summary(X.Itrab[Comun == (levels(Comun))[5]])) Min. 1st Qu. 7.00 10.00 [1] 18.71070 > with(se, summary(X.Renda[Comun == (levels(Comun))[5]])) Min. 1st Qu. 1.000 2.000 [1] 1.894236 > with(se, summary(X.Itrab[Comun == (levels(Comun))[6]])) Min. 1st Qu. 5.00 11.75 [1] 11.69167 > with(se, summary(X.Renda[Comun == (levels(Comun))[6]])) 21 Median 14.00 Mean 3rd Qu. 13.52 15.25 Max. 19.00 NAs 7.00 Median 3.500 Mean 3rd Qu. 3.323 4.000 Max. 6.000 Median 14.00 Mean 3rd Qu. 13.34 17.00 Max. 22.00 NAs 3.00 Median 3.000 Mean 3rd Qu. 2.864 4.000 Max. 6.000 Median 14.00 Mean 3rd Qu. 13.47 16.00 Max. 28.00 NAs 2.00 Median 4.000 Mean 3rd Qu. 3.556 5.000 Max. 6.000 Median 14.00 Mean 3rd Qu. 13.27 15.00 Max. 34.00 NAs 8.00

> with(se, var(X.Itrab[Comun == (levels(Comun))[3]], na.rm = T))

> with(se, var(X.Renda[Comun == (levels(Comun))[3]]))

> with(se, var(X.Itrab[Comun == (levels(Comun))[4]], na.rm = T))

> with(se, var(X.Renda[Comun == (levels(Comun))[4]]))

> with(se, var(X.Itrab[Comun == (levels(Comun))[5]], na.rm = T))

> with(se, var(X.Renda[Comun == (levels(Comun))[5]]))

> with(se, var(X.Itrab[Comun == (levels(Comun))[6]], na.rm = T))

Min. 1st Qu. 1.000 2.000 [1] 1.151711

Median 3.000

Mean 3rd Qu. 3.021 4.000

Max. 5.000

> with(se, var(X.Renda[Comun == (levels(Comun))[6]])) c) > with(se, summary(X.Itrab[is.na(X.Serief)])) Min. 1st Qu. 5.00 9.00 [1] 25.66063 > with(se, summary(X.Itrab[X.Serief <= 8])) Min. 1st Qu. 4.00 10.00 [1] 18.46536 > with(se, summary(X.Itrab[X.Serief > 8])) Min. 1st Qu. 7.00 13.00 [1] 10.98847 d) Ao calcularmos a mdia da idade inicial para trabalho, percebemos que os homens e comeam a trabalhar mais cedo. c > with(se, mean(X.Itrab[Sexo == 1], na.rm = T)) [1] 12.5 > with(se, mean(X.Itrab[Sexo == 2], na.rm = T)) [1] 14.10714 Median 15.00 Mean 3rd Qu. 14.77 16.00 Max. 24.00 NAs 76.00 Median 13.00 Mean 3rd Qu. 13.16 16.00 Max. 35.00 NAs 82.00 Median 11.00 Mean 3rd Qu. 12.42 15.00 Max. 34.00 NAs 21.00

> with(se, var(X.Itrab[is.na(X.Serief)], na.rm = T))

> with(se, var(X.Itrab[X.Serief <= 8], na.rm = T))

> with(se, var(X.Itrab[X.Serief > 8], na.rm = T))

22