Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
INTRODUÇÃO À PROBABILIDADE
Alguns dos lotes, não todos, produzidos pela White Martins satisfazem as
especificações do cliente para o produto. O cliente da White Martins concordou em testar
cada lote depois de recebê-lo e determinar se o catalisador iria realizar a função
desejada. Os lotes que não passassem no teste do cliente seriam devolvidos.
Ao longo do tempo, a White Martins descobriu que o cliente estava aceitando 60%
dos lotes e devolvendo 40%. Em termos de probabilidade, cada embarque da White
Martins ao cliente tinha uma probabilidade de 0,60 de ser aceito e uma probabilidade de
0,40 de ser devolvido.
Nem a White Martins nem seus cliente estavam satisfeitos com os resultados. Na
tentativa de melhorar o serviço, a White Martins explorou a possibilidade de reproduzir o
teste do cliente antes do embarque.
No entanto, o alto custo do equipamento de teste especial tornou essa alternativa inviável.
Os químicos da White Martins propuseram então um novo teste de custos relativamente
baixo concebido para indicar se um lote iria passar no teste do cliente ou não.
Uma amostra de lotes foi produzida e submetida ao novo teste da White Martins.
Somente lotes que passaram no novo teste foram enviados ao cliente.
1
© by Prof. Carlos Martins 2003
A probabilidade de um lote, ser aceito pelo cliente depois de passar no novo teste
da White Martins é chamado de probabilidade condicional. Neste capítulo, você aprenderá
a calcular esta e outras probabilidades que são úteis na tomada de decisão.
Determinísticos
Probabilísticos ou aleatórios
E1: Retirar uma carta de um baralho com 52 cartas e observar seu naipe
c)Quando o experimento for repetido muitas vezes, surgirá uma regularidade, isto é,
haverá uma estabilidade da fração f = s / n (freqüência relativa), em que “n” é o
numero de repetições e “s” o número de sucesso de um particular resultado já
estabelecido antes da realização.
2
© by Prof. Carlos Martins 2003
Observem que sendo ω um conjunto, poderá ser finito ou infinito. No nosso caso,
trataremos somente com ω finito.
2)Se A1, A2 ,.., An são eventos então, a união dos ( Ai ) também é um evento.
Então, ω = {1, 2, 3, 4, 5, 6}
A = {2,4,6}
B = {1,3,5}, A B = 0
1) 0 P(A) 1
2) P(S) = 1
3
© by Prof. Carlos Martins 2003
Seja ω um espaço amostra finito ω = {a 1 ,......., an}. Considere o evento formado por um
resultado simples A = {ai}. A cada evento simples {a i} associaremos um número pi
denominado probabilidade de {ai} satisfazendo as seguintes condições:
a) pi 0. i = 1, 2,..., n
b) p1 + p2 + ….+ pn = 1
4
© by Prof. Carlos Martins 2003
RESOLUÇÃO DE EXERCÍCIOS.
d)Um lote é formado por 10 peças perfeitas, 4 com defeitos e (2) duas com defeitos
graves. Uma peça é escolhida ao acaso. Calcule a probabilidade de que:
5
© by Prof. Carlos Martins 2003
Assim, vemos que os oitos resultados experimentais são possíveis. Neste caso, não é
difícil listar todos os resultados do experimento.
Uma outra maneira é, sabendo que estamos trabalhando com o espaço amostra
finito, com “n” elementos e que o experimento apresenta apenas duas
possibilidades, então 2n representa o número total de eventos extraídos de
experimento. Assim, 23 = 8 pontos amostrais.
Uma representação gráfica que é bastante útil para visualizar e enumerar os resultados
em um experimento de múltipla etapa é o diagrama de arvore.
Exemplo.
O número de combinações de N objetos que são tomados n a n de cada vez é dado por:
n
C
N
N!
n!( N n )!
6
© by Prof. Carlos Martins 2003
Como segundo exemplo, considere que o sistema de loteria do Brasil use a seleção
aleatória de seis inteiros de um grupo de 50 para determinar o ganhador semanal da
loteria.
A regra de contagem para combinações para determinar o número de modos diferentes
que seis inteiros podem ser selecionados de um grupo de 50 é:
Isto nos diz que existem mais de 15 milhões de resultados experimentais que são
possíveis no sorteio da loteria. Significando que se um individuo comprou um bilhete de
loteria tem 1 chance em 15.890.700.
Terceiro exemplo: Numa urna são misturadas dez bolas numeradas de 1 a 10. Duas bolas
são retiradas (a, b) sem reposição. Qual a probabilidade de a + b = 10.
R) Seja D = {a + b =10}.
ω = (1,2,3,4,5,6,7,8,9,10)
onde: M = 4 possibilidades (6,4 1,9; 8,2; 7,3 )
k = 1(das quatro apenas uma sairá)
N = 10(números)
n = 2.
P(D) = ( M c k ) ) / ( N c n ) = ( 4 C 1) / (10 C 2) = 4 / 45
R) ω = { baralho de 52 cartas }
R) ω = {52 cartas}.
7
© by Prof. Carlos Martins 2003
N
C ) = n! n!( N n )!
N!
N Pn = n! (
n
A regra de contagem para permutações está estritamente relacionada com aquela para
combinações; no entanto, um experimento terá mais permutações do que combinações
para o mesmo número de objetos. Isso porque para cada seleção de n objetos existem n!
diferentes modos de ordená-los.
Como exemplo, considere o problema anterior do inspetor que está fazendo controle de
qualidade das peças defeituosas. Quantas permutações podem ser selecionadas? Como
N = 5 e n = 2, têm:
5 P 2 = 5! / (5 – 2)! = 20 possibilidades.
P (A / B) = P (A B) / P (B), P (B) 0
8
© by Prof. Carlos Martins 2003
P (A / B) = NCF (A ∩ B) / NCT
= 1/3
NCF (B) / NCT.
A = {(x1,x2) / x1 + x2 = 10)} ;
B = {(x1,x2) / x1 > x2 )}.
LEMBRE-SE
A probabilidade condicional de ocorrência do evento A, dado que o evento B
ocorreu, é P(A | B) = P(A B) / P(B).
REGRA DO PRODUTO.
Pressão. Peso
Arterial. Excesso Normal Deficiente total
Elevada. 0,10 0,08 0,02 0,20
Normal. 0,15 0,45 0,20 0,80
Total. 0,25 0,53 0,22 1,00
9
© by Prof. Carlos Martins 2003
Deseja-se saber qual é a probabilidade de uma pessoa escolhida ao acaso ter pressão
elevada dado que ela tem excesso de peso.
Em outras palavras, dentre as pessoas com excesso de peso, 40% tem pressão elevada.
Exemplo 3: Um lote é formado de 10 peças perfeitas, 4 com defeitos e duas com defeitos
graves. Duas peças são retiradas ao acaso. Qual a probabilidade de que:
a)Ambas sejam perfeitas;
b)Pelo menos uma seja perfeita;
c)Nenhuma tenha defeito grave;
d)Nenhuma seja perfeita.
(D Dg) U (Dg D) U (D D) U (Dg Dg)= P(D) x P(Dg | D) + P(Dg) x P(D | Dg) +P(D) x
P(D | D) + P(Dg) x P(Dg | Dg) = 4/16x2/15 + 2/16x4/15 + 4/16x3/15 + 2/16x1/15 = 30/240
= 1/8.
10
© by Prof. Carlos Martins 2003
P(A) = P(A / B)
P(B) = P(B / A)
Exemplo1. Em uma caixa temos 10 peças, das quais 4 são defeituosas. São retiradas
duas peças, uma após a outra, com reposição. Calcular a probabilidade de ambas serem
perfeitas.
Solução: Definem-se dois eventos: A = {a primeira peça é perfeita}
B = {a segunda peça é perfeita}
Dados “n” eventos H1, H2,...,Hn, dizemos que eles são independentes se eles forem
independentes 2 a 2, 3 a 3 ; n a n.
Isto é, se as igualdades abaixo forem verificadas:
11
© by Prof. Carlos Martins 2003
Teorema de Bayes.
Sejam A1, A2,........,An n eventos mutuamente exclusivos tais que A 1 U A2 U .... ..An = ω.
Sejam P(Ai) as probabilidades conhecidas dos vários eventos, e B um evento qualquer de
ω tal que conhecemos todas as probabilidades condicionais P(B/Ai).
P(Ai/B) = P(Ai) x P(B/Ai) / P(A1) x P(B/A1) + P(A2) x P(B/A2) + ...+ P(An) x P(B / An).
Exemplo: A urna nº1 contém: 3bolas pretas, 1 branca e 4 vermelhas. A urna nº2 contém:
4bolas pretas, 3 brancas e 2 vermelhas. A urna nº3 contém: 2 bolas pretas,3 brancas e 3
vermelhas. Escolhe-se uma urna ao acaso e dela extraiu-se uma bola ao acaso,
verificando-se que a bola é branca. Qual a probabilidade da bola ter vindo da urna nº2?
Se uma variável X pode assumir um conjunto discreto de valores x1, x2,....,xn com
probabilidades p1, p2,...,pn, respectivamente, sendo p1+ p2 +....+ pn = 1. Diz - se que está
definida uma distribuição de probabilidade discreta de X.
F ( x) 0
f (x) 1
Exemplos de variáveis Aleatórias discretas
12
© by Prof. Carlos Martins 2003
X 0 1 2
P(x=x) ¼ ½ ¼
Construir o gráfico.
Número de meninos 0 1 2 3
Fazer gráfico.
As idéias anteriores podem ser estendidas no caso, em que, a variável X, possa assumir
qualquer valor numérico em um intervalo ou uma coleção de intervalos. Suponha que X é
uma variável aleatória, cujo contradomínio é um continuo de números,um intervalo, por
exemplo 0 x 1. Neste caso a variável aleatória é chamada de continua.
13
© by Prof. Carlos Martins 2003
Seja X uma variável aleatória continua. A função densidade de probabilidade f(x) é uma
função que satisfaz as seguintes condições:.
a) f(x) 0 para todo x Rx.
b) f ( x)dx 1
Além disso, definimos, para qualquer a < b em Rx
b
Observações importantes:
1)A definição acima também nos mostra que a probabilidade de qualquer valor
especificado de X, por exemplo x0 , teremos P(X=x0) = 0, pois
x0
P (X=x0) = f ( x)dx 0
x0
Sendo assim, as probabilidades abaixo serão todas iguais, se X for variável aleatória
continua:
P(a X b), P(a X < b), P(a < X b), P(a < X < b).
3)Poderemos fazer uma analogia com a mecânica e consideremos que numa variável
aleatória discreta, a massa de probabilidade está concentrada pontos isolados da reta
real, e, no caso da variável aleatória continua, a massa de probabilidade está
espalhada de modo continuo em segmentos da reta real.
x
F(x) = ∫ f(x)dx
-∞
Pode-se provar que f(x) = dF(x) / dx para todo x no qual F seja derivável.
Exemplo1: Seja X uma variável aleatória continua, com a seguinte função de densidade
de probabilidade:
14
© by Prof. Carlos Martins 2003
∞ 1
f(x)dx = 2xdx = 2 x2 / 2 = 1, como vemos, f(x) assim definida,é
-∞ 0
realmente uma função densidade de probabilidade.
2 2
Resolução: f(x)dx = (2x + 3) dx = 2 xdx + 3 dx = 2. x2/2 + 3x | = 4 + 6 = 10
- 0 0
Exemplo: Qual o preço justo a pagar para entrar em um jogo no qual se pode ganhar
$25,00 com probabilidade 0,2 ou $10,00 com probabilidade 0,4?
Exemplo1: Seja X uma variável aleatória continua, com a seguinte função de densidade:
Calcular: E[X].
1 1 1 1
E[X] = x f(x) dx = x 3x dx = 3 x dx = 3 x dx = 3.x /4 | = ¾
2 3 3 4
- 0 0 0 0
15
© by Prof. Carlos Martins 2003
Formulário Básico.
Regra da Contagem para Combinações.
N C n = N!/ n! (N-n)!
n
Teorema de Bayes: P(Ai|B) = P(Ai)P(B|Ai) /
i 1
P(Ai)P(B|Ai)
b)Dois resultados são possíveis em cada ensaio, um definido como sucesso e o outro
como fracasso.
onde:.
f(k) = a probabilidade de k sucessos em n ensaios.
n = número de ensaios.
p = probabilidade de sucesso em qualquer dos ensaios.
(1-p) = a probabilidade de um fracasso em qualquer dos ensaios.
16
© by Prof. Carlos Martins 2003
Considere uma população com N elementos, dos quais r têm uma determinada
característica (a retirada de um desses elementos corresponde ao sucesso). Retiramos
dessa população, sem reposição, uma amostra de tamanho n.
Podemos tirar N C n amostras sem reposição. Os sucessos na amostra podem ocorrer
de r C k maneiras e de fracassos de N-r C n-k modos.
Assim,
17
© by Prof. Carlos Martins 2003
P(X= 4) = 12 C 4 x 40 C 4 / 52 C 8 = 0,0601
Exemplo2 Uma firma compra lâmpadas por centenas. Examina sempre uma amostra de
15 lâmpadas para verificar se estão boas. Se uma centena inclui 12 lâmpadas queimadas,
qual a probabilidade de se escolher uma amostra com pelo menos uma lâmpada
queimada?
P(X 1) = 1 – [P(X < 1)] = 1 – [P(X = 0)] = 1 – [(12 C 0 x 88 C 15) / (100 C 15)] = 0, 8747
P(X=k) = k / k!
A distribuição de Poisson é muito utilizada nos problemas do dia-a-dia entre eles podemos
citar;
a)Carros que passam por um cruzamento por minuto, durante uma certa hora do dia;
b)Erros tipográficos por página, em um material impresso;
c)Defeito por unidade ( m2, m3,.. , etc.,) por peça fabricada;
d)Colônias de bactérias numa dada cultura por 0,01 mm2, numa plaqueta de microscópio.
Exemplo1: Num livro de 800 páginas há 800 erros de impressão. Qual a probabilidade de
que uma página contenha pelo menos 3 erros ?
X: número de erros por página.
= 1.
P(X 3) = 1 – P(X < 3) = 1 – [P(X = 0) + P(X=1) + P(X=2)]
Exemplo2 Numa central telefônica chegam 300 telefonemas por hora. Qual a
probabilidade de que:
a)Num minuto não haja nenhum chamado.
18
© by Prof. Carlos Martins 2003
=5
P(X=0)= -5 . 50 / 0! = 0,006738
A notação usada é N(,2). Para o calculo das probabilidades, surgem dois grandes
problemas: primeiro, para a integração de f(x), pois para o calculo é necessário o
desenvolvimento em séries, segundo, seria a elaboração de uma tabela de
probabilidades, pois f(x) depende de dois parâmetros.
Para contornar esses problemas foi feita uma mudança de variável obtendo-se,
assim, a distribuição normal padronizada ou reduzida.
Há vários tipos de tabelas que oferecem as áreas (probabilidades) sob a curva normal. O
tipo que iremos utilizar será a tabela de faixa central.
A tabela da faixa fornece a área sob a curva normal padrão entre z = 0 e qualquer valor
positivo de z. A simetria em torno de z=0 nos permite obter a área entre quaisquer valores
de z (positivos ou negativos).
Exemplos de uso da tabela.
a)P(0 z 1) = 0,3415
19
© by Prof. Carlos Martins 2003
Exemplo2: A duração de certo componente eletrônico tem media de 850 dias e desvio-
padrão de 45 dias. Calcular a probabilidade desse componente durar:
a)Entre 700 e 1000 dias;
b)Mais que 800 dias;
c)exatamente 1000 dias;
d)Qual deve ser o número de dias necessários para que tenhamos de repor no máximo
5% dos componentes.
R)a) P(700 X 1000) = P(z1 Z z2)= P(700 – 850 / 45 Z 1000 – 850 / 45) =
= P(- 3,33 Z 3,33) = 0,499566 + 0,499566 = 0,999132 1.0
b) P(X 800) = P(Z z1) = P(Z 800 – 850 / 45) = P(Z - 1,11) = 0,5 + 0,366501 =
0,86650l.
c) P(X = 1000) = 0
Métodos de Amostragem
Voltamos a falar do que havíamos dito no início do curso sobre a forma de como
iríamos escolher uma parte da população.Quando se deseja colher informações sobre um
ou mais aspectos de um grupo grande ou numeroso, verifica-se muitas vezes, ser
praticamente impossível fazer um levantamento do todo.
Daí a necessidade de investigar apenas uma parte dessa população ou universo.
O problema da amostragem é, portanto, escolher uma parte (ou amostra), de tal forma
que ela seja mais representativa possível do todo e, a partir dos resultados obtidos, poder
inferir para o total da população. Para isso, devemos explicar o por que da seleção de
uma amostra:
20
© by Prof. Carlos Martins 2003
2)Colocamos dentro de uma caixa todas as fichas numeradas. Agitando sempre a caixa,
para misturar bem, em seguida, retiramos, uma a uma as seis fichas com reposição.
Quando o número de elementos da amostra for muito grande posso utilizar também uma
tabela de números aleatórios.
21
© by Prof. Carlos Martins 2003
Exemplo: Suponha, no exemplo anterior que, dos sessenta alunos, 54 sejam meninas e 6
sejam meninos, vamos obter a amostra proporcional estratificada.
Nestes casos, a seleção dos elementos que formarão à amostra pode ser feita por um
sistema imposto pelo pesquisador.
Exemplo: Suponha que a rua do Príncipe tenha novecentos prédios, e que a prefeitura
deseja obter uma amostra de cinqüenta prédios para revisar o cadastro.
A prefeitura usará o seguinte procedimento: dividirá 900/50 = 18, e escolherá por sorteio
aleatório um número de 1 a 18 inclusive, o qual indicaria o primeiro elemento sorteado
para a amostra; os demais elementos seriam periodicamente considerados de 18 em 18.
Assim, se o número sorteado fosse o 7, tomaríamos , pelo lado direito da rua, o 7 º prédio,
o 25º, 43º etc., até voltarmos ao início da rua, pelo lado esquerdo.
22