Você está na página 1de 77

Universidade Estadual do Oeste do Paraná Campus de Foz do Iguaçu

PPRROOBBAABBIILLIIDDAADDEE

Foz do Iguaçu Março / 2014

Carlos dos Santos

1

Sumário

2. Probabilidade

2

 

2.1 Introdução

2

2.2 Experimento aleatório com espaço amosral e evento

3

2.3 Teoria clássica de probabilidade

6

2.4 A Teoria Frequentista de Probabilidade

7

2.5 Probabilidade subjetiva

8

2.6 Axiomas de probabilidade

8

2.7 Principais teoremas de probabilidade

10

2.8 Sequência de exercícios nº 1

20

2.9 Variável aleatória

22

2.9.1 Definição Formal de Variável Aleatória

22

2.9.2 Variável Aleatória Discreta

24

2.9.3 Variável Aleatória Contínua

25

2.9.4 Função de Probabilidade

25

2.9.5 Função Densidade de Probabilidade

26

2.9.6 Função de Distribuição Acumulada

29

2.9.7 Esperança Matemática e Variância de Uma Variável Aleatória

32

2.9.7.1 Propriedades da Esperança Matemática

33

2.9.8

Sequência de exercícios nº 2

37

2.10

Distribuições discretas de probabilidade

38

2.10.2

Sequência de exercícios nº 3

40

2.10.4

Sequência de exercícios nº 4

43

2.10.5

Distribuição de Poisson

44

2.10.6

Sequência de exercícios nº 5

46

2.10.7

Distribuição Hipergeométrica

47

2.10.8

Sequência de Exercícios nº 6

49

2.11

Distribuições teóricas contínuas de probabilidade

50

2.11.1 Distribuição Exponencial

50

2.11.2 Sequência de exercícios nº 7

54

2.11.3 Distribuição normal

56

2.11.3.1 Distribuição normal reduzida

60

2.11.4 Sequência de exercícios nº 8

69

2.11.5 Aproximação normal à distribuição binomial

70

2

2. Probabilidade

2.1 Introdução

Existem dois tipos de modelos na ciência, o modelo determinístico e o não-determinístico ou probabilístico. Os modelos determinísticos são utilizados em certos campos da ciência, como a física, a química analítica, ou a hidráulica, onde é possível elaborar modelos matemáticos que estabelecem relações precisas entre grandezas, devido ao grau de conhecimento relativamente alto dos fatores envolvidos. Por exemplo, o modelo da lei de Ohn pode ser descrito por

Corrente = voltagem / resistência

Ou

I =

E/R

Esse modelo é determinístico ou mecanístico porque o mesmo é construído a partir do conhecimento do mecanismo físico básico, o qual relaciona que a corrente elétrica está em função da voltagem e da resistência, sem levar em consideração outros fatores.

Modelo Determinístico ou Mecanístico Modelo que estabelece uma relação matemática precisa entre as variáveis envolvidas, devido o grau de conhecimento relativamente alto do sistema sob estudo.

Em muitas situações é mais frequente que os mecanismos no sistema sob estudo não sejam suficientemente conhecidos, de maneira a possibilitar a construção de modelos determinísticos. A estatística lida essencialmente com modelos não determinísticos ou probabilísticos, ou seja, com aquelas situações onde os mecanismos do sistema não são tão conhecidos e, portanto, a previsão de resultados está envolta com um certo grau de incerteza, a qual é quantificada probabilisticamente. Modelos dessa natureza, que se preocupam em prever resultados com alta probabilidade, sem tentar especificar os agentes determinantes envolvidos, são chamados de não determinísticos ou probabilísticos.

Modelo Não-Determinístico ou Probabilístico Modelo que procura prever um resultado, em geral usando probabilidades, sem se preocupar com a especificação dos agentes causais ou determinantes desse resultado.

3

Por exemplo, suponha que um pesquisador deseja saber qual é o tempo de carga de um

aplicativo (Y) para cumprir determinada tarefa. Não há um modelo determinístico para essa

situação, portanto, o pesquisador vai enumerar todas as possíveis variáveis explicativas para

prever o tempo de carga, ou seja, capacidade do processador ( X 1 ), capacidade de memória (X 2 ),

capacidade do HD (X 3 ), etc., Assim, um possível modelo será:

Y =

α + β 1 X 1 + β 2 X 2 + β 3 X 3 + ε

Essa expressão representa um modelo de regressão linear múltipla, em que os coeficientes

α, β 1 , β 2 e β 3 são estimados pelo método de mínimos quadrados. O termo ε representa os

fatores aleatórios ou não controlados pelo modelo, tais como impulsos de voltagem, umidade,

temperatura da máquina, etc.

Devido aos fatores não controlados, o pesquisador irá prever o tempo de carga com um

certo grau de confiança ou probabilidade.

Dentro da teoria de probabilidade os termos “experimento”, “espaço amostral” e “evento”,

são muito utilizados. Os conceitos desses termos são dados a seguir:

2.2 Experimento aleatório com espaço amosral e evento

Experimento É um processo de investigação científica de alguns procedimentos, feito para

responder determinadas perguntas.

Um experimento é dito aleatório quando satisfaz as seguintes condições

a) Pode ser repetido indefinidamente;

b) O pesquisador é capaz de descrever todos os possíveis resultados do experimento,

embora não se possa dizer com certeza qual ocorrerá;

c) Obedece uma regularidade estatística, ou seja, quando o experimento for repetido um

grande número de vezes, surgirá uma configuração definida (distribuição de frequência,

agora chamada de distribuição de probabilidade).

São experimentos aleatórios

(1) tomar uma válvula eletrônica e verificar o tempo de vida;

(2) medir o tempo de duração de uma lâmpada de LED;

(3) medir a vazão do Lago na Barragem da Usina de Itaipu;

(4) medição da resistência à ruptura de corpos de prova;

(5) medição da dureza de corpos de prova de aço.

4

Espaço amostral Representado por , é o conjunto de todos os resultados possíveis de um experimento aleatório. Cada resultado de um experimento aleatório é denominado de ponto amostral.

Exemplos:

a) Lançar um dado e verificar a face de cima. O espaço amostral será:

Ω = {1, 2, 3, 4, 5, 6}

Os pontos amostrais serão: 1, 2, 3, 4, 5 e 6.

b) Testar o tempo de vida de uma válvula eletrônica até queimar. O espaço amostral será:

{ x R / x 0} { x R /0 x 360 kgf }

d) O Espaço amostral também pode ser representado geometricamente. Suponha que uma empresa de eletricidade formou uma comissão da qual participavam 5 elementos da distribuição e 4 da transmissão. Representando graficamente todas as possibilidades do número de ausentes teremos:

c) Resistência à ruptura de corpos de prova de

O espaço amostral será:

5

5 Figura 2.1 - Representação geométrica do espaço amostral. Percebe-se na figura 2.1 que o número

Figura 2.1 - Representação geométrica do espaço amostral.

Percebe-se na figura 2.1 que o número de resultados do espaço amostral é 6 x 5 = 30 e que, as áreas sombreadas A, B e C, correspondem, respectivamente, aos eventos "um elemento ausente", "4 elementos ausentes" e "o número de ausentes da distribuição é maior que o da transmissão". Porém esses não são os únicos eventos possíveis desses espaço amostral.

Evento É qualquer subconjunto do espaço amostral . Deve-se considerar como eventos de

qualquer espaço amostral, o evento impossível (aquele que nunca ocorre) e o evento certo (o

próprio espaço amostral ).

Exemplo

Ω = {1, 2, 3, 4, 5, 6}

Os eventos desse espaço amostral ao lançar o dado uma vez, são:

= evento impossível;

Eventos com um resultado possível

A = {1}, B = {2}, C = {3}, D = {4}, E = {5}, F = {6}.

Eventos com dois resultados possíveis

A

= {1, 2}, B = {1, 3}, C ={1, 4}, D ={1, 5}, E ={1, 6},

F

= {2, 3}, G = {2, 4}, H = {2, 5}, I = {2, 6},

J

= {3, 4}, K ={3, 5}, L ={3, 6},

6

O = {5, 5}, P ={5, 6}.

Eventos com três resultados possíveis são

A

= {1, 2, 3}, B = {1, 2, 4}, C ={1, 2, 5}, D ={1, 2, 6},

E

={2, 3, 4}, F ={2, 3, 5}, G ={2, 3, 6},

H

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

J = {4, 5, 6}.

Eventos com quatro resultados possíveis são

A

= {1, 2, 3, 4}, B = {1, 2, 3, 5}, C ={1, 2, 3, 6},

E

={2, 3, 4, 5}, F ={2, 3, 4, 6},

H

={3, 4, 5, 6}

Evento com seis resultados possíveis. O próprio espaço amostral.

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

2.3 Teoria clássica de probabilidade

Essa teoria baseia-se na existência de um espaço amostral com n elementos unitários:

= {a 1 , a 2,

, a n }

Este espaço amostral estaria associado ao objeto de estudo de um experimento, e seus elementos seriam igualmente prováveis de ocorrer, ou seja,

 

1

P(a 1 ) = P(a 2 ) =

= P(a n ) =

 

n

Em que P( . ) denota probabilidade.

Exemplo:

Suponha que um dado de jogo em perfeito estado é lançado e sua face é anotada. O espaço amostral é

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

assim, a probabilidade de que ocorra qualquer uma das faces será a mesma.

P(1) = P(2) = P(3) = P(4) = P(5) = P(6) =

1

6

7

Porém, esta teoria apresenta lacunas, uma vez que exige o conhecimento prévio da entidade física referente aos eventos de igual probabilidade. Além disso, muitas vezes os eventos de um espaço amostral não são igualmente prováveis.

2.4 A Teoria Frequentista de Probabilidade

A teoria frequentista de probabilidade possui uma motivação empírica para interpretar probabilidades (Wadsworth e Bryan, 1960). Na observação de certo fenômeno através de um experimento, a probabilidade de certo evento A é definida, formalmente, como a sua frequência relativa observada, à medida que o número de repetições tende para o infinito, ou seja,

P [ A ] lim

n



n

A

n

em que n A é o número de possibilidades favoráveis ao evento A, num total de n repetições de um

experimento. Trata-se de uma definição operacional, no sentido que demanda a postulação de um experimento ou operação. Assim, as frequências relativas em populações infinitas são chamadas de probabilidades.

Probabilidade Frequência relativa associada a uma variável descritora de uma população infinita.

Portanto, pode-se denominar a distribuição de frequência relativa associada a uma variável descritora de uma população infinita como uma distribuição de probabilidade.

Distribuição de probabilidade Distribuição de frequência relativa em uma população infinita aos valores da variável de interesse.

Exemplo:

Observa-se que durante 100 tentativas de partida sob condições similares, uma determinada turbina a gás parte com sucesso 98 vezes. Qual a probabilidade desta turbina partir com sucesso quando necessário?

Solução:

Denominemos A como o evento ”a turbina a gás parte com sucesso”. Logo,

8

P ( A)

98

100

0,98

ou

98%

2.5 Probabilidade subjetiva

Atualmente, pode-se dizer que a inferência estatística (a qual será estudada em seções posteriores), apresenta duas escolas de pensamento, a frequentista e a bayesiana. A primeira está baseada no conceito frequentista de probabilidade. Já, a inferência Bayesiana está assentada, também, em um enfoque subjetivo de probabilidade. Por ela, a formulação de modelos

e sua verificação são feitas através da combinação de evidências experimentais (objetivas) com a opinião do pesquisador (subjetiva). Portanto, define-se probabilidade subjetiva como uma medida do grau de confiança de uma pessoa em relação a uma proposição (O’ Hagan, 1994). Ela é função da quantidade de

informação disponível pela pessoa, e possui a restrição de que deve obedecer (assim como as teorias clássica e frequentista) a critérios de consistência, ou seja, aos axiomas de probabilidade

os quais serão vistos a seguir.

2.6 Axiomas de probabilidade

Axiomas

são

propriedades

das

quais

não

é

exigida

uma

prévia

demonstração,

simplesmente são aceitas.

Seja o espaço amostral associado a um dado experimento . A cada evento A

associa-se um número real, denominado de probabilidade de A, o qual deve satisfazer às seguintes propriedades:

(1 0 ) 0 P(A) 1

(2 0 ) P() = 1 (ou seja, a probabilidade do evento certo é igual 1) (3º) Se A e B são eventos mutuamente exclusivos (aqueles que não ocorrem simultaneamente),

a probabilidade de ocorrência de A ou de B é igual à soma das probabilidades de cada um, ou

seja,

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

A última propriedade pode ser utilizada para uma sequência finita ou infinita de eventos

mutuamente exclusivos, pertencentes a , ou seja,

9

Exemplo de aplicação

P

P

n

i

1

i

1

A

A

i

i

n

i

1

i

1

P (

(

P A

A )

)

i

i

Suponha que um determinado instituto tem os seguintes números de alunos matriculados por curso: 110 de Matemática Pura, 30 de Matemática Aplicada, 30 de Estatística e 30 de Computação.

a) Qual é a probabilidade de que, um aluno escolhido ao acaso seja do curso de Matemática

Pura?

b) Qual é a probabilidade de que um aluno escolhido ao acaso seja do curso de Matemática Pura ou do Curso de Estatística?

c) Qual é a probabilidade de que um aluno escolhido ao acaso seja do curso de Matemática Pura, ou de Matemática Aplicada, ou de Estatística ou da Computação?

Solução

Sejam os eventos

A: o aluno é do curso de Matemática Pura B: o aluno é do Curso de Matemática Aplicada C: o aluno é do curso de Estatística D: O aluno é do Curso de Computação

n

A

110

a)

b)

P(A)

P(A

n 200

C)

0,55 ou

55%

 

n

A

 

n

C

110

30

0,70

70%

 

n

n

200

 

200

ou

n

B

n

C

n

D

110

30

30

30

 
 

n

 

n

n

 

200

200

200

200

P ( A) P (C )

c) P(A B CD) P ( A) P ( B ) P (C ) P ( D )

n A

n

1

ou

100%

10

2.7 Principais teoremas de probabilidade

(1 o ) A probabilidade de um evento impossível é zero, ou seja, P() = 0.

Demonstração

Seja A um evento qualquer.

A e são mutuamente exclusivos, pois A  = , então,

pelo 3º axioma P(A ) P( A) + P()

pela teoria de conjuntos A  A

Assim, P(A ) P(A)

Portanto, P() 0

Exemplo de aplicação

Numa prova valendo 10 pontos, qual é a probabilidade de ocorrer de fato alguma nota maior do que 10?

P(X > 10) = P() = 0

(2 o ) Se A c é o evento complementar de A, então P(A C ) = 1 P(A)

Demonstração Considere o seguinte diagrama:

1 – P(A) Demonstração Considere o seguinte diagrama: Pelo diagrama observa-se que A e A c

Pelo diagrama observa-se que A e A c são mutuamente exclusivos

Logo, P(A

A

c

)

P (A)

P(A

c

)

11

ComoA

Tem-se

A

C

Ω

c

P   P A A P A P A

(

)

(

)

(

)

(

pelo 2 o axioma P() 1,

logo, 1

Portanto, P(A C ) = 1 P(A)

P(A)

c

P(A )

Exemplo de aplicação

c

)

Se a probabilidade de um equipamento de segurança falhar durante sua utilização é de 5%, então a probabilidade deste equipamento não falhar durante sua utilização será,

P(F c ) = 1 - P(F) = 1 - 0,05 = 0,95 ou 95%

(3 o ) Se A B , então P(A) P(B)

Demonstração Considere o seguinte Diagrama:

 P(B) Demonstração Considere o seguinte Diagrama: Pode-se escrever B  A  ( A C

Pode-se escrever B

A

(A

C

B)

Ora, A e (A

C

B)

são mutuamente exclusivos.

Logo,

P(B)

P(A)

P(A

C

B)

Assim, P(A

Pelo 1 o axioma, P(B)P(A) 0 . Ocorre P(A) - P(B) = 0, quando A = B.

Portanto, P(A) P(B)

C

B)

P(B)

P(A)

12

Observação: ocorre P(A) P(B) quando A = B

Exemplo de aplicação

Suponha que seja feito um sorteio de uma bolsa de estudos de um curso de inglês, entre os alunos da UNIOESTE de Foz do Iguaçu. Existem 1402 alunos matriculados no total. Ha 141 alunos no curso de Matemática, dos quais, 35 são do quarto ano. Qual é a probabilidade de ser sorteado:

a) Um aluno do curso de Matemática

b) Um aluno do quarto ano do curso de matemática

Solução

Os eventos são:

A: O aluno é do curso de Matemática, B: O aluno é do quarto ano de Matemática,

a)

b)

Como B A , tem-se P(B) < P(A).

P ( A )

P ( B )

n

A

141

n

n

B

1402

35

n

1402

0,1006

ou

10,06%

0,0250

ou

2,50%

(4 o ) Teorema do Produto: A probabilidade de ocorrência simultânea de dois eventos A e B é igual ao produto da probabilidade de um deles pela probabilidade condicional do outro, ou seja,

P(AB) P(A)P(B/ A)

Considerando dois eventos, pode ser que a ocorrência de um deles modifique a probabilidade de ocorrência do outro. Assim, a probabilidade do evento B, sabendo que A ocorreu, ou probabilidade condicional de B em relação a A, pode ser representada por P(B/A). Dessa

forma, para P(A) 0, define-se

P

B / A

P A

B

PA

No caso de 3 eventos A, B e C, a probabilidade do evento C, sabendo que A e B ocorreram, é dada por

13

Exemplo de aplicação

P C / A

B

C   .

C

.

P A

 

P A

B

B

 P A    P A B  B

O dono de um supermercado resolveu realizar uma promoção, sorteando dois brindes aos clientes que gastassem pelo menos 50 reais. Verificou-se que 500 clientes atenderam a esse quesito. Desses, 200 foram do Bairro A, 175 do B e 125 do C. Suponha que o ganhador de um prêmio não pode concorrer aos restantes (amostragem sem reposição).

a) Qual a probabilidade de que os dois ganhadores sejam do bairro A?

b) Qual a probabilidade de que ocorra um do bairro A e um do bairro B?

c) Qual a probabilidade do segundo ser do bairro B, sendo que o primeiro cliente sorteado é do bairro A?

d) Se fossem sorteados três brindes, qual seria a probabilidade de ser sorteado um de cada

bairro?

e) No sorteio três brindes, qual é a probabilidade de o terceiro cliente ser do bairro C, sendo que o

primeiro é do Bairro A e o segundo do Bairro B.

Solução

n = 500; n A = 200, n B = 175, n C = 125

Sejam os eventos:

A: O cliente é do Bairro A B: O cliente é do Bairro B C: O cliente é do Bairro C

a) Como a amostragem é sem reposição

PA APA.PA/ A=

b)

PA BPA.PB/ A=

n A

n

A

1

n

n

1

n A

n

B

 

n

n

1

200

175

=

 

.

500

 

499

200

500

199

.

499

0,1403

0,1595

14

c) P B/ A

P A

B

P A

.

=

n

A

n

B

n

n

1

n

A

=

200

500

175

499

200

n 500

0,3507

d) PA B CPAPB/ APC/ A B

e)

P C/ A

B

n A

n

n

B

n

C

1

=

P PA A  

B

B

n

C

n

2

n

A

n

B

n

C

n

n

1

n

2

n

A

n

B

n

n

1

=

=

200 175

500

499

125

498

0,0352

200

500

175

499

125

498

200

500

175

499

0,2510

Os eventos são ditos independentes quando a ocorrência de um deles independe da ocorrência do outro. Dessa forma, se A e B são independentes, então

P(B/A) = P(B), assim como, P(A/B) = P(A),

E no Teorema do Produto tem-se que

PA BPA.PB

No caso de três eventos independentes: A, B e C, obtém-se

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

Para o exemplo anterior, suponha que o ganhador de um prêmio possa concorrer aos restantes, ou seja, seu nome é reposto na urna (amostragem com reposição).

a) Qual a probabilidade de o primeiro cliente sorteado ser do Bairro A e o segundo do B

15

b) Se fossem sorteados três brindes, qual a probabilidade de o primeiro cliente sorteado ser do

Bairro A, o segundo do B e o terceiro do C.

a) PA BPA.PB=

b) PA B CPAPBPC

n A

n

n

B

n

=

n A

n

n

B

 

n

n

C

n

=

Exemplo de aplicação

=

200

500

175

.

500

0,14

200

500

175

500

125

500

0,035

Os funcionários de uma empresa estão distribuídos de acordo com a tabela a seguir:

   

Sexo

Total

Departamento

Masculino

Feminino

A

25

25

50

B

15

10

25

C

20

5

25

Total

60

40

100

No sorteio de um funcionário, qual é a probabilidade de que este seja:

a) Do sexo masculino?

b) Do sexo masculino e do departamento A

c) Do sexo masculino, sabendo que é do departamento A

Solução

Sejam os eventos:

A: o funcionário é do departamento A

B: o funcionário é do departamento B

C: o funcionário é do departamento C

M: o funcionário é do sexo masculino

F: o funcionário é do sexo feminino

16

a)

P M

(

)

n

M

60

n 100

b) P M AP ( M

)

0,60

ou

60%

P

A / M =

n

M

n

(

A e M

)

60

25

n

 

n

M

100

60

c)

P M A

/

P

A M

P A

.

=

n ( A e M )

n

n

A

n

=

25

100

50

100

25

50

0,5

ou

0,25

50%

ou

25%

(5 o ) Teorema da soma ou das probabilidades totais: A probabilidade de ocorrer pelo menos um entre dois eventos A e B, não necessariamente mutuamente exclusivos, é igual à soma das probabilidades de A e de B, menos a probabilidade de A e B ocorrerem simultaneamente, ou seja,

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

Demonstração

Considere o seguinte diagrama:

P(A  B) Demonstração Considere o seguinte diagrama: Pelo diagrama nota-se que os eventos A 

Pelo diagrama nota-se que os eventos

A

(A

B

C

P(A) = P(A

)

B

C

)

(A

B)

P(A

, então

B)

P(A

B

C

A B

C e A B são mutuamente exclusivos, e que

)

P(A)

P(A

B)

( I )

17

Observa-se que os eventos

BA

C e A B , também são mutuamente exclusivos, e que

B

(B

A

C

)

(A

A

C

)

A B

)

B

, assim,

P(A

C

,

B)

C

B)

C

)

BA

(A

C

P(A

C

B)

B)

P(B) = P(B

Os

eventos

A

 

B

(A

P(A

B)

B

C

P(A

P(B

e

P(A

A

C

)

P(B)

P(A

A B

também

B)

, logo,

são

P(A

B)

B)

( II )

mutuamente

exclusivos

e

Dessa forma, de I e de II tem-se P(AB) P(A) P(AB) P(B) P(AB) P(AB)

Portanto, P(AB) P(A) P(B) P(AB)

Exemplo de aplicação

No circuito abaixo, a probabilidade de que cada relé esteja fechado é de 0,8. Supondo que cada relé seja aberto ou fechado independentemente um do outro, calcular a probabilidade de a corrente passar de A para B.

calcular a probabilidade de a corrente passar de A para B. Sejam os eventos: R 1

Sejam os eventos:

R 1 : o relé 1 está fechado, R 2 : o relé 2 está fechado, R 3 : o relé 3 está fechado, R 4 : o relé 4 está fechado, onde

P(R 1 ) = P(R 2 ) = P(R 3 ) = P(R 4 ) = 0,8

A corrente passa de A para B se estiverem fechados os relés 1 e 2 ou 3 e 4, portanto deve- se calcular P[(R1 R 2 )(R3 R 4 )] , onde os eventos (R1 R 2 ) e (R3 R 4 ) podem ocorrer

simultaneamente (se os quatro relés estiverem fechados), dessa forma tem-se:

P[( R1 R 2 )( R3   P(R1)P(R R 4 )] P ( 2 R1 )   P(R3)P(R R 2 ) P (( R3 4 )   R P(R1)P(R 4 ) P[( R1 2 )(R3)P(R R 2 )( R3 4 ) R 4 )]

0,80,80,80,80,80,80,80,8 0,8704 ou 87,04%

18

(5 O ) Teorema de Bayes: Se A 1 , A 2

., A n são eventos dois a dois mutuamente exclusivos tais que

A1 A2  An  . Sejam P(A i ) as probabilidades conhecidas de vários eventos, e B um

evento qualquer de tal que são conhecidas todas as probabilidades condicionais P(B/A i ).Então, para um dado evento A i , tem-se

ou

P A B

i

(

/

)

P A P B A

i

(

)

(

/

i

)

P A P B A

1

(

)

(

/

1

)

P A P B A

2

(

)

(

/

2

)

P A P B A

n

(

)

(

/

n

)

P A B

i

(

/

)

P A P B A

i

(

)

(

/

i

)

n

i 1

P A P B A

i

(

)

(

/

i

)

Demonstração

Considere o seguinte diagrama da partição de em eventos Ai (i=1,2,3,4,5) e sua interseção com

B.

 em eventos Ai (i=1,2,3,4,5) e sua interseção com B. Dessa maneira, ( I ) P

Dessa maneira, ( I )

P(B)

n

i 1

P( A

i

Como

(

P B

/

A

i

)

(

P A

i

)

B

P ( A )

i

, então:

B) .

P A B P B A P A

i

i

(

)

(

/

)

(

i

)

n

.Dessa forma,

i

1

P A

(

i

Porém, de ( I ) sabe-se que

P B

(

)

( II )

P B

(

)

n

i 1

P B A P A

i

(

/

)

(

i

).

n

i 1

P A

(

i

B

Mas, como (III)

P A B P A P B A

i

i

(

)

(

)

(

/

i

)

) , então

B

)

n

i

1

P B A P A

i

(

/

)

(

i

)

19

Pensando agora em uma probabilidade condicional P(A i /B) qualquer

P A B

i

(

/

P A B

i

(

/

)

)

P A

(

i

B

)

P

( B )

P Ai P B

(

)

(

/

A

i

)

n

i 1

P A P B A

i

(

)

(

/

i

)

n P Ai P B A

)

(

(

/

i

)

i 1

P A P B A

i

(

)

(

/

i

)

Exemplo de Aplicação

tem-se, por (II) e (III) que

Uma indústria produz quatro tipos de válvulas eletrônicas: A, B, C e D. A probabilidade de uma válvula do tipo A ser defeituosa é 1%, do tipo B é 0,5%, do tipo C é 2% e do tipo D é 0,2%. Em um depósito existem 1000 válvulas do tipo A, 500 do tipo B, 300 do tipo C e 200 do tipo D. Uma válvula é retirada aleatoriamente do depósito e verifica-se que esta é defeituosa. Qual é a probabilidade de que a válvula retirada seja do tipo D?

Sejam os eventos

A: a válvula é do tipo A, B: a válvula é do tipo B, C: a válvula é do tipo C, D: a válvula é do tipo D, E: a válvula é defeituosa.

O evento válvula defeituosa (E) ocorreu, portanto, a probabilidade de que seja do tipo D (sendo A, B, C e D mutuamente exclusivos) será dada por

onde

P D

/

E

P D P E D

(

)

(

/

)

(

)

P A P E A

(

)

(

/

1000

)

P B P E B

(

)

(

/

500

)

P C P E C

(

)

(

/

300

)

P D P E D

(

)

(

/

200

)

P ( A)

2000

0,50

;

P ( B )

2000

0,25

;

P (C )

2000

0,15

;

P ( D )

2000

0,10

P(E/A) = 1% = 0,01; P(E/C) = 2% = 0,02;

Portanto,

P(E/B) = 0,5% = 0,005; P(E/D)= 0,2% = 0,002;

20

P ( D / E )

0,10 0,002

0,50 0,010

0,25 0,005

0,15 0,020

0,10 0,002

2.8 Sequência de exercícios nº 1

0,021

ou

2,1%

01 No lançamento de um dado equilibrado considere os eventos A: ocorrência de face ímpar

B: ocorrência de face menor do que 3 e C = face máxima observada igual a 5.

a) Represente o espaço amostral

b) Calcule P(A); P(B); P(C).R: 0,50; 0,3333; 0,8333

02. Uma moeda perfeita será lançada 3 vezes. Sejam os eventos: E 1 : observar pelo menos duas

coroas; E 2 : observar no máximo uma coroa; E 3 : observar as 3 faces iguais; E 4 : observar 3 coroas; E 5 : O primeiro lançamento resulta em coroa; E 6 : o segundo lançamento resulta em coroa E 7 : o

terceiro lançamento resulta em coroa.

a) Escreva o espaço amostral no caso de três lançamentos

b) Calcule P(E 1 ), P(E 2 ), P(E 3 ), P(E 4 ), P(E 5 ), P(E 6 ) e P(E 7 ) R: 0,50; 0,50; 0,25; 0,125; 0,50; 0,50;

0,50

03 Uma urna contém 20 bolas das quais 9 brancas, 5 azuis e 6 vermelhas. Duas bolas serão

retiradas sucessivamente da urna, sem reposição. Calcular as seguinte probabilidades

a) de a segunda bola extraída ser vermelha, dado que a primeira é vermelha. R: 0,2632

b) de serem extraídas bolas de cores diferentes: R: 0,3395

c) de serem extraídas bolas de mesma cor? R: 0,0475

04. Sabe-se que na fabricação de um certo artigo, defeitos de um tipo ocorrem probabilidade 0,1 e

defeitos de outro tipo com probabilidade 0,05. Qual será a probabilidade de que:

a)

um artigo não tenha ambos os tipos de defeitos: R: 0,995

b)

Um artigo seja defeituoso? R: 0,145

05

Suponha que A e B associados a um experimento sejam eventos independentes. Se a

probabilidade de A ou B ocorrerem for igual a 0,6 enquanto a probabilidade de ocorrência de A for igual a 0,4 determine a probabilidade de ocorrência de B. R: 0,3333

06. Um lote é composto de 1000 peças, sendo 95% perfeitas e 5% defeituosas. Duas peças são

extraídas aleatoriamente desse lote, sem reposição, qual a probabilidade de que:

a) ambas sejam perfeitas R: 0,90245

b) ambas sejam defeituosas R: 0,00245

21

07. No teorema da soma ou das probabilidades totais foi demonstrado que a probabilidade de

ocorrer pelo menos um entre dois eventos A e B, não necessariamente mutuamente exclusivos, é

igual à soma das probabilidades de A e de B, menos a probabilidade de A e B ocorrerem

simultaneamente, ou seja,

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

Demonstre que a probabilidade de ocorrer pelo menos um entre três eventos A, B e C, não

necessariamente mutuamente exclusivos, é dada por:

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

08 Nos circuitos abaixo, supondo que cada relé funcione independentemente um do outro, sendo

95% a probabilidade de que um relé qualquer esteja fechado, calcular a probabilidade de que

corrente a corrente passe de A para B.

probabilidade de que corrente a corrente passe de A para B. R: 0,999875 R: 0,999756 09
probabilidade de que corrente a corrente passe de A para B. R: 0,999875 R: 0,999756 09

R: 0,999875

R: 0,999756

09 Numa fábrica existem 100 máquinas. Algumas dessas são novas (N) e outras velhas (V),

algumas são da firma A e outras são da firma B conforme a tabela abaixo

Estado

 

Firma

Total

A

B

Nova (N)

35

30

65

Velha (V)

25

10

35

Total

60

40

100

22

Um operário qualquer entra na fábrica e pega uma máquina.

a) Qual é a probabilidade dela ser velha? Resposta: 0,35 ou 35%

b) Qual é a probabilidade dela ser velha sendo que á da firma B? Resposta: 0,25 ou 25%

10. Certa indústria, possui cinco máquinas: A, B, C, D e E, as quais produzem os mesmos tipos de

peças, que serão utilizadas na montagem de equipamentos elétricos. Sabe-se que a produção

diária da máquina A é o dobro da produção diária da máquina D, que as produções das máquinas

B e C são iguais e que a máquina E produz 20 peças a mais que a máquina A. De acordo com o

setor de controle de qualidade dessa indústria, são defeituosas, respectivamente, 1%, 2%, 5%, 1%

e 3% das peças produzidas pelas máquinas A, B, C, D e E. Uma peça foi tomada aleatoriamente e

verificou-se que ela é defeituosa. Utilizando o teorema de Bayes, calcular a probabilidade de que

essa peça tenha sido fabricada pela máquina E, sabendo que as máquinas A e B produzem,

respectivamente, 200 e 150 peças. R: 0,3284

2.9 Variável aleatória

As variáveis descritoras de uma população infinita podem ser qualitativas ou quantitativas,

como visto na parte de Estatística Descritiva. Quando são associados valores de probabilidade às

variáveis descritoras, como é no caso de populações infinitas, elas também são chamadas de

variáveis aleatórias.

Variável Aleatória De modo informal é a variável descritora de populações infinitas, a cujos

valores são associadas probabilidades de ocorrência.

Por convenção, as variáveis aleatórias são sempre quantitativas, mesmo se referindo a

qualidades. No exemplo da produção de peças defeituosas, às categorias “perfeita” e “defeituosa

podem ser associados os valores 0 e 1, respectivamente. Dessa forma, as vaiáveis aleatórias

podem ser discretas ou contínuas.

As variáveis aleatórias são denotadas por letras maiúsculas, e suas realizações por letras

minúsculas. Assim, a probabilidade de que uma variável aleatória X assuma determinado valor x,

é denotada por P[X = x] ou P(x).

2.9.1 Definição Formal de Variável Aleatória

Seja “” um experimento aleatório e o espaço amostral associado ao experimento. Uma

função X que associa números reais a cada evento “e” do espaço amostral é denominada

23

variável aleatória. Assim, formalmente, uma variável aleatória X é uma função com domínio e

contradomínio a reta dos reais:

X(ω) :  R

Geometricamente, tem-se:

dos reais: X( ω ) :  R Geometricamente, tem-se: Figura 2.2 Representação geométrica de uma

Figura 2.2 Representação geométrica de uma variável aleatória

em que:

e: é um evento qualquer de ;

é o espaço amostral

X: é uma função (aqui denominada inadequadamente de variável aleatória);

X(e): é um número real associado ao evento “e” de ;

R x : é o contradomínio ou conjunto dos possíveis valores de X.

Meyer (1983) aponta a fraqueza dessa terminologia, uma vez que se chama “variável” a

uma função. Além disso, o termo aleatório também não é apropriado, uma vez que o acaso não

está evidente na sua definição. Entretanto, devido o seu uso generalizado, também será adotada

aqui.

Exemplo

Imagine que duas peças estão para ser coletados de um lote. Sejam os eventos, D: peça

defeituosa e P: peça perfeita. Logo o espaço amostral será:

= {PP; DP; PD, DD}

Seja variável aleatória X que expressa o número de peças defeituosas. Então, o contradomínio

será:

Geometricamente ter-se-á:

R X = {0, 1, 2}

24

24 Figura 2.3 Representação geométrica da variável aleatória qualidade da peça 2.9.2 Variável Aleatória Discreta

Figura 2.3 Representação geométrica da variável aleatória qualidade da peça

2.9.2 Variável Aleatória Discreta

Diz-se que uma variável aleatória X é discreta, se o número de possíveis valores de X (ou seja, R x seu contradomínio) for finito ou infinito enumerável. No exemplo de peça defeituosa ou perfeita, às categorias “defeituosa” e “perfeita” puderam ser associados os valores 0 e 1, respectivamente. Por convenção as variáveis aleatórias são sempre quantitativas, mesmo se referindo a qualidades. Portanto, as vaiáveis aleatórias antes chamadas de qualitativas e as quantitativas discretas, na teoria de probabilidades, passam a ser chamadas de variáveis aleatórias discretas.

Exemplos

1) Seja X a variável que representa o número de peças defeituosas em cada 5 inspecionadas. O contradomínio será finito, ou seja

R x = {0, 1, 2, 3, 4, 5}

2) Seja X a variável que representa o número de vezes que um transistor muda de estado na memória deum computador. O contradomínio será infinito e enumerável, ou seja,

R x = {0, 1, 2,

.}

3) Seja X a variável que representa o número de moléculas em uma amostra de gás. O contradomínio será infinito e enumerável, ou seja,

R x = {1, 2,

.}

4) Seja X a variável que representa o número de usuários de uma rede de computadores em certo período do dia. O contradomínio será infinito e enumerável, ou seja,

R x = {0, 1, 2,

.}

25

2.9.3 Variável Aleatória Contínua

Uma variável aleatória X é dita contínua, se corresponder a dados de medida, isto é, se o número de valores possíveis desta não puder ser enumerado. Assim, os elementos do contradomínio de X são representados em forma de intervalo. Dessa forma, na teoria de probabilidades, todas as variáveis quantitativas contínuas são chamadas apenas de variáveis aleatórias contínuas.

Exemplos

a) resistência à ruptura de corpos de prova.

Rx {x R/0 X 500} Rx {x R/ x 0}

Outros exemplos de variáveis aleatórias contínuas podem ser citados, tais como: resistência à tração de cabos, diâmetro de tubos, etc.

b)Tempo de duração em horas de um dispositivo eletrônico

2.9.4 Função de Probabilidade

Seja X uma variável aleatória discreta. A cada possível resultado x i está associado um número P(x i ) = P(X = x i ), denominado probabilidade de x i . A função p é denominada de função de probabilidade da variável aleatória X e segue às seguintes propriedades.

i) P(X = x i ) 0, para todo i;

ii

i 1

P(X

xi)

1

.

O conjunto dos pares [x i , P(x i )] é denominado de distribuição de probabilidade. Exemplo

Retornando ao exemplo do número de peças defeituosas em duas inspecionadas. O espaço amostral foi

26

e o contradomínio.

= {DD; DP; PD, PP}

R X = {0, 1, 2}

A probabilidade de ocorrer nenhuma peça defeituosa será

 

1

P(0) P(X 0)

4

0,25

 

2

A probabilidade de ocorrer uma peça defeituosa será

P(1) P(X 1)

4

0,50

 
 

1

A probabilidade de ocorrerem duas peças defeituosas será

P(2) P(X 2)

4

0,25

Confirmando a propriedade “ii”

 

3

P(x )

i

P(X

0)

P(X

1)

P(X

2)

0,25

0,50

0,25

1

i 1

Graficamente tem-se:

 0,25  1 i  1 Graficamente tem-se: Figura 2.4 – Representação geométrica da função

Figura 2.4 Representação geométrica da função de probabilidade

2.9.5 Função Densidade de Probabilidade

Seja X uma variável aleatória contínua. Define-se função densidade de probabilidade como sendo a função f que satisfaz às seguintes propriedades:

27

i) f(x) 0, para qualquer valor de x.

ii)



f (x)dx 1

A propriedade (ii) indica que a área total limitada pela curva que representa a função f(x) e o eixo das abscissas é igual a 1 Seja o intervalo [a,b] R X . Então a probabilidade da variável aleatória contínua X assumir algum valor dentro desse intervalo será dado por:

P [a

X

b]

b

a

f (x)dx ,para qualquer a e b.

que pode representar, por exemplo, a área escura sob a curva no gráfico a seguir:

exemplo, a área escura sob a curva no gráfico a seguir: Figura 2.4 - Representação geométrica

Figura 2.4 - Representação geométrica de uma função densidade de probabilidade.

Verifica-se na figura 2.4 que, para variáveis aleatórias contínuas, as probabilidades são interpretadas como áreas. Portanto, para qualquer valor x 0 R X , tem-se

P [X

x

0

]

x

0

x 0

f(x)dx

0

Devido à probabilidade de uma variável aleatória contínua ser nula num ponto, tem-se que

P(a X b) P(a X b) P(a X b) P(a X b)

Exemplo

28

(1) Seja uma variável aleatória contínua, cuja fdp é dada por:

f(x) = x/16, 2 < x < 6 = 0, para quaisquer outros valores.

Calcular:

a)

P(3 X 4);

b)

P(X > 5);

c)

P(2 X 6);

d)

Representar graficamente a fdp.

Solução

a)

P(3

X

 

4)

4

3

x

16

dx

1

16

x

 

2

2

4

 

3

1

16

  

8

9

2

1

7

7

16

.

2

32



b)

c)

P(X

P(2

5)

6

5

X

 

6)

x

16

dx

1

16

6

6

x

16

dx

  x  

2

 

 

2

6

5

1

16

x

2

 

2

6

2

1

16

18

25

2

1

16

1

16

18 21

11

.

2

d) para x = 2 f(2) = 2/16 = 1/8

para x = 6 f(6) = 6/16 = 3/8



11

32

0,219

0,344

  11 . 2 d) para x = 2  f(2) = 2/16 = 1/8

29

Portanto, observa-se através deste exemplo que, no caso de variáveis aleatórias

contínuas unidimensionais, o cálculo de probabilidades refere-se ao cálculo de áreas.

(2) Seja X uma variável aleatória contínua, cuja fdp é dada por:

f(x) = k,

2 X 5 (k constante)

= 0, para quais quer outros valores

a) Determinar o valor de k

b) Representar graficamente a fdp

a) Sabe-se que

Logo,

f (x)dx 1é a uma das condições para que f(x) seja uma fdp, a outra é f(x) 0.



5

2

kdx

1

 

k x

5

2

 

1

1

 

k[5

2]

  

1

k

3

Essa fdp é denominada de uniformemente distribuída

b) Gráfico

fdp é denominada de uniformemente distribuída b) Gráfico 2.9.6 Função de Distribuição Acumulada Independente de

2.9.6 Função de Distribuição Acumulada

Independente de uma variável aleatória ser discreta, ou contínua, uma importante função

associada a esta é a função de distribuição acumulada, função de distribuição de probabilidade,

ou simplesmente, função distribuição, a qual segue as seguintes propriedades:

i) Se x 1 < x 2 , então F(x 1 ) F(x 2 ), ou seja F(x) é uma função não decrescente

30

ii) lim F(x)

x 

iii) lim F(x)

x 

0

1

iv) P[x1 X x2 ] F(x2 ) F(x1)

A função de distribuição acumulada de uma variável aleatória discreta é dada por:

F[x

k

]

P[X

x

k

]

k

i 1

P[x ]

i

No caso de uma variável aleatória contínua, a função de distribuição acumulada é expressa

por:

 

F(x)

P(X

x)

Exemplos:

x



f (z)dz

( 1 ) Seja a variável aleatória X que representa o número de transformadores defeituosos, em cada lote de 100 unidades, tomados da linha de produção, segundo o quadro abaixo:

i

1

2

3

4

5

6

X

0

1

2

3

4

5

Proporção

0,32

0,28

0,20

0,12

0,06

0,02

Essas proporções podem ser consideradas como probabilidades no sentido que, se um lote for tomado ao acaso da linha de produção, existe uma probabilidade, por exemplo, de 28% de que ela contenha apenas 1 transformador defeituoso. A probabilidade de que ele contenha 3 transformadores defeituosos, ou menos, é dada por:

F[x

4

]

P[X

x

4

]

4

i 1

P[X

x ]

i

P[X

x ]

1

P[X

x

2

]

P[X

x

3

]

P[X

x

4

]

F[3] = P[X 3] = P[X = 0] + P[X = 1] + P[X = 2] + P[X = 3]

= 0,32 + 0,28 + 0,20 + 0,12 = 0,92 ou 92%

Resumidamente tem-se os seguintes resultados de F(X):

31