Ref:PROBmecanica15.

doc

NOES DE PROBABILIDADE

Nos tpicos estudados, nas aulas anteriores, foi visto que a distribuio das freqncias das
observaes de um fenmeno recurso poderoso para entender a variabilidade do mesmo.
Entretanto, com suposies adequadas e sem observar diretamente o fenmeno, pode-se criar um
modelo terico que reproduza muito bem a distribuio das freqncias quando o fenmeno
observado diretamente. Tais modelos so os chamados modelos probabilsticos ou distribuies
de probabilidades.
Exemplo 1. Deseja-se estudar as propores de ocorrncia das faces de um dado. O procedimento
prtico seria lanar um dado certo nmero n de vezes e contar o nmero ni de vezes que ocorre a
face i, i=1, 2,..., 6. As propores ni/n determinam a distribuio de freqncias do fenmeno.
Outra maneira de construir a distribuio de freqncias atravs das suposies tericas. A
primeira suposio que s podem ocorrer 6 faces; a segunda suposio admitir que o dado
perfeitamente equilibrado. Nestas condies, com as suposies feitas, tm-se o seguinte modelo
terico de freqncias para as faces dos dados:
Face
Freqncia terica

1
1/6

2
1/6

3
1/6

4
1/6

5
1/6

6
1/6

Total
6/6=1

Exemplo 2. Existem duas rodovias entre as cidades A e B e trs rodovias entre B e C. deseja -se
estudar as probabilidades de todas as possveis rotas para ir de A at C. Observe que:
a) existem um certo nmero de possibilidades de ir de A para C
1
A

1
B

algum pode ir de A para B de duas maneiras, pela via 1 ou 2 e de B para C de trs maneiras, pela
via 1 ou 2 ou 3. Ento, as vias podem ser rotuladas como: 11, 12, 13, 21, 22 e 23. Observe que o
nmero total de possibilidades produto do nmero de maneiras de ir de A para B pelo nmero de
maneiras de ir de B para C (2.3 = 6);
b) suponha que qualquer uma das vias tm igual chance de ser sorteada.
O modelo de probabilidades ou a distribuio de probabilidades das possibilidades dada
por:
Via
11
12
13
21
22
23
Total
Freqncia terica 1/6
1/6
1/6
1/6
1/6
1/6 6/6=1
Assim, pode-se definir:
Experimentos probabilsticos: So os experimentos cujos resultados podem no ser os mesmos,
ainda que repetidos sob condies idnticas.

Exemplo 3:
a) Jogar uma moeda 8 vezes e observar o nmero de caras obtidos.
b) Contar o nmero de peas defeituosas produzidas num perodo de 24 horas em uma linha
de produo de peas automotivas.
c) Peas so produzidas at que 10 peas perfeitas sejam fabricadas. Contar o nmero de
peas fabricadas.
d) Jogar duas moedas e observar o resultado.
e) Retirar uma lmpada de um lote e medir seu tempo de vida antes que se queime.
Exemplo 4: Se medirmos a corrente em um fio fino de cobre, estaremos conduzindo um
experimento. Entretanto, em repeties dirias de medidas, os resultados podero diferir levemente,
por causa de pequenas variaes em variveis que no estejam controladas em nosso experimento,
incluindo variaes nas temperaturas ambientes, leves variaes nos medidores e pequenas
impurezas na composio qumica do fio, se diferentes localizaes forem selecionadas e se houver
impulsos na fonte de corrente. Consequentemente, diz-se que esse experimento (assim como muitos
que conduzimos) tem um componente aleatrio. Em alguns casos, as variaes aleatrias que
experimentamos, em relao aos nossos objetivos experimentais, so to pequenas que podem ser
ignoradas. No entanto, a variao est quase sempre presente e sua magnitude pode ser tanta que as
concluses importantes de nosso experimento podem no ser bvias. Nesses casos, os mtodos
apresentados para modelar e analisar resultados experimentais so valiosos.
No importa quo cuidadosamente o nosso experimento tenha sido projetado e conduzido,
variaes ocorrem frequentemente. Nosso objetivo compreender, quantificar e modelar o tipo de
variaes que encontramos com frequncia. Quando incorporamos a variao em nosso pensamento
e anlises, podemos fazer julgamentos baseados em nossos resultados que sejam vlidos pela
variao.
Exemplo 5: Na medio de corrente em um fio de cobre, o modelo deve ser a lei de Ohm. Por causa
das alimentaes no controlveis, so esperadas variaes nas medidas das correntes. A lei de Ohm
pode ser uma aproximao adequada. Entretanto, se as variaes forem grandes, relativas ao uso
pretendido do equipamento sob estudo, podemos necessitar estender o modelo para incluir a
variao. frequentemente difcil especular a magnitude das variaes sem medidas empricas.
Com medidas suficientes, portanto, podemos aproximar a magnitude da variao e considerar seu
efeito no desempenho de outros equipamentos, tal como amplificadores, nos circuitos.
Exemplo 6: A energia consumida em uma reao qumica pode variar medida que o experimento
for repetido em diferentes vezes ou em diferentes laboratrios. Esse um experimento aleatrio
com muitos resultados.
De todos os exemplos acima, pode-se verificar que todo experimento ou fenmeno que
envolve um elemento casual ter um modelo probabilstico especificado quando se estabelece:
i) um espao amostral , , consiste de todos os resultados possveis de um experimento: = {w1,
w2, ...}. Os elementos wi so os pontos amostrais;
ii) um evento definido como qualquer subconjunto de resultados possveis;
iii) uma probabilidade, P(w), para qualquer ponto amostral, definida como um valor entre 0 e 1 de
modo que a soma das probabilidades de todos os resultados possveis do experimento deve ser igual
a 1. possvel encontrar a probabilidade, P(A), de qualquer subconjunto ou evento A .
Obs. Para um mesmo experimento pode-se ter vrios espaos amostrais, dependendo do objetivo do
problema que se quer estudar.
2

Exemplo 7.
(a) Lanar uma moeda e observar a face voltada para cima. Tem-se, neste caso, dois resultados
possveis: cara e coroa. Ento, o espao amostral o conjunto = {cara, coroa}.
(b) Extrai-se uma bola de uma urna contendo bolas azuis e vermelhas e observa sua cor. Tem-se,
ento, ={azul, vermelha}.
(c) Considere um experimento em que voc seleciona um conector e mede sua espessura. Os valores
possveis da espessura dependem da resoluo do instrumento de medio, que dependem, por sua
vez, dos limites superior e inferior da espessura. Entretanto, pode ser conveniente definir o espao
amostral como simplesmente a linha real , muito embora um valor negativo para a espessura no
possa ocorrer.
Se o objetivo da anlise for considerar apenas o fato de uma pea particular ter espessura baixa,
mdia ou alta, ento o espao amostral pode ser o conjunto de trs resultados = {baixa, mdia,
alta}. Se o objetivo for considerar apenas o fato de uma pea particular obedecer ou no s
especificaes de fabricao, ento o espao amostral pode ser simplificado no conjunto de dois
resultados = {sim, no}.
Exemplo 8. Considere o lanamento de um dado, pode-se ter interesse, por exemplo, nos seguintes
eventos:
A : ocorrncia de um nmero par, ou seja A={2, 4, 6}.
B : ocorrncia de um nmero menor que 3, ou seja B={1, 2}.
C : ocorrer o ponto 6, ou seja, C={6}.
D : ocorrer um ponto maior que 6, D={ }.
Exemplo 9. Uma moeda lanada duas vezes. Se C indica cara e R indica coroa, ento, um espao
amostral ser:
= {w1, w2, w3, w4}
onde w1 ={CC}, w2={CR), w3 = {RC} e w4= {RR}.
razovel supor que cada ponto w tem probabilidade 1/4, se a moeda simtrica e
homognea.
Se A o evento que consiste na obteno de faces iguais nos dois lanamentos, ento,
P(A) = P(w1, w4) = 1/4 + 1/4 = 1/2.
De modo geral, se A e um evento ento, P(A) = P(wj) onde a soma estendida a todos os
wjA.
Exemplo 10. Considere o experimento que consiste em medidas do tempo necessrio para
completar uma reao qumica podendo ser modeladas com o espao amostral = { t; t 0}. Faa
A={ t , 1 t < 10} e B=={ t , 3< t < 118} dois eventos desse espao amostral. Logo A B {={ t ,
1 t <118}. Este um exemplo de espao amostral contnuo, contrastando com os anteriores, que
so discretos.

PROBABILIDADE
1) Definio clssica
No exemplo 1, lanamento de um dado, no havia razo para se dizer que uma das faces
tinha preferncia sobre as outras, pois uma das suposies era de que o dado homogneo,
equilibrado. Assim se A o evento ocorrer face 3, a probabilidade de A, dada por:
3

Numero de casos favoraveis

.
Numero de casos possiveis
Esta a definio clssica de probabilidade.

P(A) =

Exerccio 1 : No lanamento de um dado, qual a probabilidade de aparecer face 3 ou 5?

2) Probabilidade e freqncia relativa
Observou-se que a definio clssica de probabilidade s se aplicava a espaos amostrais
onde os pontos amostrais eram igualmente possveis. Este o caso da maioria das aplicaes das
probabilidades aos jogos de azar, rea que, precisamente, suscitou os primeiros problemas prticos
pela teoria das probabilidades. Estes mesmos jogos, entretanto, repetidos inmeras vezes, levaram a
considerar a probabilidade de um evento como a freqncia relativa, ou seja, como a proporo de
vezes que um evento ocorre em uma srie suficientemente grande de realizaes de um
experimento, em condies idnticas. Surgiu ento uma nova definio de probabilidade, a
definio freqencial. Se A um evento de interesse, a probabilidade de A dada por
P(A)=

Numero de vezes que A ocorreu

.
Numero total de repeticoes do experimento

Obs. Embora nenhuma destas definies - clssica e frequncial - seja completamente rigorosa,
sendo, portanto, ambas insatisfatrias do ponto de vista terico, elas servem para que se avance
bastante no conhecimento das principais idias da Teoria das Probabilidades.
Exemplo 11: Em 660 lanamentos de uma moeda, foram observados 350 caras. Assim, usando a
freqncia relativa como estimativa, a probabilidade de obter-se coroa num lanamento desta
moeda, ser
P(A)=310/660=0,47 ,
onde A={aparece coroa}.
PROPRIEDADES
Seja um espao amostral qualquer e sejam A e B subconjuntos ou eventos de .
1) Propriedades dos eventos:
i) AB ocorre quando pelo menos um dos eventos ocorre;
ii) AB ocorre quando A e B ocorrem;
iii) A o complementar do evento A, ou seja A A = . o evento que ocorre se A no ocorre;
iv) AB = se A e B no tm elementos em comum.
2) Propriedades relacionadas s probabilidades
i)
0 P(A) 1 (observe que P(A) 0)
ii)
P() = 1
iii)
P() = 0
iv)
P( A ) = 1 - P(A)
v)
P(AB) = P(A) + P(B) - P(AB). Se AB = , ento, P(AB) = P(A) + P(B).
OBS: AB = , A e B so ditos eventos mutuamente exclusivos.

Exemplo 12: Numa sala de aula com 18 meninas e 18 meninos, constatou-se que 10 meninos e 12
meninas tm olhos castanho-claro. Escolhendo-se ao acaso um aluno da turma, qual a probabilidade
desse elemento ser menina ou ter olhos castanho-claro?
Caracterizando os eventos do problema temos:
A={o elemento escolhido menina}
B={o elemento escolhido tem olhos castanho-claro}
AB={o elemento escolhido menina ou tem olhos castanho-claro)
Assim, como A e B no so mutuamente excludentes, segue que:
P(AB)=P(A)+P(B)-P(AB)=(18/36)+(22/36)-(12/36)=7/9 = 0,78
Note que, AB={o elemento escolhido menina com olhos castanho-claro }.
Exemplo 13. A tabela a seguir lista a histria de 940 pastilhas em um processo de fabricao de
semicondutores. Suponha que uma pastilha seja selecionada, ao acaso, da tabela. Sejam os eventos:
A: a pastilha contm altos nveis de contaminao.
B: a pastilha est no centro de uma ferramenta de produzir fasca.
Da, A : a pastilha no contm altos nveis de contaminao;
AB: a pastilha proveniente do centro da ferramenta de produzir fasca ou contm altos
nveis de contaminao;
AB: a pastilha proveniente do centro da ferramenta de produzir fasca e contm altos nveis
de contaminao.
Tabela 1. Distribuio das pastilhas na fabricao de semicondutores
Centro de Ferramenta de Produzir Fasca
Alta contaminao
No
Sim
No
514
68
Sim
112
246
Total
626
314

Total
582
358
940

Portanto, P(A)=358/940
P(B)= 314/940
P(AB)=246/940
P(A B) = P(A)+P(B) - P(A B)= (358/940)+( 314/940)-(246/940)=426/940
P( A )=514/940
Exerccio 14. Considere o exemplo anterior e calcule P( B ), P( A ) P( A B) e P(A B )
PROBABILIDADE CONDICIONAL
Voltando ao exemplo 13. Dado que uma pastilha, escolhida ao acaso, esteja no centro da
ferramenta de produzir fasca, a probabilidade de conter altos nveis de contaminao 246/314.
Isto porque do total de 314 pastilhas, 246 contm altos nveis de contaminao. Escreve-se:
P(A / B) = (246/314)=0,78.
Para dois eventos quaisquer A e B, sendo P(B) > 0, definimos a probabilidade condicional
de A dado B, P(A / B), como sendo:
P(A / B) = P(A B) / P(B)
5

Para o exemplo,
P(A B) = 246/940
P(B) = 314/940
P(A / B) = (246/940)/( 314/940) = 246/314)=0,78, como havia sido obtido.
Desta relao obtm-se a regra do produto das probabilidades ou da multiplicao:
P(A B) = P(B).P(A / B) ou
P(A B) = P(A).P(B / A).
Exemplo 10. Considere uma urna com trs bolas brancas e duas bolas pretas. Extrair casualmente
duas bolas, sendo uma aps a outra, tal que a primeira bola reposta antes de se extrair a segunda.
Obtenha a distribuio da varivel X = nmero de bolas brancas na amostra.
Os resultados possveis so : {0, 1, 2 }
1.a extrao

2.a extrao

3/5
3/5

P(X)

2/5 P

9/25

12/25

4/25

3/5
2/5

Distribuio de X

P
2/5

Considere os eventos: A = BB {X=0}

C = PB {X=1}
ento,
P(A) = (3/5). (3/5) = 9/25
P(C) = (2/5). (3/5)= 6/25

B = BP {X=1}
D = PP {X=2}
P(B) = (3/5). (2/5)= 6/25
P(D) = (2/5). (2/5)= 4/25.

Obs.

Exemplo 11. Suponha que a extrao seja sem reposio.

1.a extrao 2.a extrao
Distribuio de X
2/4
3/5

P(X)

2/4 P

6/20

12/20

2/20

3/4
2/5

P
1/4

Exemplo 12. Considere a mesma urna, mas faz-se trs retiradas sem reposio. Obtm-se a seguinte
distribuio:
1.a extrao 2.a extrao 3.a extrao
1/3
2/4
3/5

2/3

P
2/4

P(X)

6/60

36/60

18/60

1/3
2/3

Distribuio de X

3/4

2/5

B 1/3
1/4

2/3
3/3

B
B
6

Observe que : P(B/B) = 2/4

P(B/PP) = 1
P(BBP) = P(B).P(B/B).P(P/BB) = 3/5. 2/4. 2/3 = 1/5.
De modo geral, dados 3 eventos M, N e R, tem-se que :
P(MNR) = P(M).P(N/M).P(R/MN)
INDEPENDNCIA ESTATSTICA
Dois eventos A e B dizem-se independentes se, e s se, P(AB) = P(A).P(B).
Exemplo 13. Jogam-se duas moedas equilibradas. Qual a probabilidade de ambas darem cara?
razovel admitir que os resultados das duas moedas sejam independentes um do outro.
Alm disso, para moedas equilibradas, P(C) = 1/2. Logo, a probabilidade de sucesso :
1 1
1
P(sucesso) = P(CC) = P(C).P(C) = =
2 2
4
TEOREMA DE BAYES: Seja um espao amostral e B1, B2,...,Bn uma de suas parties
possveis tal que Bi B j e

n
i 1

Bi . Se A um evento de , ento:

P(A)=P(A/B1)P(B1)+....+ P(A/Bn)P(Bn)
P( B i / A )

P( A / B i ) P( B i )
n

P( A / B j ) P( B j )

J 1

Exemplo 14: Trs mquinas A, B e C produzem respectivamente, 60%, 30% e 10% do total de
peas de uma fbrica. As percentagens de produo defeituosa destas mquinas so,
respectivamente, 2%, 3% e 4%. Uma pea selecionada aleatoriamente e defeituosa. Encontre a
probabilidade da pea ter sido produzida pela mquina C.
Para a soluo de tal questo, consideremos os seguintes eventos:
A={ a pea defeituosa}
B1={ a pea da mquina A}
B2={ a pea da mquina B}
B3={ a pea da mquina C}
Assim,
P( A / B 3 ) P( B 3 )
P( B 3 / A )
P(A / B1 )P(B1 ) P(A / B2 )P(B2 ) P(A / B3 )P(B3 )
(0,04)(0,1)

(0,02)(0,6) (0,03)(0,3) (0,04)(0,1)

=4/25
Exerccio 3: Um restaurante popular apresenta apenas dois tipos de refeies: salada completa ou
um prato base de carne. 20% dos fregueses do sexo masculino preferem salada; 30% das mulheres
escolhem carne; 75% dos fregueses so homens. Considere os seguintes eventos:
H: fregus homem
A: fregus prefere salada
M: fregus mulher
B: fregus prefere carne
Calcular: a)P(H), P(A/H), P(B/M); b) P(A H), P(A H);
c) P(M/A)
7

LISTA DE EXERCCIOS
1) Determine a probabilidade de obter um total (soma) de 6 ou 7 em uma jogada de dois dados.
2) Em uma nica jogada de um par de dados, encontre a probabilidade de obter um total de 4 ou
menos.
3) Calcule a probabilidade de tirar pelo menos um dos seguintes pontos, em uma nica jogada de
um dado: 5, 6 ou 7.
4) Numa sala com 10 homens e 20 mulheres, sorteia-se um indivduo, observando o sexo (feminino
ou masculino). Construa o modelo probabilstico.
5)Numa eleio para a presidncia da Associao dos engenheiros de alimentos de Maring, 30%
dos eleitores pretendem votar no candidato A, 50% no candidato B e 20% em branco ou nulo.
Sorteia-se um eleitor na cidade e verifica-se o candidato de sua preferncia.
a) Apresente um modelo probabilstico.
b) Qual a probabilidade do eleitor sorteado votar num dos dois candidatos?
6)Seja uma famlia sorteada de uma populao de 120 famlias, as quais se distribuem conforme a
seguinte tabela.
Tabela - Distribuio conjunta de freqncia do grau de instruo do chefe da casa e o
uso de programas de alimentao popular, num conjunto de 120 famlias.
USO DE
GRAU DE INSTRUO DO CHEFE DA CASA
PROGRAMAS
Nenhum
Primeiro grau
Segundo grau
Total
Sim
31
22
25
78
No
7
16
19
42
Total
38
38
44
120
Calcule a probabilidade da famlia sorteada ser:
a) usuria de programas de alimentao popular;
b) tal que o chefe da casa tenha o segundo grau;
c) tal que o chefe da casa no tenha o segundo grau;
d) usuria de programas de alimentao popular e o chefe da casa tenha o segundo grau;
e) usuria de programas de alimentao popular e o chefe da casa no tenha o segundo grau;
f) usuria de programas de alimentao popular, considerando que o sorteio tenha sido restrito s
famlias cujo chefe da casa tenha o segundo grau;
g) tal que o chefe da casa tenha o segundo grau, considerando que o sorteio tenha sido restrito s
famlias usurias de programas de alimentao popular.
7) Discos de policarbonato plstico, provenientes de um fornecedor, so analisados com relao
resistncia a arranhes e choque. Os resultados de 100 discos esto resumidos a seguir:
Resistncia a
Resistncia a choque
arranho
Alta
Baixa
Alta
80
9
Baixa
6
5
Seja A o evento em que um disco tenha alta resistncia a choque e B o evento em que um disco
tenha alta resistncia a arranho. Os eventos A e B so independentes?

8) Amostras de espuma de trs fornecedores so classificadas com relao a satisfazer ou no as

especificaes. Os resultados de 126 amostras so resumidos a seguir:
Obedece
Fornecedor
Sim
No
1
80
4
2
40
2
Sejam A e B os eventos em que uma amostra seja proveniente do fornecedor 1 e atende s
especificaes, respectivamente. Os eventos A e B so independentes?
9) Sejam P(A) = 0,4 e P(A B) = 0,7. Quanto P(B) se:
a) A e B so independentes?
b) A e B so mutuamente exclusivos?
10) Um relatrio de controle de qualidade de vinagre acusa os seguintes resultados por fabricante e
por qualidade:
FABRICANTE
QUALIDADE
TOTAL
aceitvel
Marginal
inaceitvel
A
128
10
2
140
B
97
5
3
105
C
110
5
5
120
TOTAL
335
20
10
365
Escolhido um vinagre ao acaso, qual a probabilidade:
a) de provir do fabricante A e ser de qualidade aceitvel?
b) de ser aceitvel, dado que provm do fabricante C?
c) de provir do fabricante B, dado que apresenta qualidade marginal?
11) A probabilidade de um homem estar vivo daqui 25 anos 3/5. E a de sua mulher tambm o
estar na mesma ocasio de 2/3. Determinar a probabilidade de :
a) ambos estarem vivos;
b) somente o homem estar vivo;
c)somente a mulher estar viva;
d) pelo menos um estar vivo.
12) Em uma fbrica de enlatados, as linhas de produo I, II e III respondem por 50, 30 e 20% da produo
total. Se 0,4% das latas da linha I so fechadas inadequadamente, e as porcentagens correspondentes s
linhas II e III so 0,6% e 1,2%, respectivamente, qual a probabilidade
a) de uma lata sada desta fbrica ser fechada defeituosamente?
b) De uma lata fechada impropriamente (descoberta ao final da inspeo do produto acabado) provir da
linha de produo I?

13) O alinhamento entre a fita magntica e o cabeote em um sistema de armazenagem com fita
magntica afeta o desempenho do sistema. Suponha que 10% das operaes de leitura estejam
danificadas pelos alinhamentos distorcidos, 5% pelos alinhamentos descentralizados e as
operaes restantes de leitura estejam apropriadamente alinhadas. A probabilidade de um erro
de leitura 0,01 devido ao alinhamento distorcido, 0,02 devido ao alinhamento descentralizado
e 0,001 devido ao alinhamento adequado.
a) qual a probabilidade de um erro de leitura?
b) Se um erro de leitura ocorrer, qual ser a probabilidade de que seja devido a um alinhamento
distorcido?