Você está na página 1de 17

MA

TER
IALS
UPL
EME
NTA
RPA
RAA
COMP
ANH
AR
material suplementar para acompanhar

INTRODUÇÃO À
PESQUISA OPERACIONAL
Métodos e Modelos para Análise de Decisões

5.ª EDIÇÃO

Eduardo Leopoldino de Andrade


Este Material Suplementar pode ser usado como apoio para o livro Introdução
à Pesquisa Operacional — Métodos e modelos para Análise de Decisões, 5a
Edição, 2015. O acesso aos materiais suplementares desta edição está sueito
ao cadastramento no site da LTC – LIVROS TÉCNICOS E CIENTÍFICOS
EDITORA LTDA.

Este livro conta com os seguintes materiais suplementares:


JJ Capítulo 10: Programação Linear Inteira
JJ Capítulo 11: Programação por Metas e Otimização com Objetivos
Múltiplos
JJ Apêndice A: Revisão Matemática
JJ Apêndice B: Revisão de Conceitos de Estatística e Probabilidade
JJ Exercícios Resolvidos (texto)
JJ Exercícios Resolvidos (planilhas em Excel)
JJ Templates de Planilhas em MS-Excel
JJ Transparências em MS-PowerPoint

Direitos exclusivos para a língua portuguesa


Copyright © 2015 by Eduardo Leopoldino de Andrade
LTC — Livros Técnicos e Científicos Editora Ltda.
Uma editora integrante do GEN | Grupo Editorial Nacional

Editoração Eletrônica:
Sumário

Capítulo 10, Programação Linear Inteira, 1 Apêndice A, 38


Características Básicas da PLI, 1 REVISÃO MATEMÁTICA, 38
Descrição do Problema, 1 Vetores, 38
Modelagem do Problema, 1 Definição de Vetor, 38
Solução do Modelo Contínuo, 1 Exemplo, 38
Análise de Região Viável, 2 Exemplo, 38
Modelagem de Problemas Típicos de PLI, 2 Adição (Subtração) de Vetores, 38
Exemplo 1, 2 Exemplo, 38
Problema da mochila (knapsack problem), 2 Multiplicação de Vetor por Escalar, 38
Exemplo 2, 3 Exemplo, 38
Problema de alocação de investimento para expansão de Vetores Linearmente Independentes, 39
uma rede, 3 Exemplo, 39
Métodos para Solução dos Problemas PLI, 5 Exemplo, 39
Introdução, 5 Matriz, 39
Métodos de Equações de Corte, 6 Exemplo, 39
Conceito Básico, 6 Exemplo, 39
Desenvolvimento das Equações de Corte, 6 Exemplo, 39
Solução do Novo Modelo, 7 Operações com Matrizes, 39
Coeficientes Fracionários no Modelo, 7 Exemplo, 40
Obtenção de Coeficientes Inteiros, 8 Exemplo, 40
Exemplo, 9 Determinante de uma Matriz, 40
Método Branch and Bound (B & B), 10 Exemplo, 40
Solução do Problema Original, 11 Exemplo, 40
Partição em Subproblemas (Branch), 11 Exemplo, 40
Novas Partições, 11 Exemplo, 41
Conceito de Limitação (Bound), 11 Inversa de uma Matriz, 41
Exemplo, 11 Exemplo, 41
Algoritmo Branch and Bound para Modelos com Variáveis Sistemas de Equações Lineares, 41
Binárias, 12 Exemplo, 41
Exemplo 1, 12 Sistemas Indeterminados, 42
Exemplo 2, 16 Exemplo, 42
Exercícios Propostos, 42
Exercícios Propostos, 19
Bibliografia, 43
Bibliografia, 20

Apêndice B, 44
Capítulo 11, Programação por Metas e REVISÃO DE CONCEITOS DE ESTATÍSTICA E
Otimização com Objetivos Múltiplos, 21 PROBABILIDADE, 44
A Necessidade de Flexibilizar os Modelos de Programação Introdução, 44
Linear, 21 Estatística Descritiva, 44
Programação por Metas, 21 Dados Discretos e Dados Contínuos, 44
Exemplo 1, 22 Distribuição de Frequência, 44
Exemplo 2, 24 Medidas de Tendência Central, 45
Medidas de Dispersão, 46
Programação Linear com Objetivos Múltiplos, 25
Exemplo, 46
Exemplo 1, 26
Conceitos de Probabilidade, 47
Exemplo 2, 29
Probabilidade Subjetiva, 47
Processo de Hierarquização Analítica (Método AHP – Analytic Probabilidade Lógica, 47
Hierarchy Process), 30 Probabilidade Experimental, 47
Hierarquização Lógica de Critérios, 30 Eventos Mutuamente Excludentes, 47
Exemplo, 30 Exemplo, 47
Processo de Hierarquização Analítica – Método AHP, 30 Eventos Independentes, 47
Exemplo 1, 31 Exemplos, 48
Exemplo 2, 32 Probabilidades Conjuntas e Marginais, 48
Exemplo 3, 32 Exemplos, 48
Exemplo 4, 32 Exemplos, 48
Estrutura do Método Ahp, 33 Construção da Tabela de Probabilidades Conjuntas, 48
Apêndice: Análise do Teste de Consistência, 33 Probabilidades Condicionais, 49
Exercícios Propostos, 35 Fórmula de Bayes, 49
Bibliografia, 37 Exemplo, 49
Sumário   v

Distribuições de Probabilidades, 50 Exercícios Resolvidos, 84


Distribuição Binomial, 50 Exercício 3, 85
Exemplos, 50 Exercício 4, 85
Lei dos Grandes Números, 50 Estudo de Caso 1, 85
Distribuição de Poisson, 51 Estudo de Caso 2, 87
Exemplo, 51
Exemplo, 52
Distribuição Normal, 52 Exercícios Resolvidos Capítulo 7, 92
Exemplo, 52
Exemplos, 53 Exercício 1, 92
Distribuição Exponencial Negativa, 54 Exercício 2, 92
Exercícios Propostos, 54 Exercícios Resolvidos, 92
Bibliografia, 55 Exercício 3, 94
Exercício 4, 96

Exercícios Resolvidos Capítulo 3, 56


Exercícios Resolvidos Capítulo 8, 99
Exercício 1, 56
Solução, 56 Exercício 1, 99
Solução, 56 Exercícios Resolvidos, 99
Exercícios Resolvidos, 56 Exercício 2, 100
Solução, 57 Conclusões, 103
Solução, 57 Exercício 3, 103
Solução, 58
Exercício 2, 58
Solução, 58 Exercícios Resolvidos Capítulo 9, 107
Solução, 59 Exercício 1, 107
Solução, 60 Exercícios Resolvidos, 107
Exercício 3, 61 Exercício 2, 109
Questões:, 61 Exercício 3, 111
Exercício 4, 61 Exercício 4, 113
Questões:, 61 Exercício 5, 115
Solução, 62 Exercício 6, 117
Exercício 5, 63 Exercício 7, 120
Exercício 8, 122
Exercícios Resolvidos Capítulo 4, 67
Exercício 1, 67 Exercícios Resolvidos Capítulo 10, 124
Exercícios Resolvidos, 67 Parte 1: Modelagem, 124
Exercício 2, 68 Exercício 1, 124
Exercício 3, 69 Exercícios Resolvidos, 124
Exercício 4, 70 Exercício 2, 125
Exercício 5, 71 Exercício 3, 126
Exercício 6, 71 Exercício 4, 127
Exercício 7, 71 Exemplo, 127
Exercício 8, 72 Exercício 5, 127
Exercício 9, 73

Exercícios Resolvidos Capítulo 11, 133


Exercícios Resolvidos Capítulo 5, 75
Exercício 1, 133
Exercício 1, 75
Exercícios Resolvidos, 133
Solução, 75
Exercício 2, 134
Solução inicial pelo método do custo mínimo, 75
Exercício 3, 134
Exercícios Resolvidos, 75 Exercício 4, 134
Solução inicial pelo método do canto noroeste, 76 Exercício 5, 135
Exercício 2, 78 Exercício 6, 136
Solução pelo Método das Contribuições Unitárias (Stepping
Stone):, 78
Exercício 3, 80 Exercícios Resolvidos (planilhas de excel)
Exercício 4, 82
Templates de Planilhas em MS-Excel
Exercícios Resolvidos Capítulo 6, 84 Transparências em MS-PowerPoint
Exercício 1, 84
Exercício 2, 84
Apêndice B
REVISÃO DE CONCEITOS DE ESTATÍSTICA E PROBABILIDADE
INTRODUÇÃO cesso de contagem. Suponha, por exemplo, que estejamos estu-
dando a chegada de ônibus de passageiros a um restaurante de
Variações de dados ou de informações são características pró-
beira de estrada. Durante 30 horas anotamos todos os ônibus que
prias do ambiente da administração das empresas. Na área de
chegam por hora e encontramos os resultados da Tabela B.1.
produção, ocorre a variação na qualidade das matérias-primas,
no tempo necessário para determinada tarefa, no número de em- Podemos observar que os dados da tabela são discretos, já que
pregados faltosos, nas dimensões de peças e produtos acabados, não há possibilidade de ocorrer fração de chegada. Em cada ho-
no número de equipamentos danificados e assim por diante. ra, o número de chegadas é um número inteiro, que difere das
outras horas por múltiplos da unidade.
Na operação do estoque, aparecem variações nas demandas dos
produtos e no tempo necessário no reabastecimento do estoque. Os dados contínuos, por sua vez, podem assumir qualquer valor
Em um sistema de fila de espera, a variação ocorre no número dentro de um intervalo. Muitas vezes eles aparecem como dados
de clientes que exigem determinado serviço e no tempo gasto discretos, mas isso se deve às limitações do processo de mensu-
no atendimento de cada cliente. ração. Suponha, como exemplificação, que estejamos medindo a
espessura de chapas de ferro produzidas em uma laminação. Sepa-
Exemplos desse tipo de problema na área de administração são
ramos 50 chapas e medimos a espessura de cada uma com a maior
inúmeros e muitos modelos de decisão devem incorporar essa
precisão possível. A Tabela B.2 mostra os resultados obtidos.
característica probabilística como meio de obtenção de resul-
tados mais significativos. Os dados obtidos estão no intervalo entre 0,2530 e 0,2552, mas
nada impede que, se efetuarmos novas medições, venhamos a
Neste apêndice, vamos mostrar os métodos estatísticos para se lidar
obter dados diferentes dos obtidos dentro desse intervalo ou
com grande número de dados e apresentar os conceitos de proba-
mesmo fora dele. Apesar da aparência discreta dos valores ob-
bilidade que são necessários ao desenvolvimento dos modelos de
tidos, os dados são contínuos, já que se referem a um processo
tomada de decisão discutidos em diferentes capítulos deste livro.
contínuo por natureza.

ESTATÍSTICA DESCRITIVA Distribuição de Frequência


A estatística descritiva lida com uma massa de dados coleta- Os dados da Tabela B.1 podem ser agrupados em uma distri-
dos a partir de experimentos, ao longo de um curto tempo de buição de frequência, como mostra a Tabela B.3. A distribui-
observação. Esses dados podem ser discretos ou contínuos e, ção de frequência é mais conveniente para a apresentação dos
na forma natural como aparecem, geralmente fornecem pouca dados, pois fornece informações sobre a forma de concentra-
informação. Por isso, é necessário dar um tratamento estatístico ção deles.
a esses dados, como veremos a seguir.
A frequência relativa significa a frequência de ocorrência de um
Dados Discretos e Dados Contínuos determinado número de chegadas, enquanto a frequência relati-
va acumulada significa a frequência de ocorrência de chegadas
Dados discretos são formados de elementos separados, indivi­
até certo número, incluindo esse valor. As frequências relativa
dualmente distintos, que em geral são produzidos em um pro-

Tabela B.2: Espessura das chapas produzidas em uma


Tabela B.1: Número de chegadas de ônibus por hora laminação (centímetros)
N.º DE N.º DE N.º DE
0,2540 0,2535 0,2541 0,2543 0,2531
HORA CHEGADAS HORA CHEGADAS HORA CHEGADAS
0,2544 0,2532 0,2540 0,2541 0,2532
1 2 11 1 21 1 0,2535 0,2546 0,2534 0,2538 0,2545
2 0 12 4 22 1 0,2542 0,2537 0,2548 0,2539 0,2540
3 1 13 2 23 2
4 1 14 2 24 0 0,2543 0,2539 0,2544 0,2539 0,2541
5 1 15 1 25 0 0,2541 0,2537 0,2533 0,2538 0,2540
6 3 16 1 26 1 0,2540 0,2541 0,2537 0,2545 0,2547
7 0 17 4 27 0 0,2537 0,2539 0,2530 0,2534 0,2539
8 0 18 3 28 2
9 2 19 1 29 3 0,2536 0,2536 0,2543 0,2546 0,2542
10  1 20 0 30 1 0,2552 0,2550 0,2533 0,2530 0,2539
Revisão de Conceitos de Estatística e Probabilidade   45

Tabela B.3: Distribuição de frequência para o processo Tabela B.4: Distribuição de frequência para a medição
de chegada dos ônibus das chapas
N.º DE FREQUÊNCIA NÚMERO DE FREQUÊNCIA FREQUÊNCIA
CHEGADAS FREQUÊNCIA FREQUÊNCIA RELATIVA INTERVALO MEDIÇÕES FRAÇÃO RELATIVA ACUMULADA
POR HORA ABSOLUTA FRAÇÃO RELATIVA ACUMULADA
0,2530-0,2532   5 5/50 0,10 0,10
0   7 7/30 0,233 0,233 0,2533-0,2535   5 5/50 0,10 0,20
1 12 12/30 0,4   0,633 0,2536-0,2538   9 9/50 0,18 0,38
2   6 6/30 0,2   0,833 0,2539-0,2541 16 16/50 0,32 0,70
3   3 3/30 0,1   0,933 0,2542-0,2544   7 7/50 0,14 0,84
4   2 2/30 0,067 1,0   0,2545-0,2547   5 5/50 0,10 0,94
TOTAL 30 30/30 1     0,2548-0,2550   2 2/50 0,04 0,98
0,2551-0,2553   1 1/50 0,02 1,0 
TOTAL 50 50/50 1,0 

e acumulada podem ser apresentadas em gráficos que facilitam


a visualização. As Figs. B.1 e B.2 mostram esses gráficos.
No caso de dados contínuos, é necessário o estabelecimento de 1,00
0,90
intervalos para agrupamento dos dados, no cálculo da distribui- FREQUÊNCIA
0,80
ção de frequência. Para os dados da Tabela B.2, vamos definir 0,70
ACUMULADA

FREQUÊNCIAS
oito intervalos e verificar quantas mensurações caem dentro de 0,60
cada intervalo. A Tabela B.4 mostra os resultados obtidos e as 0,50
frequências relativa e acumulada. 0,40
0,30 FREQUÊNCIA
Diferentemente do caso anterior, os gráficos das distribuições 0,20 RELATIVA
podem ter a forma contínua, já que as distribuições são funções 0,10
contínuas. A Fig. B.3 mostra as distribuições relativa e acumu- 0,00
lada. Para o traçado das curvas, podemos colocar, no eixo das 0,2510 0,2517 0,2524 0,2531 0,2538 0,2545 0,2552 0,2559 0,2566 0,2573

abscissas, o ponto central dos intervalos. ESPESSURA DAS CHAPAS

FREQUÊNCIA RELATIVA Fig. B.3 Frequências relativa e acumulada da distribuição contínua


0,4

0,35
Essas funções assumiriam formas mais contínuas caso o número
0,3
de medições fosse substancialmente aumentado e os intervalos
0,25 fossem reduzidos a valores infinitesimais.
0,2

0,15 Medidas de Tendência Central


0,1 Das maneiras usuais de se indicar a tendência de concentração
0,05 de uma massa de dados, a mais utilizada é a média, que pode
ser calculada por:
0
0 1 2 3 4
N.o DE CHEGADAS

Fig. B.1 Frequência relativa

em que: é a média e xi representa as n medições.


FREQUÊNCIA
ACUMULADA
1 Da Tabela B.1, tiramos:
0,9
0,8
0,7
0,6
Se os dados já estão trabalhados na forma de distribuição de
0,5 frequência relativa, podemos adotar a seguinte fórmula:
0,4
0,3
0,2
0,1
na qual
0
0 1 2 3 4 xj: valores assumidos pela variável analisada
N.o DE CHEGADAS
fj: frequência relativa associada ao valor da variável aleatória,
Fig. B.2 Frequência acumulada com j  1, ..., m sendo as classes da variável aleatória.
46   Apêndice B

Da Tabela B.3, tiramos: Observe que a única diferença entre as duas expressões consiste
no fator (1) introduzido no denominador da fórmula da variân-
cia para que esta seja um estimador não tendencioso da variância
No caso de dados contínuos, pode-se obter uma aproximação da da população. Por essas expressões, vemos que a variân­cia é a
média, considerando-se xj o ponto médio do intervalo. média dos quadrados dos desvios de cada observação xi com
relação à média das observações
Da Tabela B.4, tiramos:
Quando os dados já foram convertidos para a frequência relati-
 0,2531  0,1  0,2534  0,1  0,2537  0,18  …
 0,2552  0,02  0,2539 va, podemos utilizar as seguintes expressões:
a. Para a amostra:
A média é a medida de tendência central mais utilizada, porque
indica um valor em torno do qual as observações tendem a se
concentrar. No entanto, não há necessidade alguma de que seu
valor coincida com uma das observações. É o que ocorreu, aliás,
com as chegadas de ônibus ao restaurante, cuja média resultou b. Para a população:
em 1,367 veículo por hora.
A mediana é a medida de tendência central definida como o va-
lor que se encontra no meio do intervalo definido pelas obser-
vações, com os dados ordenados. Se o número de observações na qual fj representa as frequências absolutas das classes de
for ímpar, a mediana será o valor central do conjunto ordenado agrupamento.
de observações. Se o número de observações for par, a mediana
será a média aritmética dos dois valores centrais.
Exemplo
No exemplo da Tabela B.1, o 15.º valor observado, em ordem No caso dos ônibus, temos os seguintes resultados:
crescente, é 1, e o 16.º também é 1. Assim, a mediana é dada
por (1  1)/2, que é igual a 1. a. Utilizando os dados originais:
A moda é outra medida de tendência central definida como o {(2  1,367)2  (0  1,367)2  (1  1,367)2 
valor que ocorreu com mais frequência. No exemplo dos ôni-
bus, a moda é 1. (1  1,367)2  ...  (3  1,367)2  (1  1,367)2}
Se os dados são contínuos, pode acontecer que todos os valores s2  1,34
ocorram de uma só vez. Neste caso, a moda é definida como
o ponto central do intervalo de maior frequência. No caso das b. Utilizando a frequência absoluta:
chapas de ferro, a moda é o ponto central do intervalo (0,2539  {7  (0  1,367)2  12  (1  1,367)2  6  (2  1,367)2
0,2541), ou seja, 0,2540 cm.
 3  (3  1,367)2  2  (4  1,367)2}  1,34
Medidas de Dispersão
Além da informação relativa à tendência de concentração dos Uma terceira medida de dispersão, derivada da variância, é o
dados, é desejável saber em que grau os dados se dispersam desvio padrão, que é calculado como:
com relação ao seu valor central. A medida mais simples para
se indicar a dispersão é o intervalo de variação, que é calcula- DESVIO PADRÃO 
do pela diferença entre o maior e o menor valor. No caso dos No exemplo dos ônibus, temos:
ônibus, o intervalo é 4  0  4. A vantagem desse indicador é
a simplicidade de cálculo. s  1,15.
A variância é uma medida mais elaborada da dispersão de Algumas regras práticas podem ser estabelecidas para utiliza-
uma distribuição e pode ser calculada pelas seguintes ex- ção do desvio padrão:
pressões:
1. Praticamente todas as observações (99,73 %) ocorrem no
a. Para uma amostra: intervalo
(média  3 desvios padrões)
2. Mais de 95 % das observações reais (95,43 %) ocorrem no
intervalo
b. Para a população: (média  2 desvios padrões)
3. Quase 70 % das observações reais (68,27 %) ocorrem no
intervalo
(média  1 desvio padrão)
Revisão de Conceitos de Estatística e Probabilidade   47

CONCEITOS DE PROBABILIDADE minar a probabilidade de algum evento, podemos realizar uma


série de experimentos que podem dar como resultado o evento
A incerteza é uma característica inerente a todos os fatos da vida,
em observação. Por fim, contamos o número de vezes que o
principalmente aqueles relacionados com o futuro.
evento ocorreu e calculamos a probabilidade como
A probabilidade é uma medida de certeza ou incerteza. Assim,
quando afirmamos que é possível realizar uma viagem de carro de
Belo Horizonte ao Rio de Janeiro em cinco horas, queremos afirmar
que, em certas condições de trânsito e de disposição do motorista
para a velocidade, a distância pode ser vencida nesse tempo. Como exemplo, vamos supor que queiramos saber a probabili-
dade de que o número de chegadas de ônibus ao restaurante de
Por outro lado, quando afirmamos que a probabilidade de que beira de estrada seja quatro veículos por hora. O experimento
seja gasto esse tempo é de 60 %, estamos expressando uma que fizemos no exemplo anterior permite-nos ver, pela distribui-
medida da nossa certeza (ou 40 % de incerteza) com relação à ção de frequência relativa, que a probabilidade é de 6,7 %. No
ocorrência do evento. entanto, há um ponto importante que deve ser esclarecido. Um
Quanto mais improvável for um evento, mais próxima de zero experimento leva a probabilidade de realização de um evento se
será a probabilidade, e quanto mais provável, mais próxima de o número de tentativas for suficientemente grande.
1. A atribuição de valores numéricos a probabilidades entre esses Assim, se quisermos achar a probabilidade de dar cara ou co-
extremos já é uma tarefa mais difícil. Podemos distinguir três roa fazendo o lançamento de uma moeda, podemos encontrar
modos de atribuição de valores numéricos às probabilidades. nas 10 primeiras tentativas oito caras e duas coroas, o que não
deve significar que a probabilidade de dar cara seja 80 %. No
Probabilidade Subjetiva entanto, se lançarmos a moeda 500 vezes, a distribuição de re-
O primeiro modo de atribuição de valores à probabilidade é sultados será certamente um valor muito próximo de 50 % para
subjetivo e, por isso, depende da pessoa que faz a atribuição e cada face.
da ocasião em que esta é feita. A probabilidade significa, nesse
caso, o grau de certeza ou incerteza da pessoa com relação à EVENTOS MUTUAMENTE EXCLUDENTES
realização de um evento. Assim, por exemplo, se alguém afirma
Dois ou mais eventos são mutuamente excludentes quando a
que a probabilidade de a inflação cair à metade é de 70 %, isto
ocorrência de um exclui completamente a possibilidade de ocor-
significa que a pessoa tem aproximadamente duas vezes mais
rência dos demais. Por exemplo, no lançamento de um dado, a
certeza do que incerteza acerca da realização do evento.
ocorrência do resultado 3 (ou seja, face 3 para cima) elimina a
Esse conceito de probabilidade é muito útil na área de adminis- possibilidade dos demais resultados. Para esse tipo de evento
tração, uma vez que permite expressar opiniões quantificadas temos o seguinte teorema:
com base na experiência pessoal dos gerentes. Durante toda a
Teorema da adição: A probabilidade de ocorrência de um ou
nossa vida profissional, recebemos uma quantidade enorme de
outro de um conjunto de eventos mutua­
informações que vão sendo codificadas e armazenadas em nossa
mente excludentes é a soma das proba-
memória (nosso computador mental), as quais formam nosso
bilidades de suas ocorrências isoladas.
aprendizado e nossa experiência e nos permitem decidir e agir
com mais segurança. Assim, quando alguém afirma ter assumi- P(A ou B)  P(A)  P(B)
do um risco calculado, quis dizer que tinha um grau de certeza
satisfatório, para aquela situação, acerca do sucesso da ação. Exemplo
No lançamento de um dado, a ocorrência de qualquer face tem
Probabilidade Lógica a probabilidade de 1/6.
O segundo modo de atribuição de valores numéricos de proba-
bilidades baseia-se na lógica de ocorrência dos eventos. Assim, Sejam os seguintes eventos:
se observarmos o lançamento de uma moeda, veremos que a
A: ocorrência da face 1: P(A) 
probabilidade de dar cara é a mesma de dar coroa.
Observando um dado, concluímos que cada face tem 1/6 de pro- B: ocorrência da face 2: P(B) 
babilidade de ocorrência. Se quisermos saber a probabilidade
de ocorrer soma 4 no lançamento de dois dados, veremos, pela
análise lógica dos possíveis resultados, que a probabilidade é de P(A ou B)  P(A)  P(B)   
3/36. Isto porque há três resultados que dão soma 4 (1 e 3, 3 e 1,
2 e 2) dentro de um total de 36 resultados possíveis. Esse tipo de EVENTOS INDEPENDENTES
probabilidade é mais raro no campo da administração.
Dois eventos são independentes se a ocorrência de um não tem
efeito na probabilidade de ocorrência do outro. Por exemplo, no
Probabilidade Experimental lançamento de dois dados o resultado que se obtém no primeiro
O terceiro modo de atribuição de probabilidades é por meio da dado em nada influi no resultado do segundo. Logo, são dois even-
realização de experimentos. Se estamos interessados em deter- tos independentes. Para tais eventos, temos o seguinte teorema:
48   Apêndice B

Teorema da multiplicação: A probabilidade de ocorrência de Tabela B.6: Variações de preço das duas ações (em dias)
dois ou mais eventos independen-
tes, simultaneamente ou em suces- AÇÃO 2
são, é o produto de suas probabili- PREÇO PREÇO PREÇO
dades isoladas de ocorrência. AÇÃO 1 SUBIU CONSTANTE CAIU TOTAL

P(A e B)  P(A)  P(B) PREÇO SUBIU 312   34   54   400


P. CONSTANTE   60 110   80   250
PREÇO CAIU   28   56 266   350
Exemplos
1. No lançamento de dois dados, a ocorrência do resultado 1 TOTAL 400 200 400 1.000
no primeiro dado e 1 no segundo dado são eventos indepen-
dentes. Assim,
Tabela B.7: Probabilidades associadas a duas ações
P(1 e 1)  P(1)  P(1)   
AÇÃO 2
2. Utilizando os dois teoremas, vamos calcular a distribuição PREÇO PREÇO PREÇO
de probabilidades dos resultados possíveis, no lançamento AÇÃO 1 SUBIU CONSTANTE CAIU TOTAL
de dois dados. A Tabela B.5 mostra os resultados possíveis
e os eventos formadores. O par (1,2) significa a face 1 no PREÇO SUBIU 0,312 0,034 0,054 0,400
P. CONSTANTE 0,060 0,110 0,080 0,250
primeiro dado e a face 2 no segundo.
PREÇO CAIU 0,028 0,056 0,266 0,350

PROBABILIDADES CONJUNTAS E MARGINAIS TOTAL 0,400 0,200 0,400 1,0  


Vamos examinar esses dois conceitos por meio de um exemplo nu-
mérico. Suponhamos que, em um período de 1.000 dias de pregão
da Bolsa de Valores, foram analisadas duas ações, com relação às P(Ação 1 subir e Ação 2 subir)  0,312
variações de preço. A Tabela B.6 mostra os resultados obtidos. As probabilidades que indicam o comportamento de apenas uma
ação são chamadas probabilidades marginais. São mostradas
Nos 1.000 dias, o preço da Ação 1 subiu em 400, ficou constante
na última linha e na última coluna.
em 250 e caiu em 350 dias. A última linha mostra os resultados
semelhantes para a Ação 2.
Exemplos
Do total de 1.000 dias, em 312 ambas as ações subiram de preço. P(Ação 1 subir)  0,400
A probabilidade de ambas as ações terem uma subida de preço em
um dia qualquer é de 0,312, ou 31,2 %. P(Ação 1 ficar constante)  0,250.
Vamos substituir a Tabela B.6 pela Tabela B.7, que mostra as As nove probabilidades conjuntas referem-se aos nove eventos
probabilidades, em vez de dias. Essas probabilidades são cha- mutuamente excludentes que cobrem todas as possibilidades de
madas probabilidades conjuntas, uma vez que se referem à ocor- combinação entre os comportamentos dos preços das Ações 1
rência de dois eventos conjuntamente. e 2. Assim, a soma de todas as nove probabilidades conjuntas
é igual a 1.
Exemplos
P(Ação 1 subir e Ação 2 cair)  0,054 Construção da Tabela de Probabilidades Conjuntas
Vamos analisar, por meio de um exemplo, como se constrói uma
tabela de probabilidades conjuntas. Suponhamos que temos as
Tabela B.5: Resultados possíveis no lançamento de dois seguintes informações:
dados
• chove 20 % dos dias do ano;
RESULTADO EVENTOS FORMADORES PROBABILIDADE • o serviço de meteorologia prevê chuva em 25 % dos dias do
ano;
2 (1 e 1) 1/36
3 (1 e 2)  (2 e 1) 2/36 • em 18 % dos dias do ano prevê-se chuva e a previsão se concreti-
4 (1 e 3)  (3 e 1)  (2 e 2) 3/36 za.
5 (1 e 4)  (4 e 1)  (2 e 3)  (3 e 2) 4/36
6 (1 e 5)  (5 e 1)  (2 e 4)  (4 e 2)  (3 e 3) 5/36
7 (1 e 6)  (6 e 1)  (2 e 5)  (5 e 2)  (3 e 4)  (4 e 3) 6/36 Tabela B.8: Eventos mutuamente excludentes
8 (2 e 6)  (6 e 2)  (3 e 5)  (5 e 3)  (4 e 4) 5/36
9 (3 e 6)  (6 e 3)  (4 e 5)  (5 e 4) 4/36
CHUVA CHUVA
10  (4 e 6)  (6 e 4)  (5 e 5) 3/36 PREVISTA NÃO PREVISTA TOTAL
11  (5 e 6)  (6 e 5) 2/36
CHOVE 18 % 20 %
12  (6 e 6) 1/36
–– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– – –– NÃO CHOVE
Total 1,0  TOTAL 25 % 100 %
Revisão de Conceitos de Estatística e Probabilidade   49

Em uma forma mais geral, temos:


Tabela B.9: Probabilidades associadas à chuva e previsão

CHUVA CHUVA
PREVISTA NÃO PREVISTA TOTAL
Dito em palavras, a probabilidade condicional de que o evento
CHOVE 18 %   2 %   20 % A venha a ocorrer, dado que o evento B tenha ocorrido, é igual
NÃO CHOVE   7 % 73 %   80 % à probabilidade conjunta de A e B dividida pela probabilidade
TOTAL 25 % 75 % 100 % de B. É evidente que, se alguma dessas probabilidades não for
definida (P(A e B)  0 ou P(B)  0), a probabilidade P(A/B)
será considerada igual a zero.
Com base nessas informações, vamos enumerar todos os eventos
mutuamente excludentes relacionados com ocorrência de chuva FÓRMULA DE BAYES
e previsão de chuva. A Tabela B.8, na qual foram inseridas as
informações disponíveis, mostra esses eventos. A probabilidade de A ocorrer dado que B tenha ocorrido é
diferente da probabilidade de B ocorrer dado que A tenha
Considerando que todas as probabilidades conjuntas são mutua- ocorrido.
mente excludentes e que as probabilidades marginais também o
Assim, temos
são, podemos completar as informações, tal como mostra a Ta-
bela B.9.

PROBABILIDADES CONDICIONAIS e
Probabilidade condicional é a probabilidade de um evento ocor-
rer dado que outro evento tenha ocorrido. A probabilidade de um
investimento ser superior a $1 milhão, dado que a taxa de juros é
inferior a 10 %, é uma probabilidade condicional e formalmente Observe que os denominadores são diferentes.
representada por Dessas duas fórmulas tiramos:
P(investimento  $1 milhão / taxa de juros  10 %) P(A e B)  P(A/B)  P(B)
Nesta expressão, a barra (/) significa dado que. Antes da barra
e
temos a probabilidade na qual estamos interessados e depois da
barra temos a condição dada. P(A e B)  P(B/A)  P(A)
Para chegarmos à fórmula da probabilidade condicional, volte- ou, igualando,
mos ao exemplo das duas ações (Tabela B.6). Vamos calcular a
probabilidade de a Ação 2 subir, dado que a Ação 1 ficou com
o preço constante, ou:
P(Ação 2 subir / Ação 1 constante). que é chamada de fórmula de Bayes.
Como a condição diz que “a Ação 1 ficou com preço constante”, Em muitas aplicações, o denominador da fórmula de Bayes pode
temos que concentrar nossa atenção somente nos 250 dias em ser substituído da seguinte maneira:
que a Ação 1 permanece com o preço inalterado. Desses 250
P(A)  P(A/B)  P(B)  P(A/não B)  P(não B)
dias, a Ação 2 subiu de preço em 60 dias. Então,
Como B e não B são eventos mutuamente excludentes e são as
P(Ação 2 subir / Ação 1 constante)  60/250  0,24.
duas únicas possibilidades com relação ao evento B (ocorre ou
Assim também, a probabilidade de a Ação 1 subir dado que a não ocorre), pode-se considerar que o evento A só ocorre nas
Ação 2 caiu é dada por seguintes situações:
P(Ação 1 subir / Ação 2 caiu)  54/400  0,135, • B ocorre: então dado B,    A ocorre, ou
já que a condição imposta ocorreu em 400 dias e que, desses • B não ocorre (não B): então dado (não B), A ocorre.
dias, a Ação 1 subiu de preço em 54. Substituindo, temos outra versão da fórmula de Bayes:
Em vez de trabalharmos com a Tabela B.6, podemos utilizar as pro-
babilidades da Tabela B.7, e chegaremos ao mesmo resultado:
P(Ação 2 subir / Ação 1 constante)  0,60/0,250  0,24.
Exemplo
Em palavras, isto significa que
Como é praticamente impossível preparar um exame que aprove
todos os bons alunos e reprove todos os maus, vamos considerar
como bem formulado um exame que aprove (A) 80 % dos bons
50   Apêndice B

alunos e somente 25 % dos maus alunos (M). Além disso, sa- Exemplos
bemos que 70 % dos alunos são bons. Qual a probabilidade de 1. Um dado honesto é lançado oito vezes. Qual a probabilidade
que o estudante aprovado seja mesmo um bom aluno? de aparecer a face 6 três vezes?
Vamos definir as seguintes probabilidades:
A probabilidade de aparecer a face 6 é: p  1/6.
• P(aprovar/bom aluno)  P(A/B)  80 %
Logo, (1  p)  5/6.
• P(aprovar/mau aluno)  P(A/M)  25 %
• P(bom aluno)  P(B)  70 % O número de experimentos é n  8 e o número procurado de
• P(mau aluno)  P(M)  30 %. sucessos é x  3.
O que queremos é: A probabilidade procurada é:
P(bom aluno/aprovado):


2. Uma máquina que produz parafusos tem uma taxa de produ-
ção de peças defeituosas de 10 %. Seis parafusos são escolhi-
dos aleatoriamente do lote produzido. Qual a probabilidade
de haver dois parafusos defeituosos?
Nesse caso, temos:
DISTRIBUIÇÕES DE PROBABILIDADES
Uma distribuição de probabilidades é uma função que atribui p  0,1
probabilidades a valores possíveis de ocorrer de determinada (1  p)  0,9
variável, que tem o nome especial de variável aleatória. n  6
x  2
Distingue-se de uma distribuição de frequência pelo fato de que
a última descreve um fenômeno com base em dados ocorridos
no passado. A distribuição de probabilidades indica o que po-
derá ocorrer e a probabilidade de ocorrência de cada resultado.
Nesse sentido, a distribuição de probabilidades se refere mais Lei dos Grandes Números
à previsão de resultados futuros. Vamos analisar aqui apenas as O lançamento de uma moeda segue uma distribuição binomial
distribuições mais usuais. com probabilidade de sucesso igual 0,5 para cada resultado. O
número de experimentos é o número de lançamentos. Vamos ana-
Distribuição Binomial lisar os parâmetros da distribuição para alguns valores de n.
Frequentemente um experimento leva a dois resultados apenas a. Para n  100 lançamentos, temos:
— tais como aprovado ou reprovado, vendido ou não vendido —,
• N.º esperado de caras  média  n  p  100  0,5  50
cada qual com probabilidades especificadas. O evento sucesso
tem a probabilidade p e o evento insucesso tem a probabilidade • Desvio padrão 
(1  p). Nessas condições, a questão é saber qual a probabili-
dade de x sucessos em n tentativas. Conclusões
A distribuição binomial fornece justamente a probabilidade da ocor- 1. o número de caras estará no intervalo (50  3  5), ou seja,
rência de x eventos em n experimentos, considerando-se que cada entre 35 e 65, com quase 100 % de certeza;
evento tem a probabilidade de ocorrência constante e igual a p.
2. em comparação com o número de tentativas, o intervalo é
A exigência de probabilidade constante p é satisfeita quando a 0,35 a 0,65.
população na qual estão sendo feitas as tentativas é infinita, ou b. Para n  10.000 lançamentos, temos:
quando os experimentos são feitos com reposição.
• N.º esperado de caras  10.000  0,5  5.000
A probabilidade de x ocorrências de um evento em n tentativas,
• Desvio padrão   50
quando cada tentativa tem a probabilidade constante p, é dada por
Conclusões
ou 1. o número de caras estará no intervalo (5.000  3  50), ou
seja, entre 4.850 e 5.150;
2. em comparação com o número de tentativas, o intervalo é
com 0  x  n. 0,485 a 0,515.
Os parâmetros da distribuição são: c. Para n  1.000.000 de lançamentos, temos:
• média  np • N.º esperado de caras  500.000
• variância  n  p  (1p) • Desvio padrão  500
Revisão de Conceitos de Estatística e Probabilidade   51

Assim como nos casos anteriores, concluímos que a proporção mos contar o número de insucessos (pessoas que não foram ao
de caras, em relação ao número de lançamentos, estará no in- banco), já que a idéia de número total de experimentos perde o
tervalo de 0,4985 a 0,5015. significado.
Isto significa que, se continuarmos a aumentar o número de
experimentos n, a proporção dos sucessos tenderá para a pro- Exemplo
babilidade real de sucesso, que é 0,5. Vamos analisar, a partir de um exemplo numérico, o formato da
Esse experimento é respaldado pela lei dos grandes números: função da distribuição de Poisson. Seja o processo de chegada de
ônibus ao restaurante de beira de estrada. Suponhamos que as che-
Em n experimentos, a probabilidade de que o número rela- gadas sigam a distribuição de Poisson, com a média obtida no
tivo de sucessos seja diferente da proporção verdadeira de caso real:
sucessos na população em análise tende para zero à medida
que n tende para o infinito.   1,367.
Essa lei é importante para a Pesquisa Operacional, pois garante, Utilizando a expressão da distribuição de Poisson, vamos calcu-
por exemplo, que os experimentos de um processo de simulação lar as probabilidades de ocorrência de x ônibus por hora, com x
de Monte Carlo tenderão a reproduzir a probabilidade verdadeira variando de 0 a 6. A Tabela B.10 mostra os valores obtidos.
do evento. A Fig. B.4 mostra um gráfico da distribuição de probabilida-
des obtida.
Distribuição de Poisson
Observe que a distribuição de Poisson é discreta, pois a probabilidade
A distribuição de Poisson pode ser considerada uma aproxima-
só existe para valores inteiros da variável aleatória. A função cumu-
ção da distribuição binomial, mas tem uma importância muito
lativa de probabilidades da distribuição de Poisson é dada por:
grande. É aplicável quando a oportunidade para a ocorrência de
um evento é grande, mas a ocorrência real tem baixa probabi-
lidade. Isto significa n relativamente grande e a probabilidade
p relativamente pequena. Em geral, devemos ter n  p  5 para
termos boa aproximação da distribuição binomial. É evidente que
A probabilidade de x ocorrências de um evento cuja probabili-
dade é p, em um conjunto de n experimentos, é

Tabela B.10: Probabilidade de chegada de ônibus pela


com 0  x  . distribuição de Poisson
A média e a variância da distribuição de Poisson são iguais a N.º DE ÔNIBUS NO
  n  p. RESTAURANTE/HORA PROBABILIDADE

A distribuição de Poisson é muito importante para a descrição 0 0,255


de fenômenos que ocorrem independentemente entre si e estão 1 0,348
aleatoriamente espaçados no tempo, no espaço, nas páginas de 2 0,238
um livro, e assim por diante. Outra característica dos fenôme- 3 0,108
nos descritos pela distribuição de Poisson é que, para intervalos 4 0,037
pequenos, a probabilidade de ocorrência do fenômeno pode ser 5 0,010
considerada proporcional ao intervalo. Assim, por exemplo, a 6 0,002
probabilidade de uma máquina se danificar no próximo minuto
pode ser considerada a metade da probabilidade de se danificar
nos próximos dois minutos. 0,35

0,3
Diversos fenômenos usuais podem ser explicados pela distri-
buição de Poisson, como, pessoas que entram em uma loja, 0,25
PROBABILIDADE

número de chamadas telefônicas, número de máquinas que se


0,2
danificam, número de chegadas de clientes a um banco — todos
por unidade de tempo. 0,15

Existe uma diferença conceitual importante com relação à dis- 0,1


tribuição binomial. No caso da distribuição binomial, temos que
0,05
saber o número de experimentos n para podermos calcular o nú-
mero de sucessos. Por seu lado, a distribuição de Poisson pode 0
0 1 2 3 4 5 6
ser utilizada quando o número de experimentos não é especifi- N.o DE ÔNIBUS POR HORA
cado. Assim, por exemplo, podemos contar o número de clientes
que entram em um banco (número de sucessos), mas não pode- Fig. B.4 Distribuição de probabilidades de Poisson
52   Apêndice B

Exemplo f(X)

Com os dados do caso anterior, podemos calcular a função


cumulativa, como mostra a Tabela B.11.

Distribuição Normal
A distribuição normal, ou distribuição de Gauss, é das mais im-
portantes. É definida por:

f(x) 
1  1 X
com   x   ,
Fig. B.5 Distribuição normal da variável aleatória x
em que
  média da distribuição desse valor à média, com o desvio padrão sendo usado como
  desvio padrão. medida de desvio.

Em geral, a distribuição normal aparece em processos em Na Fig. B.6, a probabilidade de a variável x assumir valor maior que
que há grande número de fatores independentes influencian- Z depende da distância entre Z e , dividida pelo desvio padrão .
do no resultado final. Por exemplo, o tempo que uma pessoa Isto equivale a calcular uma nova variável, também com distri-
gasta para ir de casa até o escritório é uma variável com dis- buição normal, da seguinte maneira:
tribuição normal. Vários fatores mais ou menos importantes
interferem no tempo gasto, por exemplo, congestionamento
de trânsito, falta de vaga para estacionar, condições do tem-
po, pedestres atravessando a rua, semáforos não sincroni- A variável w é chamada variável normal padronizada e tem a
zados etc. seguinte expressão geral:

Na maior parte das vezes, um fator favorável compensa outro


que atrapalha, e a duração da viagem fica próxima de um valor
médio. Porém, em alguns dias os problemas de trânsito são tan- A Tabela B.12 mostra os valores das probabilidades associadas
tos que o tempo gasto é maior, do mesmo modo que em outros a essa variável.
parece haver acúmulo de fatores favoráveis que fazem a duração
da viagem diminuir. Exemplo
A distribuição normal é simétrica em relação à média e tem Seja uma distribuição normal com média   2 e desvio pa-
algumas propriedades interessantes e úteis, com relação à sua drão   1,5.
forma. Apesar de existirem infinitas combinações de valores a. Calcular: P(x  3,5)
da média  e do desvio padrão , todas as distribuições nor-
mais têm a forma mostrada na Fig. B.5 e podem ser calculadas
a partir de uma só tabela de probabilidades. Isto se deve a uma
característica importante da distribuição normal, conforme o Da Tabela B.12 tiramos P(x  3,5)  0,1587. A Fig. B.7 mos-
enunciado a seguir. tra o resultado.
Característica da distribuição normal b. Calcular: P(x  5,525)
A probabilidade de certa variável x, com distribuição normal,
ser superior a um dado valor depende somente da distância

f(X)
Tabela B.11: Dados da função cumulativa
N.º DE ÔNIBUS FUNÇÃO
NO RESTAURANTE/ CUMULATIVA DE
HORA PROBABILIDADE PROBABILIDADE
0 0,255 0,255
1 0,348 0,603
2 0,238 0,841
3 0,108 0,949
4 0,037 0,986
1  1 Z X
5 0,010 0,996
6 0,002 0,998
Fig. B.6 Representação da probabilidade (x  Z)
Revisão de Conceitos de Estatística e Probabilidade   53

Tabela B.12: Distribuição normal P(x    w  )


  Desvio
w 0,00   0,01   0,02   0,03   0,04   0,05   0,06   0,07   0,08   0,09  
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121

0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611

1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681

1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233

2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064

2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010

A Fig. B.7 mostra a área correspondente.


Dois outros resultados podem ser obtidos em consequência da si-
metria da curva e do fato de que a área total da curva soma 1.
Como a curva é simétrica, temos:
Exemplos P(x  1,25 e x  2,75)  1  2  0,3085  0,383.
a. No exemplo anterior, vamos calcular P(x  3,5).
A Fig. B.8 mostra o resultado.
Como P(x  3,5)  0,1587, temos:
Com esse tipo de cálculo, podemos chegar aos seguintes resul-
P(x  3,5)  1  0,1587  0,8413. tados importantes:
b. Vamos calcular agora:
• P(  1    x    1  )  0,6827
P(x  1,25 e x  2,75) • P(  2    x    2  )  0,9543
• P(  3    x    3  )  0,9973
54   Apêndice B

f(X) Uma aplicação interessante desse teorema é a análise de risco


de um investimento. Se tivermos vários fatores influenciando
o resultado do investimento — medido, por exemplo, pela ta-
xa de retorno —, a taxa de retorno poderá ser considerada uma
variável com distribuição normal, não importando a forma das
distribuições dos fatores.
0,1587
Distribuição Exponencial Negativa
A distribuição exponencial negativa é dada por:

2 3,5 X

f(X) com 0  x  ∞.
A média e a variância dessa distribuição são dadas por  e 2,
respectivamente. A Fig. B.9 mostra a forma da distribuição.
Existe uma relação interessante entre a distribuição exponencial
negativa e a distribuição de Poisson. A distribuição de Poisson
mede o número de ocorrências de determinado evento por uni-
0,0094 dade de tempo, enquanto a distribuição exponencial negativa
indica o tempo decorrido entre duas ocorrências.
Assim, no exemplo dos ônibus, a distribuição de Poisson se refe-
2 5,525 X re ao número de chegadas por hora. O intervalo de tempo entre
chegadas é uma variável aleatória com distribuição exponencial
Fig. B.7 Resultados do exemplo
negativa.
Enquanto a média de Poisson era de   1,367 ônibus por hora,
Antes de terminarmos esta seção, vamos ver duas propriedades o intervalo médio entre duas chegadas é de 1/  0,731 hora,
importantes. ou seja, aproximadamente 44 minutos.
1. Relação entre a distribuição normal da variável x e a distri- Resumindo, quando o número de ocorrências de um determinado
buição normal da variável padronizada w: evento é explicado pela distribuição de Poisson com média , o
intervalo entre duas ocorrências segue a distribuição exponencial
negativa com média 1/ .

f(w)    f(x)
Exercícios Propostos
1. Descreva uma situação operacional dentro de uma empresa
2. Teorema do limite central que resulte em dados discretos.
2. Descreva uma situação operacional dentro de uma empresa
Vamos considerar um determinado conjunto de eventos e tomar
que resulte em dados contínuos.
todos os possíveis grupos de n eventos do conjunto. Se para
cada grupo calcularmos uma média, essa média x será uma 3. Considere as notas obtidas em uma prova (veja a tabela na
variável aleatória. O teorema do limite central estabelece que página seguinte). Calcule a média, o desvio padrão e trace
a variável x terá distribuição normal, não importando a forma um gráfico da distribuição de frequências.
da distribuição de probabilidades dos grupos selecionados.
f(X)

f(X)

0,383

1,25 2 2,75 X X

Fig. B.8 Resultado do exemplo Fig. B.9 Forma geral da distribuição exponencial negativa
Revisão de Conceitos de Estatística e Probabilidade   55

8. Em um processo de chegadas que segue a distribuição de


N.º DO ALUNO NOTA N.º DO ALUNO NOTA N.º DO ALUNO NOTA
Poisson, com média   4 chegadas por hora, calcule:
1 8 11 9 21   9 a. P(x  4)
2 8 12 9 22   8 b. P(x  4)
3 3 13 8 23   8 c. P(3  x  6).
4 6 14 8 24 10
5 8 15 4 25 10 9. As estatísticas de queima de lâmpadas fluorescentes em
6 5 16 5 26 10 uma indústria, feitas durante um período de 20 semanas,
7 6 17 7 27   3 são mostradas na tabela a seguir. Considerando-se que a
8 7 18 7 28 10 direção da empresa estipulou uma verba de $9.000 por
9 8 19 8 29   4 semana, para o estoque de reserva de lâmpadas, qual a
10  7 20 9 30   8 probabilidade de não haver lâmpada de reserva em uma
semana, sabendo-se que cada lâmpada custa $500? Qual
seria a verba necessária, por semana, para reduzir essa
4. As chegadas a um banco ocorrem segundo a distribuição probabilidade para 1/3 desse valor?
de Poisson, com média de três chegadas por minuto. Dese-
ja-se saber qual a probabilidade de haver mais de duas che-
SEMANA N.º DE LÂMPADAS SEMANA N.º DE LÂMPADAS
gadas por minuto.
1 12 11 12
5. Uma linha de produção apresenta uma média de um de-
2 14 12 20
feito por dia. Cada defeito tem um custo de manutenção 3 22 13 18
de $1.000. Qual a probabilidade de que o custo diário de 4 16 14 16
manutenção seja igual a $5.000, considerando-se que a dis- 5 16 15 20
tribuição seja a distribuição de Poisson? 6 18 16 18
7 16 17 16
6. Durante um mês, um supermercado fez levantamento esta- 8 10 18 16
9 14 19 18
tístico do consumo de leite, chegando aos dados da tabela 10  14 20 14
a seguir. Como o supermercado recebe 1.000 litros de leite
por dia, deseja-se saber:
10. Uma moeda é lançada 64 vezes. Qual a probabilidade de
se obterem:
DIA QUANTIDADE DIA QUANTIDADE DIA QUANTIDADE
a. Exatamente 32 caras?
1 980 11 990 21 970 b. Menos de 20 caras?
2 990 12 990 22 950 c. Entre 25 e 30 caras, inclusive?
3 990 13 980 23 950
4 1.000   14 970 24 960 11. Uma máquina deve fazer buracos em uma peça de diâ­metro
5 980 15 970 25 970
exato de 1 cm. Na verdade, os diâmetros são normalmente
6 980 16 980 26 980
7 1.000   17 980 27 970 distribuídos com média igual a 1,01 cm e desvio padrão de
8 1.010   18 1.020   28 980 0,02 cm. Se há uma tolerância de 0,02 cm, os buracos devem
9 980 19 940 29 960 ter diâmetro entre 0,98 cm e 1,02 cm. Qual o percentual de
10  1.010   20 980 30 960
buracos que estarão dentro da tolerância?
12. Uma variável aleatória x com distribuição normal tem mé-
a. Qual a probabilidade de faltar leite em um determinado dia 100 e desvio padrão 8. Determine:
dia? a. P(84  x  92)
b. Qual a probabilidade de sobrar mais de 10 litros em um b. P(88  x  112)
certo dia? c. P(x  108)
c. Qual a probabilidade de sobrar 10 litros ou mais em cin- d. P(x  116).
co dias consecutivos, considerando-se que os consumos
diários são independentes entre si? bibliogrAfiA
7. Considere dois processos de chegadas, independentes entre Boot, J. C.; Cox, E. B. Statistical Analysis for Managerial Decisions.
si: o processo A e o processo B, ambos com distribuição de 2. ed. New York: McGraw-Hill Int., 1974.
Fabrycky, W. J.; Torgersen, P. E. Operations Economy — Industrial Appli-
Poisson. O processo A tem média igual a quatro chegadas
cations of Operations Research. New Jersey: Prentice-Hall Inc., 1966.
por hora e o processo B tem média igual a cinco chegadas por Kazmier, L. J. Estatística Aplicada à Economia e Administração. São
hora. Deseja-se saber qual a probabilidade de que ocorram Paulo: McGraw-Hill, 1982.
simultaneamente três chegadas no processo A e duas che- Pereira, W.; Kinsten, J. T.; Alves, W. Estatística para Ciências Sociais.
gadas no processo B. 1. ed. São Paulo: Saraiva, 1980.