Você está na página 1de 63

PROBABILIDAE E ESTATÍSTICA

APLICADA A MANUTENÇÃO
Prof. Dr. Manoel Marinho
• Programa detalhado
MOTIVAÇÃO
1.0. Introdução à estatística
1.1 – Definições. Fases do trabalho estatístico
1.2 – Distribuição de Frequências e Histogramas
1.3 – Medidas de Tendência Central e Separatrizes
1.4 –Assimetria e Curtose
1.5 – Medidas de Dispersão
1.6 – Correlação e Regressão Linear
2.0. Introdução à probabilidade
2.1 – Experimento Aleatório. Espaço Amostral. Eventos
2.2 – Probabilidade. Conceitos
2.3 – Probabilidade Condicional
2.4 – Eventos Independentes
2.5 – Teorema de Bayes
3.0. Variáveis aleatórias unidimensionais
3.1 – Introdução
3.2 – Variável Aleatória Discreta
3.3 – Variável Aleatória Continua
4.0. Algumas distribuições importantes
4.1 – Distribuições Discretas: Binominal, Poisson
4.2 – Distribuições Continuas: Normal, Exponencial e Weibull
5.0 – Aplicações Práticas
Objetivos Gerais: Apresentar as ideias e conceitos fundamentais da Probabilidade e
Estatística, bem como algumas ferramentas básicas de modelagem estatística.
Aplicar as metodologias apresentadas no cotidiano das áreas de formação do aluno,
familiarizando-o com a terminologia e as principais técnicas.

Objetivos Específicos: Desenvolver a capacidade crítica e analítica do aluno através


de discussão. Ao final do curso, os alunos devem estar aptos a interpretar e analisar
corretamente informações que envolvem probabilidade e estatística. Além disso,
devem resumir e fazer uma primeira análise em um conjunto de dados.

Metodologia: O conteúdo programático será desenvolvido por meio de aulas


expositivas e o uso de quadro. Serão aplicados exercícios a serem resolvidos em
classe e extra classe, individual e em grupos, bem como aplicação dos conteúdos
estudados.
REFERENCIAS
1. MAGALHÃES, M. N. & LIMA, A. C. P. (2009) Noções de Probabilidade e Estatística. 7a ed. São Paulo:
Edusp.
2. MORETTIN, P. A. & BUSSAB, W. O. (2010) Estatística Básica. 6a ed. São Paulo: Saraiva.
3. MARTINS, G. A. & DOMINGUES, O. (2011) Estatística Geral e Aplicada. 4a ed. São Paulo: Atlas.
4. CRESPO, A. A. (2009) Estatística Fácil. 19a ed. São Paulo: Saraiva
5. DEVORE, JAY L. Probabilidade e Estatística Para Engenharia e Ciências - 8ª Ed. 2014. Cengage Learning
6. MONTGOMERY, DOUGLAS C. Estatística Aplicada e Probabilidade Para Engenheiros - 5ª Ed. 2012.LTC
7. MEYER,PAUL L. Probabilidade Aplicações a Estatística. 2000. LTC
8. SPIEGEL , MURRAY R. Estatística - 4ª Ed. - Col. Schaum. 2009.Bookman
9. MORETTIN, PEDRO A. E TOLOI, CLÉLIA M. Modelos para Previsão de Séries Temporais,Edgard Blucher,
1981.
10. BOX, G.E.P. AND JENKINS, G.M. (1970). Time Series Analysis: Forecasting and Control. San Francisco:
Holden-Day. (Revised edition published 1976).
MOTIVAÇÃO
Ideias Básicas

Probabilidade
• Latim probare = provar, testar

Estatística
• Grego stokhastikós = conjectura, adivinhação, sujeito às leis do acaso
Uso coloquial:
• “provável”, incerteza, desconhecimento, risco, dúvida.
Chance e Incerteza
... são conceitos originados com a civilização

Garantia de sobrevivência:
• Clima (chuvas, secas), suprimentos de alimentos (colheitas, pragas),etc.
• Esforço em minimizar as incertezas do meio que nos cerca bem como seus
efeitos a fim de garantir a sobrevivência.
• RISCO x INCERTEZA
Um pouco de História
Antiguidade

• 3500 A.C.: jogos de azar que utilizavam objetos criados a


partir de pedaços de ossos ou madeira (precursores dos
dados modernos).

• 2000 A.C.: dados cúbicos, com marcas quase idênticas


aos dados atuais.

• Os jogos de azar sempre foram muito populares desde


essa época e tiveram um papel importante para o
desenvolvimento da Teoria das Probabilidades.
Um pouco de História
Era Moderna
Um pouco de História
Era Moderna
Um pouco de História
Atualidades
1. 1 Definições. Fases do trabalho estatístico
A - Introdução e Importância da Estatística
B - Grandes áreas da Estatística
C - Fases do Método Estatístico
D - Séries Estatísticas
A - Introdução e Importância da Estatística

• A Estatística é uma parte da Matemática que fornece


métodos para a coleta, organização, descrição, análise
e interpretação de dados, viabilizando a utilização dos
mesmos na TOMADA DE DECISÕES.
B - Grandes áreas da Estatística

Para fins de apresentação, é usual se dividir a estatística em três


grandes áreas, embora não se trate de ramos isolados:
• Estatística Descritiva e Amostragem – Conjunto de técnicas que objetivam
coletar, organizar, apresentar, analisar e sintetizar os dados numéricos de uma
população, ou amostra;

• Estatística Inferencial – Processo de se obter informações sobre uma


população a partir de resultados observados na amostra;

• Probabilidade - Modelos matemáticos que explicam os fenômenos estudados


pela Estatística em condições normais de experimentação.
C - Fases do Método Estatístico

Quando se pretende empreender um estudo estatístico completo, existem


diversas fases do trabalho que devem ser desenvolvidas para se chegar aos
resultados finais de um estudo capaz de produzir resultados válidos. As
fases principais são as seguintes:

• Definição do problema
• Planejamento (levantamentos, amostras, censo, cronograma, custos,..)
• Coleta de dados (diretos e indiretos)
• Apuração dos dados (manual, eletromecânica ou eletrônica)
• Apresentação dos dados (tabela ou gráfico)
• Análise e Interpretação dos dados
D - Séries Estatísticas

• Cronológicas - Tempo (fator temporal ou cronológico) – a que época


refere-se o fenômeno analisado;

• Geográficas - Local (fator espacial ou geográfico) – onde o fenômeno


acontece;

• Específicas - Fenômeno (espécie do fato ou fator especificativo) – o


que é descrito.
Exemplo de Série Cronológica
Exemplo de Série Geográfica
Exemplo de Série Específica
Unidade 2 – Distribuição de Frequência

Vamos considerar, nesta unidade, o estudo detalhado da distribuição de


frequência, que é a forma pela qual podemos descrever os dados estatísticos
resultantes de variáveis quantitativas. São objetivos desta unidade:
• Compor uma distribuição de frequência com ou sem intervalos de classe;
• Determinar o quadro de frequências, úteis para condensar grandes
conjuntos de dados, facilitando o sua utilização;
• Representar uma distribuição de frequência através de histograma, polígono
e ogiva.
Frequência de uma observação é o número de repetições dessa
observação, ou seja, quantas vezes determinado fenômeno acontece.

Os dados podem ser classificados como:

• Dados brutos – são os dados originais, que ainda não se encontram prontos
para análise, por não estarem numericamente organizados.

• Rol – são os dados brutos, organizados em ordem crescente ou decrescente.

• Dados Tabelados agrupados em classes - os valores da variável não


aparecem individualmente, mas agrupados em classes.
Elementos de uma distribuição de frequência:

• Amplitude total (At)


• Número de classes (K)
• Limites de classe (Linf, Lsup)
• Amplitude do intervalo de classe (h)
• Ponto médio da classe (Xi)
• Frequência absoluta (ni)
• Frequência relativa (fi) e
• Frequência acumulada (Ni, Fi)
l-inf l-sup ni Ni fi Fi xi

k Limite Limite Frequencia Freq. Simp Frequencia Freq. Relat Ponto

Classes Inferior Superior Simples Acumulada Relativa Acumulada Medio

1
2
3
4
5
...
• Amplitude total (A) - é a diferença entre o maior e o menor número do rol.
• Número de classes (K): não existe regra fixa para se determinar o número de
classes. Podemos utilizar:
A Regra de Sturges, que nos dá o número de classes em função do número
de valores da variável:
K =1+ 3,3.log n , onde n é o número de itens que compõe a amostra
• Amplitude de um intervalo de classe (h) – ou simplesmente intervalo de classe é
a medida do intervalo que define a classe.
h=A/K
• Limites de Classe – denominamos limites de classe os extremos de cada classe.
Assim temos:
Limite inferior (linf) e Limite superior (Lsup)
• Observação: Vamos trabalhar com intervalos fechados à esquerda e abertos à direita; isso significa que valores
iguais ou superiores ao limite inferior são considerados nessa classe e valores iguais e/ou superiores ao limite
superior são considerados na classe abaixo.
• Ponto Médio da Classe - (xi) – é, como o próprio nome indica, o ponto que
divide o intervalo de classe em duas partes iguais. Para obtermos o ponto
médio de uma classe, calculamos:
Xi= (Linf + Lsup)/2
• Frequências simples ou absoluta da classe i (ni): são os valores que realmente
representam o número de dados de cada classe. A soma das frequências simples
é igual ao número total dos dados.
• Frequências relativas (fi): são os valores das razões entre as frequências simples
e o número total de dados.
fi = ni/n
• Frequência acumulada (Ni): é o total das frequências de todos os valores
inferiores ao limite superior do intervalo de uma dada classe.
• Frequência acumulada relativa (Fi): é a frequência acumulada da classe, dividida
pela frequência total da distribuição.
Fi= Ni/n
GRÁFICOS REPRESENTATIVOS DE UMA
DISTRIBUIÇÃO DE FREQUÊNCIA:
HISTOGRAMA, POLÍGONO DE
FREQUÊNCIA E OGIVA
Histograma – é formado por um conjunto de retângulos justapostos,
cujas bases se localizam sobre o eixo horizontal, de tal modo que seus
pontos médios coincidem com os pontos médios dos intervalos de
classe.
• As larguras dos retângulos são iguais às amplitudes dos intervalos de
classe.
• As alturas dos retângulos devem ser proporcionais às frequências das
classes, sendo igual a amplitude dos intervalos.
Polígono de frequência – é um gráfico em linha, sendo as frequências
marcadas sobre perpendiculares ao eixo horizontal, levantada pelos pontos
médios dos intervalos de classe.
• Para realmente obtermos um polígono (linha fechada), devemos completar a
figura, ligando os extremos da linha obtida aos pontos médios da classe
anterior à primeira e da posterior à última, da distribuição.

Polígono de frequência acumulada (Ogiva de Galton)– é traçado marcando-se


as frequências acumuladas sobre perpendiculares ao eixo horizontal,
levantadas nos pontos correspondentes aos limites superiores dos intervalos
de classe.
1.3 – Medidas de Tendência Central

Nesta unidade, veremos as tendências características de cada


distribuição, destacando as medidas de posição central, que recebem
tal denominação pelo fato de os dados observados tenderem, em geral,
a se agrupar em torno dos valores centrais. São objetivos desta
unidade:
• Calcular as medidas de posição central; e,
• Diferenciar as medidas - moda, média e mediana.
Média Aritmética Simples e Ponderada
É o quociente da divisão da soma dos valores da variável pelo número deles.
A média (aritmética) é, de modo geral, a mais importante de todas as medidas
descritivas.
Dados não tabelados

Dados Tabelados Com intervalo de Classe


Moda (Mo): Dados agrupados em classes
É o valor que ocorre com maior frequência em um conjunto de dados, e que
é denominado valor modal. Baseado nesse contexto, um conjunto de dados pode
apresentar mais de uma moda. Nesse caso, dizemos ser multimodais; caso
contrário, quando não existe um valor predominante, dizemos que é amodal.

1º Processo: Fórmula de Czuber

• 2º Processo: Fórmula de Pearson


Mediana (Md): Dados agrupados em classes
A mediana é uma medida de posição. É, também, uma separatriz, pois divide
o conjunto em duas partes iguais, com o mesmo número de elementos. O valor da
mediana encontra-se no centro da série estatística organizada, de tal forma que o
número de elementos situados antes desse valor (mediana) é igual ao número de
elementos que se encontram após esse mesmo valor (mediana).
• Com intervalo de classe: localizada a classe mediana, calculamos o valor da
mediana pela fórmula:
Média Geométrica (MG):
A média geométrica de um conjunto de N números x1, x2,x3,......xn
é a raiz de ordem N do produto desses números:

Média Harmônica (Mh):


Sejam x1, x2, x3,......xn, valores de x, associados às freqüências
absolutas n1, n2, n3,......nn, respectivamente. A média harmônica
de X é definida por:

X>MG>MH
Separatrizes: Quartis, Decis e Percentis
São valores que ocupam determinados lugares de uma distribuição de frequência.
Podemos classificá-las em:
Quartis: dividem a distribuição em 4 partes iguais
Decis: dividem a distribuição em 10 partes iguais
Percentis: dividem a distribuição em 100 partes iguais.

𝒌 𝒌 𝒌 𝒌

𝒌 𝒌
1.4 Assimetria (AS)
• Esta medida refere-se à forma da curva de uma distribuição de frequência,
mais especificamente do polígono de frequência ou do histograma.
Denomina-se assimetria o grau de afastamento de uma distribuição da
unidade de simetria.

Simetria

AS= 0, SIMÉTRICA
AS>0, ASSIMETRICA À DIREITA
AS<0, ASSIMETRICA À ESQUERDA
1.4 Curtose (K)
Curtose é o grau de achatamento (ou afilamento) de uma distribuição em comparação
com uma distribuição padrão (chamada curva normal). De acordo com o grau de
curtose, classificamos três tipos de curvas de frequência:

 Mesocúrtica: é uma curva básica de referência chamada curva padrão ou curva normal;
• Platicúrtica: é uma curva mais achatada (ou mais aberta) que a curva normal;
• Leptocúrtica: é uma curva mais afilada que a curva normal;

MESO PLATI LEPTO

K =0,263, MESO
K > 0,263, PLATI
K<0,263, LEPTO
1.5 – Medidas de Dispersão
A interpretação de dados estatísticos exige que se realize um número maior
de estudos, além das medidas de posição. Nesta unidade, veremos que as medidas
de dispersão servem para verificar a representatividade das medidas de posição,
que é o nosso principal objetivo.

• Dispersão: São medidas estatísticas utilizadas para avaliar o grau de variabilidade,


ou dispersão, dos valores em torno da média. Servem para medir a
representatividade da média, entre elas: Variância (S2), Desvio Padrão (S) e
Coeficiente de Variação (CV).
Variância (S2)

• A variância leva em consideração os valores extremos e os valores intermediários,


isto é, expressa melhor os resultados obtidos. A variância relaciona os desvios em
torno da média, ou, mais especificamente, é a média aritmética dos quadrados
dos desvios.
• Dados Agrupados

• Para dados amostrais, o denominador é n-1;


• Para dados populacionais, usamos no denominador o valor de n.
Desvio Padrão (S)

O desvio-padrão é a medida mais usada na comparação de diferenças


entre conjuntos de dados, por ter grande precisão. O desvio padrão
determina a dispersão dos valores em relação à média e é calculado
por meio da raiz quadrada da variância.
Coeficiente de Variação (CV)

• Trata-se de uma medida relativa de dispersão útil para a comparação em termos


relativos do grau de concentração. O coeficiente de variação é a relação entre o
desvio padrão (S) e a média X.

Diz- se que uma distribuição tem:


• Baixa dispersão: CV ≤ 15%
• Média dispersão: 15%< CV<30%
• Alta dispersão: CV ≥ 30%
1.6 – Correlação e Regressão Linear
Formulações – Correlação Linear

 xy 
COV ( x, y )
COV ( x, y ) 
 xy   x  y 
 * 
n  n n 
S x .S y 

1  (  x ) 2
 1  ( y ) 
2
Sx  . x 
2
 Sy  . y 
2

n  n  n  n 

 xy   1,0;1,0
Formulações – Regressão Linear

Y  a  bX

b   xy *
SY
a
 y  b* x
SX n

DIAGRAMA DE DISPERSÃO
Linear, Potencial, Exponencial, Logarítmica, Polinomial (2/6)
100 n y j  yˆ j
EPM  
n j 1 y j

em que n é o número de dados da


série, yj é o valor real e é o valor
previsto.
X1 X2 X3 X4 X5 Y
Vinho Claridade Aroma Corpo Sabor Afinação Qualidade
1 1 3,3 2,8 3,1 4,1 9,8
2 1 4,4 4,9 3,5 3,9 12,6
3 1 3,9 5,3 4,8 4,7 11,9
4 1 3,9 2,6 3,1 3,6 11,1
5 1 5,6 5,1 5,5 5,1 13,3
6 1 4,6 4,7 5 4,1 12,8
7 1 4,8 4,8 4,8 3,3 12,8
8 1 5,3 4,5 4,3 5,2 12
9 1 4,3 4,3 3,9 2,9 13,6
10 1 4,3 3,9 4,7 3,9 13,9
11 1 5,1 4,3 4,5 3,6 14,4
12 0,5 3,3 5,4 4,3 3,6 12,3
13 0,8 5,9 5,7 7 4,1 16,1
14 0,7 7,7 6,6 6,7 3,7 16,1
15 1 7,1 4,4 5,8 4,1 15,5
16 0,9 5,5 5,6 5,6 4,4 15,5
17 1 6,3 5,4 4,8 4,6 13,8
18 1 5 5,5 5,5 4,1 13,8
19 1 4,6 4,1 4,3 3,1 11,3
20 0,9 3,4 5 3,4 3,4 7,9
21 0,9 6,4 5,4 6,6 4,8 15,1
22 1 5,5 5,3 5,3 3,8 13,5
23 0,7 4,7 4,1 5 3,7 10,8
24 0,7 4,1 4 4,1 4 9,5
25 1 6 5,4 5,7 4,7 12,7
26 1 4,3 4,6 4,7 4,9 11,6
27 1 3,9 4 5,1 5,1 11,7
28 1 5,1 4,9 5 5,1 11,9
29 1 3,9 4,4 5 4,4 10,8
30 1 4,5 3,7 2,9 3,9 8,5
31 1 5,2 4,3 5 6 10,7
32 0,8 4,2 3,8 3 4,7 9,1
33 1 3,3 3,5 4,3 4,5 12,1
34 1 6,8 5 6 5,2 14,9
35 0,8 5 5,7 5,5 4,8 13,5
36 0,8 3,5 4,7 4,2 3,3 12,2
37 0,8 4,3 5,5 3,5 5,8 10,3
38 0,8 5,2 4,8 5,7 3,5 13,2
Claridade Aroma Corpo Sabor Afinação Qualidade
Dias Máquina 1 Máquina 2 Máquina 3 Máquina 4 Máquina 5 Máquina 6 Máquina 7 Máquina 8 Máquina 9 Máquina 10 Padrão
1 4,8 4,2 5,1 5,2 4,8 4,7 4,9 4,5 4,9 4,5 4,8
2 4,9 5,1 4,8 4,9 4,8 5,0 4,3 4,9 4,2 4,2 5,0
3 5,1 4,6 4,9 4,3 4,9 4,8 5,2 4,8 4,4 5,6 4,9
4 4,3 5,0 5,0 5,1 4,9 5,0 4,8 4,6 4,8 5,1 4,9
5 4,3 4,2 5,1 4,9 4,3 4,7 4,7 5,3 5,3 4,4 4,8
6 4,3 4,9 5,2 4,8 4,9 4,9 4,4 4,5 4,9 5,1 4,9
7 5,1 4,9 4,9 5,1 4,4 5,0 4,8 4,6 5,2 5,5 5,0
8 4,9 4,8 4,2 4,4 5,1 4,7 4,3 4,7 4,7 4,4 4,8
9 5,0 5,2 4,2 4,9 5,1 4,8 5,4 4,6 4,8 5,2 4,9
10 4,8 5,1 4,6 4,8 5,2 4,8 4,9 4,3 4,3 4,5 4,8
11 4,8 4,2 5,1 5,2 4,8 4,7 4,9 5,2 4,9 4,5 4,8
12 4,9 5,1 4,8 4,9 4,8 5,0 5,3 4,5 5,5 5,2 5,0
13 5,1 4,6 4,9 4,3 4,9 4,9 5,2 5,0 4,4 5,6 4,9
14 5,0 5,0 5,0 5,1 4,9 5,0 4,8 5,0 4,8 5,1 5,0
15 4,5 4,2 5,1 4,9 4,3 4,7 4,7 4,8 5,3 4,4 4,8
16 4,3 4,9 5,2 4,8 4,9 4,9 4,4 5,0 4,8 4,6 4,9
17 5,1 4,9 4,9 4,9 5,2 5,0 4,8 4,7 5,2 5,5 5,0
18 4,9 4,8 4,2 4,3 5,1 4,8 4,2 4,6 4,7 4,2 4,9
19 5,0 5,2 4,2 4,9 5,1 5,0 5,4 5,2 4,8 4,5 5,0
20 4,8 5,1 4,6 4,8 4,3 4,8 4,9 4,6 4,3 4,5 4,9
Unidade 2.0 - Introdução à probabilidade
2.1 – Experimento Aleatório. Espaço Amostral. Eventos
2.2 – Probabilidade. Conceitos
2.3 – Probabilidade Condicional
2.4 – Eventos Independentes
2.5 – Teorema de Bayes
Exercícios
2.1 – Experimento Aleatório. Espaço Amostral. Eventos

• O cálculo das probabilidades pertence ao campo da matemática, entretanto a


maioria dos fenômenos de que trata a Estatística são de natureza aleatória ou
probabilística. O conhecimento dos aspectos fundamentais do cálculo das
probabilidades é uma necessidade essencial para o estudo da Estatística Indutiva
ou Inferencial.

• A probabilidade é utilizada para exprimir a chance de ocorrência de determinado


evento. Ela fornece uma descrição matemática do conceito de aleatoriedade.
• Fenômeno ou Experimento Aleatório: Não existe uma definição satisfatória
de experimento aleatório. Por isto, é necessário ilustrar o conceito um grande
número de vezes para que a ideia fique bem clara. Convém lembrar que os
exemplos dados são de fenômenos para os quais modelos probabilísticos são
adequados e que por simplicidade, são denominados de experimentos aleatórios.
Ao descrever um experimento aleatório, deve-se especificar não somente que
operação ou procedimento deva ser realizado, mas também o que é que deverá
ser observado.
Exemplo 1.1:
• E1: Joga-se um dado e observa-se o número obtido na face superior.
• E2: Joga-se uma moeda 4 vezes e observa-se a sequência de caras e coroas.
• E3: Lançam-se dois dados e anota-se o total de pontos obtidos.
Para caracterizarmos matematicamente um experimento aleatório, necessitamos
definir para cada experimento E, um espaço amostral S e seus componentes, ou
eventos, associados a cada possível resultado do experimento.
• Espaço Amostral e Eventos
• Definição 1.1: Espaço amostral é o conjunto de todos os resultados possíveis de
um experimento aleatório. Denota-se por S.
• Exemplo 1.2
Determinar o espaço amostral dos experimentos anteriores.
• S1 = {1, 2, 3, 4, 5, 6}
• S2 = {cccc, ccck, cckc, ckcc, kccc, cckk, kkcc,ckck, kckc, kcck, ckkc, ckkk, kckk, kkck,
kkkc,kkkk}
• S5 = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
• Definição 1.2: Evento é qualquer subconjunto de um espaço amostral S.
• Exemplo 1.3
• Considerando-se o experimento E1, podemos considerar os eventos:
• a) S1 é o evento certo. b) {2,4,6} é o evento: o resultado é par.
• Seja E um experimento com um espaço amostral associado S. Seja A um evento
de S. É dito que o evento A ocorre se realizada a experiência, isto é, se executado
E, o resultado for um elemento de A.
Sejam A e B dois eventos de um mesmo espaço amostra S. Diz-se que ocorre o
evento:
• 1. A união B ou A soma B, se, e somente se, A ocorre ou B ocorre.
• 2. A produto de B ou A interseção B, se, e somente se, A ocorre e B ocorre.
• 3. A menos B ou A diferença B, se, e somente se, A ocorre e B não ocorre.
• 4. O complementar de A, se, e somente se, A não ocorre.
• 5. Eventos mutuamente excludentes ou exclusivos: dois eventos A e B, são
denominados mutuamente exclusivos ou excludentes, se eles não puderem
ocorrer juntos, isto é, se A ∩ B = Ø .
Definição clássica de probabilidade
• Seja E um experimento aleatório e S um espaço amostral associado formado por
n resultados igualmente prováveis. Seja A Í S um evento com m elementos. A
probabilidade de A, denotada por P(A), Lê-se pe de A, é definida como sendo:

• Isto é, a probabilidade do evento A é o quociente entre o número m de casos


favoráveis e o número n de casos possíveis.
• Exemplo 2.1
• Calcular a probabilidade de no lançamento de um dado equilibrado obter-se: (a)
Um resultado igual a 4. (b) Um resultado ímpar.
• Solução: S = { 1, 2, 3, 4, 5, 6 } n = #(S) = 6
• a) A = { 4 } Þ m = #(A) = 1, então P(A) = m/n = 1/6
• b) B = { 1, 3, 5 } Þ m = #(B) = 3, então P(B) = m/n = 3/6
Definição axiomática de probabilidade
• Seja E um experimento aleatório com um espaço amostral associado S. A cada
evento A Í S associa-se um número real, representado por P(A) e denominado
probabilidade de A, que satisfaz as seguintes propriedades (axiomas):
Eventos independentes P(AПB) =P(A).P(B)
Exemplo 01) A probabilidade de um gato estar vivo daqui a 5 anos é 3/5. A
probabilidade de um cão estar vivo daqui a 5 anos é 4/5. Considerando os
eventos independentes, qual a probabilidade de somente o cão estar vivo daqui
a 5 anos?
Probabilidade condicional
Probabilidade condicional
Carlos diariamente janta um prato de sopa no mesmo restaurante.
A sopa é feita de forma aleatória por um dos três cozinheiros que
lá trabalham: 40% das vezes a sopa é feita por João; 40% das
vezes por José, e 20% das vezes por Maria. João salga demais a
sopa 10% das vezes; José o faz em 5% das vezes, e Maria 20%
das vezes. Como de costume, um dia qualquer Carlos pede a sopa
e, ao experimentá-la, verifica que está salgada demais. Qual o
funcionário que teve o pior desempenho? Com essa informação
teremos que demitir um dos funcionários. Quem?
Uma empresa fabrica motores a jato em duas fábricas A e B.
Um motor é escolhido ao acaso de um lote de produção. Nota-
se que o motor apresenta defeitos. De observações anteriores a
empresa sabe que 2% e 3% são taxas de motores fabricados
com algum defeito em A e B, respectivamente. Sabendo-se que
a fábrica A é responsável por 40% da produção, qual a
probabilidade do motor ter sido fabricado em A?

Você também pode gostar