Planejamento e Controle

de Produção
2020 - 1

Aula no 5 -
Revisão de Probabilidade

Prof. Sérgio Cunha

 Revisão de Probabilidade

Buscando uma eficiência cada vez

maior, a gerência de manutenção
industrial moderna tende a utilizar
métodos quantitativos, matemáticos.
Como a falha de componentes não
ocorre de uma maneira repetitiva, o
tratamento matemático precisa ser
probabilistico.

2
 Probabilidade
Definido um conjunto de eventos
favoráveis "A", parte de um conjunto
de eventos possíveis "S", se "A" pode
acontecer de "x" maneiras e "S" de
"n" maneiras igualmente prováveis, a
probabilidade de "A" acontecer , P(A),
é:
favoráveis

possíveis

Ex.: ocorrer um número "#" ao lançar

um dado:

3
 Axiomas da Probabilidade

1) 0 ≤ P(A) ≤ 1, ∀ A
2) P(S) = 1
3) Se A1, A2 ,....., An são
mutuamente exclusivos
P(A1∪ A2∪...... ∪ An)=
P(A1) + P(A2) + ..... + P(An)

4
 Espaço Amostral

É o conjunto "S" de todos os resultados

possíveis de um experimento ou
processo.

Exemplos:
Lançar um dado: {1,2,3,4,5,6}

Retirar uma carta de um baralho:

5
 Complemento

Dado um espaço amostral "S" e um

sub-conjunto "A", o complemento de
A, Ac, é tudo o que falta a "A" para
completar "S":
S

Importante:
P(Ac)=1-P(A)

6
Dados "S" e seus sub-conjuntos "A" e "B":

S
União "∪" A B

S
Intercessão "∩" A B

Conjuntos mutuamente exclusivos: ∩ = ∅

Regra: P(A∪B)=P(A)+P(B)-
P(A∩B)
Ex.:Lançamento de um dado
A:= nºs pares, B:= nºs maiores que 3
A∪B={2,4,5,6}, P(A∪B)=4/6
A∩B={4,6}, P(A∩B)=2/6 7
 Probabilidade Condicional e
Independência

Probabilidade Condicional P(A|B):

probabilidade que aconteça um evento
"A", dado que "B" tenha ocorrido.

Exemplo: Dado
Sabendo que o resultado do lançamento
foi par, qual a probabilidade que tenha
sido o n º 4?
B={2,4,6}, A={4}
Pela definição: P(A|B)=1/3
Pela regra: P(A|B)=(1/6)/(1/2)
8
Um evento A é dito independente de um
evento B se a probabilidade de A acontecer
não é influenciado pelo fato de B
acontecer, ou seja
P(A|B)=P(A)

Lembrando que

Temos que, para eventos independentes,

P(A∩B)=P(A).P(B)

Conceito importante:
Eventos mutuamente exclusivos são
independentes?

9
Exemplo: dois lançamentos de moeda
H=cara, T=coroa, S={HH,HT,TH,TT}
A: cara no primeiro lançamento,
A={HH, HT}, P(A)=1/2
B: cara no segundo lançamento
B={HH,TH}, P(B)=1/2
C: cara em exatamente uma moeda
C={HT,TH}, P(C)=1/2
A∩B={HH},P(A∩B)=1/4
A∩C={HT},P(A∩C)=1/4
B∩C={TH}, P(B∩C)=1/4
A∩B∩C ={ }, P(A∩B ∩C)=0

A e B são intuitivamente independentes. De fato:

P(A).P(B)=1/4=P(A∩B)=>eventos independentes
Não é óbvio se A e C são independentes.
P(A).P(C)=1/4=P(A∩C)=>eventos independentes
E quanto a A, B e C?
P(A). P(B). P(C)=1/8≠ P(A∩B ∩C)
=> eventos não independentes 10
 Diagrama de Árvore ou de Eventos
Ferramenta útil para análise da
probabilidade de experimentos repetidos
ou em seqüência

Exemplo: dois lançamentos de dado

1
2
3
4
5
6 1 Probabilidade de
1 2
3
1/6
4 cada caminho:
5
2
6 1/36
1/6 1
2
3
4
1/6 3 5
6 1
2
1/6 3
4 4
5
1/6 1 6
2
3
1/6 5 4
5
6 1
2
3
6 4
5
11
6
Outro exemplo:
Retirar duas bolas de uma urna, contendo
N bolas vermelhas e M bolas pretas

V N2/(N+M)2
N/N+M

1) Com reposição V M/N+M

N/N+M NM/(N+M)2
P
NM/(N+M)2
N/N+M V
M/N+M
P
M/N+M P M2/(N+M)2

2) Sem reposição
N-1/N+M-1
V N(N-1)/(N+M)(N+M-1)

N/N+M
V
M/N+M-1 P NM/(N+M)(N+M-1)

N/N+M-1 V NM/(N+M)(N+M-1)
M/N+M

P N(M-1)/(N+M)(N+M-1)
M-1/N+M-1 P 12
 Variáveis Discretas e Contínuas
Até agora, utilizamos como exemplo
apenas variáveis discretas. A
probabilidade deste tipo de variável pode
ser representada pelo gráfico de
distribuição:

P(x)
1/6
Lançamento de
um dado
1 2 3 4 5 6 x

P(x)
Soma de dois 6/36
5/36
lançamentos de 4/36
3/36
dado 2/36
1/36

1 2 3 4 5 6 7 8 9 10 11 12 x
13
 Variáveis Contínuas

Diversos fenômenos não podem ser

apropriadamente descritos de maneira
discreta, pelo que é necessário que se
estude também a probabilidade de
variáveis contínuas.
Ex.: - tempo de falha de equipamentos;
- altura de uma população;
- velocidade do tráfego.
O gráfico de distribuição descreve a
probabilidade para variáveis discretas.
Seu análogo, para variáveis contínuas, é
o gráfico de densidade de probabilidade.

14
 Gráfico de Densidade de Probabilidade

P(x)

f(x) - densidade de probabilidade-

a b
x

A probabilidade está associada a um intervalo.

Obs.:
15
 Distribuição Acumulada
Freqüentemente é interessante analisar a
distribuição acumulada de probabilidade.

Ex. 1) Lançamento de um dado

PA(x)
1

P(x) 5/6
4/6
1/6
3/6
2/6
1/6

1 2 3 4 5 6 x
x

Distribuição
acumulada para
variáveis discretas

16
Ex. 2) Probabilidade Uniforme de falha
no intervalo [0,T]

f(t) F(t)

1
1/T

T t T
t

Probabilidade
acumulada para
variáveis contínuas

Neste exemplo, F(t) é a probabilidade de

falha até o instante t.
17
Média, Variância e Desvio-Padrão

Uma variável determinista é expressa

pelo seu valor. Uma variável
probabilística é caracterizada pela
sua distribuição de probabilidade.
Entretanto, mais concisamente,
podemos empregar medidas de
tendência central (média, mediana e
moda) e de dispersão (variância,
desvio-padrão, coeficiente de
variação).

18
 Média ou Valor Esperado

Notação: E(x), μ ou x

Variáveis discretas:

Variáveis contínuas:
Ex.:
f(t)

1/T

0 T x

Mediana: valor para o qual a

probabilidade acumulada atinge 0,5.

19
 Variância e Desvio-Padrão
Notação: Variância: σ2(x),
Desvio-Padrão: σ(x)
Coeficiente de variação: σ/μ

Variáveis discretas:

Pode ser
demonstrado

20
 Variáveis contínuas:

Pode ser
demonstrado
Ex.:

f(t)

1/T

0 T x

21
Sejam x1, x2 , ....,xn variáveis aleatórias
com idêntica distribuição de
probabilidade.

Soma

Média Amostral

A Lei dos Grandes Números

A Lei dos Grandes Números de

Borel

22
Soma de variáveis Aleatórias

Sempre: E[Sn]=nμ

Se os fatores são independentes:

σ2[Mn]=σ2[x]/n

23
 Distribuição Normal
Algumas distribuições de
probabilidade aparecem com
freqüência. A distribuição uniforme
aparece tanto em variáveis discretas
como contínuas. As distribuições
Binomial e de Poisson descrevem
diversos processos discretos.
Certamente, a Distribuição Normal
ou Gaussiana é a distribuição de
probabilidade mais usual.
A Distribuição Normal é
completamente caracterizada pelas
sua média e variância. A densidade
de probabilidade obedece a:

24
 Aspecto da Distribuição Normal

Área sob a curva Normal / Intervalos de

Confiança

25
 Teorema do Limite Central
Sejam x1, x2 , ....,xn variáveis aleatórias
independentes, com idêntica distribuição
de probabilidade (iid), media μ, desvio
padrão σ.
Definimos a média amostral padronizada
Zn, de média zero e variância unitária:

Então, no limite para n tendendo para

infinito, o pdf de Zn tende para a
distribuição normal padronizada

Significado: somando-se variáveis de

mesma distribuição, qualquer que seja esta
distribuição, a distribuição da soma tende
para a distribuição normal, média nμ,
variância nσ2.
26
 Teorema do Limite Central

Apresentação Acadêmica

Definimos a média amostral padronizada

Zn:

Então:

Onde

27
28
29