Aula PME Probabilidade

Curso de Engenharia de Produção
Disciplina: Probabilidade e
Modelos Estocásticos – EPS 7002
Prof. Ricardo Villarroel Dávalos

ricardo.davalos@ufsc.br
rvdavalos@gmail.com
CAPÍTULO 1 – TEORIA DA PROBABILIDADE
1.1 DEFINIÇÕES
1.2 ESPAÇO AMOSTRAL
1.3 EVENTOS
1.4 DIAGRAMAS DE VENN
1.5 INTERPRETAÇÃO DE AXIOMAS
1.6 PROBABILIDADE CONDICIONAL
1.7 NOÇÕES DE CONFIABILIDADE
1.8 TÉCNICAS DE CONTAGEM
1.9 VARIÁVEIS ALEATÓRIAS
1.10 FUNÇÕES DE PROBABILIDADE
1.1 DEFINIÇÕES - EXPERIMENTOS ALEATÓRIOS
EXPERIMENTO OU EXPERIÊNCIA ALEATÓRIA
 Experimento aleatório é um procedimento cujo resultado é incerto
 Exemplos:
 Jogar uma moeda
 Sortear um número inteiro de um a cem
 Lançar um dado
Experimento Aleatório: são aqueles que, mesmo repetidos várias

vezes sob condições semelhantes, apresentam resultados
imprevisíveis. Exs.:
• Retirar uma carta de um baralho com 52 cartas e observar seu
“naipe”;
• Jogar uma moeda 3 vezes e observar o número de coroas obtidas;
• Jogar um dado e observar o número mostrado na face de cima;
• Tempo de percurso entre casa e trabalho;
• Intervalo entre chegadas a uma fila de banco.
1.1 DEFINIÇÕES - EXPERIMENTOS ALEATÓRIOS
A probabilidade é a linguagem empregada na

fundamentação matemática da inferência
estatística. Trata-se de uma disciplina exata e
desenvolvida a partir de um encadeamento
lógico de deduções a partir de um conjunto de
axiomas claramente definidos.
O cálculo das probabilidades é de importância fundamental para o
estudo da Estatística Indutiva ou Inferencial. Os fenômenos estudados
pela estatística são fenômenos cujo resultado, mesmo em condições
normais de experimentação variam de uma observação para outra,
dificultando dessa maneira a previsão de um resultado futuro.
Fenômenos cujos resultados são imprevisíveis são ditos aleatórios (ou
estocásticos).
Amostragem com Reposição: quando um elemento é retirado

da população e recolocado antes da próxima extração.
Amostragem sem Reposição: Quando

um elemento é retirado da população e
não é recolocado antes da próxima
extração.
Espaço Amostral (S): é o conjunto de todos os possíveis resultados de
um experimento aleatório. Exemplos.:
- lançamento de uma moeda: S1 = {C, K} C – Cara e K - Coroa
- lançamento de duas moedas: S2 = {CC, CK, KC, KK}
- lançamento de um dado: S3 = {1, 2, 3, 4, 5, 6}

- Lançamento de dois dados (um dado branco e um dado preto):
- Número de passageiros sentados dentro de um ônibus S5 = {0, ..., 45}

- Tempo de percurso entre casa e trabalho S6 = (t 12 min  t  25min}
- Intervalo entre chegadas a uma fila de banco S7 = {x 1 seg  x  120 seg}
Exemplo:
a) É sabido que todos os conectores terão entre 10 e 11 milímetros de
espessura, qual o espaço amostral?
R: S =?
b) Se o objetivo for considerar apenas o fato de uma peça particular
ter espessura baixa, média ou alta, então qual o espaço amostral?
R: S =?
c) Se o objetivo for considerar apenas o fato de uma peça particular
obedecer ou não as normas de fabricação, então qual o espaço
amostral?
R: S = ?
d) Cada mensagem em um sistema digital de comunicação será

classificada dependendo de ela ser recebida dentro de um tempo
especificado pelo projeto do sistema. Se três mensagens forem
classificadas, aplique um diagrama em forma de árvore para
representar o espaço amostral de resultados possíveis. Cada
mensagem pode ser recebida em tempo ou atrasada.
www.gliffy.com
Exemplo:
e)
www.gliffy.com
f)
Vamos a continuar
estudando a “Teoria de
Probabilidade” (Eventos,
Operações e Diagrama
de Venn )
1.3 EVENTOS
Evento : Qualquer subconjunto do espaço amostral
Evento aleatório é aquele que pode ser executado várias

vezes e se obtém resultados diferentes, que estão previstos
dentro dos possíveis resultados para o experimento.
1.3 EVENTOS
a) Evento Simples (Evento Elementar): é aquele formado por um único

elemento do espaço amostral.
Ex.: Seja S4 o espaço amostral no lançamento de dois dados. Seja o
evento A sair o número 1 nos dois dados
A = {(1,1)}
b) Evento Composto: é aquele formado por mais de um elemento do
espaço amostral.
evento B a soma dos pontos igual a 4.
B = {(1,3); (2,2); (3,1)}
c) Evento Certo (S): é aquele que coincide com o espaço amostral.
Ex.: Seja S4 o espaço amostral no lançamento de dois dados. O evento
certo será o próprio espaço amostral.
d) Evento Impossível: é aquele que não ocorre em qualquer realização de
um experimento aleatório. É representado por um conjunto vazio.
evento D a soma dos dados igual a 14.
D = { } ou ø.
1.3 EVENTOS
.
.
Disjuntos ou
Excludentes
A ocorrência de um implica a não ocorrência do outro. Correspondem a subconjuntos disjuntos no espaço amostral.
1.3 EVENTOS
g) Eventos Independentes: aqueles em que a ocorrência de um não altera
a chance de os outros acontecerem; cada um comporta-se a sua própria
maneira, sem afetar nem ser influenciado pelos demais.
Ex.: No lançamento de dois dados, o resultado de um dado não é afetado
pelo resultado do outro dado.
Independência está associada à idéia intuitiva de que eles nada têm a ver um com o outro. A descoberta da existência de
algum tipo de relação entre dois fenômenos (isto é, a verificação de que eles não são independentes) seja mais importante do
ponto de vista prático
h) Eventos Condicionados: quando a ocorrência de um evento se vincula
a ocorrência do outro evento.
Ex.: No lançamento de dois dados, pode-se fornecer a informação de que a
soma dos dois dados foi par. Essa informação reduz o conjunto de
possibilidades.
i) Evento Reunião ou União (Soma, ou, ): é constituído de elementos comuns e

não comuns aos dois eventos. A união dos Eventos A e B (AB ou A + B) será um
outro conjunto formado por todos os elementos que pertencem simultaneamente aos
eventos dados sem repetições.
Ex.: Seja S4 o espaço amostral no lançamento de dois dados. Sejam os eventos:
B – soma dos pontos igual a 4 B = {(1,3); (2,2); (3,1)}
F – sair o número 2 no primeiro dado: F = {(2,1); (2,2); (2,3); (2,4); (2,5); (2,6)}
B  F = {(1,3); (2,1); (2,2); (2,3); (2,4); (2,5); (2,6); (3,1)}
1.3 EVENTOS
j) Evento Intersecção (Produto, e, ): se associarmos dois eventos A e B

a um experimento aleatório qualquer, o evento produto (AB ou A ∙ B) dos
eventos A e B é um outro conjunto formado pelos que pertencem a A e B.
Ex.: Seja S4 o espaço amostral no lançamento de dois dados. Sejam os
eventos:
E – soma dos pontos menor ou igual a 5
E = {(1,1); (1,2); (1,3); (1,4); (2,1); (2,2); (2,3); (3,1); (3,2); (4,1)}
F – sair o número 2 no primeiro dado:
F = {(2,1); (2,2); (2,3); (2,4); (2,5); (2,6)}
E  F = {(2,1); (2,2); (2,3)}

Diagrama de Venn:
Os Diagramas de Venn são úteis para dar uma intuição geométrica sobre
as possíveis relações sobre conjunto.
a) População (Conjunto, Universo) – Espaço Amostral (S)
S
S
(∩)
S
S
(Complemento)
S
1.5 INTERPRETAÇÃO E AXIOMAS
Probabilidade de um evento
S
Probabilidade de um
evento impossível
S = espaço
amostral e
E = evento
S
Probabilidade de
um evento certo
S=E
Variação da
probabilidade
de um evento
Probabilidade de um evento
complementar
Exemplo:
Numa fabricação de semicondutores, suponha as seguintes
probabilidades para falha de um chip sujeito a níveis de contaminação
na fabricação.
Probabilidade de Nível de
falha contaminação
0,1 Alto
0,01 Médio
0,001 Baixo
Num lote de produção de chips, 20% destes chips estão sujeitos a

níveis altos de contaminação, 30% a níveis médios e 50% a níveis
baixos de contaminação. Desenhe um diagrama de árvore para
calcular a: probabilidade de um produto falhar ao usar um destes
chips? probabilidade de dois produtos falhar simultaneamente?
Vamos a responder esta questão!

UNIÃO DE EVENTOS
 Ocorre quando pelo menos um dos eventos A
ou B acontece
AB
INTERSEÇÃO DE EVENTOS
 Ocorre quando os dois eventos A e B
ocorrem simultaneamente
AB
COMPLEMENTO DO EVENTO
acontece o evento “A”
EVENTOS MUTUAMENTE EXCLUDENTES

A e B são eventos mutuamente excludentes (exclusivos ou
disjuntos) se a ocorrência de um deles ocorre, implica
necessariamente na não-ocorrência do outro
(isto é [i.e.], não há elementos comuns entre eles)
A B
C
Diagrama de Venn
ocorre A ou B ? ocorre somente A ?
A B A B
A
ocorrem A e B não ocorre nem A
simultaneamente? nem B ?
B A B A B  A B
não ocorre A? não ocorrem A e B

simultaneamente?
A A B  A B
EVENTOS A E B
B
S
A = objetos quadrados
P( A  B )  ?
B = objetos vermelhos
P( A  B )  ?
P ( A)  ?
EVENTOS A E B
Exemplo:
Qual a probabilidade
do objeto selecionado
A B ser quadrado ou ser
vermelho?
8
P(Quadrado Vermelho) 
9
P(Quadrado Vermelho)  P(Quadrado)  P(Vermelho)
5 5 10
    1?
9 9 9
Evento Reunião ou União
PROBABILIDADE DA UNIÃO (Soma, ou, )
 Eventos mutuamente excludentes, i.e., P(A  B) =0

P(A  B) = P(A) + P(B)
A ocorrência de um implica a não ocorrência do outro
 Eventos não excludentes
P(A  B) = P(A) + P(B) - P(A  B)
A B P( A  B)  P( A)  P( B)  P( A  B)
EVENTOS A E B
Exemplo:
do objeto selecionado
A B ser quadrado ou ser
vermelho?
8
P(Quadrado Vermelho) 
9
P(Quadrado Vermelho)  P(Quadrado)  P(Vermelho) P(Quadrado Vermelho)
5 5 2 8
   
9 9 9 9
Exercício: Os dados de uma pesquisa realizada num grupo de 100
pessoas, que estudam vários idiomas são: Espanhol 28, Alemão 30,
Francês 42, Espanhol e Alemão 8, Espanhol e Francês 10, Alemão e
Francês 5 e os três idiomas 3.
a) Quantos alunos não estudam idiomas?
b) Quantos alunos tem como francês o único idioma?
E A a) (A U E U F) = A + E +F - A∩E - A∩F - E∩F + A∩E ∩F

= 30 + 28 + 42 -8 - 5 -10 + 3 = 80
Não estudam idiomas = 100 – 80 = 20
F b) Apenas Francês 30 – Espanhol

13 e Alemão 20
TEORIA DA PROBABILIDADE - INTERPRETAÇÃO E AXIOMAS
Exercício: Os dados de uma pesquisa realizada

encontram-se definidos pela figura a seguir.
A
a) = ?
B
_
C b) A U B U C = ?
PROBABILIDADE DA INTERSEÇÃO
EVENTOS A E B Exemplo:
de escolher dois
objetos vermelhos
(sem reposição)?
A B
e ?
P(Vermelho1 Vermelho2 ) 
?
11 10
Evento Intersecção (Produto, e, )

. ?
.
.
EVENTOS A E B
Exemplo:
de escolher dois
objetos vermelhos?
A B
?
110
6 5
. ?
.
.
EVENTOS A E B
Exemplo:
de escolher dois
objetos vermelhos?
A B
30
110
6 5 6.5

1110 11.10
P(?) 1 )
P(Vermelho
EVENTOS A E B
A B (eventos condicionados)
P( A  B)  P( A).P( B / A)
30 6 5  P( B).P( A / B)
 = 
110 11 10
P( A  B)  P( A).P( B / A) (eventos independentes)

 P( B).P( A / B)
P( A / B)  P( A) e P( B / A)  P( B)  P( A  B)  P( A).P( B)
Exemplo: jogar um dado e lançar uma moeda

RESUMO
P( A  B)  P( A)  P( B)  P( A  B)
A B eventos
P( A  B)  P( A)  P( B) mutuamente
“ou” exclusivos
P( A  B)  P( A).P( B / A)  P( B).P( A / B)
A B
eventos
“e” P( A  B)  P( A).P( B) independentes
A P( A)  1  P( A)
Exemplo: Tente você?
RESPOSTAS:
A tabela a seguir resume as visitas a departamentos de emergência em quatro
hospitais. As pessoas que podem sair sem ser examinadas por um médico,
são denominadas como PNEM. As visitas restantes são encaminhadas ao
departamento de emergência e o paciente pode ou não ficar internado no hospital.
Hospital 1 2 3 4 Total
Total 5292 6991 5640 4329 22.252
PNEM 195 270 246 242 953
Admitido 1277 1558 666 984 4485
Não admitido 3820 5163 4728 3103 16814
Seja A o evento em que a visita é para o Hospital 1 e seja B o evento em que

o resultado da visita é PNEM. Calcule o número de resultados:
a) A  B = b) A´ = c) A  B = d) P(A|B) = e) P(B|A) =
Calcule também a probabilidade para os itens: (a), (b) e (c).

Exemplo: Em uma sala de aula, a professora de

Matemática decidiu fazer um levantamento dos
lanches comprados pelos alunos. A professora
verificou que, de um total de 35 alunos, dezenove
compraram salgado; destes, quatro compraram
pizza e salgado, e sete alunos não compraram
lanche nesse dia. Quantos alunos compraram
apenas pizza?:

EXEMPLO:
Dois números inteiros são extraídos aleatoriamente e
sem reposição, do intervalo [-20, 29]. Esses números
são multiplicados. Qual é a probabilidade de o
produto ser positivo?

TEORIA DA PROBABILIDADE - INTERPRETAÇÃO E AXIOMAS

Relação
A E B = A∩B
 A probabilidade condicionada define a probabilidade de
um evento “A”, sabendo o resultado de um evento “B”.
 Ou seja, qual a probabilidade de um evento “A” (famílias
tiram férias de verão), dado que aconteceu um outro evento
“B” (famílias tem computador) é dado por:
P(A | B) = P(A  B) / P(B) = 46/57
P(A | B) = (46/146)/(57/146) = 46/57
P(A  B) = 46/146
Muitas vezes, há interesse em calcular a probabilidade de

ocorrência de um evento A, dada a ocorrência de um evento
B. Exemplos:
• Qual é a probabilidade de chover amanhã em Florianópolis,
sabendo que choveu hoje?
• Qual é a probabilidade de um dispositivo eletrônico
funcionar sem problemas por 200 horas consecutivas,
sabendo que ele já funcionou por 100 horas?
• Qual é a probabilidade de que um dos três servidores de
correio eletrônico fiquem congestionados, sabendo que um
deles está inoperante?
Em outras palavras, queremos calcular a probabilidade de
ocorrência de A condicionada à ocorrência prévia (ou
resultado) de B. Essa probabilidade é representada por P(A∣B) (lê-
se probabilidade de A dado a ocorrência de B).
Exemplo: Os dados, a seguir, representam o sumário de um

dia de observação em um posto de qualidade, em que se
avalia o peso dos pacotes de leite produzidos num laticínio.
(
Exemplo: Retira-se, ao acaso, um pacote de leite da

população de 6.850 unidades. Sejam D e F os eventos que
representam se o pacote retirado está dentro ou fora das
especificações, respectivamente. Da mesma forma, B, C e U
são eventos que representam o tipo do leite. Pergunta-se:
a) Qual é a probabilidade de o pacote de leite estar fora das

especificações?
b) Qual a probabilidade de o pacote de leite retirado estar
fora das especificações, sabendo-se (dado) que é do tipo
B?
c) Qual a probabilidade de retirar um pacote de leite do tipo
B, sabendo-se (dado) que está fora das especificações?
EXEMPLO
a) Qual é a probabilidade de o pacote de leite estar fora das especificações?

b) Qual a probabilidade de o pacote de leite retirado estar fora das
especificações, sabendo-se (dado) que é do tipo B?
c) Qual a probabilidade de retirar um pacote de leite do tipo B, sabendo-se
(dado) que está fora das especificações?
Vamos a resolver no quadro! P(F/U) = ? ; P(U/F) = ?
PROBABILIDADE CONDICIONAL - EXEMPLO
condicionados
P(A | B) = P(A  B) / P(B)

∩
P(A  B) = P(A | B) * P(B)
∩ P(A  B) = P(A)*P(B)
EXEMPLO:
 Probabilidade de um evento A, dado que aconteceu

um outro evento B
P(A | B) = P(A  B) / P(B)

P(A) = 0.425  P(A/B) = 0.6666

∩
∩
EXEMPLO
PROBABILIDADE TOTAL
A1 A2
A1  A2  A3  A4  A5  S Ai  Aj   i, j i j
A3
P( A1 )  P( A2 )  P( A3 )  P( A4 )  P( A5 )  1
conjuntos disjuntos
eventos mutuamente exclusivos
A4 A5
 
Probabilidade Total Ai  S  P( A )  1
i 1
i
i 1
EXEMPLO
PROBABILIDADE TOTAL
A1 A2
B  ( A1  B)  ( A2  B)   ( A5  B)
A3
5 5
B P( B)   P( Ai  B)   P( Ai ).P( B / Ai )
i 1 i 1
A4 A5
P( Ai  B)  P( Ai ).P( B / Ai )  P( B).P( Ai / B)
Teorema de Bayes
PROBABILIDADE TOTAL
A1 A2 B  ( A1  B)  ( A2  B)   ( A5  B)
5
P( B)   P( Ai  B)
i 1
A3
B
TEOREMA DE BAYES
A4 A5
P( Ai ).P( B / Ai ) P( Ai ).P( B / Ai )
P( Ai / B)   5
P( B )
 P( A ).P( B / A )
j 1
j j
5 5
Ver probabilidade P( B)   P( Ai  B)   P( Ai ).P( B / Ai )
total i 1 i 1
EXEMPLO
1) Num estudo sobre ocorrência de falhas Probabilidade Total
de produtos eletrônicos, 600 produtos
foram escolhidos aleatoriamente e
divididos em 3 grupos (A, B, C) de acordo
com o tipo de uso, sendo 100 de A, 200
de B e 300 de C. Suponha que a
probabilidade de ocorrência da falha (Q)
em cada um dos tipos seja de 10%; 5% e
1%, respectivamente. Selecionando-se
um produto ao acaso, calcule a
probabilidade de que ele:
a) seja do tipo A, B e C;
b) corresponda a uma falha (Q),
sabendo que o produto é do tipo A,
B, C, respetivamente;
c) corresponda a uma falha (Q); e
d) seja do tipo A, B, C; sabendo que a
ocorrência corresponda a uma falha.
EXEMPLO
a) seja do tipo A;
100 1
P( A)  
600 6
b) corresponda a uma falha (Q), sabendo que o produto é do tipo A;
10
P(Q / A) 
100
c) Corresponda a uma falha (Q);

10  10  3 23
P(Q)  
600 600
d) Seja do tipo A, sabendo que a ocorrência corresponda a uma

falha.
10
P( A / Q) 
23
c) Corresponda a uma falha (Q); PROBABILIDADE TOTAL
Q  ( A  Q)  ( B  Q)  (C  Q)
P(Q)  P( A  Q)  P( B  Q)  P(C  Q)
P(Q)  P( A).P(Q / A)  P( B).P(Q / B)  P(C).P(Q / C)
1 10 2 5 3 1 10  10  3 23
P(Q)     
6 100 6 100 6 100 600 600 Aplicar itens a) e b)
d) seja do tipo A, sabendo que a ocorrência corresponda a uma falha (Q).
P( A).P(Q / A)
P( A / Q) 
P( A).P(Q / A)  P( B).P(Q / B)  P(C ).P(Q / C )
TEOREMA DE BAYES
1 1 1
6 10 10 600 10
P( A / Q)   60  
1 10 2 5 3 1 23 600 23 23
 
6 100 6 100 6 100 600 Aplicar itens a) e b)
EXEMPLO
Um fabricante de impressoras obteve as
seguintes probabilidades provenientes de um
banco de dados de resultados de teste: máquina
(hardware), programa (software) e outros (tais
como conectores), com probabilidades de 0,1; 0,6 e
0,3, respectivamente.
A probabilidade de uma falha na impressora
devido a um problema de máquina é 0,9, devido
a um problema de programa é 0,2 e devido a
qualquer outro tipo de problema é 0,5.
Se o consumidor entrar no site do fabricante para
o diagnóstico, qual será a causa mais provável
do problema?
EVENTOS INDEPENDENTES
A e B são independentes se a ocorrência de
um deles não altera a probabilidade de
ocorrência do outro. Formalmente:
P(A | B) = P(A)
 Pela expressão anterior, se A e B são
independentes:
P(A  B) = P(A).P(B)
 Note que neste caso A  B denota a possibilidade de
ocorrência simultânea dos dois eventos
Vamos a estudar confiabilidade a partir de circuitos.

EVENTOS A E B
Exemplo:
de escolher dois
A B objetos vermelhos?
?
P(Vermelho1 Vermelho2 ) 
?
6 6
P(Vermelho1  Vermelho2 )  . (eventos independentes)
11 11
 P(Vermelho1 ).P(Vermelho2 )
∩
PROBABILIDADE CONDICIONAL - EXEMPLO

EXEMPLO – EVENTOS INDEPENDENTES

O seguinte circuito opera somente se houver uma rota de dispositivos
funcionais da esquerda para a direita. A probabilidade de cada dispositivo
funcionar é mostrada no diagrama. Suponha que os dispositivos
falhem independentemente. Qual a probabilidade de o circuito operar?.
P (A e B) = P(AB) = P(A)*P(B) = 0,8* 0,9 = 0,72
Interpretação prática: Note-se que a probabilidade do circuito

funcionar diminui e para todo o circuito funcionar é necessária que
todos os componentes tenham uma probabilidade alta para funcionar.

O seguinte circuito opera somente se houver uma rota de dispositivos
funcionais da esquerda para a direita. A probabilidade de cada dispositivo
funcionar é mostrada no diagrama. Suponha que os dispositivos
falhem independentemente. Qual a probabilidade de o circuito
operar?.
P (A ou B) = 1 - P([ A ou B]´) = 1 – P(A´e B´)

P(A´e B´) = P(A´)*P( B´) = (1-0,95)2 = 0,052 “ou” “e”
P (A ou B) = 1 - P(A´)*P( B´) =1 - 0,052 = 0,9975
Interpretação prática: Note-se que a probabilidade do circuito operar é maior de

que a probabilidade de cada elemento. Uma desvantagem é que muitos
dispositivos podem ser necessários.

O seguinte circuito opera somente se houver uma rota de dispositivos funcionais
da esquerda para a direita. A probabilidade de cada dispositivo funcionar é
mostrada no diagrama. Suponha que os dispositivos falhem
independentemente. Qual a probabilidade de o circuito operar?.
P(C) = 0,99
P(Circuito Operar) = P(A)*P(B)*P(C)

P(B) = 1 - 0,052 P(Circuito Operar) = (1 - 0,13)*(1 - 0,052 )*(0,99)
P(A) = 1 - 0,13 P (Circuito Operar)= 0,987

Exemplo:
Certo sistema funciona somente se houver um caminho fechado entre A e
B, com componentes que funcionam. Os componentes funcionam
independentemente um dos outros. O sistema é esquematizado abaixo,
assim como as probabilidades de falha de cada componente. Qual a
probabilidade de o sistema operar?.
Vamos a resolver no quadro!

Exemplo: Dois circuitos C1 e C2 devem ser comparados

quanto a confiabilidade do sistema, ou seja, quanto a
probabilidade de funcionamento do sistema. O circuito funciona
se houver pelo menos um caminho, da esquerda para a direita,
de dispositivos funcionando. A figura a seguir considera as
probabilidades de não funcionar os componentes de cada
circuito. Qual circuito apresenta a melhor confiabilidade?
0.1
0.2
0.1 0.2 0.2
0.1
0.1 0.2
Exemplo:
EXEMPLO - TÉCNICAS DE CONTAGEM

Em vários exemplos anteriormente estudados é fácil
determinar o número de resultados de cada evento. No exemplo
de “cada mensagem em um sistema digital de comunicação foi
classificada dependendo de ela ser recebida dentro de um tempo
especificado pelo projeto do sistema.
O tamanho do
espaço amostral é
igual a: 2*2*2 = 8
EXEMPLO
de escolher
exatamente 3
objetos vermelhos?
3Vermelhos  3Vermelhos  2 Azuis
P(3Vermelhos)  P(V1 V2 V3  A4  A5 )   P( A1  A2 V3 V4 V5 )
?
6 5 454
P(V1  V2  V3  A4  A5 ) 
1110 9 8 7 Técnicas de contagem
TÉCNICAS DE CONTAGEM – COMBINAÇÕES
Ex. carro, tamanho e cor.
Ex. {a,b} -> [ab, ba}
SIMPLES Arranjo
TÉCNICAS DE CONTAGEM – PERMUTAÇÕES
S = [abc, acb, bac, bca, cab, cba]

TÉCNICAS DE CONTAGEM – PERMUTAÇÕES
Exemplo: Uma placa de circuito impresso tem oito (8)

localizações diferentes em que um componente pode ser
colocado. Se quatro (4) componentes diferentes forem
colocados na placa, quantos projetos são possíveis?
Cada projeto consiste em selecionar uma localização

das oito localizações para o primer componente, uma
localização para as sete restantes para o segundo
componente, uma localização das seis restantes para o
terceiro componente e uma localização das cinco restantes
para o quarto componente. Portanto,
Conclusão: 1680 projetos são possíveis

TÉCNICAS DE CONTAGEM
A A E
I U O De quantas formas posso rearranjar estas 9 letras?
I O O
• sem reposição
k
n!
# grupos  n   ni
n1 ! n2 !...nk ! i 1
9! 98765432
# grupos    15120
2!1!2!3!1! 2232
AE I OU
TÉCNICAS DE CONTAGEM - EXEMPLO
M IIIISSSSPP
Exemplo a: Tomando os elementos do conjunto J ={A, B, C, D} de 2 em 2 é

possível formar 6 subconjuntos. Representação dos subconjuntos por extenso:
JJ = { AB, AC, AD, BC, BD, CD}
Exemplo b: Tomando os elementos do conjunto I ={a, b, c, d} de 3 em 3 é

possível formar 4 subconjuntos. Representação dos subconjuntos por extenso:
II = { (abc), (abd), (acd), (bcd) }

EXEMPLO
de escolher
exatamente (ou numa
sequência) 3 objetos
vermelhos?
3Vermelhos  3Vermelhos  2 Azuis
P(3Vermelhos)  P(V1 V2 V3  A4  A5 )   P( A1  A2 V3 V4 V5 )
5!  5  5
  
3!2!  3  2
5! 6 5 4 5 4
P(3Vermelhos) 
3!2!1110 9 8 7
Seja “E” um experimento e “S” o espaço amostral associado ao

experimento. Uma função “X” que associe a cada elemento sS
um número real x(s) é denominada variável aleatória.
Uma variável aleatória associa um número real a cada
resultado de um experimento aleatório.
Moeda lançada 3 vezes (ou sucesso em três cirurgias)

S = {ccc, cck, ckc, …}
Contagem: 2x2x2=8
X = número de caras
Y = número de transições
Quando se observa cck:
X=2
Y=1
De um modo geral, pode-se interpretar p como a

probabilidade da variável aleatória X assumir o valor x.
Por simplicidade, usa-se a notação (X=x) (“x” ou

“[X=x]”) para representar o subconjunto “s” associado
ao experimento.
Assim,
(X=x) = {s : X(s) = x}  P(X=x) = P{s : X(s) = x}
P(X=x) é a probabilidade da variável aleatória X ser igual

a x.
Também: “P(X=x)” pode ser definida como “Pr[X=x]”

1. 9 VARIÁVEIS ALEATÓRIAS
Variável Aleatória: É uma função que confere um número real
a cada resultado no espaço amostral de um experimento
aleatório.
Representa um valor numérico associado a cada um dos
resultados de um experimento probabilístico. As variáveis
aleatórias podem ser: Discretas ou Contínuas.
Variável Discreta: quando houver um número finito ou

contável de resultados possíveis que possam ser
enumerados (contados). Variável aleatória com uma faixa
finita.
Exs.: Números de carros que passam em um pedágio por dia,
número de funcionários em uma empresa, número de prédios
em um bairro, número de bits transmitidos que foram
recebidos com erro…etc.
Variável Contínua: quando houver um número incontável

de resultados possíveis (medidos), representado por um
intervalo sobre o eixo real. Variável aleatória com um
intervalo de números reais para sua faixa.
Exs.: corrente elétrica, medidas de comprimento, pressão,
peso, tempo volume, temperatura, voltagem, etc.
Exemplo: Decida se uma variável discreta ou contínua é o
melhor modelo para cada uma das variáveis a seguir:
a) O tempo que um projetil gasta para retornar a terra;
b) O número de vezes que um transistor muda de estado

em uma operação;
c) Volume de gasolina que é perdido por evaporação;
d) Número de rachaduras que excedem 0,1 [Metros] em 10

[Km] de uma estrada interestadual;
e) Peso de uma peça moldada por injeção;
f) Número de moléculas por unidade de área mínima.

• Pode-se verificar o que está ocorrendo com um

conjunto de dados utilizando gráficos, medidas
de tendência central e medidas de variação.
• Combinando esses conceitos com os da Teoria
das Probabilidades podemos definir as
Distribuições de Probabilidades, que
descrevem o que provavelmente acontecerá,
em lugar que efetivamente aconteceu.
• Quando se atribuem valores de probabilidade a
todos os possíveis valores de uma variável
aleatória x, o resultado é uma Distribuição de
Probabilidades.
Funções de Probabilidade para
Variáveis Aleatórias Discretas
(Conceitos e definições)
p=0,3
P(X=x)
0.10
0.00
0 0 10 20 30
x
Funções de Probabilidade para Variáveis Aleatórias Discretas
Contagem: 2x2 = 4

EXEMPLO: Moeda lançada 3 vezes

S = {ccc, cck, ckc, …} Contagem: 2x2x2=8
X = número de caras
x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
P(X=x) função massa (densidade) de probabilidade (fmp) de X
Quando as probabilidades estão associadas a todos os

possíveis valores de uma variável aleatória discreta,
tem-se uma Distribuição Discreta de Probabilidades.
Função de Distribuição Acumulada (Cumulativa): F(x)

Exemplo: x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
P(X=x) função massa (densidade) de probabilidades (fmp) de X

F(x)
1
7/8
1/2
1/8
x
0 1 2 3
Se x < 0: P(X≤x) = 0
Se 0 ≤ x <1: P(X≤x) = P(X=0) = 1/8
Se 1 ≤ x <2: P(X≤x) = P(X=0 ou X=1) = 1/8 + 3/8 = 1/2
Variáveis aleatórias discretas têm função de

distribuição que se desenvolve aos saltos.
As únicas contribuições não nulas para P(x)

ocorrem em um conjunto discreto de pontos
x0, x1, x2, ...
A função que assume os valores não nulos

em xi é definida como a função densidade de
probabilidade, P(X=x), para a variável
aleatória discreta X. Assim,
P(X = x) = p(x)
A função P(X=x) tem as seguintes propriedades:
(a) P(X=x) = 0 com exceção para x igual a x0, x1, x2,.. ;

(b) 0 ≤ P(X=x) ≤ 1, para qualquer xi do domínio;
(c) As funções F(x) e P(X=x) são relacionadas entre x
por:
 p( x )   P( X  x )  1
i
i
i
i
Fou:
( x)  P( X  x)  P( X  xi , para todo xi  x)   P( X
xi  x
 xi )
p(x0) P(X=x)
F(x) e P(X=x)
Relação entre:
p(x1)
p(x2)
p(x0)
p(x3)
p(x1)
p(x2)
p(x3)
Discreta
Vamos responder esta

questão?
Discreta
Valor Esperado (Esperança - Expectância) de uma Variável Aleatória Discreta
• Para descrever o comportamento probabilístico de

uma variável aleatória deve-se especificar a função
de distribuição F(x) ou P(X=x);
• Em muitas aplicações é desejável expressar uma
variável aleatória através de um único número;
• Este número deve agregar a maior quantidade de
informação possível indicando o “centro” da
distribuição de X (parâmetro).
• O número mais importante e útil para a localização
do “centro” da distribuição de X é a expectância ou
média (valor esperado), indicada por E(X) (ou E[X]).
A média de uma variável aleatória (v.a.) X é uma medida

ponderada dos valores possíveis de X, com pesos iguais
as probabilidades.
Se P(X=x) é uma função de probabilidade de uma carga

em uma longa e delgada viga (MOMENTOS), E(X) é o ponto
no qual a viga se equilibra.
Portanto, E(X) descreve o “centro de distribuição de X, de

uma maneira similar ao ponto de equilíbrio de uma carga”.
a) e b) apresentam igual média

Variância de uma Variável Aleatória Discreta
A “VARIÂNCIA” de uma v.a. “X” é

uma medida de dispersão ou
de variabilidade da distribuição
de valores possíveis para “X’.
Desvio Padrão: σ(x)2 = Var(x)
a) apresenta maior variância que b)

3.
X 1 2 3
P(x) 0,2 0,3 0,5
3. Gráfico, E(x); Var(x); σ(x)

Valor Esperado (Esperança) de uma Variável Aleatória Discreta - Exemplo
Valor Esperado (Esperança) de uma Variável Aleatória Discreta - Exemplo
e a variância ?
Funções de Probabilidade para
Variáveis Aleatórias Contínuas
(Conceitos e definições)
Funções de Probabilidade para Variáveis Aleatórias Contínuas
Uma variável aleatória X é definida como contínua se

sua distribuição F(x):
(a) for contínua;
(b) tiver derivada f(x)=δ F(x) / δ x para todo x;
(c) sua derivada for seccionalmente contínua.

Observações:
1) o domínio de X consistirá de um ou mais intervalos, finitos ou infinitos;
2) as probabilidades P(X=x) são todas nulas; assim a equação p(x)=P(X=x)
não constitui uma definição apropriada para a função densidade de
probabilidade no caso contínuo;
F ( x )   p( xi )
3) a generalização natural da equação xi  x
é uma integral.
Assim, a função de densidade de probabilidade, f(x), no caso contínuo é
dada pela derivada d
f(x) F( x )
dx
ou seja, x d x
F ( x )  F ( x )  F (  )   F ( t )dt   f ( t )dt
  dt 
4) como P(X=b) = 0 tem-se que:
b
P[a  X  b]  P[a  X  b]  P[a  X  b]  F (b)  F (a)   f (t )dt
a
No caso das Distribuições de Probabilidades para variáveis
contínuas não se consegue enumerar todos os possíveis
valores de uma variável aleatória contínua com os valores de
probabilidade correspondentes, pois essa pode assumir
qualquer valor fracionário dentro de um intervalo definido de
valores.
Neste caso, a abordagem mais conveniente é construir uma
função densidade de probabilidade (f.d.p.), ou curva de
probabilidades, baseada na função matemática
correspondente.
A proporção da área incluída entre dois pontos quaisquer,
abaixo da curva de probabilidades, identifica a probabilidade
de que a variável aleatória contínua selecionada assuma um valor
entre tais pontos. Assim, uma variável aleatória é Contínua em
 se existir uma função (x), tal que:
Função Densidade de Probabilidade f(x))
F(x)
A relação entre f(x) e F(x) é ilustrada na figura abaixo.

Probabilidades são representadas por áreas sob a curva de
f(x). A área total sob a curva tem valor unitário.
Outros parâmetros:
• MEDIANA: valor que
separa duas áreas
iguais.
• MODA: valor que
detêm o maior número
de observações.
• MÍNIMO e MÁXIMO.
Funções de Probabilidade para Variáveis Aleatórias Contínuas - Exemplo
Exemplo: A dureza X de uma peça de aço pode ser pensada

como sendo uma variável aleatória uniforme no
intervalo (50,70) da escala Rockwel. Qual é a
probabilidade de que uma peça tenha dureza entre 55 e 60?
Solução: Seja X: dureza de uma peça de aço, X~U(50,70)
1
 , 50  x  70 c.c. -> Caso Contrário
f ( x)   20
 0, c.c
Portanto,
60
1 5
P(55  X  60)   dx 
55
20 20
Qual a F(x)?; Calcule a Média e a Variância para este exemplo?
Solução
<
F(x) =
F(x)
Desenhe e defina a Função distribuição de probabilidade “F(x)”
f(x)
x
f(x)
x
f(x)
Calcule a Média, Variância e desvio para este exemplo?

Exercício anterior solucionado na ferramenta “R”.
Exemplo: Uma variável aleatória continua tem a seguinte
função densidade de probabilidade.
f(x) = 0 para x < 0
f(x) = k para 0 =< x < =1
f(x) = k(2-x) para 1 < x <= 2
f(x) = 0 para x > 2
Determinar:
a) A constante k e o gráfico de f(x);
b) A função de probabilidade ou de repartição (também gráfico)
c) A probabilidade de obter um valor superior a 1.5
d) A média
e) A mediana
f) A variância e o desvio padrão HOJE!
Atividade: Vamos a solucionar este problema!!!!

Aula PME Probabilidade

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Aula PME Probabilidade

Загружено:

Авторское право:

Доступные форматы

Curso de Engenharia de Produção

Prof. Ricardo Villarroel Dávalos

 Sortear um número inteiro de um a cem

Experimento Aleatório: são aqueles que, mesmo repetidos várias

A probabilidade é a linguagem empregada na

Amostragem com Reposição: quando um elemento é retirado

Amostragem sem Reposição: Quando

- lançamento de duas moedas: S2 = {CC, CK, KC, KK}

- lançamento de um dado: S3 = {1, 2, 3, 4, 5, 6}

- Número de passageiros sentados dentro de um ônibus S5 = {0, ..., 45}

d) Cada mensagem em um sistema digital de comunicação será

Evento : Qualquer subconjunto do espaço amostral

Evento aleatório é aquele que pode ser executado várias

a) Evento Simples (Evento Elementar): é aquele formado por um único

i) Evento Reunião ou União (Soma, ou, ): é constituído de elementos comuns e

j) Evento Intersecção (Produto, e, ): se associarmos dois eventos A e B

F – sair o número 2 no primeiro dado:

F = {(2,1); (2,2); (2,3); (2,4); (2,5); (2,6)}

E  F = {(2,1); (2,2); (2,3)}

Num lote de produção de chips, 20% destes chips estão sujeitos a

Vamos a responder esta questão!

EVENTOS MUTUAMENTE EXCLUDENTES

ocorre A ou B ? ocorre somente A ?

não ocorre A? não ocorrem A e B

P(Quadrado Vermelho)  P(Quadrado)  P(Vermelho)

 Eventos mutuamente excludentes, i.e., P(A  B) =0

P(A  B) = P(A) + P(B) - P(A  B)

P(Quadrado Vermelho)  P(Quadrado)  P(Vermelho) P(Quadrado Vermelho)

b) Quantos alunos tem como francês o único idioma?

E A a) (A U E U F) = A + E +F - A∩E - A∩F - E∩F + A∩E ∩F

Não estudam idiomas = 100 – 80 = 20

F b) Apenas Francês 30 – Espanhol

Exercício: Os dados de uma pesquisa realizada

Evento Intersecção (Produto, e, )

P( A  B)  P( A).P( B / A) (eventos independentes)

Exemplo: jogar um dado e lançar uma moeda

Seja A o evento em que a visita é para o Hospital 1 e seja B o evento em que

Calcule também a probabilidade para os itens: (a), (b) e (c).

Exemplo: Em uma sala de aula, a professora de

Exemplo: Tente você?

Exemplo: Tente você?

Exemplo: Tente você?

Muitas vezes, há interesse em calcular a probabilidade de

Exemplo: Os dados, a seguir, representam o sumário de um

Exemplo: Retira-se, ao acaso, um pacote de leite da

a) Qual é a probabilidade de o pacote de leite estar fora das

a) Qual é a probabilidade de o pacote de leite estar fora das especificações?

P(A | B) = P(A  B) / P(B)

P(A  B) = P(A | B) * P(B)

 Probabilidade de um evento A, dado que aconteceu

P(A | B) = P(A  B) / P(B)

P(A) = 0.425  P(A/B) = 0.6666

c) Corresponda a uma falha (Q);

d) Seja do tipo A, sabendo que a ocorrência corresponda a uma

d) seja do tipo A, sabendo que a ocorrência corresponda a uma falha (Q).

Vamos a estudar confiabilidade a partir de circuitos.

PROBABILIDADE CONDICIONAL - EXEMPLO

EXEMPLO – EVENTOS INDEPENDENTES

P (A e B) = P(AB) = P(A)*P(B) = 0,8* 0,9 = 0,72

Interpretação prática: Note-se que a probabilidade do circuito

EXEMPLO – EVENTOS INDEPENDENTES

P (A ou B) = 1 - P([ A ou B]´) = 1 – P(A´e B´)

Interpretação prática: Note-se que a probabilidade do circuito operar é maior de

P (A e B) = P(AB) = P(A)P(B) = 0,8 0,9 = 0,72

P(Circuito Operar) = P(A)P(B)P(C)