You are on page 1of 17

Probabilidades

Jos Viegas

Lisboa 2001







1 Teoria das probabilidades

Conceito geral de probabilidade
Suponha-se que o evento A pode ocorrer x vezes em n, igualmente possveis. Ento a
probabilidade de ocorrncia do evento A

n
x
A P = ) (

Exemplo 1-1:
Uma caixa contem 20 bolas vermelhas e 5 bolas brancas.

A probabilidade de tirar uma bola branca P= 5/25

Permutaes e combinaes

1.1 Permutaes

A permutao de itens simplesmente o arranjo desses itens todos tomados em
conjunto.
Exemplo 1-2:
3 itens ( A, B, C ) do origem a seis diferentes permutaes:
ABC BCA CAB ACB BCA CBA

Para n itens o nmero de permutaes :
n! = n . (n-1) . (n-2) . ... . 1 =
n
n
P
Se dos n itens s forem tomados r de cada vez para serem arranjados teremos
permutaes de n , r a r :
)! (
!
r n
n
P
n
r

=

Por definio 0! = 1


2
Exemplo1-3:

Permutaes de A, B, C, D dois a dois.
AB AC AD
BA BC BD
CA CB CD
DA DB DC

Exemplo1-4:
Uma sala de aula ocupada por uma turma de 15 alunos. Na primeira fila existem 6
carteiras. Quantas arranjos diferentes de alunos so possveis na primeira fila? ( assume-
se que nenhuma carteira fica vazia).

n = 15
r = 6
3603600
! 9
! 15
15
6
= = P

1.2 Combinaes

Se a ordem no tem importncia tem-se combinaes em vez de permutaes. A
combinao de n itens, tomando r de cada vez, uma seleco de r itens tirados de n,
sem ter em conta a ordem porque foram seleccionados.

Exemplo1-5:
Combinaes de 4 objectos ( A, B, C, D ) tomados 2 a 2.

AB AC AD
BC BD
CD
As combinaes de n itens , r a r , so:

)! ( !
!
! r n r
n
r
P
C
n
r n
r

= =
3

Exemplo1-6:
Um lote constitudo por 100 lmpadas quantas amostras diferentes de 5 lmpadas so
possveis.?
75287520
! 95 ! 5
! 100
100
5
= = C

1.3 Regras de probabilidade

A probabilidade conjunta de ocorrncia de A e B escreve-se P ( A B )

A probabilidade de ocorrncia de A ou B escreve-se P ( A + B )
P ( A + B ) = P (A) + P (B) - P (A B)

A probabilidade de ocorrncia de o acontecimento complementar de A , ( no A )
escreve-se P (A )
P ( A ) + P ( A ) = 1

Se, e s se, os eventos A e B forem independentes, tem-se:
P (AB) = P (AB) = P (A)
P (BA) = P (BA) = P (B)

A probabilidade conjunta de ocorrncia de dois acontecimentos A e B
independentes o produto das probabilidades individuais

P (A B) = P(A) . P(B)

A probabilidade conjunta de ocorrncia de dois acontecimentos A e B no
independentes :
P (AB) = P (A) P (BA)
= P (B) P (AB)

ou ainda P (BA) = P (AB) / P(A)

4
Se os acontecimentos A e B forem mutuamente exclusivos, isto se no puderem
ocorrer em simultneo, ento:
P (AB) = 0
E P (A+B) = P (A) + P(B)

A partir de P (AB) = P (B) P (AB) pode deduzir-se o teorema de Bayes

) (
) ( ) (
) (
B P
A B P A P
B A P =


2 Distribuies Estatsticas

Se colocarmos num grfico valores que variam como ser o valor do dimetro de uma
pea maquinada, ou a altura de um grupo de alunos da 6 classe sob a forma de
histograma teremos
Exemplo a partir duma amostra de valores em tabela. Distribuio por famlias.
Passagem para o grfico



5


Vamos seguidamente analisar o valor em contos gastos mensalmente em transportes
pela populao de um bairro de Lisboa. No caso que seguidamente apresentamos, 30
valores foram registados e as suas frequncias de ocorrncia esto representadas.
Os valores registados foram de 2 a 9 havendo uma grande incidncia nos valores de 5 a
7 .


Outra amostra aleatria de outros novos 30 valores, da mesma populao dar origem a
novo histograma que ter no entanto uma forma semelhante.


Se representarmos em novo histograma os valores verificados nas duas amostras mas
utilizando intervalos de 0,5 teramos:
6

Agora utilizmos a frequncia em %.

Se aumentssemos o nmero de observaes e reduzssemos os intervalos de medida,
tenderamos para uma curva que descreve a funo densidade de probabilidade f(x)
para uma dada varivel x.
Em que

+

=1 ) ( dx x f
E a probabilidade de um valor estar entre x1 e x2 ser:

= < <
2
1
) ( ) (
2 1
x
x
dx x f x x x P

Temos ainda como muito importantes dois aspectos da funo densidade de
probabilidade que so:
Valor mdio valor em torno do qual a distribuio se agrupa
Disperso variabilidade em torno do valor mdio


E ainda:
Moda valor da maior frequncia
mediana ponto central da distribuio


7
Valor mdio

=
=
n
i
i
n
x
x
1

+

= dx x xf ) (

Disperso

a extenso em que os valores da distribuio variam. medida pela varincia

= =
n
i
i
n
x x
x x E x Var
1
2
2
) (
) ( ) ( Varincia para uma amostra de dimenso n.

A estimativa da varincia da populao a partir de uma amostra de tamanho n dada
por:

=
n
i
i
n
x x
1
2
2
1
) (


Sendo a varincia de uma populao finita de N elementos dada por:

=
n
i
i
N
x x
1
2
2
) (


E para uma distribuio contnua:

+

= dx x f x ) ( ) (
2 2


Distribuies discretas e contnuas

2.1 Distribuies discretas

Se uma varivel aleatria discreta X poder tomar valores x1, x2, ..., xn, com
probabilidades p1, p2, . . . , pn, em que p1 + p2 + . . . + pn =1, e pi 0 para qualquer i,
8
pode-se dizer que existe uma distribuio de probabilidade para x. As notaes
P(X = x) ou P(x) so utilizadas para representar a probabilidade de X ter um
determinado valor x.

Exemplo2.1:
Lanam-se duas moedas no viciadas. Considera-se a varivel aleatria X = nmero de
caras . Ento X pode Ter os valores 0, 1 ou 2.
Os resultados possveis do lanamento so:
cara/cara cara/coroa coroa/cara coroa/coroa
probabilidades
P(X=2)=1/4 P(X=1)=1/2 P(X=0)=1/4
A soma destas probabilidades igual a um e existe uma distribuio discreta para X.

Binomial

A distribuio binomial descreve uma situao que tem duas sadas, tais como passar ou
no passar, mantendo-se a probabilidade constante para todas as tentativas,
experincias.
A funo probabilidade dada por:
) (
)! ( !
!
) (
x n x
q p
x n x
n
x f

=
n
x
C
x n x
n
=
)! ( !
!


Esta funo representa a probabilidade x produtos bons e n-x produtos maus numa
amostra de n produtos, quando a probabilidade de seleccionar um bom produto p e
a de seleccionar um mau produto q.
A mdia dada por: = n p
E o desvio padro: npq =

E a probabilidade de obter r ou menos produtos bons vir:

9
) (
0
) (
x n x n
x
r
x
q p C r F

=

=
Aplica-se no caso de a dimenso da amostra ser finita e a dimenso da amostra ser
pequena relativamente ao lote.
Exemplo2.2:
De uma linha de produo recolhem-se 5 peas, uma por hora. Sabendo-se que a % de
peas defeituosas de 10%, calcule a probabilidade de entre as 5 peas termos:
a) Todas as peas boas
b) Uma pea defeituosa
c) Menos de duas peas defeituosas
d) A mdia e o desvio padro

Distribuio de Poisson

Os acontecimentos que ocorrem segundo uma distribuio de Poisson, acontecem a uma
taxa de ocorrncia constante. S com uma de duas sadas determinvel.

Ex: - nmero de falhas num dado perodo de tempo
- numero de defeitos num determinado comprimento de arame

A funo probabilidade dada por:

) exp(
!
) (

=
x
x f
x
( x = 0, 1, 2, 3, .......)

- taxa mdia de ocorrncia = t
2
=

A distribuio de Poisson pode ser considerada como a extenso da distribuio
Binomial, na qual n infinito.

Exemplo2.3:
Das 12 s 14 o nmero de automveis que chegam a um parque de estacionamento de
360. Qual a probabilidade de num minuto:
a) No chegar nenhum automvel?
10
b) Chegar um automvel?
c) Chegarem dois automveis?
d) Chegarem menos de dois automveis?

Exemplo 2.4:
Um trem de aterragem tem 4 rodas. A experincia mostra que o rebentamento de rodas
ocorre em mdia uma vez em cada 1200 aterragens. Admitindo que o rebentamento das
rodas ocorre de forma estatisticamente independente, umas das outras, e que uma
aterragem ser segura se no rebentarem mais de 2 rodas. Qual a probabilidade de uma
aterragem no segura?

Exemplo 2.5:

Se a probabilidade de um item falhar de 0,001, qual a probabilidade de se encontrar 3
items com falha numa populao de 2000 ?
Soluo atravs da distribuio Binomial
Soluo atravs da distribuio Poisson


2.2 Distribuies contnuas
Diz-se que uma distribuio contnua quando a varivel aleatria pode tomar qualquer
valor dentro de determinado intervalo.

Distribuio Normal ou de Gauss

A funo densidade de probabilidade da Normal dada por:


=
2
2
1
) (
2
1
exp
) 2 (
1
) (



x
x f

- mdia ( parmetro de localizao )
moda , mediana so coincidentes coma mdia dado que a funo de distribuio de
probabilidade simtrica.
11
Uma razo para a grande aplicao da Normal o facto de, quando um valor est
sujeito a muitos factores de variao, independentemente como estes factores so
distribudos, a distribuio composta resultante, aproxima-se muito da distribuio
Normal. Este facto consequncia do teorema do limite central
A tabela em apndice d os valores para (z) funo acumulada da distribuio
normal estandardizada , ( = 0 ; = 1 )
z representa o nmero de desvios padro de distncia em relao ao valor mdio.

Qualquer distribuio normal pode ser calculada a partir da distribuio normal
estandardizada, determinando a varivel normal estandardizada z , e achando o valor de
(z).


=
x
z


Exemplo 2.6:
O tempo de vida de uma lmpada incandescente tem uma distribuio normal de mdia
1200H e desvio padro = 200H .
a) Qual a probabilidade desta lmpada durar pelo menos 800H
b) Qual a probabilidade desta lmpada falhar at s 900H

Exemplo2.7:
Um rolamento tem um tempo de vida normalmente distribudo com uma mdia de
6000h e um desvio padro de 450h.
Qual a probabilidade de um rolamento atingir as 7000h de funcionamento?

Distribuio de Weibull

12
A distribuio de Weibull tem uma grande vantagem quando utilizada em trabalhos de
fiabilidade, pois por modificao dos parmetros da distribuio pode ajustar-se a
muitas distribuies de tempos de vida tpicos.
A sua funo densidade de probabilidade em funo do tempo vir dada por:

) ( exp ) (
1
t
t t f

( para t 0 )
f(t) = 0 ( para t < 0 )

em que : - parmetro de forma - parmetro de escala ou vida
caracterstica

Exemplo 2.8:
O tempo de vida de um rolamento numa dada instalao representado de forma
satisfatria por uma distribuio de Weibull com = e = 5000. Calcule a
probabilidade de o rolamento durar pelo menos 6000 horas. Calcule o tempo mdio de
vida.

13

3 Confiana estatstica

Na problemtica da confiana estatstica, o nvel de confiana (1-) a percentagem em
que o intervalo de confiana incluir o verdadeiro valor observado, se se repetir a
experincia vrias vezes.
O intervalo de confiana o intervalo entre os limites superior e inferior do intervalo.
Os intervalos de confiana so usados para se preverem os dados da populao a partir
dos dados de uma amostra.



Quanto maior for a amostra maior ser a nossa intuio de que o valor estimado para a
populao esteja mais prximo do verdadeiro valor.




Limites de confiana em distribuio Normal

Se tivermos uma amostra de mdia x e pretendermos estimar a mdia da populao
com um grau de confiana ou nvel de confiana de 95%, ento teremos :
14
95 , 0 ) 96 , 1 96 , 1 ( = +
n
x
n
x P


) 1 ( ) (
2 / 2 /


= +
n
z x
n
z x P

Sabe-se que se na populao x segue uma distribuio normal, os valores mdios das
amostras x tambm tem uma distribuio normal de desvio padro
n

.
- desvio padro da populao


Exemplo 3.1:

Uma amostra com 100 valores tem um valor mdio de 27,56 e um desvio padro de
1,10.Quais os limites do valor mdio da populao para um nvel de confiana de 90%


Limites de confiana em distribuio Exponncial

Em fiabilidade muitas vezes assumimos Ter uma taxa de avarias constante, neste caso
os valores tem uma distribuio exponencial negativa, que uma distribuio
assimtrica.
Nestas distribuies aplicamos a distribuio do
2
para estimarmos os limites de
confiana.

Demonstra-se que os limites de confiana de dados gerados por um processo de
Poisson, tais como os tempos de avaria, quando a taxa de avarias constante so dados
por:
15

,
2
2T
i
=

, 1
2
2

=
T
s

s i
e limites de confiana superior e inferior para o MTBF
T tempo total do teste
- nvel de significncia
n nmero de avarias
( = 2n ) quando o teste acaba com avaria
( = 2n+2 ) - quando o teste no acaba com avaria

Exemplo 3.2:

Dez unidades foram testadas 1000H, tendo ocorrido 3 avarias. Os testes foram ento
interrompidos. Assumindo uma taxa de avarias constante, qual o limite inferior do
MTBF para um nvel de confiana de 90%.

4 Testes de hiptese

Uma hiptese estatstica uma afirmao ou hiptese feita sobre parmetros de uma
populao.
Esta afirmao ou hiptese dever ser testada utilizando um determinado procedimento.

Mtodo:
1. Especificar a hiptese nula ( Ho ), hiptese que se pretende testar
e a hiptese alternativa ( H1)
2. Determinar a estatstica do teste para testar o parmetro considerado
3. Especificar o nvel de significncia para o teste
4. Retirar uma amostra e determinar a estimativa do parmetro . )

(
5. Deciso

- dentro do intervalo de aceitao no se rejeita Ho

- fora do intervalo de aceitao rejeita-se Ho


16





Exemplo 4.1:
Considere uma populao Normal de varincia-1. Sabendo que numa amostra de n=25,
obteve-se a mdia amostral de 1,4 .
Diga se pode considerar como mdia para a populao o valor - 1 ,considerando um
nvel de significncia de 5%.

Exemplo 4.2:

Um rolamento de esferas tem um tempo de vida normalmente distribudo, com uma
mdia de 6000h e um desvio padro de 450h. Utilizmos um novo lubrificante numa
amostra de 9 unidades, tendo obtido um tempo de vida mdio de 6400h. Teria o novo
lubrificante provocado uma alterao do tempo de vida mdio dos rolamentos?

5 Bibliografia
Guimares, Rui e Cabral, Jos (1999), Estatstica, McGraw-Hill
Montgomery, Douglas e Runger (1999), Aplllied Statistics and Probability for
Engineers
17

You might also like