Professional Documents
Culture Documents
2 Engenharia e estatística
segurança no trabalho
02
Capítulo
Introdução
Neste momento iremos aprender noções de
probabilidade, abordando alguns assuntos de es-
tatística tais como: espaço amostral e eventos, de-
finição axiomática de probabilidade, propriedades
fundamentais, probabilidade condicional, indepen-
dência estatística, variável aleatória: discreta e contí-
nua, esperança matemática e variância de uma vari-
ável aleatória.
3 estatística
Espaço amostral e eventos alizar esta “separação” ou “agrupamentos” criamos
um intervalo de confiança para tal. Por exemplo,
Seja um experimento aleatório qualquer, o se o diâmetro D de uma peça, em mm, que sai de
conjunto de todos os possíveis resultados do experi- uma tornearia, pertencer ao conjunto (ou evento)
mento é chamado de espaço amostral e é denotado A={49,0≤D≤51,0}, então se decide que ele é adequa-
pela letra grega Ω (MORETTIN, 2010). do (MONTGOMERY, 2012).
Ainda adaptado de Barbetta (2010), vamos Chamamos de evento qualquer subconjunto
estudar algumas orientações e exemplos: de um determinado espaço amostral.
Exemplos: Exemplos:
Seguem alguns experimentos aleatórios com Dado o experimento do lançamento de um
os respectivos espaços amostrais: dado, não viciado. Tem-se que Ω= {1,2,3,4,5,6 }, en-
tão, abaixo segue alguns exemplos de eventos.
a) Lançar um dado e observar a face que saiu
voltada para cima: Ω= {1,2,3,4,5,6 }; A = face par voltada para cima: {2,4,6};
b) Retirar a carta de um baralho com 52 B = face maior que 2 voltada para cima:
cartas e anotar o respectivo naipe da carta: Ω={co- {3,4,5,6};
pas,espadas, ouros,paus};
C = face 6 voltada para cima: {6}.
c) A quantidade (número) de mensagens
que são recebidas corretamente por dia em uma Dizemos que um evento acontece quando
rede: Ω= {1,2,3,…}; um dos resultados que o compõe ocorre. Com res-
peito ao exemplo anteriormente citado, se o dado
d) A observação do diâmetro, em mm, de for lançado e ocorrer o número 4, então ocorrem os
uma determinada espécie de planta: Ω= {d,tal que eventos A e B, mas não ocorre o evento C.
d>0}.
Definição axiomática de probabilidade e proprie-
O espaço amostral pode ser:
dades fundamentais
Finito: quando é composto por uma quan-
Para Barbetta (2010), seja a probabilidade de
tidade limitada de possíveis resultados, como nos
forma clássica ou não, independente da forma como
exemplos (a) e (b);
se calcula, as probabilidades obedecem algumas de-
finição e axiomas, que envolvem algum experimen-
Infinito enumerável: composto por uma
to aleatório associado a um espaço amostral Ω. Para
quantidade infinita de resultados, os quais podem
ser listados, como no exemplo (c); cada evento Ei (i=1,2,…) associa-se a um número
real denominado de probabilidade de acontecer Ei,
Infinito: quando é composto por intervalos P(E ), que terá que atender os axiomas:
i
de números reais, como no exemplo (d).
1º) 0≤P(Ei )≤1
“Um espaço amostral é dito discreto quan-
do for finito ou infinito enumerável; é dito contínuo
2º)P(Ω)=1
quando for infinito, formado por intervalos de nú-
meros reais” (BARBETTA, 2010, p. 94).
3º) Se E1,E2,…,En são eventos mutuamente
Em nosso dia a dia, seja em casa, nas indús- exclusivos, então P(E1u E2 u … u En )= P(E1 )+P(E2
trias ou até mesmo quando estamos estudando, cos- )+ ... +P(E ).
n
tumamos separar as coisas. Na estatística, para re-
4 estatística
O primeiro axioma diz que uma probabili- {ω1,ω2,ω3,...}, então:
dade sempre será um valor entre 0 e 1. Já o segun-
do, diz que, ao acontecer o experimento, haverá de
ocorrer algum dos possíveis resultados. E é por isso
que o espaço amostral é chamado de evento certo. No experimento do dado, por exemplo:
O terceiro axioma, é menos intuitivo. Ele diz que,
ao se juntar eventos formados por resultados discre- P(número par)=P({2,4,6})
pantes, a probabilidade de ocorrer essa união é dada =P(2)+P(4)+P(6)=3/6=1/2
pela soma das probabilidades de cada evento.
Vamos relembrar o experimento de lan- Note que nesse processo de obtenção das
çar um dado e anotar o lado voltado para cima, probabilidades pode ser utilizado até mesmo quan-
para melhor entendermos os axiomas. Tem-se Ω do o espaço amostral não for equiprovável.
= {1,2,3,4,5,6}. Ao realizarmos o experimento, irá
ocorrer algum elemento de Ω; logo, P(Ω) = 1. Con- 3. Sejam A Ω e Ᾱ o evento complementar
sideraremos, os eventos associados a cada resultado, de A, então:
ou seja, Ei = i (i = 1,2,...,6). Supondo-se um dado
não viesado, ou seja, não viciado, pode-se atribuir, P(Ᾱ)=1-P(A)
pela definição frequentista, as probabilidades: P(Ei)
=1/6(i = 1,2,...,6). Repare que se trata de eventos mu- Repare que, ao unir A e Ᾱ tem-se o espaço
amostrai Ω, que possui probabilidade igual a 1. Pelo
tuamente exclusivos (Ei ∩ Ej = Φ, i ≠ j) e se qui- terceiro axioma, tem-se a expressão do evento com-
sermos saber a probabilidade da união de quaisquer plementar.
desses eventos, basta realizar a soma das probabili- No experimento do dado, tem-se, por exem-
dades de cada um. Por exemplo, pela definição fre- plo, P(ocorrer seis) = P({6}) = 1/6. Pela propriedade
quentista, tem-se: do evento complementar: P(não ocorrer seis) = 1 -
1/6 = 5/6.
P(E1 u E2 u E3 )=P({1,2,3})=3/6=1/2
P(E1 u E2 u E3 )=P(E1)+P(E2)+P(E3)
=1/6+1/6+1/6=1/2
1. P(Ø) = 0
Dado que o experimento foi realizado, al-
gum resultado certamente irá acontecer (P(Ω) = 1).
Portanto, Ø nunca ocorre (P(Ø) = 0). Ø (conjunto
vazio) é conhecido como evento impossível.
5 estatística
4. Sejam A e B eventos quaisquer, então: Os dados, a seguir, representam um dia de
observação em um posto de qualidade, em que se
P(A u B)=P(A)+P(B)-P(A∩B) avalia o peso dos pacotes de bolacha produzidos por
uma determinada indústria.
Veja que, pela figura a seguir, ao somarmos
P(A) e P(B), estamos contando duas vezes os pontos
do conjunto A∩B. Assim, ao calcularmos P(A u B),
é preciso diminuir a intersecção P(A ∩ B).
Pergunta-se:
Qual é a probabilidade do pacote de bolacha
No experimento do dado, seja: A={2,4,6} estar fora das especificações?
e B={3,4,5,6}. Portanto, P(A)=1/2, P(B)=2/3 e
P(A∩B)=P({4,6})=1/3. A probabilidade de ocorrer Resposta:
um número maior do que 1 pode ser calculada por Como o espaço amostral é composto de
P(A u B)=1/2+2/3-1/3=5/6. 6850 unidades, sendo que 350 satisfazem ao evento,
então:
Probabilidade condicional e independência esta-
P(F)=350/6850=0,051
tística
Qual a probabilidade do pacote de bolacha
Em nosso dia a dia, nos ocorre de termos retirado estar fora das especificações, sabendo-se
que calcular a probabilidade da ocorrência de um que é do tipo A?
evento A, dada a ocorrência de um evento B.
Resposta:
Exemplos: Nesse caso, o espaço amostral ficou restrito
- Qual é a probabilidade de chover amanhã às 1550 unidades de bolacha tipo A. Destas, 50 satis-
em Maringá - PR, sabendo que choveu hoje? fazem ao evento. Então:
Exemplo:
6 estatística
Essa relação é utilizada na definição de pro- E = soma das faces é menor ou igual a 5 = {(1,1),(1,
2
babilidade condicional. 2),(1,3),(1,4),(2,1),(2,2),(2,3),(3,1),(3,2),(4,1)}.
Sejam A e B eventos quaisquer, sendo P(B) >
0. Define-se a probabilidade condicional de A dado Portanto, E ∩ E ={(1,1),(2,2)}
B por 1 2
P(A|B)=(P(A∩B))/(P(B))
P(A|B)=(P(A∩B))/(P(B)) =>P(A∩B)=P(B).P(A|B)
P(B|A)=(P(B∩A))/(P(A)) =>P(A∩B)=P(A).P(B|A)
7 estatística
Exemplo: Com base no esquema acima, pode-se cal-
Uma caixa contém 4 cartões verdes (A) e 8 cular as probabilidades de todos os resultados do
brancos (V). Retiramos, ao acaso, 2 cartões, um após espaço amostrai, como segue:
o outro, sem reposição, e observamos as cores dos
dois cartões. P { ( A 1, A 2) } = P ( A 1∩ A 2) = P ( A 1) . P ( A 2| A 1
Qual é a probabilidade de que ambos sejam )=4/12.3/11=1/11
verdes? Chamando de Ai o evento que representa
cartão verde na: P { ( A 1, V 2) } = P ( A 1∩ V 2) = P ( A 1) . P ( V 2| A 1
)=4/12.8/11=8/33
- i-ésima extração e Vi o evento que repre-
senta cartão branco na; P { ( V 1, V 2) } = P ( V 1∩ A 2) = P ( V 1) . P ( A 2| V 1
)=8/12.4/11=8/33
- i-ésima extração (i = 1,2), temos o seguinte
espaço amostrai:
P { ( V 1, V 2) } = P ( V 1∩ V 2) = P ( V 1) . P ( V 2| V 1
)=8/12.7/11=14/33
Ω={(A1,A2 );(A1,V2 );(V1,A2 );(V1,V2)}
Observe que a soma dos quatro resultados
A probabilidade procurada é P{(A1 A2)}. Ela possíveis é igual a 1 (2º axioma da probabilidade).
pode ser posta da forma de interseção: P(A1 ∩ A2),
ou seja, a probabilidade da ocorrência de amarelo c) Qual é a probabilidade de ocorrer exata-
no primeiro sorteio e amarelo no segundo. Para usar mente 1 cartão verde?
a regra do produto, P(A1 ∩ A2) = P(A1) .P(A2 |A1),
calcula-se: Quer-se a probabilidade de que ocorra (A1
,V2) ou (V1 ,A2). Em relação à teoria dos conjuntos,
P(A1 )=4/12=1/3 (pois, existem 4 verdes den- estamos querendo união dos dois resultados (even-
tro de 12 cartões) e, P(A2|A1)=3/11 (pois, supondo tos). Já que esses eventos são mutuamente exclu-
que tenha sido extraído cartão verde na primeira ex- sivos (não podem ocorrer simultaneamente), então
tração, restaram 3 brancos dentre 11 cartões). Logo, a probabilidade é dada pela soma, ou seja:
P(A1∩A2)=P(A1).P(A2|A1)=1/3.3/11=1/11
P { ( A 1, V 2) u ( V 1, A 2) } = P ( A 1, V 2) + P ( V 1, A 2
b) Como alocar probabilidades a todos os el- )=8/33+8/33=16/33
ementos do espaço amostral?
d) Considere a retirada de 3 cartões. Qual é a
Nesse caso, podemos construir uma árvore, probabilidade de que os dois primeiros sejam bran-
indicando todas as situações possíveis (árvore de cos e o terceiro seja verde?
probabilidades).
Deseja-se calcular:
P(V1∩V2∩A3)=P(V1).P(V2|V1).P(A3|V1∩V2)
8 estatística
P(A3|V1 ∩ V2 )=4/10 Já a regra do produto pode ser “simplificada”
Logo, da seguinte forma:
P(V1∩V2∩A3)=8/12.7/11.4/10=28/165
P(A∩B)=P(A).P(B|A)=P(A).P(B)
Eventos independentes Veja que essa relação é usada para definir
formalmente eventos independentes, isto é:
O Exemplo que iremos estuar agora é pare-
cido com o exemplo anterior, porém, com a amostr-
A e B são independentes <=> P(A∩B)=P(A).P(B)
agem feita com reposição. Verifique que os cálculos
tornam-se mais simples, pois a configuração da urna
Segue abaixo, outras formas de definições de
não se altera na segunda extração.
independência:
Uma caixa contém 4 cartões verdes e 8 bran-
cos. Retiram-se, ao acaso, 2 cartões da caixa, um
após o outro, sendo que o primeiro cartão é reposto E1,E2…En são independentes <=> P(E1∩E2∩…
antes da retirada do segundo (amostragem com re- ∩En )=P(E1).P(E2)…P(E2)
posição), e observa-se a cor dos dois cartões.
Embora a implicação seja dos dois lados,
normalmente as condições do experimento per-
mitem verificar se é razoável supor independência
entre os eventos e, em caso afirmativo, o cálculo da
probabilidade da interseção pode ser fatorado nas
probabilidades dos eventos independentes.
9 estatística
F=(F ∩ E1 )+(F ∩ E2 )+...+(F ∩ Ek)
10 estatística
Teorema de Bayes Variáveis Aleatórias Discretas
O teorema de Bayes está relacionado ao teo- Uma variável aleatória pode ser entendida
rema da probabilidade total. Supõem-se as mesmas como variável quantitativa, cujo resultado depende
condições (eventos E_t mutuamente exclusivos e um de fatores aleatórios.
evento F qualquer). O teorema de Bayes possibilita o Outros exemplos de variáveis aleatórias são:
cálculo da probabilidade de que um dos eventos E_t
ocorra, dado que o evento F tenho ocorrido. Para o - Quantidade de caras obtidas no lançamen-
caso das peças dos quatro fabricantes, o Teorema de to de duas moedas;
Bayes permite responder a questões do tipo: "saben-
do-se que a peça é não conforme, qual é a probabili- - Quantidade de peças defeituosas em uma
dade de que tenha vindo do fabricante 4?" amostra retirada, aleatoriamente, de um lote;
11 estatística
Formalmente, uma variável aleatória é uma Se tivermos três categorias, poderão/deve-
função que associa elementos do espaço amostral ao rão ser utilizadas 3 variáveis que representem as va-
conjunto de números reais. riáveis aleatórias estudadas, como por exemplo: X e
As variáveis aleatórias podem ser discretas Y, onde X = 1 se ocorrer B, e X = 0 caso contrário; Y
ou contínuas, conforme a seguir: = 1 se ocorrer C, e Y = 0 caso contrário. A ocorrên-
cia de A estaria representada por X=0 e Y=0.
Variável aleatória discreta: Os resultados O ato de associar a cada valor de X a sua
estão contidos em um conjunto finito de valores in- probabilidade, é o que chamamos de distribuição
teiros. de probabilidade. Estamos distribuindo as probabi-
lidades. E é claro que a soma dessas probabilidades
Variável aleatória contínua: Os resultados sempre será 1.
abrangem todo intervalo do conjunto dos números Dado que X seja uma v.a. (variável aleatória)
reais. discreta, com valores {x_1,x_2,...}, a distribuição de
Os itens a, b, c e d, citados a pouco, são exem- X será formada pela função de probabilidade, que
plos de variáveis aleatórias discretas e os itens g e h associará a cada valor de x_t a sua probabilidade de
são exemplos de variáveis aleatórias contínuas. acontecer p(x), isto é:
Identificada uma variável aleatória discreta, Uma função de probabilidade deve sempre
por exemplo, temos a descrição do que pode acon- satisfazer:
tecer num experimento aleatório. Em alguns casos e
sob certas suposições, tem-se duas informações: p(xi)≥0
12 estatística
As figuras acima representam gráficos da
distribuição de probabilidades da variável aleatória
X=número obtido no lançamento de um dado co-
mum.
Onde,
13 estatística
E calculando a esperança e a variância: - Rendimento de um processo físico;
14 estatística
Exemplo 2:
Considere, agora, o círculo dividido em qua-
tro setores de mesmo tamanho (90° cada um). A
distribuição de probabilidades da variável aleatória
discreta X = número do setor apontado quando o Considerando a função densidade de proba-
ponteiro pára de girar é apresentada em seguida: bilidade:
para t<0,
Função densidade de probabilidade
Considerando-se uma variável aleatória de-
nominada T que representa o tempo de resposta na e para t≥0,
consulta a um banco de dados, em minutos. Consi-
dere que essa variável aleatória tenha a seguinte fdp:
função densidade de probabilidade:
15 estatística
Note que é possível obter qualquer probabi- em que a variável aleatória T era caracterizada por
lidade através da função de distribuição acumulada.
Para a < b, temos:
P(X<a)=P(X≤a)=F(a) temos,
P(X>b)=1-F(b)
P(a<X<b)=F(b)-F(a)
f(x)=d/dx F(x)
V(X)=E(X2 )-μ2
Onde,
16 estatística
referencias
BARBETTA, P. A. Estatística para cursos de engenharia e informática. 3. ed. São Paulo: Atlas, 2010.
CRESPO, Antônio Arnot. Estatística Fácil. 19. ed. São Paulo: Saraiva, 2009.
MORETTIN, L. G. Estatística Básica: probabilidade e inferência. São Paulo - SP: Pearson Prentice Hall,
2010. 378 p.
MONTGOMERY, Douglas C.; RUNGER, George C.; HUBELE, Norma Faris. Estatística Aplicada à enge-
nharia. 2. Ed. Rio de Janeiro: Ltc, 2012.
17 estatística