a eae DIMA |p ab Serre peor ttt Sn thie eR ESTATISTICA APLICADA E PROBABILIDADE PARA ENGENHEIROS fenersew octet) George C. : RungerEstatistica Aplicada e Probabilidade para Engenheiros Quarta Edicao Douglas C. Montgomery Arizona Sate University George C. Runger Arizona State University Traducio ¢ Revisio Técnica Prof* Verdnica Calado, D. Se. Professora Adjunta — Departamento de Engenharia Quimica Escola de Quinica/UFRI UNIFEMM - BIBLIOTECA Lseesi ” & Sot LTCCAPITULO 1 O Papel da Estatistica em Engenharia 1 Ie] QO Métedode Engenharia e 0 Pensamento Estatistico 1 1-2. Coletando Dados em Engenharia 3 12.1 Principios Bisicos 3 sudo Retrospectivo 3 sudo de Observasao 3 Exporimentor Planejados 3 5 Obsereando Prosesuos a0 Longa do Teripo 5 122 123 124 12s 1-3. Modelos Mecanicisas e Empiricos. 7 1-4 Probabilidace e Mesdelos de Probabilidade 9 CAPITULO 2 Probabilidade 10 2 © Eventos 10 211 Expevimentes Aleatries 10 21.2 Espagos Amostais 11 213 Exentos 13 Did Teenicasde Comagem 15 2-2 Interpretacdes de Probabilidade 19 22.1 Inroducio 19 2.2.2 Asiomas da Probatilidade 21 Regrasde Adiga 23 Probabilidade Concicional 25 Regras da Multiplicagdo e da Probabilidade Total 28; 2S] Reprada Multiplicugao 28 252 RegradaProbubilidade Total 29 Independéacia 31 Teorema Ue Bayes 34 Varifveis Aleatiriay 35 CAPITULO 3 Varidveis Aleatérias Discretas ¢ Distribuicdes de Probabilidades 42 Variveis Aleatérias Discretas 42 fl -2_Distribuigdes de Probabilidades e Fungdes de Probabilidade 43 Fungées de Distribuigzo Cumulativa ‘Média ¢ Varidncia de uma Varivel Aleat6ria Discreta 46 Distibuigio Uniforme Disereta 49 Distribuigdo Binomial 50 Distribuigdes Geométrica e Binomial Negativa 54 37.1 Distribuiga0Geométrica $4 372 Distribuiedo Binomial Negativa $5 3-8 Distribuicao Hipergeometrica 37 Disteibuigao de Poisson 60 Sumario CAPITULO 4 Varidveis Aleatorias Continuas e Distribuigées de Probabilidades 67 AL Variéveis al satGrias Comtinuas 67 4-2 Distribuigdes de Probabilidades e Fungdes Densidades de Probabilidade 68 43 Fungies de Distribuigdo Cumulativa 69 44 Média e Varincia de uma Variivel Aleat6ria Continus 71 Distribuigdo Continua Uniforme 72 Distribuigao Normal 73 Aproximaggo da Normal para as DistribuigGes Binomial e de Poisson 79 48 Distribuisdo Exponencial 82 49° Distribuigses de Erlang 4-10 Distribuigao de Weibull 87 4 CAPITULO 5. Distribuigées de Probabilidades Conjuntas 93 SL Duas ou Mais Varidveis Aleatérias Diseretas 93 Dissibuigdes de Probabilidades Conjumtas 93 Distribuigdes de Probabilidades Marginais 04 Distritwigtes de Profubilidades Condicionais 94 Indenerdéncia 95 Variiveis Alesbrias Discretss Méliplas 96 Distribuigces de Frofubilidales Multinomiais 97 5-2 Duasou Mais Variaveis Aleatérias Continuas 100 5-21 Distribuigdes de Probabilidades Conjuntas 100. Disiribuicies de Probabilidsues Marginais 101 Distibuigaes de Probabiidades Condicionsis 102 Independéneia 103 Variiveis Alest6rias Cont Maltiplas 104 5-3 Covatifincia e Comelagio 107 5-4 Distripuigdio Normal Bivariada 110 5-5 Fumedes Lineares de Varidveis Aleat6ries 112 5.6 Vérias Fungiies de Variiveis Aleat6rias 115 CAPITULO 6 Amostragem Aleatéria ¢ Descrigao de Dados 119 Resumos Numéricos 119 Diagramas de Ramoe Folhas 122 Disirbuigdes de Frogiiéncias e Histogramas. 126 Diagramas de Caixa 129 Graticos Segueneiais Temporais 131 Graticos de Probabilidade 134xiv Sumsrio CAPITULO 7 Distribuicoes Amostrais ¢ Estimacao Pontual de Paraémetros 140 7-1 Introdugio 140 7-2 Distribuigtes Amostmaise Teoema do Limite Central 141 7-3 Conceitos Gersis de Estimagdo Pontual M44 31 Estimadores Nio-tenlenciosos. 144 Variincia de um Estimador Pontual MS Erro-paalria: Reportando uma Estimatva Pontual 145 34 Br Quadeitico Médie de om Estimador 146 7-4 Métodas de Eximagio Pontual 147 741 Método dos Moments 147 7-42 Mélodo da Maxima Verossimilhanga 148 7-43. Estimario Bayeseana de Pacimetros 151 CAPITULO 8 Intervalos Estatisticos para uma Unica Amostra_ 157 1 Introdugio 157 -2— Intervalo de Confianga para a Média de uma Distribuigdio Normal, Varidcia Conhecida 138 S21 Desenvolvimento do Inervalo de Conan e Suas Propriedades Bésicas 158 Escola do Tamaabo da Amostea 159 limites Unilaterisis de Confianga 160 Método Geral para Deducir um Inervalo de Confianga 160 8.2.5 Intervalo de Confianga para yp, Amostra Grande 160 8-3 Intervalo de Confianga para a Media de uma. Distribuigde Normal, Varianets Desconhecida 162 Si1Disirbuigsor 163 32 Intervalo de Conianga #pam w 163 8-4 Inervalo de Confianga para a Varidneia e para 0 Desvio-padrio de uma Populaedo Normal 166 8-5 Imtervalo de Confianga para a Proporgio de uma Populagio, Amostra Grande 168 8-6 Roteiro para a Construgio de Intervalos de Confianea 170 8-7 Imervalos de Tolerincia e de Previsio 170. 87.1 Interval de Previsie para ums Observacio Fura 170) $7.2. Intervalo de Tolesincia para uma Distibuigso Normal. 71 62 CAPITULO 9 Testes de Hipdteses para uma Unica Amostra 177 9-1 Testes de Hipétexes 177 ore} ss Estaitieas 177 Hipsteses Unilateraise Bilaterais 181 Valores Pinos Testes de Hipdteses 182 Concerto entre Testes de Hyporeses¢ Intervalos de Confianga 183 94,6 Procecimento Geral para Testes de Hipoteses 183 Testes pura a Média de una Distribuigio Normal, \Varincia Conhevida 185 9.2.1 Testesde Hipéteses para a Média 185. 9.2.2 Ero Tipo lle Fecotha do Tamanho di Amostra, 187 ° 9-3 Testes pare a Média de urna Distribuigio Norm Variincia Desconhecia 190 21 Tost de Hinsteses pa a Midi 932 Valor? paraum Teer 191 93.3 Eino‘ipe Ite Escohta do Taranto ca Amst 192 9-4 Testes pars a Varina e para 0 Desvin-padio de urna Distribiigio Nonmal 194 94k Testes de Hipéeses para 8 Vinci 194 9-42 Faro hpo Ie Essolna do Tamanto ca Amora 198 Testes para a Proporgao de uma Pepulagio 196 S31 Testes prs una Propo, Amwoes Grand 197 932 Lino Tpe Ile Ewsotha do Tasanko da Amentra 198 9.6 Tabelucom um Resumo dos Provedimentos de Infestncta para uma Union Amestra 100 9.7 Testando « Adeguagto.de am Ajusie 199 9.8 Testes para Tabela de Contingénein 22 “Teste para Amosts Grandes 189 190. CAPITULO 10. Inferéncia Estatistica para Duas Amostras 208 10-1 Introdugao 208 10-2 Inferéncia na Diferenga de Médias de Duas Disttibuigdes Normais, Varidncias Conhecidas 209 10-21 Testes de Hipsteses pera « Diferenga de Médias, Varidnciss Conheeidas 200 10-22 Eno Tipo Tle Eseolha do Tamanho da Amostra 210) 10-23 Intervalo de Confianga para a Diferengs de Melts, Varidncias Connecidas 211 10-3 Inferéneia na Diferenga de Médias de Das: Distribuigdes Normais, Varigncias Desconhecidas 213 10-31 Testes de Hipstses pura a Diforenga de Médias, Varifncias Descontocidas 213 era Tipo Tle Fscatha do Tamanho da Amostra 216 3.3. Inervala de Confisnes para a Diferenga de Medics. Variancias Deseontecidas 217 10-4 Teste ¢Empareliado 220 10-5 Inferéucia para as Varancias de Duas Distribuigdes Normais. 224 1-31 Distnbuigie F224 10-52. Teves de Hipsteves para » Razo de Duas 103, X Narifneias 2 1053. ErroTipo Tle Escolha do Tamanino da Amestra 226 10-54 Intervalo de Confiangs pura 2 Razao de Dvas Virigmeias. 2 10-6 Inferéxeia para as Proporgoes de Dus Populagdes 227 |0-6.1 Testes para.a Diferenga nas ProporgGes de ust Populasie, Amostras Grandes. 227 10.62. Exo Tip Ile Escolha do Tamanho da Amostra 0-63 Interval cle Confiangs para a Diferenca de Proporgiies de Populagies. 729 10-7 Tabela com um Resumo e Roteiros dos Pro de Inferéncia para Duas Amostras 230 sdimentos CAPITULO 11 Regressdo Linear Simples Correlagdo 235 I1-L Modelos Empiticos 235 Regressio Linear Simples 237 11-3. Propriedades dos Fstimadores de Minimios, Quadridos 243n+ ‘Testes de Hipsteres aa Regressio Linear Simples. 243 Hell Uso des Totes ¢ 11-42 Abordagem de Andlse de Varina para Testar Signiticanciada Resressio, 244 Intervalos de Confianca 246 TLS. Intervalos de Confianca para a Inclinaga0 e 4 Intersegao 246 11-52 Intervalo de Conttanga para a Respowa Media. 247 Previsao de Novas Observacdes 248 Calculo da Adequagio do Modelo de Regiessi0 249 14-1 TET.1Anilise Residual 249 M2 11-72 Cosficiente de Determinagio (R2) 251 Ha 118 Correluctio 253 119 Transformaciies 256 L1-9. Regressio Logfsiiea 258 CAPITULO 12 Regresséio Linear Miiltipla 265 Ha 12-1 Modslo de Regressio Linear Meltipla 265 Introdcio 7 Esiimacio de Minirnos Quadrados des Parimetros 267 Abordigem Matrcial para Regressio Linear Muttipla 269 16 Proprictales dos Estimadencs de Mininns 147 Quadrades 271 12-2 Testes de Hipsteses para a Regressio Linear ipsteses p et 1s Maittipla_ 278 12-21 Teste para a Significincia da Regressio 12.2.2 Testes para 0s Coeficiente Individusis de egress ¢ Subconjunios de Coeficientes 279 Trtervalos de Confianga para a Regressio Linear Maittipla 283 1 12-34 Inlervalos de Confianga para es Covticientes Ingividuais de Regs 12.32. Intervslosde Contisnea para a Resposta Média 283 12-4 Proviso de Novas Observacies 284 12.5. Verificuclia ds Adequacio do Modelo 286 12-5... Anilise Residual 286 1252 ObservagdesInfluentes 287 126 Aspects da Modelagem por Regressio Mulipha 250 “Modelos Pobinomiais de Regressio. 290 Regressores Catesricos¢ Varisvels Inicativas 291 12.63 Selesia de Viriveis « Construgao de Modelos 292 - 12-64 Maltcolinearidsde 297 155 CAPITULO 13 Planejamento ¢ Andlise de 156 Experimentos com um Unico Fator: A Andlise de Varidncia 306 13-1 Planejando Experimemos de Engenharia 306 13-2 Experimento Completamente Aleatorirado com um, Cinico Fawor 307 Exomplo: Resinncia Teas 107 Aitive ds Varineia 308 Cemparagdes Méltiplas em Seguida ANOVA 312 16-4 13-24 Anilise Residual e Veriicaezo du Madelo 313 1-25 Daterminindo oTamanhode Amostia 314 133 Modelo com Efeitos Aleaiorios 319 A Falores Fixos contra Aleatirios 319) 32. ANOVA e Componcntes de Vargncia 319 16-5 CAPITULO 16 Controle Estatisti Sumisio XY Plaaejamento com Blecos Completos Meatorizaddos 321 IS-L1 Pransjamento © Anise Estatstica 321 1342. Comparagies Maiplas 324 [3-43 _Analise Residual ¢ Verficagio do Modelo. 325 CAPITULO 14 Planejamento de Experimentos com Varios Fatores 330 Introdugao 330 Experimentos Fatoriais, Experimentos Fateriais com Dols Fatorey 334 332 43.1 Anilise Estatisica de Medelo de Eiitos Fixos 335 14-32 Verificacio da Adequacio do Modelo. 338 | 14-33. Uma Observacio por Célula 338 Experimentos Fatoriais em Geral 340 Planejamentos Fator 14.5.1 Planejamento 2 14-52 Planejamento 2 para k = 3 Patores 346 14.5.3 Replica Unica do Planejamento 2 350 14.544 Adisio de Pontos Cenirais a ue Planejamenio 2 352 Blecagem e Superposicio no Planejamento 356 Replicagio Fraciondria do Planejamento 2° 359 L471 Uma Meia-fragio do Planejamento 2. 360) 14.7.2 Fragies Menores: O Fatorial Fraciondrio 2°° 363 Métodos e Plancjamentos de Superticie de Resposta 370 CAPITULO 15 Estatistica Nao-paramétrica 381 Intodugio 381 Teste dos Sinais 382 15.2.1 Deserigio do Teste 382 15.2.2 Teste dos Sinais para Amostras Emparclbadas 383 15.2.3 Frro Tipo Il para o Teste dos Sinais 384 15.24 Comparagio como Teste # 385 Teste de Wilcoxon do Posto Sinalizado 386 153.1 Descrigio do Teste 386 15.3.2 Aproximagio pars Amostras Grandes. 387 153.3. Observagdes Emparchhadas 387 15.3.1 Comparagio como Teste #388 ‘Teste de Wilcoxon da Soma dos Postos 388 154.1 Descri¢io do Teste 388 154.2 Aproximagio pars Amostras Grandes. 389 [54.3 Comparagdo como Teste 1 389 Métodios Nao-paraméiricos na Andlise de Variancia 155,1 Tested Kruskal-Wallis. 390 15.5.2 ‘Tarsformagio de Posto 381 Testes de Seqiigneias 392 co da Qualidade 395 Melhoria e Estatistica da Qualidade 385 Controle Esiatistico da Qualidade 396 Controle Esiatistico de Pracesso 396 Introdugio 20s Grificos de Controle 396 164.1 Principios Basices 396 16-42 Projeto de um Gritico de Controle 399 194.3 Subgrupos Racionais 400 Goi Anilise de Padsdes nos Grilices do Controle Grificos de Controle para eR ouS 402xvi Sumirio 16-6 Griticos de Controle para Medias Individuals 407 16-7 Capacidade de Processo 410 16-8 Graficos de Controle para Arritutes 413 Vor Graco # (Grave de Consok para Proposed) 413 1682 Chalo U (Grice de Controle pare Defies por Unidade) 14 16-9 Desempenhe dos Griticas de Controle 416 16-10. Grificos Ponderndos no Tempo 418 \G-l0.1.Cratioo de Controe para Soma Cumulatva 418 16-10.) Critic de Controle para a Média Mével Ponderada Exponeacialmente 2 16-11 Ouiras Ferramentas para Solugdo de Problemas de CEP 425 16-12 Implementando CEP. 426 APENDICES 435 ——— APENDICE A. Tabelas ¢ Gréficos Estatisticos 437 Tabelal Resumo de Disiribuigdes de Probabilidades Comuns. 438 ‘abela IT Probabililades Cumulativas Binomisis 4 Tabela IM istribuigsio Cumutadva da Normal Padriio 442 Tabela TV Pontos Percentuais x, it Distribuigtio Qui-quadrudo 444 Tatels VV Pontos Percentuais ¢,, da Diswibuigioe 445 Tubela VI Pontos Percentuais /.,,, da Distribuigio F_-H6 Gréfico VI Carvas Caracteristicas Operacionais 451 Tubela VIII Valores Criticos para o Teste dos Sinais 460 Tubela IX Valores Criticos para o Teste de Wileoxon do Posto Sinalizado 460 TubeluX Valores Criticos para o Teste de Wilcoxon da Soma dos Postos 461 Tubelu XI Fatores para a Construgio de Grificas de Controle para Varkiveis. 46 Tabelu XII Fatores para Intervalos de Tolerdncia 463, APENDICE B. Respostas para os Exercicios Selecionados 465 APENDICE C. Bibliografia 478 GLOSSARIO 480 INDICE 491O Papel da Estatistica em Engenharia RESUMO DO CAPITULO $4 © METODO DE ENGENHARIA E 0 PENSAMENTO, ESTATISTICO LETANDO DADOS EM ENGENHARIA 21 Principios Basicos 22 Estude Retrospective 1:23 Estado de Observagio 1.2.4. Experimentos Plarcjados 1.2.8. Observanudo Pracessos av Lange do Tempo 1-3. MODELOS MECANICISTAS E EMPIRICOS, 1-4 PROBABILIDADE F MODELOS DE PROBABILIDADE OBJETIVOS DE APRENDIZAGEM Deposs de um cuidadoso estudo deste capftulo, voce deve ser capa de: 2 be Explicar a diferenga entre estudos enumerativos e analiticos Dascutir os 1 ficar o papel que a estatisticu pode desempenhar no processo de resolugio de problemas de engenharia Discutir como a variablidade afets os daclos coletades e usados para tomar decisSes de engenhatia adios diferentes que engenheiros usam para coletar dados ‘entificaras vantagens que os experimentos planejados 1@m em comparagao a ouiros métodos de colets de dados de engenhar plicer as diferengas entre modelos mecanicistas e modelos empiricos Discutir como probabilidade € modelos de probabilidade sao usados em e sharia ¢ ei ciéncis, 1-1 O METODO DE ENGENHARIA E O PENSAMENTO ESTATISTICO enheiro ¢ alguém que resolve problemas de interesse da ade, pela aplicacao eficiente de principios cienificos. Os genbeiros 0 realiram seja pelo refinamento de um produto ou praceso jfexistente, seja pela elaboraydo do projeto de um nove produto Ou process que atenda as necessidades dos consumi- Sores. O método deengenharia ou cientifieo & subordagem para formular ¢ resolver esses problemas. Ax etapas no método de aria sdo dadas a seguir: Desenvolver uma descrigio clara € concisa do problema Idertificar, pelo menos tentaridentificar, os fatoresimpor- tantes gucafetam esse problema ou que possamdesempe- ‘har um papel em sua soluggo 3. Propor um modelo para o problema, usando conhecimen to ciemtfico ou de engenhuria do fondmeno sendo estuda- do, Estabelecer qualquer limitagiio ou suposigéo do mo- ele, 4. Conduzir experimentes apropriados ¢ coletar éados para tostar cu validar o modelo-tentativa ou conclusdes fe nas ctapas 2 3, . Refinar o madelo, eom base nos dadlos abservados. |. Manipularo modelo de modo a ajudaro desenvolvimento «da solugio do problema. 7. Conduvir um experimento apropriado para confirmar que 1 solugiio proposta para o problema & efetiva eeficiente 8. Tirar conclusbes ou farerrecomendagdes baseadas na s0- lagio do problema, As etapas no metodo de engenharia sto mostradas aa Fig. 1-1 Note que © metodo de engenharia caractenza uma forte relagao reciproca entreo problema, os fatores que podem influenciar sua solugao, um modelo do fendmeno e a experi¢neia para vetificar ‘a adeyuacdo do rrodelo ¢ da solugo proposta pera o problema, ‘As elapas 2-4 na Fig, 1-1 sfo envolvidas emt um quaurado, indi- tcando que virios ciclos ou iteragSes dessas etapas podem ser equeridos pura obter a solugio final. Consequentemente, eng sm de saber como planejar, eficientemente, os espe mcntos, coletar dados, analisé-los ¢ interpretd-los e entender como os dados observados estéo relacionados com o modelo que cles propuseram para 0 problema sob estudo. ‘Ocampo de estatistica lids com a coleta, apresenta lise © uso dos dados para tomar decisdes, resolver problemas © plangjue produrose processox. Devido a muitos axpectos da prit- tica de engeahatinenvolveremo trabalho com dados, obviamente algum conkecimento de estatistica ¢ importante para qualquer cengenheiro. Especificamente, tScnicas estatisticas podem ser uma, ajuda pederosa no planejamento de novos produtos e sistemas. melhorando os projeiosexistentes e planejando, desenvolvendo e melhorando os processos de producio. Métoxios estatisticos so usados para nos ajudar a entender variabilidade. Por variabilidade, queremos dizerque sucessivas observagses de um sistema ou fen6meno no produzem exata- mente o mesmo resultado, Todos nés encontramos variabilida- de em nosso dia-#-dia eo pensamento estatistico pode nos dar ‘uma maneira dtil para incorporar essa variabilidade em nossos processos de tomada de decisio. Por exemplo, considere o de sempenho de consumo de gasolina de seu carro. Voce sempreBeaman ame | [aortas onesie |? [sea Figur 1-1 O metodo ds exgerhana, consegue o mesmo desempenho de consumo em cada tangue de combustivel? Naturelmente néo — na verdade. algumes vezes 0 desempenho varia consideravelmente, Esst varichilidade obser- vada no consumo de gasolina depende dz muitos fatores, tis como o tipo deestrada mais usade recentemente (cidade ou auto- estrada). as mudances ra condicio do veiculo ao longo do tem po (que poderiam incluir fatores, como desgaste do pneu, com- pressao do motor ou desgeste da Valvula). marca efou numero asolina usada, ou mesmo, possivelmente, as ccondigdes climéticas experimentadas recentemente. Esse fato- res representam fontes potenctais de variabilidade no sisteina. A Estatistica nos fomece uma estrutura para deserever essa var riabilidade ¢ para aprender sobre quas fortes porenciais de varia bilidade so mais importantes ou quais tm 6 maior impacto no desempenho de consumo de Encontramos também variabilidade em problemas de en nharia, Por exemplo, suponha que um engenheiro esteja proje tando um conector de niilon para ser usailo em uma aplicuy automotiva Oengenheino estahelece como especifieagio do pro {eto uma espessura de pare de 3/32 polewadla, mas est, de al- zum medio, inseguro acerca do efeito dessa decisie na forga de remoctio do conector. Se a fora de remogio for muito baixa. 0 conestor pode falhar se ele for instalado 10 motor. Oito unida- des do protétino su produzidas ¢ suas forcas de remogio so resultando nos seavintes dados (em hibras-pé): 12.6: 13.5; 12,6: 13,1, Comoantecipamos, nem todos os protétipos tém a mesma forga de remogio. Pelo fato de as medidas da forga de remogio exibinem variabilidade, von deramos a forga de remago como sendo uma varivel aleato ria Uma maneira conveniente de pensar sobre urra varidvel alea~ {éria, digamos X, que representa uma medida, é usar 0 modelo a) em que p. € uma constante ¢ © € uma penurbado aleatcria. A cconstante permanece a mesima en exkla medida, porém peque= ‘has mudangas no ambiente, no equipamento de teste, diferengas nas prprias pogas individuais. etc, podem mudar 0 valor de e. Se nao houvesse perturbayes. e seria sempre igual a zero eX seria igual A constante j2. No entanto, isso nunca acontece no nwundo real, de modo que us medidas reais deX exibem variabi lidade, Freqiientemente necessitumos deserever, quantifiear © Finalmente reduzie a variahilidade. lina, Kopte 2 13 Fora oe remogis unt 1-2 Dingrana de pontes dos dads ds forge ron i grande a espessura da parede for 3132 polegada A Fig, 1-2 apresenta um diagrama de pontos desses dads. 0 diagrama de pontos ¢ um gréfico muito itil para exibir um pequeno conjunto de dads, sto é, cerca de 20 observacdes. Esse fico nos permitird verfacilmente duas caracteristicas dos da dos alocalizagio. ou 0 meio, ¢ a dispersao ou variabilidade. (Quando o nimero de observagoes é pequeno, geralmente é dif sua espessra, Os valores pos sSveis da espessura dependem da resolugo de instrumento de mediea0 cetambem dos mites Superiore inferior da espessura, Entretan'o, pode Ser conveniente definir 6 espago aiosiral como simplesmente linha real positiva R je > 0} porque um valor negative para a espessura no poe ocorrer12 capituin2 Se € sabido que tdes os coneetores teria entre 10 ¢ 11 riirstros de capessura. sspago amostral podetia ser se gio » Se 0 objetivo da andlive for considerar apenas 0 fato de uma pega particular ter espessura baixa, média ow alta ento o espago amostrl pode ser eonsiderado como eonjanta de és resuladlos S= {baixa media, aay Se 0 objetivo da andlise for considerar apenas 0 fato de uma pega particular obelever ou nto is especifisagbes de Fabrica, entoo ‘pag amostal pode ser simplificado no conjunte de dvs resutados 5 = (sim, no} que india se as pegas obedecem cu mio, EB ail dist renire dois tipos de espages amostrais. Espugos Amostrals Diserews ¢ Continas ‘Um espago amostral é disereto se ele consiste em um con- junto finito ou infinito contavel de resultados. Um espago ‘amostral é continuo se ele contém um intervalo (tanto finito ‘como infinito) de mumeros reais. No Exemplo 2-1. aescolha de $= R' é umexemplo em um es- ago amostral continuo, enguanto S = sim, nto} um espago amostral discreto. Como mencionado, a melhor escolhia de um espago amostral depende des cbjetivos do estuda, Como ques- Wes especificas ocorrerdo mais adiante no fivro, espagos amostiais apropriados sero discutides. XEMPLO 2-2, Especificacdes de Fabricucto Se dois coneerores forem selecionados & medidos, a extenso da fina real positva & sera Considerar oespacoamostel como sexdoo quadranie positive do plano s XR ‘Se o objetivo da snalise for consiuerar apenas 0 fato de peas obe- decerem ou ndo ds expecificagtes Ue fabricagio, cada pega pode ounso fbedecer. Abreviames sim ou ado por s en. Seo par ordenado sn ind ‘ear que 0 primeiny consctor abedese e 0 segunda no, 0 espaga amex tral poder ser representado por quatro resultades S~ (ss. sn.ns, mth Se estivermosinteresiadas somente no numer de pegas cantormes a amostfa, podemos sumatizar 0 espago amostral come S= (0.1.2) Como um outro exemplo, eonsidene um experimenio em que a es. pessura sea medida até que o conccter nfo mais encontre as especifi= cagées, O espago amostal pode serrepreseniada por 8 = la. 9, s9n, seep, sis9n e assim por diante} esse € um exenaplo de um espayo amosteal discrete que € infinite sontivel Emexperimentos sleatérios que envolvam a selec de itens a partir de uma batelads, indicaremos se um item selecionadoseré ‘ou no reposto antes do proxime item serselecionado, Por exent- plo, seumsa batelada consist em ts itens {a,b c}€ 0Sso expe- rimento for selecionar dois itens sem reposigao, espagoamos- tral pouke ser representado como Sigg = {ab ae, ba, Be. ca, cb} ssa descrigfo do espago amostral mantém a ordem dos items selecionados, de modo que os resultados ah ¢ ha sfo elementos separadas no espago amostral. Um espaca amostral com menos detalhe descreve somente 0s dois itens selecionudos {4.5}. {ac}, {act }.Esse espaco amostral sao os pessiveis subconjan- tos de dois itens, Algumas vezes. os resultados ordenados so necessdrios, porém em outros casos.o espagoamostal mais sim- ples e desordenado ¢ suficiente. Se itens forent repostos antes do préximo ser selecionado, a amostragem édita ser com reposi¢o. Eno, os resultados pos- siveis sio Som = fet, ab, ac, ba, bb, be, ca, cb, ec} Adeserigo desordenada do espago amostaal € {{a,a}, fab}. {a, Ch. Dd}, (, ©, (c.c)}- Amostragem sem reposigao € mais ‘comum para aplicagoes industriais, Algumas vezes mio € necessirio especificar 0 exate item se- lecionado, mas somente uma propriedade do item, Por exemplo, suponha que exisiam 5 itens defeituosos €95 itens bons em uma batelada, Para estudar a qualidade da batelada, dois itens so selecionadas sem reposigio. Seja 2 um item bom ¢ dum itm defeinuoso. Deve ser suficiente descrover o espago amostral (or denadio}, em termos da qualidade de cada item selecionado, S= (bb, bd, db, daly ‘Tem-se de ser cauteloso com essa descricéo do espaco amostral porque existem muito mais pares de tens em gue ambos so bons do que ambos sao defeituosos. Fssas diferencas devem ser con- sideradas quando probabilidades forem calculadas mais adiante neste capitulo, Além disso, esse resumo do espaco amostral sera conveniente quando probabilidades condicionais forem usadas mais adiané neste capitulo, Também, se houvesse somente um item defeituoso na batelada, haveria menos resultados posstveis, 5 = (bb, bd, db). uma vez que ed seria impossivel, Por questOes de amostragem, aalgumas veres a parte mais importante da solago (Gio spropriada do espago amostral, Espagos amostrais podem também ser deseritos graficamen- te com diagramas em forma de drvore. Quande um espago ‘amostral puder ser construido em virias etapas ou estégios, po- ‘demos representar cada uma das 9, maneisas de completar a pri- mira etapa, como um samo de uma frvore. Cada ums das ma neiras de complerar a segunda erapa pode ser representada por rn, ramos, comiecando das exiremidades dos ramos originais € assim por diarte. XEMPLO 2-3, (Cadla mensagen em urn sistema digital de connanicago ser classifica dda conforme ela seia recebida dentro dum tempo especificado pelo projeto do sistema, Se trés mensauers forem clasificadas, use um dia sma em forma de érvore para represestar o espaso amosial de resul- tados possiveis. ‘Cada mensazem pode ser ecebida em tempo ou airasida, Os cesul tados possfvis pas is memagens podem ser mostrades através dos ‘ito ramos no diageama em forma de drvore mostrada ne Figura 25.Mensagem 2 em ten, Diageana em forms de rvore para tes sagen EXEMPLO 2-4 ‘Um fabricante de automéveis prove veiculos equipados com apcianiis selecionaados. Cada veiculo & ordenade ‘Com urns das tr escothas de um sistema estéreo ‘Com uma das quatro cores exteriores Com ou sem taneniesio autorntica Com ou sem ar condivionado Se oespace amostral consistr no ennjunta de todos 08 tipas possi seis de vefculos, qual serio amero de resultzdos no espago amosiral? 0 espago amostal contém 48 resuliados. O diagrama em forma de dr ‘ore, para os diferentes tipos de veiculos, § mostado ns Figura 2-6 EXEMPLO 2.5, Configuracies do Ancomével Considers uma tonsio da ilestrago de fabricsnte de vefeules dy exem plo prévio, em que urea ontra opsiode vefenlo & a eor interior. Hi qu tip excolhas de cor interior: vernelha, preta, azul ou marrem, No en. tanto, Com umexerioe vermetho, somente ur interior proto ov vermelho pode ser escolhie, (Com um exterior branco. qualquer cor interior pose ser escolhi. (Com umexterior azul, Somerte um interior pret, vermelho ow azul pode ser eseolivo, (Com um exterior masrom, somente um interior marrom pode set escolhito, Probabildade 13 ‘ara Ne Figura 2-6, existem 12 tipos de vefculos vom cada cor exterior, ponéno niimero deescolhas de cores intriores depeinc Ja cor enteri= ‘or. Comomentradona Figura 2-7. ciagrama em forma de drvore pose ser esiendido para moxirar que hi 120 tpos diferentes de veFedles no cespaga amosiral 241.3. Eventos Freqiientemente estamos interessados, a panir de um experimento aleatorio, em uma colegao de resultados relacionados. Resulia- ddos relacionados podem ser descritos por subconjuntos do espa goamostral e aperagoes de conjunto podem ser aplicadas. Evento Um evento é um subconjunto do expago amostral de um ex. perimeato aleatério. | /\om MK /\ |14 Copano 2 Podemos tamer estarinteressadosemdeserever novos even= —Tanbem. tos a partir de combinagdes de events exisientes. Pelo fato de gy = ¢3]y-< 0 ou 12 {eventos sereut subconjuntos, podemos usar uperagies basics de ‘eonjunios. tais como uniges, interseges e¢ complementos, para formar outros eventos de interesse. Algumas das operagdes bisi-. EXEMPLO 2.8 cas de conjuntos iio resumidas ¢ seguir, em termos de eventos: a) e AOE =Wl12S4< 19} es : Plistico de Poicarbunato sirhousino dedots eventos © g evento gus consis nosiras do plistico de poicarbonato Mio smalisudas com relacdo & csreuhadosqucentiocontdsem sum dos doRevEN- Resa auninae segue Osea & 5) amare tos, Denotamos a unio por Ey U & fesinidots ieee + A intersegiio de dois eventos € 0 evento que consiste em todos os resultados que estio contides nos ois eventos, simultancemente. Denotamos a intersegan por £) 91 aia baie + Ocomplemente de um evento em um espago amosiral © gesistencia aarrarhes alta “40 vi © conjunte dos resultados no espago amostra que nau es inka ‘i és {wo no evento, Denotamoso complemente doevent F por FA notagdo B*€ também usada em outra literatura para Scja 4 o evento em que uma amostra tem alta resisténcia a chogus & ‘acnotay 0 complement. chs Bo wvento con gus amovtra tom alka rsiténcia a aantbes. De- temine onder db smostas em AM B.A" eA UB (Ocveatod 7 Bonssteem 40 amos araas cuaisasresistéacies a EXEMPLO2-6 amanhiese achoquesio-alas,O evento’ consse mis Samostas em gue — assist schogueé aia, Oeventoa U Beorsist nos 4S anostasem Consiere oespagoamontral 8 = {33,10 as, am} noENemplo 2-2. Sue que a esiséneiaa chogue a eiténcia a arrannes a anus so aus ota que o sunconjunto de esulteds pares quai, no minsno, unt Fega € conform sejadenotale como E Entio, todos resisténcia a choque Diagramas sfo freqiientemente usados para retratarrelagdes = (ss, sn as} entre conjuntos, sendo esses diagramas também usados para des~ 6 erento em auc ams. as peeas 0 ado conforms. denotado com> _6FeVerTelagdes entre eventos. Pedemos usar os diagramas de F,,contém sontenieo nico resultado. E, ~ {no}. Outees exemmples de Venn para tepresentar um espago amostral e eventos em um es- evertos io F, = Zo conjunto milo, £, = S,o espago amostrl, Se paco amostral, Por exemplo, na Figura 2-8(a) 0 espago amos- E> {a ns.n}, tral do experimento aleat6no € representado como pontos no re RUBS omns)—EE= ny Lingulo S. Os eventos A e 8 sao ox subconjuintos dos pomtos nas — oes indicadas, As Figuras. 2-8(b) a 2-8(d) ilastram eventos, ‘conjuntes addicionais. A Figura 2-9 ilusira dois eventos com ne= ‘nhum resultado em comum, EXEMPLO 2. Medias dacspessarade um conscterplistico daver ser modeladas cory sespaga smosral § = R’ acanjunto de nimeros reais positivos. Seis Esl 612) Eventos Mutuamente Exeludentes Dois eventos, denotados por E ¢ E, tal que E,NE,=2, io chamados de mutuamente exeludentes. Entio, E,UB=G{l2x615) © NBA lS ss 12h Espage amos cam eusrioa Ae B = Bi Figura 28 Diagramas de VenPrbshildade 1S OO vemos matuameste exits, Resultados adicionais envolvendo eventos so resumidos & seguir. A definigdo do complemento de um evento implica que Vk A lel cistributiva para operagdes com conjuntos impli AUBINC-ANCUBIO UNHUC=AUONBUC que A lei de DeMorgan implica que (AU BY =A'NB oe (AN BY = A'UB Da mesma forma, lombro-se de que ANB=BNA ¢ AUB=BUA 2-14 Técnicas de Contagem Em muitos dos exemplos no Capitulo 2, € fécil determina 0 niimero de resultados em cada evento, Fm exemplos mais com: plicados. a determinagio de resiltades que conpreendem 0 es. ago amostral (ou um event) se torna dificil. Hm ve7 disso, a coniagem dos nimeras de resultados no espace amostral e 0s ‘atios eventos sfo usados para analisar os experimentos aleats- rios. Esses mStedos sao referidos como tGenicas de contagen. Algumas regras simples podem ser usadas para simplificar os caloules. No Exemplo 2-4, um fabricante de automéveis fornece vei cules equipados com opcionais selecionados. Cada pedido de compra de um vefculo pode ser Com ou sem transmisidio auton Com ou sem ar condicionado Com uma de trés eseolhas de sistema estéroo Com uma de quatro cores exteriores O diagrama em forma de arvore da Figura 2-6 desereve 0 espa- {go amostral de todos os tipos possiveis ue veivules. O tamanho do expaco amostral é igual ao numero de ramos no ultimo nivel ca arvore, sendoemao igual a2 x 2X 3X 4=48. Isso leva a0 seguinte resultado wil Regra da Multiplicaga (para tenicas de comtagen) | Se-umia operagio puder ser descrita como uma seqiisneia de Aetapas e se 0 nimero de manciras de completa « etapa { for‘, € se 0 nimerode mancizasde completa actapa for; para cada mancira de completar a etapa 1 ¢ seo niimerode maneicas de completa etapa 3 for, para ‘cada maneira de completar a etapa ? e assim por diante, ‘o mimero total de maneiras de completar a operagaio sera Xm XX EXEMPLO 2-9 Xo projeto de uma pretegio para urna cana de marchas, peers usat ‘quatro tipos diferentes cle amrarradoces 2 tr diferentes sompriaentos ¢clocatizagies de parafuses. Da regra da multiplicagio. 4% 3 = 36 piojetos diferentes sie pessiveis Permutagées Um outro caleulo atl €0 niimero de seqiéncias ordenadas dos ‘elementos de um conjunto. Considere um conjunto de elemen- los, tal como § = {¢, b, ©). Uma permutacio dos elementas & lum seqtténcta ordenadia doy elementos. Por exemplo, abe, acl bac, cha, cab e cha sao todas permutagoes dos elementos de 5. Oniimerode permutagBes dem elementos diferentes én! endo al=nX(n~1)X(@~ xaxt on ) x Esse resultado ¢ decorrente da regrada multiplicagéo, Uma pei ‘mutazdo pode ser constraida colocando-se o elemento ne primeira posigao da seqiiéacia de 7 elementos, selecionando entio o cle ‘mento para a segunda posigiio dos — 1 elementos restantes, calocanda o elemento na teresira posigia dos n — 2 elementos restantes e assim por diante. Permutagées como essts so referi- das algumas vezes como permutagies lineares Em algumas situacdes, estamos interessados no miimero de ‘amanjos de somente alguns dos elementos de um conjunto, O seguinte resultado é decorrente também da regra da multiph Penmutacdes de Subconjuntos (© nimero de permutagbes de sudconjuntos de rclemeatos se- lecionados de um conjunto de n elementos diferentes & Pl=nXin—DX(2~= DX... Xr Y= EXEMPLO 2-10 Place de Circuito impresso Una placa de cic imps tw ito locliag deere mgs um componente pode ser colecado, Se quatro components di {orem colocattos na placa. quantos projetos diferentes sio possiveis? ‘Cada projeto consisie em selecionar ums localizagio das ota loca sizagoes para primeiro camponente, uma localizagan das sete reste fespara o seyurtdy componente, uma foealizagn Us seis restates pee © tercsiro componente e uma localiragio das cinco restantes para @ ‘quarto componente, Porant, Bx TK OXS 1680 projetos diferentes sio possivek, Algumas vezes esiamos interessados em contar o mimero de scqtigneias ordenadias para objetos que O seguinte resultasto é um edlculo ttl & 1osdo todos diferentes, eral Permutacdes de Objetos Similares O mimero de permutagies de n = m +n: +... +n, objetos dos quais n, sio de um tipo, n, Sio de um segunda tipo, ...€16 Capitulo 2 nt ml mal mgt | 1, si0 de r-€simno tipo & | | EXEMPLO 2-11 Programagae de wma Oficina de Usinagem Considere uma operacio de usinagem em que deis eifcios, com cifime tras idéntios,e dois encaixes de mesmo tamarho necesszamser eis uma pega metic. Sejap ume operagio de perfuragio ce ua operagio de eneaixe. Na deteninagio de una programagio park wina oficina de ‘osinggem. desemes esta interessadoe no riimere de possfucs sgiencss lferentes das quatro operagies. O ndinesy de seadiénciss possveis para as duas operaedes de perfuragoe paras duas operagdes de eneaine sao 4 6 As sein seq pep. cen. Jaw tc facilmente resumidas: pee, pepe, peepeppe EXEMPLO 2-12 igo de Bervas ‘Una pega ¢ marcada pela impressao de quairo links espessas, 25 I Inhas medias ¢ dua inhas fins, Se cada ordenaso das nove links 1 presenta vima mares diferente, quuntsy marcas diferentes podam ser ‘eraclas ple uso desce exquerna? Da Fauacio 2-3.0 riimero de mareas possiveisé ~ 1260 ‘Combinac: Um outro problema de contagem de interesse é 0 niimero de subconjuntes de r elementos cue pode ser selecionado a partir deum conjunto de m elementos. Aqui, a ondem nio é importan- te, Esses problemas so chamados de combinagies. Cada suo- conjuntode r elementos pode ser indicado pela listagemdos eke- ‘mento no conjunio e marear cad elzmento comurn "=", se for ppara inclu-Io no subconjunto, Conseatentemente, cada perma- tagiode r ¥'s en ~ r varios indica um subconjunto diferente & ‘o mimero desses subconjuntos € obtido da Lquagio 2-3. Por exemplo, se oconjuato€ $ = {a,b d}.0 subeonjunto {a,c} pode ser indicacto como abc @ Combinagies (© nimero de combinagdes, subconjuntos de tamanho r, que pode ser selecionado de um conjunto de n elementos, deno- tado como (3) ou Ce O-ma 0-4) EXEMPLO 3 ‘Um componente pode scr colocado em cite localizagbes diferentes em uma placa de circuity impresse. Se cinco compenentes idénticos fore. ceolveados na placa, quantos projets diferentes serio possivess? Cada projeto & umn subconjunte das sito loealizagdes que devem ‘canter os componentes, Da Equagda 24.9 nimero de penjetos poss. © exemplo seguinte usa a regra da multiplicagio em eombin 40 com a Equaco 2-4 para responder a uma questo mais di Gil, poném comum, EXEMPLO, 4 Amestragen som Reposigio ‘Um silo de 50 itens febricados contém tr tens defeituosos ¢ 47 tens no-defeituosos. Uma amostra de stisitens ¢ selecicnada das $0 itens, Ositensselecionados no siorepostos. Ou se, cada item pode somente sersclecionadoum unica vez eamosia €umsubeonjunto.6os 30 tens (Quanta amostias diferentes enistem, de tamasho seis, que comtém oxa tamente dois tens defeiteosos’? Um subeonjunio contend evatamente dois itens defeituosas pode sor formado escolhendo primeire os dois itensdefsituoses dos ues ens efeituesos. Usando 2 Equaco 2-4 essa etapa pode ser completa de Qa mao, asegunds tap €eleconar os tn ens reanies don 47 Hes tceiivis no slo. A scgunda etapa pote sr completa de 3 mareinis diferentes = 178,365 maneinas diferentes Por comseyuints, da rears da multiplicaedo, ¢ numero de subeonjuntos de tamanho sek que contém exatamenie dais ters defeituososé 3% 178.365 ~ 535.095 Como um céleulo adizional, 0 adimero tox de subsonjantos dife rentes de tamaaho seis 50) 501 6) east ‘Quando prebabidadeé ciseatda neste capitulo, probebilidade de um everto édeerminada como 2 azioente oniimer de esultades no evento ¢o nero de resultados no espago amestral (para resultados jualmente provavels). Consequentemente, a probabliidae de ama mnontra comer exatamente dois tens defeituesos 15,890,700 9s 15,390.70, Note que esse exemplo ilusira uma distriuigo comum estudada no Capitulo 3 disrituicio bipergeométrica). oo4 EXERCICIOS PARA A SECAO 2-1 Fomeca uma descri¢do razoivel do espage amosiral para cada um dos ‘experimentns slearios nos Exereivios 2-{ a 2-18, Poder haver mais ‘de uma interpretagio aeeitavel de casa experimento. Dessreva qualquer sapenigio que voe? faga, 2-1. Cada ama dis 18s pocas vsinadas & classiieada eomo acima ou ‘aulxo da expeciticagio padido para & pega ‘Cada um dos quatro bits transmitidos€classificado como coment ‘Na inspegio final de suprimentos eletronicus de poténcia, ts th pos de no contoriidades poem oxortet: funcional, menor ou costaecx. Suprimentex de potGneia que sejam deeituosos sd chwsifiesdos aturamente de acordlo cunt o tipo de nig-conformidade 2.4. Nafabvicagin de ftss eassetes digas, win teste cletdnicos wsada para reeistraro nimero de his dfeieuosos 2m um caretel de 380 ps 25. Natabse ficad como ecntendo ou nde eantende um ou mais bts defeituosos. oe ftascassots digits, cada uma das 2dtrlnasS class 2.6, Um amperimetro. que mosira fésigits & ws para mein gor rente em milliamperes, ‘Uma escala que mostra duns cases decimais & asada para medi, em toneladss, alimentagies de materias em umta planta quimica, 28. As duas questbes seguintes aparecem em questionrios na inspe: lo de empregados. Cada resposta Gescothidas partir de uma escala de Sreos pontos: | (nunca),2, 3-4 5 (sempre). “A compara estlisposta nuvi avalarjustamente nova isis” “Quio Freientes meus colaboradores io importantes no desempe: tho global do ersbalno?” 2.8. A consenting de o7Gnin em pare por hilt, 2.10, O tempo ats qu um ieansagio de servigo seja solids de ure Somputzdoe, om a preciso de milssegundo, 2-11, A letra de pH de wna annsra de gus com x precio de det ‘mo de wma unidade 2.12, Os virion ers uma placa de Sido Fern so clasificados como jequenes. meédios au grandes, O mimeo de vazios em cadacategoria é sneddo poruma inspecdo Gptice de unis amostra 2:13. Otempo deur reagi quimieaé mgistrado em mitissegundo, 4. Um pectia de compra de um antamsvel pode espesifiear uma ‘sansmissio automeiticn ou puro. comousem arcondicionadoe qual cqueruma das quatzo cores vermelhs. azul, peta cu branca, Descreva 0 Conjunto de pedidos possive's para esse experimente, ‘Uma pega amostrada, moldada por injesio, podria ter sido pro- Guzida em uma das duas prensase em qualguer uma das oite cavidades on cada prensa 2-16, Um pedito ie compra de um sisenta computacional pode espe- Stlcar memoria de 4 ou 12GH e espaga em unilad de discoide 200, $00 ou 400 GB. Descieva 0 conjunio de pedidos posstvels, 2-17, Chamadis sio rpetidamente fetas em uns lina tlefonica ou pada até que uma concxdo ssjaaleangas, 2-18. Em um sparetin magretion oe amazenagem, ces tentativas sto eitas para lr dads antes que seja usado um procedimento de recupe- sgl de erto gue reposiciona a cabaga magnétics. © procediment de -scuperaci ce ers tenta ts Feposigdes antes que uma mensagem de ‘bortar” seia mardada para eperadee. Seja 0 sioesso de ums operasio de leinura fa falhade ums operacae de leitare FF denotar a falna de um procedimento de recuperagao de erro So sucesso de um procetimento de recuperacao de erro ‘Aluma mensagem de abortar, eniada pars 0 operador. Utilizando odingrams em forms de drvore, descrevao espago amostra esse experiment, ‘eventos sii mostrads a0 dingrama de Vera na figura se -Reprolizai figura e sombreie aregiao que correspond a cada um dos Probab wat AaB WBUCY ean BY UC 2.20. Tels eventos 01 =09 HC) = 0.8 Também, P(A) = 0.6. PPB") =0,L.¢ PIC’) =0.9. Alémdisso, uma vez quea 1 B= 4b}, P(AD B)= 03. Porque A B= {a,b, ed), PAU B)= 01 +034 05 +04 ~ 1, Bolo tuto de AM Csero connie rule, PrA ©) = 0. EXEMPLO 2-17 Parsiculas de Contaonin ‘Uma inspesdo visual de um siti em pastihas de um processo de fabsi- cagio de semizondutores resultou na seguint tabele, Niimero de Particulas de Contaminasio Proporgio de Pastilhas 0 040 1 020 2 4Se uma pas for sclevionada, ae ano, Gesse processue 6 sitio for inspecionado, qual serd a probabilidade de que ele aio contenka pantieulas? Se informacio fossedisponivel pura cada pastilha, podria ‘mos definir 0 espaco amosiral como 0 conjunto de todas as pasilas| snspecionadase proceder eomono exemiplo dos diodos. Entretanto esse nivel de dotalnamento no & necessirio nese caso, Pedems também spenasconsideras 0 espago amostral cnsistiaconnas seis categories que resumem o numero de partisulas contaminantes emuma pestilna. Cada categoria tom probabilidade igual 4 proporgio de pastas na catego~ ra, O evento que nis tem particule contamimnte no sitio iaspecionado 4s pastths, denotado como E. pode ser considerado como cemproen endo ur inien resultado, ou seja, = 40}. Desse mado, Ne) ~ 08 (Qual ¢a probabitidade de una pasitha conter t's ou mais parton ls 20 siti inspevion? Soja Focventoemque a pastiheco: ou mas paticulas no sitio inspecionado. Envi, £ consiste nos tris re saltados {3, 4 5 ou mais}. Conseuiientement 0.10 =0, P(E} 0,10 + 005 Freqiientemente, mais de um item é selecionado, sem reposi- 40, de uma bateluda quando uma produgao ¢ inspecionada. Neise caso, aleatoriamente selecionado implica que cada sub- conjunto possivel de itens ¢ igualmente provavel, EXEMPLO 2.18, Suponha que una batelada contenha ses itens (a,b,c. de. f} = que Gots itens sm seleionads sleatoriamente, sem repusigao. Supa «uc iim fsejadefeitnoso, porém os outros sejam bons. Qual «pry Sablidads de gue o tom fsparega na amostea? ‘Ocespso amesttal consiste em todos cs pares (dlesorlenados} posi seis selecionaalon som reposigo. Da Equagio 2-4 wu por enumeragio ha 5 restos. Sea # evento cm que oitem feste ma amostra, Eno Epwlesereserit comol = (ay). til (6) (dd). (eft). Uina ver que cada resuitado ¢ igualmente provivel, PE) = 3/13 2-2.2 Awiomas da Probabilidade Agora que a probabilidade de um evento foi definida, podemos, colbciona a8 suposigtes que fizemes relativas ts probabilida des em uma série de axiomas que as probabilidades tém de tisfazer em qualquer experimento alext6rio, Os axiomas ram que as probatilidades :tribusas a um experimente podem serinterpretadas como freqiiéncias relativas © queas atribuigiees io consistentes com nosso entendimento intutivo das relagdes entre freqiiéncias reltivas. Por exemplo, se o evento A estiver contido no evento B. entio deveriamos tet P(A) = PB). Osa determinam probabilidades: as probabilidades sio Js. bascadas no nosso conhecimento do sistema sob es tudo, No entanto, os asiomas nes eapacitama caleularfacitmente as probabilitades de alguns eventos. a partir Uo conhesimento das probabilidadles de outros eventos. seg “Asiomas da Probabildade ] Probabilidade & um miimero que & atripnido a cada membro de tuma colegio de eventos, a partirde um experimento alea- trio que satisfaga as seguintes propriedades: Se Sforo espago amosirale F for qualquer evento em um experimento aleatério, (PS) = 1 Q)0=PQ)<1 Propavitvade 21 (3) Para dois eventos E, e E, com E 0 E, = PE, UE) = PE) + PED) A propriedade de que 0 = P(E) = | éequivalente a0 requerimento de que uma freqiiencia relativatem de estarentre zeroe um. A pro priedade que P(S) = 1 € uma conseqiténcia do fato de que ur = sullado do espago amostral ocorre em casa tenativa de um experi- mento, Consequentemente, a frequéacia relativa de $ € 1. A pro pricdade (3) implica que se os eventos F, ¢ F, nd tiverem resul- {ados em comum, entgo a freyténcts relativas das resultados em E, UB, sera soma das fheqt Beky Exses axiomas implicam os seguintes resultados. Asdedugies sio deixadas como exereicios no final desta segio. Agora, P)=0 sncias relativas dos resultados em fe para qualquer evento PE) = 1- PE) Por exemplo, se probabilidade do evento £ for 0,4, nossa in- terpretario de freqiiincia relativa implica que a fregiéncia rela- tiva de £ sera0,6. :Além disso, se oevento E, estiver contide n0 evento Es, PE) PE: EXERCICIOS PARA A SECAO 2-2 249, Ocapage amosial de wm experiments sleasria& (5,6 de} ‘com probubiicades 0.1; 01; 0.2: 0. ¢ 0.2. respectivamente. Pact A denotar evento {a bc} © B denolar 0 events {r, de}, Determine & seguinte @Pay PB) (ora (@PAUB jnans) 2.80. Cada um dos cinco resultados pessiveis de um experimento ale alorio¢ gualmente provavel, O espago amostal €{4,,¢,d,€}, Seiad evento fa, b} « Bo cvento {ey 1,c}. Determine o seguinte @Pay PB) PA PAU BY (PAN BD 2.51. Seo iltimo digto de uma metida de peso for igualmente provi vel de ser qualquer um dos digitos de (a 6 (2) Qual €aprobabilidade de qu: o Gltimo dito seja 02 ¢b) Qual é a probabilidade de que o vitimo digito igual a5? maior que ou 2-52. Pedidos de compres dz um computador sSo sumarizades pelos itens opeioraissoticitados coma segue. propordio de pedidos de compras 08 ‘enum item opcional tum item opeional this de wm item opcionsl (a) Qual aprobatilidade deum pedide de compra solicitarao minime um item opeioral? (b) Qual é a probabilidade de um pedido de compra ndo solicitar mais cde um sem opeional’? 3, Uma pega moléada por injegio Gigualmente provivel deserob tida. partir de qualquer uma des ito cavidades de um moide.