UNIVERSIDADE DA REGIÃO DE JOINVILLE - UNIVILLE

Bacharelado em Engenharia de Software (BES) e Bacharelado em

Sistemas de Informação (BSI)

Análise de dados usando a linguagem R

Professora Priscila Ferraz Franczak

Engenheira Ambiental - UNIVILLE
Mestre em Ciência e Engenharia de Materiais - UDESC
Doutoranda em Ciência e Engenharia de Materiais - UDESC

[Link]@[Link]

1
 Plano de Aula
Probabilidades
1. Modelo Binomial
2. Modelo Poisson
3. Modelo Normal
4. Geração de números aleatórios
5. Exercícios

2
 Podemos definir probabilidade de A
como segue:
 Seja E um experimento, S o espaço amostral relativo a
E e A um evento.
 Podemos associar um número real ao evento A,
representado por P(A), denominado probabilidade de A
ocorrer, definido por:
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟á𝑣𝑒𝑖𝑠 𝑎 𝐴
𝑃(𝐴) =
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠 𝑛𝑜 𝑒𝑠𝑝𝑎ç𝑜 𝑆
𝑛(𝐴)
𝑃(𝐴) =
𝑛(𝑆)
Regras básicas da probabilidade
1) Campo de variação das probabilidades

A probabilidade de um evento A deve ser um

número maior ou igual a 0, porém menor ou igual
a 1.

0 ≤ 𝑃 𝐴 ≤ 1 𝑜𝑢 0% ≤ 𝑃 𝐴 ≤ 100%
2) Probabilidade do espaço amostral

A probabilidade do espaço amostral S é

igual a 1.

𝑃 𝑆 = 1 𝑜𝑢 𝑃 𝑆 = 100%
3) Regra da adição de probabilidades

A probabilidade de ocorrência do evento A

ou do evento B (ou de ambos) é igual a:

𝑃 𝐴∪𝐵 =𝑃 𝐴 +𝑃 𝐵 −𝑃 𝐴∩𝐵
 Caso os eventos A e B sejam mutuamente
exclusivos, isto é:
𝐴 ∩ 𝐵 = ∅, então:

𝑃 𝐴∪𝐵 =𝑃 𝐴 +𝑃 𝐵

Essa regra pode ser estendida para n eventos

mutuamente exclusivos: A1, A2, A3,..., An.

𝑃 𝐴1 ∪ 𝐴2 ∪ ⋯ ∪ 𝐴𝑛 = 𝑃 𝐴1 + 𝑃 𝐴2 + ⋯ + 𝑃(𝐴𝑛 )
4) Probabilidade de um evento complementar

 Sabemos que um evento pode ocorrer ou

não.

 Sendo P(A) a probabilidade de que ele ocorra

(sucesso) e P(𝐴)ҧ a probabilidade de que ele
não ocorra (insucesso), para um mesmo
evento existe sempre a relação:

𝑃 𝐴ҧ = 1 − 𝑃 𝐴
Exemplo de aplicação das regras básicas:
 Considere um experimento que consiste em
retirar uma carta de um baralho de 52 cartas.

1) Campo de variação das probabilidades

S = {a1, a2, ..., a52}, onde qualquer carta tem a

mesma probabilidade de ser sorteada, ou seja:
1
𝑃 𝑎𝑖 =
52
1) Campo de variação das probabilidades

A probabilidade, por exemplo, do evento A =

{retirar uma carta com o número 16} é dada por:

𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟á𝑣𝑒𝑖𝑠 𝑎𝑜 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴

𝑃 𝐴 =
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠
0
𝑃 𝐴 = =0
52
1) Campo de variação das probabilidades

Por outro lado, se A = {retirar uma carta qualquer}

então:

𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟á𝑣𝑒𝑖𝑠 𝑎𝑜 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴

𝑃 𝐴 =
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠
52
𝑃 𝐴 = =1
52

Então: 0 ≤ 𝑃(𝐴) ≤ 1

2) Nesse caso o evento A = S, assim: P(A) =

P(S)=1
3) Regra da adição

Deseja-se calcular a probabilidade de ser retirada

uma carta vermelha ou um rei.

Seja A = {carta vermelha} e B = {rei}

(não são mutuamente exclusivos!)

𝑃 𝐴∪𝐵 =𝑃 𝐴 +𝑃 𝐵 −𝑃 𝐴∩𝐵
26 4 2
𝑃 𝐴∪𝐵 = + −
52 52 52
7
𝑃 𝐴∪𝐵 = ou 53,8%
13
3) Regra da adição

Deseja-se calcular a probabilidade de ser retirada

uma carta de espadas ou uma dama de ouros.

Seja A = {carta de espadas} e B = {dama de ouros}

(são mutuamente exclusivos! Por quê?)

𝑃 𝐴∪𝐵 =𝑃 𝐴 +𝑃 𝐵
13 1
𝑃 𝐴∪𝐵 = +
52 52
14
𝑃 𝐴∪𝐵 = ou 26,9%
52
4) Probabilidade de um evento complementar

ҧ {qualquer carta
Se A = {carta de paus}, então 𝐴=
exceto paus}. Assim:

𝑃 𝐴 = 1 − 𝑃 𝐴ҧ ou
P 𝐴ҧ = 1 − 𝑃(𝐴)
13
P 𝐴ҧ = 1 −
52
3
P 𝐴ҧ = 𝑜𝑢 75%
4
Multiplicação de probabilidades
 Dois eventos serão estatisticamente independentes se
a ocorrência de um deles não afetar a ocorrência do
outro.

Exemplo: lançamento de duas moedas:

S = {cc, kk, ck, kc}

1
probabilidade de cada resultado =
4
 Dados dois eventos independentes, A e B, a
probabilidade da ocorrência conjunta é definida pela
regra da multiplicação:

𝑃 𝐴. 𝐵 = 𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 . 𝑃(𝐵)

Essa regra é válida para n eventos independentes.

Exemplo: Em uma experiência que consiste em
lançar simultaneamente, um dado e duas moedas,
qual a probabilidade de obter o número 5 e duas
coroas em uma única jogada?

Os eventos são independentes

𝑃 5𝐾𝐾 = 𝑃 5 ∩ 𝐾 ∩ 𝐾 = 𝑃 5 . 𝑃 𝐾 . 𝑃(𝐾)
1 1 1
𝑃 5𝐾𝐾 = 𝑃 5 ∩ 𝐾 ∩ 𝐾 = . .
6 2 2
1
𝑃 5𝐾𝐾 = 𝑜𝑢 4,16%
24
1. Modelo Binomial
• O modelo de distribuição binomial é
também conhecido como modelo de
Bernoulli.

• Tem essa denominação por levar em conta

apenas as probabilidades de sucesso,
representada por p

• E insucesso representada por q sendo

q=1-p
18
Aplicações:
 Respostas de teste com diversas questões
V ou F;
 Escolher entre produto bom ou defeituoso;
 Sexo das crianças nascidas em uma
maternidade;
 Fumantes ou não fumantes em um grupo;
 Alunos vacinados ou não.
Suponhamos que um experimento é repetido n
vezes e sejam:

1. X a variável aleatória;
2. A frequência do valor k da variável X seja dada
𝑛!
por: 𝑓𝑘 = importante! Número
𝑘! 𝑛−𝑘 !
de combinações de n elementos, tomados
k a k.

3. p a probabilidade de sucesso e q = 1 - p a
probabilidade insucesso;

4. k o número de sucessos esperados. 20

 Então, a probabilidade de ocorrer k sucessos é
dada pela fórmula:

𝑛!
𝑝(𝑋 = 𝑘) = 𝑝𝑘 𝑞𝑛−𝑘
𝑘! 𝑛 − 𝑘 !

 A esperança matemática é 𝜇 = 𝑛𝑝
 A variância é 𝜎 2 = 𝑛𝑝𝑞
 O desvio padrão é 𝜎 = 𝑛𝑝𝑞
Seguem esse modelo experimentos do tipo
lançar uma moeda, (cara ou coroa),
nascimentos, (menino ou menina),
respostas afirmativas ou negativas, etc.
Exemplo: Um laboratório proclama que a eficácia de
determinada droga antidepressiva é 80%. Tal droga foi
administrada a 10 pacientes. Pergunta-se:

A eficácia proclamada pelo fabricante é a probabilidade

de sucesso. No problema temos:
n = 10
𝑛!
p = 0,8 𝑝(𝑋 = 𝑘) = 𝑝𝑘 𝑞 𝑛−𝑘
𝑘! 𝑛−𝑘 !
q = 0,2
(a) Qual a probabilidade de que exatamente 6
pacientes fiquem curados?
O evento é A = {6 pacientes ficam curados}.

A probabilidade de que exatamente 6 pacientes

fiquem curados é obtida usando a fórmula:

P (x=6) = 8,81%
 Resolvendo no R:
(b) Qual a esperança média de pacientes que deverão
ficar curados?

A média de pacientes curados é

𝜇 = 𝑛𝑝
𝜇 = 10.0,80
𝜇 = 8 𝑝𝑎𝑐𝑖𝑒𝑛𝑡𝑒𝑠
(c) Qual a variância e o desvio padrão?

𝑠 2 = 𝑛𝑝𝑞
𝑠 2 = 10.0,80.0,20
𝑠 2 = 1,6

𝑠 = 𝑛𝑝𝑞
𝑠 = 1,26
Plotando a distribuição binomial:
2. Modelo Poisson

A distribuição de Poisson é útil para descrever

as probabilidades do número de ocorrências
num campo ou intervalo contínuo.

30
 Exemplos:
▪ defeitos por centímetro quadrado,
▪ acidentes por dia,
▪ reações alérgicas a uma vacina por
1.000.000 de pessoas vacinadas,
▪ chamadas telefônicas (ou bip) por
minuto (ou por dia),
▪ número de pacientes que chegam a um
pronto socorro por dia.
 Podemos enumerar os fatos que
ocorreram, mas não é possível enumerar
aqueles que deixaram de ocorrer.

Por exemplo, não podemos dizer quantos

acidentes deixaram de acontecer em
determinado dia e nem quantas reações
alérgicas deixaram de ocorrer num dia de
vacinação em massa.
As hipóteses para o uso da distribuição de
Poisson são:

 A probabilidade de uma ocorrência é a

mesma em todo o campo de observação.
 A probabilidade de mais de uma
ocorrência num único ponto é
aproximadamente zero.
 O número de ocorrências em qualquer
intervalo (ou campo) é independente do
número de ocorrências em outros
intervalos (ou campos).
 A distribuição é binomial e o número de
elementos da amostra é muito grande.

(Em estatística uma amostra é considerada

grande quando tem mais de 30 elementos).
Seja X uma variável aleatória discreta tomando os
seguintes valores: 0; 1; 2; 3...n... num intervalo,
então a probabilidade de X ocorrer K vezes é:
𝐾 𝑒 −
𝑝(𝑋 = 𝐾) =
𝐾!

 A média é  = 𝑛𝑝
 e é a base dos logaritmos naturais = 2,718
 A variância é 𝜎 2 = 𝑛𝑝 =
 O desvio padrão é 𝜎 = 
Exemplo 1: Uma central telefônica recebe uma média
de 5 chamadas por minuto. Qual a probabilidade de
receber nenhuma chamada durante um intervalo de 1
minuto?
 Temos a média  = 5 chamadas por minuto.
Queremos saber: p (K = 0). Então:
𝐾 𝑒 − 
𝑝(𝑋 = 𝐾) =
𝐾!
50 𝑒 −5
𝑝(𝑋 = 0) =
0!
1 ∗ (2,718)−5
𝑝(𝑋 = 𝐾) =
1
𝑝(𝑋 = 𝐾) = 0,0067
𝑝 𝑋 = 𝐾 = 0,67%
Resolvendo no R:

0,67%
Exemplo 2: O número de crianças que apresentaram
reação alérgica a determinada vacina, durante os
testes, foi 3 em 100.000.000 crianças observadas.
Numa região serão vacinadas 100.000 crianças. Qual
a probabilidade da ocorrência de:

(a) Ocorrer exatamente 2 casos de reações alérgicas?

(b) No máximo 2 casos?
(c) Pelo menos 3 casos?
(a) Ocorrer exatamente 2 casos de reações alérgicas?

 Como durante os testes foram observadas 3 casos de

reações alérgicas em 100.000.000 crianças, a
probabilidade de ocorrer uma reação alérgica será:
3
𝑝=
100.000.000
Já a média de reações alérgicas possíveis em 100.000
crianças a serem vacinadas será:
 = 𝑛𝑝
3
 = 100.000
100.000.000
 = 0,003
(a) Ocorrer exatamente 2 casos de reações alérgicas?

 Logo, para X = 2 teremos a probabilidade dada pela

fórmula:
 𝐾 𝑒 −
𝑝(𝑋 = 𝐾) =
𝐾!
0,0032 𝑒 −0,003
𝑝(𝑋 = 2) =
2!
𝑝(𝑋 = 2) = 0,000004
𝑝 𝑋 = 2 = 0,0004%
Resolvendo no R:

𝐾 = 2 𝑒 𝜆 = 0,003

0,0004%
(b) A probabilidade de ocorrer no máximo X = 2 casos
de reações alérgicas em 100.000 crianças é dado por:

 Logo, para X = 2 teremos a probabilidade dada pela

fórmula:
p(x < 3) = p(X = 0) + p(X = 1) + p(X = 2)
 𝐾 𝑒 −
𝑝(𝑋 = 𝐾) =
𝐾!
0,0030 𝑒 −0,003 0,0031 𝑒 −0,003 0,0032 𝑒 −0,003
𝑝 𝑋<3 = + +
0! 1! 2!
𝑝(𝑋 < 3) = 0,999994
𝑝(𝑋 < 3) = 99,9994%
Resolvendo no R:

100%
3. Modelo de distribuição normal

 Inúmeras varáveis contínuas que descrevem

fenômenos naturais e sociais apresentam
distribuições de probabilidades próximas da
distribuição normal.

 O nome normal deve-se ao fato de que muitas

distribuições de frequências de erros de
observações e mensurações podem ser
descritas por uma distribuição dessa natureza.
 Seja X uma variável aleatória que tome todos
os pontos x tal que x ∈ R. A função densidade
de probabilidade de uma variável X com
distribuição normal é dada por:

1 𝑥−𝜇 2
−
𝑒 2 𝜎
𝑓 𝑥 =
𝜎 2𝜋
 Uma notação frequentemente usada para denotar
esta distribuição é N (µ,σ2). Assim, dizer que a
variável X tem distribuição N (2,9) significa que X
tem distribuição normal com média µ = 2 e variância
σ2 = 9.
Função densidade de probabilidade de uma variável X
Exemplo: Suponhamos que a variável X tem
distribuição N (2,9). Então, X tem média µ =
2, σ2 = 9, onde o desvio padrão é σ = 3 e f (x)
dada por:
1 𝑥−𝜇 2
−
𝑒 2 𝜎
𝑓 𝑥 =
𝜎 2𝜋

1 𝑥−2 2
−
𝑒 2 3
𝑓 𝑥 =
3 2𝜋
 O gráfico da distribuição X será:

Distribuição normal N(2,9)

• A probabilidade de X ocorrer em determinado intervalo será
dada pela área sob o gráfico.
• Essas probabilidades estão padronizadas.
• As probabilidades associadas à distribuição normal
padronizada são encontradas em tabelas, não havendo
necessidade de serem calculadas.
 Exemplo:

Suponha que um pesquisador coletou dados de

estatura de jovens em idade de alistamento militar.

Sabe-se que a estatura de certa população segue a

distribuição normal, com média 170cm de variância de
36cm². Pede-se;

a) Qual a probabilidade de encontrarmos um jovem

com mais de 179cm de altura?
 4. Geração de números aleatórios
• O R pode gerar números aleatórios de várias
formas.

• Pode-se gerar um número qualquer de um conjunto

pré-estabelecido de valores ou atributos (baseado
em sorteio pseudo aleatório),

• Ou quantos forem necessários de uma distribuição

de interesse.
• Exemplo:

• Para simular o lançamento de um dado 100 vezes,

podemos utilizar o comando sample( ), em que o
primeiro argumento são quais valores podem ser
assumidos, depois quantas vezes queremos jogar
o dado.
5. Exercícios