Estatística

Prof. Msc. Marcus Vinícius

[Link]@[Link]

1
Aula 01
2
 Informações Gerais
• Conteúdo

• Referências

3
 Informações Gerais
• Avaliação
– 0.4*P1+0.3*P2+0.3*P3

• Exame

4
O que é estatística?

5
 Introdução à Estatística
• Silogismo Clássico
– Formação do discurso por meio de 3
proposições sendo que as duas
primeiras necessariamente remete a
terceira.

• Premissa Maior - Todo homem é mortal

• Premissa Menor - Sócrates é homem
• Conclusão - Sócrates é mortal

6
 Introdução à Estatística

• Dedução

• Indução

7
 Introdução à Estatística
• Alguns conceitos base

População

Amostra

• Inferência estatística
• Observação => Análise => Interpretação
=> Conclusões

8
 Introdução à Estatística
• Exemplo
– A altura que um produto é colocado na
gôndula de um supermercado afeta o
seu nível de venda?

9
 Introdução à Estatística
• Dificuldade => existem outras
características que definem o nível
de venda do produto?

10
 Introdução à Estatística
• Conceito de variável

• Conjunto de dados
– Univariado
– Bivariado
– Multivariado

11
 Introdução à Estatística
• Conjunto multivariado

• Anuário estatístico do setor

automotivo
• [Link]

12
 Nominal

Qualitativa

Ordinal

Variável

Discreta

Quantitativa

Contínua

13
 Introdução à Estatística
• Ramos da Estatística
– Estatística Descritiva
– Inferência Estatística

14
 Introdução à Estatística
• Estatística Descritiva
– Resumir e descrever características dos
dados coletados

– Gráficos e cálculo de medidas

numéricas

15
• Charity is a big business in the United States. The Web site
[Link] gives information on roughly
5500 charitable organizations, and there are many smaller
charities that fly below the navigator’s radar screen. Some
charities operate very efficiently, with fundraising and
administrative expenses that are only a small percentage of
total expenses, whereas others spend a high percentage of
what they take in on such activities. Here is data on
fundraising expenses as a percentage of total expenditures
for a random sample of 60 charities:
3.9 6.4 10.8 8.8 5.1
15.3 16.6 34.7 1.6 1.3
1.1 10.1 8.1 83.1 3.6
3.7 26.3 8.8 12 18.8
14.1 19.5 6.2 6 4.7
2.2 3 2.2 4 21
6.1 5.2 12 15.8 6.3
16.3 12.7 48 8.2 11.7
14.7 6.4 17 5.6 3.8
1.3 20.4 10.4 5.2 1.3
0.8 7.2 3.9 2.5 16.2
16
17
 Introdução à Estatística
• Inferência Estatística
– De posse de determinada amostra, o
pesquisador utiliza as informações para
gerar algum tipo de conclusão sobre a
população

18
 Tabulação de dados e
gráficos
• Notações

19
 Tabulação de dados e
gráficos
• Diagramas de ramo e folhas

20
 Tabulação de dados e
gráficos
• Exercício
– Considere os dados sobre a dureza do
alumínio
53,0 70,2 84,3 69,5 77,8 87,5 53,4 82,5 67,3
54,1 70,5 71,4 95,4 51,1 74,4 55,7 63,5 85,8
53,5 64,3 82,7 78,5 55,7 69,1 72,3 59,5 55,3
73,0 52,4 50,7
– Construa o gráfico de ramo e folhas
truncado

• Fonte: Hoaglin, Mosteller e Tukey, 1983

21
 Tabulação de dados e
gráficos
• Construção do histograma
– Bases proporcionais aos intervalos de
classe e área de cada retângulo
proporcional a frequência do evento
– Densidade de frequência

22
 Medidas de posição
• Por que utilizamos os gráficos
anteriores?

23
 Medidas de posição
• Uso de um ou mais dados que
representam uma série

• Dada a seguinte série:

S
={1,2,3,4,5,6,7,8,9,10,11,12,13,14,15}

• Qual a média aritmética?

24
Medidas de posição

25
 Medidas de posição
• Dados agrupados
– Se tivermos n observações da variável
X, das quais N1 iguais a X1, N2 iguais a
X2, Nk iguais a Xk, então a média
aritmética pode ser escrita como:

26
 Medidas de posição
• Dados em classe
– Qual a média aritmética dos salários?
Salário-Faixa Frequência absoluta (Ni)
4-8 10
8-12 12
12-16 8
16-20 5
20-24 1
Grand Total 36

27
 Revisão de
probabilidade
• Conceito geral

28
 Revisão de
probabilidade
• Eventos aleatórios e determinísticos
• Eventos mutuamente exclusivos

29
 Revisão de
probabilidade
• Qual a probabilidade de escolhermos um aluno com
menos de 25 anos nessa sala?

• Dado o espaço amostral {1,2,3,4,5,6,7,8,9,10}, qual a

probabilidade do evento A ser um número par? Qual o
evento complementar de A, se A é um número par? Qual
a probabilidade de tirarmos um novo número ele ser
ímpar, sendo que o primeiro numero retirado está
descartado do espaço amostral?

• Em uma sacola existem 20 bolas numeradas de 1 a 20.

Ao retirar uma bola, qual a probabilidade do número da
bola ser divisível por 3 ou divisível por 4?

30
Aula 02
31
 Medidas de posição
• Outras medidas
– Moda
– Mediana

32
 Medidas de posição
• Seja o conjunto dos números dado
por:
– {3, 4, 7, 8, 8}
• Qual a mediana?
• Seja o conjunto dos números dado
por:
– {3, 4, 7, 8, 8, 9}
• Qual a mediana?

33
 Medidas de posição
• Defina a moda e a mediana

Salário-Faixa Frequência absoluta (Ni)

4-8 10
8-12 12
12-16 8
16-20 5
20-24 1
Grand Total 36

34
 Medidas de posição
• Outras médias
– Geométrica

35
 Medidas de posição

• Exemplo
• Qual a média geométrica dos valores
3, 6, 12, 24 e 48?

36
 Medidas de posição
• Uso da média geométrica
– Aplicações financeiras
• Um investimento rende 5% no primeiro ano
e 15% no segundo ano, qual será o
rendimento médio desse investimento?

37
 Medidas de posição
• Rendimento total
• M x 1,05 x 1,15 = 1,2075 x M

38
 Medidas de posição
• Se utilizarmos a média aritmética
• M x 1,10 x 1,10 = 1,21 x M
• E se utilizarmos a média
geométrica?

39
Aula 03
40
 Medidas de dispersão
• Resumir conjuntos de dados pode
esconder informações relevantes

41
 Medidas de dispersão
• Medidas de dispersão
• Grupo A (variável X): 3, 4, 5, 6, 7
• Grupo B (Variável Y): 1, 3, 5, 7, 9
• Grupo C (Variável Z): 5, 5, 5, 5, 5
• Grupo D (Variável W): 3, 5, 5, 7
• Grupo E (Variável V): 3, 5, 5, 6, 6

42
 Medidas de dispersão
• Quais as médias aritméticas das
notas obtidas em cada um dos
grupos?
• Podemos dizer que, na média, os
grupos foram idênticos. E o
comportamento das notas de cada
aluno dentro do grupo?

43
 Medidas de dispersão
• Medidas que sumarizem a
variabilidade de um conjunto de
observações = analisar os desvios
das observações em relação às suas
médias

• Principais medidas: Desvio médio,

variância, desvio padrão

44
 Medidas de dispersão

• Quais são os desvios das notas do

Grupo A?

45
 Medidas de dispersão

• Quais são os desvios das notas do

Grupo A?

46
 Medidas de dispersão
• Somatório dos desvios

• Como solucionar o problema?

47
 Medidas de dispersão
• Duas opções:
• 1) Considerar o valor absoluto dos
desvios:

48
 Medidas de dispersão
• Duas opções:
• 2) Considerar o total dos quadrados
dos desvios:

49
 Medidas de dispersão
• E quando os conjuntos observados
possuem números diferentes de
observações?
• Exemplo: Os conjuntos (A, B,...E)
possuem números diferentes de
observações, usa-se, então o desvio
médio – dm(X) e a variância – var(X):

50
 Outras medidas
• Quantis
– Entendimento da simetria da amostra

51
 Outras medidas
• Quantil de ordem p => q(p)
– Quartil
– Decil
– Percentil

• q(0.25) => 1º quartil = 25º percentil

• q(0.50) => 2º quartil = 5º decil = 50º
percentil = mediana
• q(0.75) => 3º quartil = 75º percentil
• q(0.40) => 4º decil
52
 Outras medidas
• Quartis

53
 Outras medidas
• Decis e Percentis

54
 Outras medidas
• Calcule o 4º decil e o 95º percentil
da distribuição seguinte:

Classes ni
4 |-- 9 8
9 |-- 14 12
14 |-- 19 17
19 |-- 24 3

55
 Outras medidas
• Calculo da moda de forma precisa
para dados agrupados

• Forma de Czuber
– ponto que divide o intervalo de Classe
Modal em duas partes, as quais são
proporcionais às diferenças entre a
Frequência Modal e as frequências das
classes adjacentes
56
Outras medidas

57
Outras medidas

Classes ni
4 |-- 9 8
9 |-- 14 12
14 |-- 19 17
19 |-- 24 3

58
 Outras medidas
• Box-plot
– O boxplot é um gráfico construído com
base no resumo dos cinco números,
constituído por:
• Valor mínimo (outlier)
• Primeiro quartil (Q1)
• Mediana (segundo quartil Q2)
• Terceiro quartil (Q3)
• Valor máximo (outlier)

59
Outras medidas

60
 Outras medidas
• Dada a seguinte sequência de
números, referentes a ton/km média
transportada por um veículo ao
longo de um mês, construa o box-
plot

61
 Outras medidas
• Dada as notas de estatística de 0 a
100 de uma turma da FATEC,
construa o box-plot com a
distribuição das notas.

62
 Outras medidas
• Curvas de quantis

63
 Outras medidas
• Curvas de quantis

64
 Outras medidas
• Curvas de quantis

65
Aula 04
66
• Análise bidimensional

• Associação entre variáveis

67
 Análise Bidimensional
• Analisar o comportamento conjunto de
duas ou mais variáveis

• associação = grau de dependência

– Qual a frequencia esperada de uma pessoa

nessa sala ter mais de 170 cm de altura

– Qual a frequencia esperada de uma mulher

nessa sala ter mais de 170 cm de altura?
68
 Análise Bidimensional
• Três situações
– Duas variáveis qualitativas
– Duas variáveis quantitativas
– Uma variável de cada tipo

69
 Análise Bidimensional
• Tabela Morettin & Bussab

• Quais análises conjuntas podem ser

realizadas para as variáveis Grau de
Instrução e Região de Procedência?

70
 Análise Bidimensional
• Uso das frequências relativas

– Em relação ao total geral

– Em relação ao total de cada linha
– Em relação ao total de cada coluna

71
Medidas de associação – variáveis
qualitativas
• Existe correlação entre o sexo e a
carreira escolhida no grupo de 200
alunos de Logística e GPI da FATEC?

Sexo

Curso Masculino Feminino Total

Logística 55 (39%) 25 (42%) 80 (40%)

GPI 85 (61%) 35 (58%) 120 (60%)

Total 140 (100%) 60 (100%) 200 (100%)

72
Medidas de associação – variáveis
qualitativas
• Existe correlação entre o sexo e a
carreira escolhida no grupo de 200
alunos de Logística e Aeronáutica da
FATEC?
Sexo

Curso Masculino Feminino Total

Logística 40 (29%) 40 (67%) 80 (40%)

Aeronáutica 100 (71%) 20 (33%) 120 (60%)

Total 140 (100%) 60 (100%) 200 (100%)

73
Medidas de associação – variáveis
qualitativas

• Coeficientes de associação ou
correlação
– Por meio de um único número a
dependência entre duas variáveis
– 0 = falta de associação
– Coeficiente de contingência* (Karl
Pearson)

74
Existe associação entre as
variáveis?

75
Existe associação entre as
variáveis?

76
Medidas de associação – variáveis
qualitativas
• Calcular as discrepâncias (resíduos)
entre os valores observados e os
esperados se não houvesse relação

77
 Medidas de associação – variáveis
qualitativas

Estado Tipo de cooperativa

Compras Vendas Escola Outras

SãoPaulo 58 -35 -64 41

Paraná -21 -25 60 -14

RS -33 50 7 -24

78
Medidas de associação – variáveis
qualitativas

• Qual o valor da soma dos resíduos?

58 -35 -64 41

-21 -25 60 -14

-33 50 7 -24

79
Medidas de associação – variáveis
qualitativas

• Desvios relativos

80
 Exercício 1)
• Existe correlação entre o estado civil
e o tipo de usuário do transporte
público?

• Qual o valor do qui-quadrado e do

coeficiente de Pearson?

81
Indivíduo Estado Civil Tipo de usuário do sistema

1 casado Frequente
2 solteiro Frequente
3 casado Eventual
4 solteiro Frequente
5 solteiro Frequente
6 casado Eventual
7 casado Eventual
8 solteiro Frequente
9 solteiro Eventual
10 solteiro Eventual
82
Medidas de associação – variáveis
quantitativas
• Uso de gráficos de dispersão

• Associação linear => o quanto a nuvem

de ponto se aproxima de uma reta?

– Coeficiente de correlação linear

– Mede a associação entre as variáveis e o
grau de ajuste de uma reta a nuvem de
pontos
– Pode variar de -1 a +1
83
Medidas de associação – variáveis
quantitativas

• Como quantificar essa associação?

• Mudar a origem do sistema para o meio

da nuvem de pontos => ajustando os
dados para que a variação seja de -1 a
+1

• Uso do chamado ponto médio

84
Medidas de associação – variáveis
quantitativas

85
Medidas de associação – variáveis
quantitativas
• Exercício
– Existe correlação entre a nota tirada em
cálculo e a nota obtida em estatística?

86
Medidas de associação – variáveis
quantitativas
Aluno Nota em cálculo Nota em estatística

A 8 10

B 4 9

C 7 6

D 3 7

E 4 2

F 10 8

87
Operadora Anos no mercado (X) Número de clientes(Y)

A 2 48

B 3 50

C 4 56

D 5 52

E 4 43

88
 Medidas de associação – variáveis
qualitativas e quantitativas
• Avaliar o comportamento da variável
quantitativa dentro de cada categoria
da variável qualitativa

– Variação do salário dada a informação de

grau de instrução

– Variância será o ponto de partida

• Para a variável quantitativa a variância
representa a dispersão dos dados
89
 Medidas de associação – variáveis
qualitativas e quantitativas
• Variância média

• R2 => mede o quanto da alteração

da variável quantitativa é explicada
pela variável qualitativa

90
Medidas de associação – variáveis
qualitativas e quantitativas

91
 Revisão
Carga Destino Volume em Ton Preço p/Ton
A São Paulo 65.6 $10,542
B São Paulo 54.4 $9,036
C Rio de Janeiro 47.3 $10,542
E Rio de Janeiro 60.6 $8,434
F Goiás 54.5 $10,090
G Goiás 56.5 $8,434

92
Probabilidade
93
 Probabilidade
• O que representa a distribuição das
frequências relativas?

𝑛𝑖
𝑛

94
 Probabilidade
• Exemplo: As frequências de ocorrência
das faces de um dado

– 1) lançamos os dados em um certo

número de vezes (n)

– 2) contamos quantas vezes aparecem as

faces (i), sendo

i = 1, 2, 3, 4, 5 e 6
95
 Probabilidade
• Com base no modelo probabilístico,
pode se escrever o seguinte:

96
 Probabilidade
• Construção do espaço amostral (n)

• Considere que sejam retirados dois

artigos de uma linha de produção.

• Estes podem ser classificados como

Bom ou Defeituoso. Qual será o
espaço amostral?
97
 Probabilidade
• Se o evento A consiste em retirar
pelo menos um artigo defeituoso,
qual a probabilidade da sua
ocorrência?

98
 Probabilidade
• Propriedades

• A frequência relativa sempre estará

no intervalo 0 a 1.

• 0 =< P(A) =< 1

99
 Probabilidade
• Propriedades

• Experimento aleatório = variações

de resultados, se repetido sob as
mesmas condições

100
 Probabilidade

Sexo
Disciplina Total
Masculino Feminino
Calculo I 70 40 110
Calculo II 15 15 30
Estatística 10 20 30
Informática 20 10 30
Total 115 85 200

101
 Probabilidade
• Relação entre probabilidade e limite
– uma locadora de automóveis quer estimar a
probabilidade de ocorrerem acidentes com a
sua frota de veículos. Para isso, foram
verificados quantos acidentes ocorreram em
determinadas vezes que os automóveis da frota
foram locados. Pode ser que se n (número de
locações) for igual a 10, a probabilidade de
ocorrerem acidentes não represente fielmente a
realidade. Dessa forma, se for observado um
número maior de locações é possível estimar o
número de acidentes com maior precisão.
102
 Probabilidade
• Análise conjunta de eventos
– Se tivermos os eventos A e B
• A U B -> reunião dos eventos A e B.

• 𝐴 ∩ 𝐵 -> intersecção dos eventos A e B.

103
 Probabilidade
• S = {1,2,3,4,5,6,7,8,9,10}
• A= {7} e B ={2,4,6,8,10}

• A U B = {7,2,4,6,8,10}
• A∩B = impossível

104
 Probabilidade
• Tipos de eventos
– Mutuamente exclusivos
– Eventos não mutuamente exclusivos
– Complementar
– Condicionais
– Independentes

105
 Probabilidade
• Para dois ou mais eventos, a chance de
ocorrer pelo menos um deles é igual a soma
das probabilidades individuais:

• P(A U B) = P(A + B – Intersecção AB) = P(A) + P(B)

- P(A∩B)

• Essa regra pode ser extrapolada para um

número maior de eventos, desde que sejam 2
a 2 mutuamente exclusivos.
106
 Probabilidade
• Se lançarmos um dado:
– Evento A = {3}
– Evento B = {Sair um número ímpar}

– Qual a probabilidade de ocorrer o

evento A ou B?

107
Probabilidade

108
 Probabilidade
• Evento complementar

109
 Probabilidade
• Probabilidade condicional

• Sendo A e B dois eventos de um mesmo

espaço amostral S. A probabilidade condicional
do evento A, tendo ocorrido o evento B será
indicada por P(A/B)

• Exemplo
– Dado que seja escolhido um aluno ao acaso e que
esse esteja matriculado no curso de Estatística,
qual a probabilidade de ser uma mulher?

110
 Probabilidade

Sexo
Disciplina Total
Masculino Feminino
Calculo I 70 40 110
Calculo II 15 15 30
Estatística 10 20 30
Informática 20 10 30
Total 115 85 200

111
 Probabilidade
• Probabilidade a priori e probabilidade
a posteriori

– a priori = probabilidade de uma mulher

– a posteriori = probabilidade de uma

mulher depois que alguém do curso de
estatística foi selecionado

112
 Probabilidade

• Regra do produto das probabilidades =>

ocorrência simultânea de dois eventos de um
mesmo espaço amostral => P(A∩B) = P(A|B) *
P(B)
• Eventos independentes => P(A∩B) = P(A) *
P(B)
113
 Probabilidade
• Teorema de Bayes
– Relação entre uma probabilidade
condicional e a sua inversa
– Sejam B1, B2,...,Bn, n eventos
mutuamente exclusivos tais que a
reunião da B1 U B2 U…Bn = S

114
• Sorteamos uma urna e desta
retiramos uma bola branca. Qual a
probabilidade de ter vindo da urna
2?

115
 Probabilidades
• Probabilidades a priori
• P(u1); P(u2); P(u3)

• Probabilidades condicionais
• P(br/u1); P(br/u2); P(br/u3)
• P(u2/br) = ?

116
Exercício 1

117
118
 Exercício 2
• A chance de um aluno resolver esse
exercício é de 5/15. A chance de um
outro aluno resolver esse exercício é
de 4/10. Qual a chance do exercício
ser resolvido?

119
 Exercício 3
• As máquinas A e B são responsáveis
por 70% e 30%, respectivamente, da
produção de uma empresa. A
máquina A produz 2% de peças
defeituosas e a máquina B produz
8% de peças defeituosas.
• Calcule o percentual de peças
defeituosas na produção desta
empresa.
120
 Exercício 3
• Uma companhia multinacional tem três fábricas que produzem o
mesmo tipo de produto. A fábrica I é responsável por 30% do total
produzido, a fábrica II produz 45% do total, e o restante vem da
fábrica III. Cada uma das fábricas, no entanto, produz uma
proporção de produtos que não atendem aos padrões estabelecidos
pelas normas internacionais. Tais produtos são considerados
“defeituosos” e correspondem a 1%, 2% e 1,5%, respectivamente,
dos totais produzidos por fábrica. No centro de distribuição, é feito o
controle de qualidade da produção combinada das fábricas.

• Qual é a probabilidade de encontrar um produto defeituoso durante

a inspeção de qualidade?

• Se durante a inspeção, encontramos um produto defeituoso, qual é

a probabilidade que ele tenha sido produzido na fábrica II?

121
Variáveis Aleatórias
122
 Variável aleatória
• Definição: Seja um experimento
aleatório (Ω) e um espaço amostral
(S) associado a esse experimento. A
variável aleatória será uma função
de X que associe a cada elemento do
espaço amostral (S) um número real
x(s).

123
 Variável aleatória
• Qual o espaço amostral do
lançamento de duas moedas?
• Qual a probabilidade de obtermos o evento
“Cara”?

CaCa
CoCa
CaCo
CoCo
Ω
0 1 2 X(Ω)

124
 Variável aleatória
• Tipos de variáveis aleatórias
– Discreta
– Contínua

125
 Variável aleatória discreta
• Exemplo: número de acidentes
diários em um estacionamento

Número de Frequências
acidentes
0 22
1 5
2 2
3 1

126
 Variável aleatória discreta
• Distribuição de probabilidade

Número de Probabilidade
acidentes
0
1
2
3

127
 Variável aleatória discreta
• Função de probabilidade de uma v.a.

• p(xi) = P(X = xi) = fi

128
 Variável aleatória discreta
• Exemplo – Capítulo 6 (Morettin e Bussab)

• Um empresário pretende estabelecer uma firma para montagem de

um produto composto de uma esfera e um cilindro. As partes são
adquiridas em fábricas diferentes (A e B), e a montagem consiste
em juntar as duas peças e pintá-las. O produto acabado deve ter o
comprimento (definido pelo cilindro) e a espessura (definida pela
esfera) dentro de certos limites, e isso só pode ser verificado após a
montagem.

• O empresário deseja estudar a viabilidade do seu empreendimento

tendo uma ideia do lucro por peça montada. Sabe-se que cada
componente pode ser classificado como bom, longo ou curto.

• Cada componente custa R$ 5,00 e as probabilidades de produção

são:
129
• Se o produto final apresentar algum componente
com a característica C (curto), ele será
irrecuperável, e o conjunto será vendido como
sucata ao preço de R$ 5,00. Cada componente
longo poderá ser recuperado a um custo adicional
de R$ 5,00.

• Se o preço da venda de cada unidade for R$

25,00, como seria a distribuição de frequências da
variável aleatória X: lucro por conjunto montado?

130
131
 Variável aleatória discreta
• Se definíssemos a variável Y que
representa o custo de reparação dos
componentes de produção, qual
seria a função de probabilidade?

132
133
 Variável aleatória discreta
• Valor médio de uma v.a.
– Definição: Dada a v.a. discreta X,
chamamos de valor médio ou esperança
matemática de X:

134
 Variável aleatória discreta
• Se o empresário do exemplo anterior
perguntasse:

• “Qual o lucro médio por conjunto

montado que espero conseguir?”

135
 Variável aleatória discreta
• Calcular a variância e dp do lucro do
empresário

• Resultados:
– Var(L) = 57.23
– Dp(L) = 7.57
136
 Variável aleatória discreta
• Função de distribuição acumulada de
X – f.d.a.

137
 Modelos Probabilísticos para v.a.
discreta
• Determinados eventos são típicos
em sua ocorrência:
– Exemplo: situações que incorrem em
sucesso ou fracasso

– Os modelos probabilísticos pré-definidos

facilitam o cálculo das probabilidades

138
 Modelos Probabilísticos para v.a.
discreta
• Distribuição de Bernoulli
– Evento com apenas dois resultados
aleatórios: fracasso e sucesso
– Se p = probabilidade do sucesso
– p(0) = P (X=0) = 1 – p
– p(1) = P (X=1) = p
– E(X) = p
– Var(X) = p*(1-p)

139
 Modelos Probabilísticos para v.a.
discreta
• Exemplos:
– Uma pessoa, moradora da Zona Sul de
São José dos Campos, é selecionada ao
acaso. Verifica-se se essa pessoa é a
favor ou contra um projeto municipal
que está em votação na câmara.

140
 Modelos Probabilísticos para v.a.
discreta
• Distribuição Binomial
– Se designarmos k o número total de
sucessos em n ensaios de Bernoulli os
possíveis valores de k são 0, 1, 2,..., n e
os pares (x, P(X=k)) constituem uma
distribuição binomial.

– Uma moeda é lançada três vezes. Qual

a probabilidade de se obter duas caras?

141
 Modelos Probabilísticos para v.a.
discreta
• Em um teste de qualidade, 10 peças
são extraídas de um lote contendo
500 peças. Qual a probabilidade de
todas serem defeituosas, sabendo
em, em média 10% de um lote é
defeituoso?

142
 Modelos Probabilísticos para v.a.
discreta
• Em um teste de qualidade, 10 peças
são extraídas de um lote contendo
500 peças. Qual a probabilidade de
todas serem defeituosas, sabendo
em, em média 10% de um lote é
defeituoso?

– P(k=10) = b(10; 10, 1/10)

143
 Modelos Probabilísticos para v.a.
discreta
• Se 20% dos parafusos produzidos
por uma máquina são defeituosos,
determinar a probabilidade de, entre
4 parafusos escolhidos, no máximo 2
deles serem defeituosos.

144
 Modelos Probabilísticos para v.a.
discreta
• Distribuição de Poisson
– Conhecemos o número de sucessos, porém é
difícil ou sem sentido determinar o número de
fracassos.

– Exemplos:
– Número de carros que passam em uma rodovia.
– Número de clientes chegando ao caixa de um
supermercado
– Número de peças defeituosas substituídas num
veículo durante o primeiro ano de vida
145
 Modelos Probabilísticos para v.a.
discreta
• Distribuição de Poisson
– X sucessos em um intervalo t (área,
tempo,..) é uma distribuição binomial
com p -> 0 e n -> ∞

146
 Modelos Probabilísticos para v.a.
discreta
• Distribuição de Poisson

e = número de Euler = 2,71828182845905

147
 Modelos Probabilísticos para v.a.
discreta

• Em média há 2 chamadas por hora

numa empresa de seguros. Calcular
a probabilidade de se receber 0
chamadas em 40 minutos.

148
 Modelos Probabilísticos para v.a.
discreta
• Em média há 2 chamadas por hora
numa empresa de seguros. Calcular
a probabilidade de se receber no
máximo 3 chamadas em 30 min.

149
 Modelos Probabilísticos para v.a.
discreta

• Em um estacionamento chegam em
média 100 carros por hora. Determine
a probabilidade de:

a) Chegarem exatamente 10 carros em 10

minutos;
b) Chegarem pelo menos 5 carros em 10
minutos;
c) Chegarem no máximo 7 carros em 5 minutos.
150
 Modelos Probabilísticos para v.a.
discreta

• Em um certo tipo de fabricação de fita

magnética, ocorrem defeitos a uma taxa
de 1 a cada 2000 metros. Qual a
probabilidade de que um rolo com 2000
metros de fita magnética:

a) Não tenha defeitos?

b) Tenha no máximo dois defeitos?
c) Tenha pelo menos dois defeitos?
151
 Modelos Probabilísticos para v.a.
discreta

• Comparando resultados entre

Binomial e Poisson:

– Uma amostra de 20 peças é retirada de um lote

de 100 peças de uma máquina que trabalha
com um índice de defeitos de 4%. Determinar a
probabilidade de se encontrar duas peças
defeituosas na amostra.

152
 Variável aleatória contínua
• Definição: Uma função X, definida
sobre o espaço amostral (Ω) e
assumindo valores num intervalo de
números reais.

– Exemplos:
• Renda de uma região
• Medidas de peças
• Demanda de carga transportada

153
154
 Modelos probabilísticos para v.a.
contínuas
• • O que acontece se aumentarmos o
número de classes, deforma que
cada intervalo de classe tenha
amplitude -> 0?

155
Curva de densidade de
probabilidade

156
157
 Modelos probabilísticos para v.a.
contínuas
• O comportamento da v.a. X contínua é
caracterizado por sua função densidade
de probabilidade f(x).

• Uma fdp satisfaz as seguintes

propriedades

– (ii) 𝑓(𝑥) ≥ 0, para todo x

– (i) A área sob a curva de densidade é 1

– (iii) 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = á𝑟𝑒𝑎 𝑠𝑜𝑏 𝑎 𝑐𝑢𝑟𝑣𝑎

𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑓(𝑥)
158
159
 Modelos probabilísticos para v.a.
contínuas
• Se a área correspondente ao
intervalo [a, b] representa a
probabilidade de ocorrência da
variável:

– A integral de uma função entre os

pontos a e b será a probabilidade de
ocorrência da v.a. X.

160
 Exemplo 1
• A demanda diária de arroz num supermercado,
em centenas de quilos, é uma v.a. com f.d.p.

• Qual a probabilidade de se vender mais do que

1,5 centena de quilo, num dia escolhido ao
acaso?
161
 Modelos probabilísticos para v.a.
contínuas

• Média e variância das v.a. contínuas

• 𝐸(𝑥) = 𝜇 = x * f(x)dx

• 𝜎2 = (𝑥 − 𝜇)2𝑓(𝑥)𝑑𝑥 = 𝐸(x2) − 𝐸(x)2

162
 Exemplo 2
• Numa determinada localidade, a
distribuição de renda (em milhares de
reais) é uma v.a. X com f.d.p.

• Qual a renda média nessa localidade?

163
 Modelos probabilísticos para v.a.
contínuas

• Distribuição de probabilidade de
uma v.a. contínua
– Distribuição uniforme
– Distribuição de Gauss (Normal)

164
 Distribuição Uniforme
• F.d.p é constante dentro de um
intervalo de valores da variável
aleatória X

165
 Modelos probabilísticos para v.a.
contínuas

• Distribuição de Gauss (Normal)

– Fenômenos físicos, financeiros, sociais

166
 Exemplo: Distribuição
Normal
• Ao observarmos o peso de 1500
pessoas obtemos o seguinte
histograma

167
 Exemplo: Distribuição
Normal
• Seja a variável aleatória X: peso de
uma pessoa escolhida ao acaso

168
𝜇
169
 Distribuição Normal
• 1ª) A variável aleatória X pode assumir todo e qualquer valor real.

• 2ª) A representação gráfica da distribuição normal é uma curva em

forma de sino, simétrica em torno da média, que recebe o nome de
curva normal ou de Gauss.

• 3ª) A área total limitada pela curva e pelo eixo das abscissas é igual a 1

• 4ª) A curva normal é assintótica em relação ao eixo das abcissas, isto

é, aproxima-se indefinidamente do eixo das abcissas sem, contudo,
alcançá-lo.

• 5ª) Como a curva é simétrica em torno da média, a probabilidade de

ocorrer valor maior do que a média é igual à probabilidade de ocorrer
valor menor do que a média, isto é, ambas as probabilidades são iguais
a 0,5. Escrevemos: P( X > x ) = P( X < x ) = 0,5.

170
 Distribuição Normal
• F.d.p da distribuição Normal

171
Distribuição Normal

172
 Distribuição Normal
• Transformação da distribuição
Normal em uma função de
distribuição normal reduzida

• N(𝜇,𝜎) = > 𝜇 = 0 sendo e 𝜎 = 1

173
 Exemplo 1
• Seja a v.a. X: diâmetros dos
parafusos produzidos por certa
máquina. Vamos supor que essa
variável tenha distribuição normal
com média μ = 2 cm desvio padrão
σ = 0,04 cm. Qual a probabilidade
de selecionarmos um parafuso com
diâmetro entre 2 e 2,05?

174
175
 Exemplo 1
• Usando o Z-score para trazer a
normal em sua forma reduzida

• z para x = 2 é 0

• z para x = 2,05 é 1,25

176
 Exemplo 1
• 𝑃(2 ≤ 𝑥 ≤ 2,05) = 𝑃(0 ≤ 𝑥 ≤
1,25)

• O que representa o valor de z =

1,25?

177
178
179
 Exemplo 1
• A chance será de 0,3944 ou 39,44%

180
Proporções na Normal
Reduzida

181
Inferência Estatística
182
 Inferência Estatística
• Parte 1 -> Resumir descritivamente
variáveis
• Parte 2 -> Construção de modelos
teóricos

183
 Inferência Estatística
• Parte 1 -> Resumir descritivamente
variáveis
• Parte 2 -> Construção de modelos
teóricos
• Parte 3 -> construir argumentos
para fazer afirmações sobre as
características de uma
população, com base em
informações dadas por amostras
184
 Problemas de inferência
• Dois problemas
– Teste de hipóteses
– Estimação

• Lance uma moeda 50 vezes. A va X:

número de caras obtidas nos
lançamentos

185
 Problemas de inferência
• Dois problemas
– Teste de hipóteses
– Estimação

• Lance uma moeda 50 vezes. A va X:

número de caras obtidas nos
lançamentos

– Sabemos que X ~ b(50,p)

– Você obteve 36 caras em 50 lançamentos
186
 Problemas de inferência
• Hipótese: a moeda é honesta

• Se p = ½ e a v.a. X segue uma

distribuição binomial, é possível calcular
qual a possibilidade de se obterem 36
caras no lançamento.

• Dependendo do resultado podemos supor

que a moeda não é honesta.....qual o
valor de p nesse caso?
187
 Problemas de inferência
• Outro problema:
• A distribuição das alturas dos
brasileiros adultos pode ser
representada por um modelo normal.

– O que essa informação representa?

– Qual o papel do pesquisador nesse
processo?

188
 Problemas de inferência

• Se medíssemos as alturas de todos

os brasileiros adultos, teríamos
meios de obter sua distribuição
exata. Nesse caso não usaríamos a
inferência.

• Como resolver esse caso?

189
 Problemas de inferência

• Se medíssemos as alturas de todos os

brasileiros adultos, teríamos meios de
obter sua distribuição exata. Nesse caso
não usaríamos a inferência.

• Como resolver esse caso?

• Escolheremos uma amostra dessa
população e por meio dessa amostra
podemos inferir sobre os parâmetros
190
 Problemas de inferência
• Outro problema:
• Será que a média de altura dos paulistanos
é maior do que a dos mineiros, sabendo
que a altura média dos mineiros é de
1,65m?

• Hipótese: os paulistanos são mais altos do

que os mineiros

• Como resolver essa hipótese?

191
 Problemas de inferência
• Retomando:
– Inferência Estatística significa produzir
afirmações de uma característica da população,
a partir de informações colhidas de uma parte
dessa população.

– A característica de interesse será representada

por uma v.a.

– O problema seria resolvido facilmente se

conhecêssemos a função de probabilidade
(discreto) ou a f.d.p (contínuo)
192
 Problemas de inferência
• Problema:
– Ou não temos qualquer informação da
variável ou a informação é parcial.
• Em alguns casos conhecemos a forma da
curva, mas desconhecemos os parâmetros
• Em alguns casos conhecemos os
parâmetros, mas não sabemos a forma da
curva
• Muitas vezes não sabemos nem os
parâmetros, nem a forma da curva

193
 Problemas de inferência
• 3 perguntas em problemas que
envolvem amostras
– Como selecionar uma amostra
representativa?
– Como obter os dados?
– Que informações serão retiradas da
amostra?

194
 Amostra
• Problema: O que é uma amostra
representativa?

• Quantidade de glóbulos brancos =>

distribuição homogênea pelo corpo

• Pesquisa de opinião a respeito de um um

projeto governamental => podemos criar
um viés de seleção

195
 Amostra
• Problema: O que é uma amostra representativa?

• Quantidade de glóbulos brancos => distribuição

homogênea pelo corpo

• Pesquisa de opinião a respeito de um um projeto

governamental => podemos criar um viés de
seleção

• É evidenciada a importância de como se obter

uma amostra!
196
 Amostra
• Como dimensionar a amostra para o
seu problema?

197
 Amostra
• Planejamento de experimentos

• Grande preparação do pesquisador

para coletar dados...
• A altura que um produto é colocado na
gôndola de um supermercado afeta a
sua venda?

198
 Amostra
• Planejamento de experimentos

• Grande preparação do pesquisador para coletar

dados...
• A altura que um produto é colocado na gôndola
de um supermercado afeta a sua venda?
• Quais outros elementos interferem na venda do
produto, além da altura?

• Não sei!!

199
 Inferência Estatística
• Podemos recorrer a modelos que
descrevem o comportamento das
vendas do produto em função da
altura colocada na gôndola...

200
 Inferência Estatística
• Podemos recorrer a modelos que
descrevem o comportamento das
vendas do produto em função da
altura colocada na gôndola...

• Observa-se que as vendas Vh do

produto oferecido na altura h segue
uma distribuição próxima à Normal

201
 Inferência Estatística
• Podemos recorrer a modelos que
descrevem o comportamento das vendas
do produto em função da altura colocada
na gôndola...

• Observa-se que as vendas do produto

oferecido na altura h segue uma
distribuição próxima a normal, ou seja,

• Qual a hipótese?
202
 Estatística e Parâmetros
• n – 1 representa uma medida chamada Grau de Liberdade ou
G.L.

• Pressupõe que a última aparição em uma seleção de amostra

não é aleatória. Por exemplo:

• Suponha uma seleção de 5 números com média 4. A soma

dos números deve ser 20. Quais números poderiam ser?

• 2–4–8–3–3

• No caso acima, mesmo que os quatro primeiros números

sejam gerados aleatoriamente, o último número será,
necessariamente, 3.
203
 Estatística e Parâmetros
• Se os dados estiverem tabelados

• GL = (Número de linhas – 1) x
(Número de colunas – 1)

204
205
 Distribuições amostrais
• Na inferência estatística:
– Baseados na estatística T, que é uma função da
amostra, faremos alguma afirmação do
parâmetro populacional

– Essa afirmação será melhor validada se

soubermos o comportamento da distribuição
estatística T para todos os elementos da amostra.

– Essa distribuição é chamada Distribuição

Amostral da Estatística T

206
207
 Exemplo de distribuição
amostral
• Seja a variável aleatória X que denota o
número de dias de internação de um cão em
um hospital veterinário depois de uma
particular cirurgia. Considerando a população
de todos os cães submetidos à cirurgia,
suponha que X tem a distribuição de
probabilidade apresentada na tabela
seguinte. Uma amostra aleatória simples com
reposição de 2 cães é tomada nesta
população. Qual a distribuição do número
médio amostral de dias de internação?
208
Exemplo de distribuição
amostral

x 0 1 2 3

p(x) 0,2 0,4 0,3 0,1

209
 Exemplo de distribuição
amostral
• Todas as possibilidades são
denotadas pela distribuição conjunta
de X1 e X2

• X1 e X2 são v.a. independentes,

portanto, a distribuição conjunta das
duas variáveis é obtida
multiplicando-se as probabilidades..
210
Exemplo de distribuição
amostral

211
 Características importantes da
Distribuição Amostral da Média

• A média da média amostral em uma

AAS é igual a média populacional

• A variância da média amostral em uma

AAS é igual a

sendo n o tamanho da amostra

212
 Exemplo 2
• Dada a população {1, 3, 5, 5, 7} e a
seleção de amostras de tamanho 2,
encontre a distribuição amostral da
média. Calcule a média da média
amostral?

213
 Distribuição amostral da
média
• Formas da distribuição amostral da
média
– Qual o desenho da curva de distribuição

– Exemplo da população {1,3,5,5,7}

– O que acontece com a variância da

média amostral conforme se aumenta o
valor de n?
214
215
 Distribuição amostral da
média
• Independentemente da forma de
distribuição da população, a
distribuição amostral da média
aproxima-se cada vez mais de uma
distribuição normal a medida que se
aumenta o tamanho da amostra.

Teorema do Limite Central

216
217
 Distribuição amostral da
média
• Desvio padrão da média amostral
– A média amostral pode variar a cada
amostra selecionada (em amostras do
mesmo tamanho).

• Erro padrão:

218
 Distribuição amostral da
média

• Exemplo:
– Uma amostra aleatória de 36 embalagens
retiradas de um lote produzido forneceu
uma média de peso de 150 gramas e
desvio padrão de 1.5. Dados históricos
demonstram que o peso dos produtos
segue uma distribuição normal. Construa
o intervalo de 95% de confiança para a
média da população.
219
 Distribuição amostral da
média
• Uma máquina enche pacotes de 500
g de café. Sabe-se pela equipe de
qualidade que o peso final dos
pacotes seguem uma ~ N(500, 100).
Qual a chance de selecionarmos
uma amostra de 100 pacotes de café
que possuam erro menor de 2 g em
relação aos 500 g?

220
 Tamanho da amostra
• Margem de erro => o intervalo no
qual se espera encontrar o dado
medido

• Nível de confiança => expressa a

certeza

• Exemplo
221
 Tamanho da amostra
• Sabe-se que, com 95% de certeza,
45% da população brasileira entre
15 e 65 anos possui casa própria.
Sendo que há uma margem de erro
de 5%.

222
 Tamanho da amostra
• Se estes 45% representam 64.42
milhões de pessoas, qual a margem
de erro?

• O que significa o nível (intervalo) de

confiança?

223
 Tamanho da amostra
• Cálculo do tamanho de amostra

• Onde:

224
 Tamanho da amostra
• n = tamanho da amostra que queremos calcular

• N = tamanho do universo

• Z = desvio do valor médio que se aceita para alcançar o nível de

confiança desejado. Em função do nível de confiança, usa-se um
valor determinado que é dado pela forma da distribuição de
Gauss. Os valores mais frequentes são:

– Nível de confiança 90% -> Z=1,645

– Nível de confiança 95% -> Z=1,96
– Nível de confiança 99% -> Z=2,575

• e = margem de erro máximo admitida (e.g. 5%)

• p = proporção que se espera encontrar

225
226
 Tamanho da amostra
• Exemplo:

• Tem-se uma população de 136 milhões de

brasileiros entre 15 e 65 anos. O pesquisador
deseja saber qual a % deles tem casa
própria, com uma margem de erro de 5% e
um nível de confiança de 95%. Suponha que
não há nenhuma informação prévia sobre
qual é a % de proprietários na população.
Qual o tamanho da amostra necessária?

227
 Tamanho da amostra
• População infinita

228
 Tamanho da amostra
• Exemplo:

• Um assistente social deseja saber o tamanho da

amostra (n) necessário para determinar a
proporção da população atendida por uma
Unidade de Saúde, que pertence ao município de
Cariacica. Não foi feito um levantamento prévio
da proporção amostral e, portanto, seu valor é
desconhecido. Ela quer ter 90% de confiança que
sua o erro máximo de estimativa (E) seja de ±5%
(ou 0,05). Quantas pessoas necessitam ser
entrevistadas?
229
 Distribuição t-Student
• Uma amostra de 15 agulhas,
extraída de uma população com
distribuição normal, forneceu média
de 1.40 mm e dp de 0.010 mm de
expessura. Construa o intervalo de
90% de confiança para a média
populacional.

230
Teste de Hipóteses
231
 Teste Qui-Quadrado
• Teste de hipóteses
– H0 = hipótese nula
– H1 = hipótese alternativa

– X2 calculado e X2 tabelado
• X2 calculado > ou = X2 tabelado H0 é
rejeitada
• X2 calculado < X2 tabelado H0 é aceita

232
 Teste Qui-Quadrado
• X2 tabelado
– Depende do GL e nível de significância
adotado

– GL = Número de Classes – 1
– GL = (L – 1) * (C – 1)
– Nível de significância => probabilidade
de erro que se tem ao rejeitar uma
hipótese

233
234
 Teste Qui-quadrado
• Teste de aderência
• Verificar se os observados dos n-
eventos concordam ou não com os
esperados

235
 Teste Qui-quadrado
• Uma moeda é jogada 100 vezes
• Quais os valores teóricos esperados?

236
 Teste Qui-quadrado
• Uma moeda é jogada 100 vezes
• Quais os valores teóricos esperados?

– Os valores medidos foram 60 caras e 40

coroas
– Qual o valor do X2?

237
Teste Qui-quadrado

238
 Teste Qui-quadrado
• Teste de independência

Sexo

Curso Masculino Feminino Total

Aeronáutica 100 20 120
Logística 40 40 80
Total 140 60 200

239
 Teste Qui-quadrado
• Distribuição qui-quadrado

240
 Teste Qui-quadrado
• Um problema com 10 amostras e
significância de 5%.
• Qual o X2 tabelado?

241
242
 Teste Qui-quadrado
• Qui-quadrado superior e inferior

243
 Teste Qui-quadrado
• Considere uma distribuição qui-
quadrado com parâmetro 18.
Encontre a média, variância, desvio-
padrão, mediana e 1º quartil

244