UNIVERSIDADE EDUARDO MONDLANE

FACULDADE DE VETERINÁRIA
LICENCIATURA EM CIÊNCIAS E TECNOLOGIA DE ALIMENTOS

Disciplina: Bioestatística

Docentes:
dr Leonel Nhambi & dra. Nelsa Combo
Tópicos
• Considerações Iniciais: a bioestatística ira
 Medidas de posição e variabilidade
desempenha um papel fundamental na análise
de dados coletados no contesto de testes
 Distribuição Normal
químicos e ensaios biológicos, bem como em
estudos de outras áreas como epidemiologia,
 Estimação e Teste de Hipótese
política sanitária, saúde pública e familiar entre
outras
 Analise de Variância (ANOVA)
 Conceitos Preliminares
 Distribuição qui quadrado
 Planeamento da Pesquisa e as Técnicas de
Amostragem  Coeficiente de Correlação entre duas
variáveis.
 Organização e apresentação de dados
 Correlação e regressão linear simples
 Distribuição de Frequência

 Apresentação Gráfica.
Conceitos
 Estatística
 Estatística descritiva ou Análise exploratória de dados
 Estatística Indutiva e Inferencial
 Probabilidade
 População e amostra
 Parâmetro e estatística
 Dados primários e secundários
 Censo
 Variável
Conceitos
• Estatística: é a ciência que tem por objetivo planejar, coletar, tabular,
analisar e interpretar informações e delas extrair conclusões que
permitam a tomada de decisões acertadas mediante incertezas.
• Áreas: Estatística Descritiva e Estatística Inferencial ou Indutiva e
Probabilidade;
• Bioestatística – é um ramo da estatística que tem como objetivo
aplicar métodos e técnicas estatísticas para solucionar problemas da
área de biologia, epidemiologia, saúde publica, medicina, agricultura,
produção alimentar, etc.
Conceitos
População: é o conjunto de elementos (valores, pessoas, medidas
etc.) que tem pelos menos uma característica em comum.
Amostra: é um subconjunto de elementos extraídos de uma
população
Parâmetro: é uma medida numérica que descreve uma característica
de uma população.
Estatística: é uma medida numérica que descreve uma característica
da amostra.
Dados primários: dados coletados pelo próprio pesquisador e sua
equipe.
Dados secundários: não foram obtidos pelo pesquisador e sua
equipe (diversas fontes como artigos em periódicos, institutos de
pesquisa, INE, INS, OMS).
Conceitos
• Censo: é uma coleção de dados relativos a todos os elementos de
uma população.
• Variável: é a característica de interesse que é medida em cada
elemento da amostra ou população, podendo ter resultados
numéricos ou não. Seus valores variam de elemento a elemento.
Conceitos
• Censo: é uma coleção de dados relativos a todos os elementos de
uma população.
• Variável: é a característica de interesse que é medida em cada
elemento da amostra ou população, podendo ter resultados
numéricos ou não. Seus valores variam de elemento a elemento.
Variáveis - Classificação
Tipos de estudo
• Estudo observacional: verificamos e medimos características
específicas, mas não tentamos manipular ou modificar os elementos
a serem estudados.
• Estudo transversal: dados são observados, medidos e coletados em
um ponto no tempo.
• Estudo retrospectivo ou de caso controle: os dados são coletados do
passado, voltando-se no tempo.
• Estudo prospectivo ou longitudinal ou de coorte: os dados são
coletados no decorrer do tempo, de grupos (coortes) que
compartilham fatores comuns.
Tipos de estudo
• Estudo observacional: verificamos e medimos características
específicas, mas não tentamos manipular ou modificar os elementos
a serem estudados.
• Estudo transversal: dados são observados, medidos e coletados em
um ponto no tempo.
• Estudo retrospectivo ou de caso controle: os dados são coletados do
passado, voltando-se no tempo.
• Estudo prospectivo ou longitudinal ou de coorte: os dados são
coletados no decorrer do tempo, de grupos (coortes) que
compartilham fatores comuns.
Experimentos
Controlando os efeitos das variáveis
• Experimentos cegos: o sujeito não sabe se está recebendo o tratamento ou
o placebo.
• Blocos: para testar a eficácia de um ou mais tratamentos é importante
colocar os sujeitos em grupos diferentes (ou blocos) de tal modo que os
grupos sejam muito semelhantes.
• Planejamento experimental completamente aleatorizado: os sujeitos são
colocados nos blocos através de um processo de seleção aleatória.
• Planejamento rigorosamente controlado: sujeitos são escolhidos
cuidadosamente de modo que em cada bloco sejam similares.
Tipos de estudos
Levantamento de dados
Problemas usuais - Representatividade
• Fator associado à forma de amostragem.
• Na seleção da amostra procura-se reproduzir as características
observáveis da população - uso do critério de proporcionalidade.
• Em caso de desconhecimento da composição da população deve-se
utilizar algum critério de aleatoriedade (sorteio).
• Amostra tendenciosa – conclusões sem consistência.
Levantamento de dados
Problemas usuais – Fidedignidade
Relacionada à precisão ou qualidade dos dados.
Motivos da falta de precisão:
 Falhas nos instrumentos de aferição;
 Problemas nos questionários empregados na obtenção dos dados;
 Falha humana.
Levantamento de dados
A importância da coleta de dados
Bom Questionário;
 Perguntas abertas e fechadas;

Cuidado na hora de coletar informações;

 Não adianta uma metodologia perfeita e um bom planejamento se na hora da coleta
dos dados houver alguma influência do entrevistador perante o entrevistado;
 As pessoas que são contratadas para fazer as entrevistas devem passar por um bom
treinamento.
Amostragem

Se os dados amostrais não forem coletados de

maneira apropriada, eles podem ser de tal modo
inúteis que nenhuma manipulação estatística poderá
salvá-los.
 A aleatoriedade comumente desempenha papel
crucial na determinação de quais dados coletar.
Amostragem
Vantagens do levantamento por amostragem: custo menor, menor tempo
e objetivos mais amplos.
 Situações para trabalho com amostras: população muito grande,
dificuldade de acesso, grande número de variáveis.
Tipos
 Aleatória Simples com e sem reposição
 Estratificada Sistemática
 Conglomerados
 Conveniência
Organização e Apresentação de dados
Dados Brutos - são os dados originais que ainda não se encontram
numericamente organizados.

ROL - é uma lista em que os valores ou dados numéricos são dispostos em

uma determinada ordem, crescente ou decrescente

Tabelas ( Tabelas de Frequências) – Apresentação de dados agrupados

Gráficos - apresentação de dados em gráficos
Distribuições de Frequências
Relacionam categorias ou classes de valores, juntamente com contagens (ou
frequência) do número de valores que se enquadram em cada categoria.
Exemplo: VARIÁVEL QUALITATIVA
Cor do cabelo Frequência
Preto 15
Castanho 20
Cinzento 10
Total 45
Distribuições de Frequências
Conceitos:
 Há duas maneiras de representar a distribuição de frequências dos dados: quando os valores são não
classificados ou não agrupados ( tabela 1) e quando os dados são classificados ou agrupados ( tabela

 Amplitude total ou “Range” é a diferença entre o maior valor e o menor da série estatística, ou é a
diferença entre os extremos do rol. At = Xmax - Xmin

 Limites de classes são os valores extremos de cada classe

 Intervalo ou amplitude de classe é a diferença entre os limites superiores ou inferiores de duas classes
consecutivas i  X X
max( i ) max( i 1)
X min(i )  X max(i )
 Ponto médio de classe é o valor que representa a classe para efeitos de cálculo X i 
2
Distribuições de Frequências
Passos Para fazer tabela de frequências em classes:
Passo1. Construir o Rol
Passo2. Determinar a amplitude total
Passo3. determinar ou escolher o número de classes
Método1. escolher arbitrariamente k entre 5 a 20
Método2. calcular pela fórmula de Sturges, k=1+3.3logN
Método3. k  N
At
Passo4. Determinar o intervalo de classe i  k
Passo5. Determinar os limites inferior e superior das classes.
Distribuições de Frequências
Tipos de Frequência:
Frequência absoluta (fi) é o número de repetições de um valor individual ou de
uma classe de valores da variável.
Frequência relativa (fr) é a proporção de observações de um valor individual
ou de valores pertencentes a uma categoria em relação ao número total de
observações.
Frequência absoluta acumulada (Fi) é a soma da frequência absoluta dessa
ordem ou classe i, com as frequências anteriores partindo de cima para baixo.
Frequência relativa acumulada (Fr) pode ser calculada a partir da definição de
frequências acumuladas ou da definição de frequências relativas
Distribuições de Frequências
Passos Para fazer tabela de frequências em classes: Exemplo

Consideremos a seguinte tabela que representa as alturas de 50 indivíduos medidos até aos centímetros

162.188 173 168 179 183 167 186 177 187 174 164 174 159 177 173 163
180.196 171 184 179 190 181 166 181 182 176 169 172 162 175 192 178
177 200 191 188 168 165 193 175 160 180 187 176 170 156 174 179

Desta forma e atendendo que o número de observações é grande, vamos fazer um agrupamento das
unidades estatísticas em classes. A escolha do número de classes é variável consoante a conveniência e o
número de casos observados.
Distribuições de Frequências
Passos Para fazer tabela de frequências em classes: Exemplo

Usando as regras anteriores temos:

1.do Rol obtido: Xmax=200 e Xmin=156
2.amplitude total: At = 200-156 = 44
3.método2, k =1+3.3log50 = 6.6 ≈ 7.0, método3, k = √50 = 7.07 ≈ 7.0
4. i  At  44  6.3
k 7
 Distribuições de Frequências
i Classes (x,cm) Frequênci Frequência Frequência Frequência xi
as (fi) relativa (fr) absoluta relativa
acumulada (Fi) acumulada (Fr)
1 [156.0 – 162.3[ 5 0.1 5 0.1 159.15
2 [162.3 – 168.6[ 7 0.14 12 0.24 165.45
3 [168.6 – 174.9[ 9 0.18 21 0.42 171.75
4 [174.9 – 181.2[ 15 0.3 36 0.72 178.05
5 [181.2 – 187.5[ 6 0.12 42 0.84 184.35
6 [187.5 – 193.8[ 6 0.12 48 0.96 190.65
7 [193.8 –200.1[ 2 0.04 50 1 196.95
soma - 50 1 - - -
Gráficos
• Os gráficos são representações pictóricas dos dados.
• Tem por finalidade dar uma ideia, a mais imediata possível, dos
resultados obtidos, permitindo chegar-se a conclusões sobre a evolução
do fenômeno ou sobre como se relacionam os valores da série.
• A escolha do gráfico mais apropriado ficará a critério do analista.
• Contudo, os elementos simplicidade, clareza e veracidade devem ser
considerados quando da elaboração de um gráfico.
Gráficos
Gráficos para variáveis qualitativas
Dentre os gráficos para representar variáveis qualitativas temos o gráfico
de barras e em setores (gráfico de pizza).

Preto Castanho Cinzento

22%
33%

44%
Gráficos
Gráfico de barras: consiste em construir retângulos ou barras, em que uma das
dimensões é proporcional a magnitude a ser representada (fi). Estas barras são
dispostas paralelamente umas das outras, horizontalmente ou verticalmente
100
90
90

80
70
70

60

50 45
40

30 24
20
12
10

0
1a Classe 2a Classe 3a Classe 4a Classe 5a Classe

Alunos por classe numa Escola Primaria em Maputo

Gráficos
Gráfico para variáveis quantitativas: Os tipos de gráficos geralmente são
utilizados nesse caso: Gráfico de dispersão, Histograma, polígono de
frequência e gráfico de linhas
• Histograma: É um gráfico de barras contíguas, com bases proporcionais aos
intervalos das classes e a área de cada retângulo proporcional à respetiva
frequência. Exemplo: Idade dos idosos num lar de terceira idade
 Gráficos
• Polígono de frequência: É um gráfico em linha, onde as frequências são marcadas sobre
perpendiculares ao eixo horizontal, levantadas pelos pontos médios dos intervalos de classe. Para
conseguir um polígono, ligamos os extremos da linha obtida aos pontos médios da classe anterior à
primeira e da posterior à última, da distribuição.

Poligno de frequencias Acumuladas (Ogiva)

60

50
Frequencias Acumuladas (Fi)

40

30

20

10

0
159.15 165.45 171.75 178.05 184.35 190.65 196.95

Ponto medio da classe

 Medidas de tendência central
A Média – é uma grandeza ou valor representativo de um conjunto de dados como eles tendem a se localizar em torno
do ponto central. A média aritmética é a mais usada pelos estatísticos, podendo esta ser simples ou ponderada.

x1  x 2  x3  ...  x n x i
Simples: X   i 1

n n
n

xˆ1 f 1  xˆ 2 f 2  xˆ 3 f 3  ...  xˆ n f n  xˆ i fi
Ponderada: X   i 1

f 1  f 2  f 3  ...  f n n

f
i 1
i
 Medidas de tendência central
A Moda (Mo) define-se como o valor da variável que ocorre com mais frequência. Para casos em que o número das
observações não é muito elevado esta medida pode ser lida no rol. De acordo com as frequências de cada valor
observado, é possível não ter uma moda (distribuição amodal), ter uma (unimodal), duas (bimodal), três (trimodal), etc.

f mo  f a
Mo  xi  i
2  f mo  ( f a  f p )
Onde:
xi – Limite inferior da classe modal
fmo – frequência da classe modal
fa – frequência da classe anterior a classe modal
fp – frequência da classe posterior a classe modal
i – intervalo de classe da classe modal
Medidas de tendência central
A Mediana (Me) –é uma separatriz que divide a distribuição ou conjunto de dados em duas partes iguais.
Para dados não agrupados, a mediana é o valor que está na posição mediana para n ímpar e é a média aritmética dos dois
valores centrais para n par.
Para dados agrupados em classe, a mediana é determinada por aproximação. A determinação da classe mediana passa pelo
cálculo das frequências acumuladas.
n
 Fa
Me  xi  2 i
f me
Onde:
xi –limite inferior da classe mediana
fme – frequência da classe mediana
Fa – frequência acumulada da classe anterior a classe mediana
i – intervalo de classe da classe mediana.
 Medidas de tendência central
Exemplo: A partir da tabela apresentada, determine a média, moda e mediana da distribuição.
i Classes fi xi Xi*fi Fi
1 10 – 20 10 15 150 10 Media:
2 20 - 30 20 25 500 30 7

3 30 – 40 35 35 1225 65
 xˆ i fi
6400
X  i 1
7
  42.67
4 40 – 50 40 45 1800 105 150
f i
5 50 – 60 25 55 1375 130 i 1

6 60 – 70 15 65 975 145
7 70 – 80 5 75 375 150
Somatório - 150 - 6400 -
f mo  f a 40  35
Moda: Mo  xi   i  40   10  42.5
2  f mo  ( f a  f p ) 2  40  (35  25)

n 150
 Fa  65
Mediana: Me  xi  2  i  40  2  10  42.5
f me 40
Medidas de Posição: Quartís, Decís e Percentís
Como foi referido, para além da média, os quartís, decís e percentís são outros separatrizes utilizados como medidas de
posição.

Os quartís dividem o conjunto de dados ou distribuição de frequências em quatro partes iguais.

Onde:
nc c- é a ordem do quartil
 Fa liqc –limite inferior da classe onde existe o
Qc  liqc  4 i c  1,2,3 quartil
f qc Fa –Frequência acumulada até a classe onde
existe o quartil.
fqc – frequência absoluta da classe onde existe
o quartil.
Medidas de Posição: Quartís, Decís e Percentís
Os Decis dividem o conjunto de dados ou distribuição de frequências em dez partes iguais.

Onde:
nc c- é a ordem do decil
 Fa lidc –limite inferior da classe onde existe o
Dc  lidc  10 i c  1,2,3,...,9 decil
f dc Fa –Frequência acumulada até a classe onde
existe o decil.
fqc – frequência absoluta da classe onde existe
o decil.
Medidas de Posição: Quartís, Decís e Percentís
Os Percentis dividem o conjunto de dados ou distribuição de frequências em cem partes iguais.

Onde:
c- é a ordem do percentil
lidc –limite inferior da classe onde existe o
percentil.
Fa –Frequência acumulada até a classe onde
existe o percentil.
fqc – frequência absoluta da classe onde existe
o percentil.
Medidas de Posição: Quartís, Decís e Percentís
Exemplos: Registaram-se as alturas de 100 estudantes de uma faculdade, tendo-se obtido a seguinte tabela de
distribuição de frequências:
i classes fi Fi Mediana:
1 1.40 – 1.46 7 7 n
 Fa
2 1.46 – 1.52 9 16 2 50  33
Me  li   i  1.64   0.06  1.68
3 1.52 – 1.52 5 21 f me 26
4 1.58 – 1.64 12 33
5 1.64 – 1.70 26 59
Quartil 1:
6 1.70 – 1.76 20 79
7 1.76 – 1.82 11 90 n 1
 Fa
8 1.82 – 1.88 10 100 4 25  21
Q1  l iq1   i  1.58   0.06  1.60
 – 100 – f q1 12

Decil 3: Percentil 80:

n3 n  80
 Fa  Fa
10 30  21 100 80  79
D3  lid 3   i  1.58   0.06  1.63 P80  lip 80   i  1.76   0.06  1.77
fd3 12 f p 80 11
Medidas de Posição: Quartís, Decís e Percentís
Os Percentis dividem o conjunto de dados ou distribuição de frequências em cem partes iguais.

Onde:
c- é a ordem do percentil
lidc –limite inferior da classe onde existe o
percentil.
Fa –Frequência acumulada até a classe onde
existe o percentil.
fqc – frequência absoluta da classe onde existe
o percentil.
Posições relativas entre a media aritmética, moda e mediana
Para curvas de distribuições de frequências unimodais com um grande número de
observações verificam-se as seguintes relações:
a)Distribuições simétricas: Media=Mediana=Moda
b)Distribuições com assimetria positiva: Media> Mediana> Moda
c)Distribuições com assimetria negativa: Media<Mediana<Moda
 Medidas de Dispersão
Para medir o grau de variabilidade ou dispersão de um conjunto de valores são calculadas outras medidas estatísticas
denominadas medidas de dispersão.

As medidas de dispersão permitem verificar as flutuações das observações face as medidas de tendência central. Elas
proporcionam um conhecimento mais completo do fenómeno a ser analisado em termos de conjuntos absolutos bem como
relativos, estabelecendo comparações entre fenómenos de mesma natureza e mostrando até que ponto os valores se
distribuem acima e abaixo da medida de tendência central.

Variância ou dispersão(2) de um conjunto de números, é a média aritmética dos quadrados dos desvios absolutos desses
números em relação a sua média aritmética.
n n

 ( xi  x ) 2
 (x i  x)2  fi
Para Dados em classes:  
2 i 1
Para Dados simples:  
2 i 1 n
n 1 f
i 1
i
Medidas de Dispersão
O Desvio padrão () é a medida de dispersão mais usada. O desvio padrão é a raiz quadrada positiva da média aritmética
dos quadrados dos desvios dos valores observados em relação a grandeza média.

 (x
n

i  x) 2
 (x i  x)2  fi
  i 1
Para Dados simples:   i 1 Para Dados em classes: n

n 1 f
i 1
i

Os coeficientes de variação são medidas de variação relativas que muitas vezes são expressas em percentagem, eles
resultam do quociente entre uma medida de dispersão absoluta e um promédio.
Coeficiente de variação. Quando a dispersão absoluta é igual ao desvio padrão e o promédio é a média aritmética, a
dispersão real é denominada coeficiente de variação de Pearson. Este é o coeficiente mais vulgar e é o mais utilizado
designando-se coeficiente de variação ou coeficiente de dispersão, seu valor é expresso muitas vezes em percentagem

 
Cv 
x ou C v 
x
 100%
Posições relativas entre a media aritmética, moda e mediana
Duma maneira geral, quando comparamos dispersões podem ocorrer três situações:
 As observações vêm expressas na mesma unidade de medida, e as médias são iguais ou
muito próximas, é conveniente comparar com os valores de desvio padrão.
 As observações vem expressas na mesma unidade de medida e as médias são
significativamente diferentes, é conveniente comparar com as medidas de dispersão
relativa como o coeficiente de variação de Pearson.
 As observações vêm expressas em unidades de medida diferentes, é totalmente
conveniente neste caso comparar com as medidas de dispersão relativa como o
coeficiente de variação de Pearson.
Posições relativas entre a media aritmética, moda e mediana
Exemplo: Calcular a variância e o respectivo desvio padrão das notas obtidas num teste
realizado para 50 estudantes Media:
7

i xi fi xifi xi x ( xi  x ) 2  f i x i fi
532
1 8 7 56 -2.64 48.7872 x i 1
  10.64
50 50
2 7 8 72 -1.64 21.5168
Variância:
3 10 9 90 -0.64 3.6864
4 11 10 110 0.36 1.2960
5 12 8 96 1.36 14.7968
6 13 4 52 2.36 22.2784
Desvio Padrão:
7 14 4 56 3.36 45.1584
 – 50 532 – 157.5200 ∑ 𝑥 − 𝑥̄ ⋅ 𝑓 157.52
s= = = 3.21 = 1.79
𝑛−1 50 − 1
 Introdução a Probabilidades

TEORIA DAS PROBABILIDADES

A teoria das probabilidades busca estimar as chances de ocorrer
um determinado acontecimento. É um ramo da matemática que
cria, elabora e pesquisa modelos para estudar experimentos ou
fenômenos aleatórios.
 Espaço Amostral

• Experimento aleatório: É um experimento que pode apresentar

resultados diferentes, quando repetido nas mesmas condições.

• Espaço amostral: É o conjunto de todos os resultados possíveis de um

experimento aleatório. Indicamos o espaço amostral por Ω ou S.

Ex. lançamento de um dado: S={1,2,3,4,5,6}

 Espaço Amostral

• Evento: Chama-se evento a qualquer subconjunto do

espaço amostral.

• Obs.: Dizemos que um espaço amostral é

equiprovável quando seus elementos têm a mesma
chance de ocorrer.

47
 Eventos certo, impossível e mutuamente
exclusivos

• Evento certo: Ocorre quando um evento coincide com

o espaço amostral.

• Evento impossível: Ocorre quando um evento é vazio.

48
 Exemplos:

Ex.: 1 Lançar um dado e registrar os resultados:

Espaço amostral: S = 1, 2, 3, 4, 5, 6

Evento A: Ocorrência de um número menor que 7 e

maior que zero.
A = 1, 2, 3, 4, 5, 6
Portanto A = S , logo o evento é certo.

49
 Exemplos:

Evento B: Ocorrência de um número maior que 6.

B=

Não existe número maior que 6 no dado, portanto o

evento é impossível.

50
 Exemplos:

Evento C: Ocorrência de um número par.

C = 2, 4, 6

Evento D: Ocorrência de múltiplo de 3.

D = 3, 6

51
 Exemplos:

Evento E: Ocorrência de número par ou número múltiplo

de 3.
E = C  D  E = 2, 4, 6  3, 6 
E = 2, 3, 4, 6 - União de eventos

Evento F: Ocorrência de número par e múltiplo de 3.

F = C  D  F = 2, 4, 6  3, 6  F = 6
Intersecção de eventos
52
 Exemplos:

Evento H: Ocorrência de número ímpar

H = 1, 3, 5

Obs.: C e H são chamados eventos complementares.

Observe que C  H = . Quando a interseção de dois
eventos é o conjunto vazio, eles são chamados eventos
mutuamente exclusivos.

53
 PROBABILIDADE DE OCORRER UM EVENTO

número de elementos de A n( A)
P( A)   P( A) 
número de elementos de  n()

54
 Exemplos

Ex.: 1 Consideremos o experimento Aleatório do lançamento

de um moeda perfeita. Calcule a probabilidade de sair cara.
Espaço amostral:  = cara, coroa  n() = 2

Evento A: A = cara  n(A) = 1

Como n(,A) temos 1 ou 0,50 = 50%

P( A)  P ( A) 
n( B ) 2

55
 Exemplos:

Ex.: 2 No lançamento de um dado perfeito, qual é a

probabilidade de sair número maior do que 4?

Espaço amostral:  = 1, 2, 3, 4, 5, 6  n() = 6

Evento A: A = 5, 6  n(A) = 2

n( A) 2 1
P( A)   P ( A)   P ( A) 
n() 6 3
 Exemplos:

Ex.: 3 No lançamento simultâneo de 3 moedas perfeitas

distinguíveis, qual é a probabilidade de serem obtidas:
a) Pelo menos 2 caras?
b) Exatamente 2 caras?

C = cara K = coroa
= CCC, CCK, CKC, CKK, KCC, KCK, KKC, KKK 
n() = 8
A = CCC, CCK, CKC, KCC  n(A) = 4
 Exemplos:

a) A = CCC, CCK, CKC, KCC  n(A) = 4

4 1
P(A)    50 %
8 2
b) B = CCK, CKC, KCC  n(B) = 3

3
P ( B )   0,375  37,5
8
 Exemplos:
Ex.: 4 Vamos formar todos os números de 3 algarismos
distintos, permutando os dígitos 7, 8 e 9. Qual é a
probabilidade de, escolhendo um número desses ao
acaso, ele ser:
a) ímpar b) par? c) múltiplo de 6? d)
múltiplo de 4? e) maior que 780?

 = 789, 798, 879, 897, 978, 987  n() = 6

 Exemplos:
a) Evento A: ser ímpar  A = 789, 879, 897, 987  n(A)
=4
4 2
P ( A)    0,66  66%
6 3

b) Evento B: ser par  B = 798, 978  n(B) = 2

2 1
P( B)    0,33  33%
6 3
 Exemplos:
c) Evento C: ser múltiplo de 6  C = 798, 978
2
P(C )   0,33  33%
6
d) Evento D: ser múltiplo de 4 D= n(D) = 0
n( D ) 0
P( D)    0  0%
n(  ) 6
e) Evento E: ser maior que 780  E =  n(E) = 6

n( E ) 6
P( E )    1  100%
n ( ) 6
61
 Exemplos:
Ex.: 5: Consideremos todos os números naturais de 4 algarismos distintos que
se podem formar com os algarismos 1, 3, 4, 7, 8 e 9. Escolhendo um deles ao
acaso, qual é a probabilidade de sair um número que comece por 3 e termine
por 7?

6! 6! 6.5.4.3.2!
___ ___ ___ ___ n()  A6, 4     360
(6  4)! 2! 2!

4! 4.3.2!
n( A)  A4, 2    12
3 ___ ___ 7 (4  2)! 2!

n( A) 12 1
P ( A)     0,033  3,33%
n() 360 30
62
 Exemplos:

Exemplo 6: Num grupo de 75 jovens, 16 gostam de música, esporte e

leitura; 24 gostam de música e esporte; 30 gostam de música e leitura; 22
gostam de esporte e leitura; 6 gostam somente de música; 9 gostam
somente de esporte e 5 gostam somente de leitura. CALCULE a
probabilidade de escolher, ao acaso, um desses jovens:

a) ele gostar de música;

b) ele não gostar de nenhuma dessas atividades.

63
 Exemplos:
M
6 8
E
9

16
14
6

L 11

n() = 75
gostam de música: 6 + 8 + 16 + 14 = 44
não gostam de nenhuma dessas atividades:
75 – (6 + 9 + 5 + 8 + 6 + 14 + 16) = 75 – 64 = 11
64
 Exemplos:
a) a probabilidade de gostar de música:
n ( A) 44
P ( A)    58 %
n ( ) 75
b) probabilidade de não gostar de nenhuma dessas
atividades:

n ( B ) 11
P(B)    14 %
n (  ) 75
65
 Eventos complementares
A probabilidade de se obter sucesso em um evento é
dado por p.

A probabilidade de insucesso em um evento é dado

por q.

Então p + q = 1 (100%)

Neste caso p e q são complementares.

66
 Eventos independentes
Dois eventos são independentes quando a realização
ou não realização de um dos eventos não afeta a
probabilidade de realização do outro e vice-versa.

Ex. Lançando-se um dado duas vezes qual a

probabilidade de se obter 6 no segundo
lançamento sendo que no primeiro lançamento o
resultado foi 2.

67
 Eventos mutuamente exclusivos

Dizemos que dois ou mais eventos são mutuamente

exclusivos quando a realização de um exclui a
realização do outro:

Ex. Lançamento de uma moeda:

O resultado “cara” exclui ao acontecer exclui o
evento “coroa”.

68
 Eventos mutuamente exclusivos

Em eventos mutuamente exclusivos a probabilidade

de um ou outro acontecer é igual a soma da
probabilidade que cada um deles se realize

P = P1 + P2

69
 Eventos mutuamente exclusivos

Exemplo: Lançando-se um dado. A probabilidade de

se tirar 3 ou 5 é:

P = 1/6 + 1/6 = 2/6 = 1/3

70
 PROBABILIDADE DA UNIÃO DE DOIS EVENTOS

Consideremos dois eventos A e B de um mesmo espaço

amostral . Da teoria dos conjuntos sabemos que:

• Dividindo os membros da equação por n(), temos:

n( A  B )  n( A)  n( B )  n( A  B )

n( A  B ) n( A) n( B ) n( A  B )
  
n ( ) n ( ) n ( ) n ( )

P ( A  B )  P ( A)  P ( B )  P ( A  B ) 71
 Exemplos:

Exemplo 7 : No lançamento de um dado, qual é a

probabilidade de se obter o número 3 ou um número ímpar?
Espaço amostral:  = {1, 2, 3, 4, 5, 6}  n() = 6

Evento A: número 3  A = {3}  n(A) = 1

Evento B: número ímpar  b = {1, 3, 5}  n(B) = 3

72
 Exemplos:

A  B = {3}  {1, 3, 5} = {3}

n(A  B) = 1
P(A  B) = P(A) + P(B) – P(A  B)

1 3 1
P(A  B) =  
6 6 6

 P(A  B) = 3
6
 Exemplos:

Exemplo 8: Ao retirar uma carta de um baralho de 52

cartas, qual é a probabilidade de que essa carta seja
vermelha ou um ás?
n() = 52
Evento A: a carta é vermelha  n(A) = 26
Evento B: a carta é ás  n(B) = 4
n(A  B) = 2

P ( A  B)  P ( A)  P ( B)  P ( A  B)
74
Exemplos:

26 4 2
P( A  B)   
52 52 52

28
P( A B) 
52
7
P( A  B )   53,8%
13
75
 PROBABILIDADE DO EVENTO COMPLEMENTAR
A probabilidade de não ocorrer o evento A é a
probabilidade de ocorrer o evento complementar de
A, representado por .
Nessas condições, temos :

Então, A  A   e A  A  
P ( )  P ( A  A)
1  P( A)  P( A) P ( A)  1  P ( A)
 Exemplos:
Exemplo 9: No lançamento simultâneo de dois dados perfeitos distinguíveis, vamos
calcular a probabilidade de NÃO sair soma 5.
Resultados possíveis no
lançamento de 2 dados:
 = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),
1 2 3 4 5 6
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (3,1),
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
(3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2),
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (4,3), (4,4), (4,5), (4,6), (5,1), (5,2), (5,3),
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4),
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (6,5), (6,6)}.  n() = 36.
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) Seja A o evento “sair soma 5”. Então:
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
A = {(1,4), (2,3), (3,2), (4,1)}  n(A) = 4

77
 Exemplos:

n( A) 4 1
P( A)   
n() 36 9
1
P ( A)  1  P( A)  P( A)  1 
9

8
P( A) 
9
Variáveis Aleatórias
Variáveis Aleatórias

• Uma variável aleatória associa um número real a cada resultado de

um experimento aleatório.

• Uma variável aleatória é uma função (mensurável) X:   R que

associa um número real a cada resultado de um experimento aleatório.
Exemplos de variáveis aleatórias
• Moeda honesta lançada 3 vezes
 = {ccc, cck, ckc, …}
X = número de caras
Y = número de transições
Quando se observa cck:
X=2
Y=1
 Exemplos de variáveis aleatórias

• Moeda honesta lançada 3 vezes

 = {ccc, cck, ckc, …}
X = número de caras
Y = número de transições

x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8

função de massa de probabilidade (fmp) de X

Função de Distribuição de Probabilidade

• VARIÁVEL ALEATÓRIA DISCRETA: Uma variável aleatória discreta é uma variável

que pode assumir somente certos valores claramente separados (em
descontinuidade) resultantes, por exemplo, de uma contagem de algum item de
interesse.

• VARIÁVEL ALEATÓRIA CONTÍNUA: Uma variável aleatória contínua é uma

variável que pode assumir um número infinitamente grande de valores (com
certas limitações práticas).
Variáveis Aleatórias Discretas - Função de Distribuição de
Probabilidade
Função de distribuição de probabilidades é uma lista de todos os resultados de um
experimento e suas probabilidades associadas. De forma mais rigorosa, é uma
função matemática em que o domínio são os valores possíveis de uma variável
aleatória e a imagem são as suas probabilidades associadas.

CARACTERÍSTICAS DE UMA DISTRIBUIÇÃO DE PROBABILIDADE

 A probabilidade de um resultado deve estar sempre situada entre 0 e 1.

 A soma das probabilidades de todos os resultados mutuamente exclusivos é

sempre 1
 Valor Esperado (média) de uma Distribuição de
Probabilidade Discreta
A média refere-se a localização central de um conjunto de dados. Ela pode ser
considerada como um valor de “longo prazo” de uma variável aleatória e é também
chamada de valor esperado (ou esperança matemática), E(X).
A média de uma distribuição de probabilidade discreta é determinada pela fórmula:

  E ( X )   [ X .P( X )]
onde  (letra grega, mi) representa a média (ou valor esperado) e P(X) é a probabilidade dos vários
resultados de X.
Variância e o Desvio Padrão de uma Distribuição de
Probabilidade Discreta
A variância mede a quantidade de dispersão ou variabilidade de uma distribuição. Ela é denotada pela
letra grega  (sigma ao quadrado).
2

 O desvio padrão é obtido através da raiz quadrada de. 

2

 A variância de uma distribuição de probabilidade discreta é calculada através da fórmula:

  [(X  ) P( X )]
2 2

O desvio padrão é:   2
 Variáveis Aleatórias Contínuas
Diferentemente de uma variável aleatória discreta, para uma variável aleatória
contínua não podemos definir uma função de distribuição de probabilidade (f.d.p.). No
entanto, podemos definir o que se chama de uma função densidade de probabilidade
para as variáveis aleatórias contínuas.

CARACTERÍSTICAS DE UMA DISTRIBUIÇÃO DE PROBABILIDADE

• ela é sempre positiva ou nula. Ou seja, para qualquer valor de X f(x)>=0.

• se integrarmos esta função no intervalo o valor desta integral definida será igual a 1.
 Variáveis Aleatórias Contínuas - Valor Esperado (média) e
variância
A média (ou valor esperado) de uma variável aleatória
contínua é dada pela expressão:

E[ X ] 

 Xf ( X )dx
A variância de uma variável aleatória contínua é dada pela
expressão:

V[ X ]   (X  E[ X ])2 f (X )dx

Função de Distribuição Acumulada
• A função de distribuição acumulada de uma variável aleatória X é a
função FX: RR definida por
FX(x) = P(X ≤ x)
 Função de Distribuição Acumulada
• Exemplo: x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8

1
7/8
1/2

1/8

1 2 3

Se x < 0: P(X≤x) = 0
Se 0 ≤ x <1: P(X≤x) = P(X=0) = 1/8
Se 1 ≤ x <2: P(X≤x) = P(X=0 ou X=1) = 1/8 + 3/8 = 1/2
 Variáveis Aleatórias
Distribuições teóricas de probabilidade
Probabilidade Total Distribuição Binomial
Teorema de Bayes Distribuição de Poisson
Prática de Probabilidades Distribuição Normal
Aula Pratica de distribuições
 Função de Distribuição Acumulada
• Exemplo: x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8

1
7/8
1/2

1/8

1 2 3

Se x < 0: P(X≤x) = 0
Se 0 ≤ x <1: P(X≤x) = P(X=0) = 1/8
Se 1 ≤ x <2: P(X≤x) = P(X=0 ou X=1) = 1/8 + 3/8 = 1/2