2.

Distribuições e probabilidade 2-1

F.E.U.C. Estatística - MBA

Distribuições e probabilidades

Rodrigo Martins 1

F.E.U.C. Estatística - MBA

O que é probabilidade?
Certo
1
1. Modelo numérico da chance de
um evento ocorrer.
• P(Evento).
• P(A).
• Prob(A).
0,5
2. Está entre 0 e 1.
3. A soma dos pontos amostrais é 1.

0 Impossível

Rodrigo Martins 2

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-2

F.E.U.C. Estatística - MBA

Probabilidade
P(Evento) = X / T
• X = Número dos resultados do evento.
• T = Número total de pontos amostrais no
espaço amostral.
• Todos os pontos amostrais T têm a
mesma probabilidade.
- P(Ponto amostral) = 1/T

Independência estatística
1. A ocorrência de um evento não afecta a
probabilidade de outro evento.
• Lançar 1 moeda duas vezes.
2. Não implica causalidade.

Rodrigo Martins 3

F.E.U.C. Estatística - MBA

Para reflexão
Exercício 3.
• Considere que está a resolver um teste com 20 questões de escolha múltipla. Cada
questão vale 1 valor e tem 4 alternativas.

a) Sem saber uma das questões, resolve escolher ao acaso. Qual a sua
probabilidade de acertar?
𝟏
R: = 𝟐𝟓%
𝟒

b) Se tivesse respondido a todas as 20 questões ao acaso, qual seria sua pontuação

esperada? Seria aprovado?
𝟏 𝟏 𝟏 𝟐𝟎
R: × 𝟏 + × 𝟏 + ⋯ × 𝟏 = = 𝟓 𝒗𝒂𝒍𝒐𝒓𝒆𝒔
𝟒 𝟒 𝟒 𝟒

Rodrigo Martins 4

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-3

F.E.U.C. Estatística - MBA

Tipos de dados

Dados

Quantitativos Qualitativos

Discretos Contínuos

Rodrigo Martins 5

F.E.U.C. Estatística - MBA

Tipos de variáveis aleatórias

Variáveis aleatórias discretas

1. Variável aleatória.
• Resultado numérico de uma experiência.
• Exemplo: número de coroas em 2 lances de
moeda.
2. Variável aleatória discreta.
• Número inteiro (0, 1, 2, 3 etc.).
• Obtido por contagem.
• Geralmente é um número finito de valores.
- Variável discreta de Poisson é excepção ().

Rodrigo Martins 6

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-4

F.E.U.C. Estatística - MBA

Exemplos de variáveis aleatórias discretas

Experiência Variável aleatória Valores possíveis

Fazer 100 visitas de venda # Vendas 0, 1, 2, ..., 100

Inspecionar 70 rádios # Defeituosos 0, 1, 2, ..., 70

Responder 33 questões # Corretas 0, 1, 2, ..., 33

Contar carros na ponte # Carros que 0, 1, 2, ..., ∞

entre 11:00 e 1:00 passam

Rodrigo Martins 7

F.E.U.C. Estatística - MBA

Tipos de variáveis aleatórias

Variáveis aleatórias contínuas

1. Variável aleatória
• Resultado numérico de uma experiência.

2. Variável aleatória contínua

• Número inteiro ou fracionário.
• Obtido por medição.
• Número infinito ou muitos valores dentro de um intervalo.
- São muitos para que se possa listar como variável de tempo discreto.

Rodrigo Martins 8

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-5

F.E.U.C. Estatística - MBA

Exemplos de variável aleatória contínua

Experiência Variável aleatória Valores possíveis

Pesar 100 pessoas Peso 45, 7, 78, ...

Medir a vida útil de 1 produto Horas 900, 875, 9, ...

Medir o tempo entre chegadas Tempo entre

chegadas 0, 1,3, 2, 78, ...

Rodrigo Martins 9

F.E.U.C. Estatística - MBA

Distribuições de probabilidades para variáveis

aleatórias discretas
Características:
1. Lista de todos os pares possíveis [x, p(x)].
• x = valor da variável aleatória (resultado).
• p(x) = probabilidade associada ao valor.
2. Mutuamente exclusivos (sem resultado).
3. Coletivamente exaustivos (nada é deixado de fora).
4. 0  p(x)  1 para todo x.
5.  p(x) = 1.

Rodrigo Martins 10

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-6

F.E.U.C. Estatística - MBA

Exemplo de distribuições de probabilidades discretas

Experiência: Atirar 2 moedas ao ar. Contar o número de COROAS.

Distribuição de probabilidade
Valores, x Probabilidades, p(x)

0 1/4 = 0,25
1 2/4 = 0,50
2 1/4 = 0,25

Rodrigo Martins 11

F.E.U.C. Estatística - MBA

Distribuições de probabilidade discretas mais utilizadas

Distribuições de
probabilidade
discreta

Binomial de Poisson

Rodrigo Martins 12

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-7

F.E.U.C. Estatística - MBA

Distribuições de probabilidade para variáveis

aleatórias contínuas
Frequência

1. Fórmula matemática. (Valor, frequência)

2. Mostra todos os valores, x, e frequências, f(x) f(x)

• f(x) Não é probabilidade.

3. Propriedades
 f ( x ) dx  1
x
(área sob a curva) a b
f 𝑥 ≥0 , 𝑎≤𝑥≤𝑏 Valor

Rodrigo Martins 13

F.E.U.C. Estatística - MBA

Probabilidade para variáveis aleatórias contínuas

Probabilidade é a área b
sob a curva!
P (a  x  b )  a  f ( x ) dx

f(x)

x
a b

Rodrigo Martins 14

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-8

F.E.U.C. Estatística - MBA

Distribuições de probabilidade contínuas

Distribuição de
probabilidade
contínua

Uniforme Normal

Resultados igualmente prováveis

Rodrigo Martins 15

F.E.U.C. Estatística - MBA

Distribuições de probabilidade para variáveis aleatórias contínuas

Distribuição normal
É a base da inferência estatística clássica.

• “Forma de sino” e simétrica. f(x )

• Média, mediana e moda são
iguais.
• Variável aleatória tem
amplitude infinita.
x

Média
Mediana
Moda
Rodrigo Martins 16

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-9

F.E.U.C. Estatística - MBA

Distribuição normal

QI (Quociente de Inteligência)

E muitas mais….
Rodrigo Martins 17

F.E.U.C. Estatística - MBA

Função de densidade de probabilidade:

Distribuição normal

• f(x) = Frequência da variável aleatória x.

•  = Desvio-padrão da população.
•  = 3,14159; e = 2,71828.
• x = Valor da variável aleatória (– < x < ).
•  = Média da população.

Rodrigo Martins 18

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-10

F.E.U.C. Estatística - MBA

Distribuição Normal: regra empírica

• Aproximadamente 68% das medições estão no intervalo μ – σ para μ + σ.

• Aproximadamente 95% das medições estão no intervalo μ – 2σ para μ + 2σ.
• Aproximadamente 99,7% das medições estão no intervalo μ – 3σ para μ + 3σ.

Rodrigo Martins 19

F.E.U.C. Estatística - MBA

Efeito dos parâmetros variáveis ( e )

A B : Altera-se 
A C : Altera-se 

f(x)
B

A C

Rodrigo Martins 20

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-11

F.E.U.C. Estatística - MBA

Distribuição normal não padrão

Cada distribuição exigiria sua própria

tabela.

Distribuições normais são diferentes na

média e no desvio-padrão.
f(X)

E esse é um número
infinito de tabelas!

X
Rodrigo Martins 21

F.E.U.C. Estatística - MBA

Padronizar a distribuição normal

Distribuição normal Distribuição normal padronizada

 =1

 X =0 Z
Uma única tabela basta!

Rodrigo Martins 22

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-12

F.E.U.C. Estatística - MBA

Normal não padrão com μ = 5 e σ = 10

Queremos calcular P(5 <X< 6,2)

Distribuição normal Distribuição normal padronizada

 = 10 = 1
0,0478

= 5 6,2  =0 0,12
X Z
P(5 < X< 6,2) P(0 < Z< 0,12)

Rodrigo Martins 23

F.E.U.C. Estatística - MBA

Exemplo (Ex. 5):

distribuição normal

Considere que trabalha no Controle de

Qualidade da GE. A vida de uma lâmpada tem
uma distribuição normal com = 2000 horas
e = 200 horas. Qual a probabilidade de
uma lâmpada durar entre 2000 e 2400 horas?

Rodrigo Martins 24

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-13

F.E.U.C. Estatística - MBA

Ex. 5. Solução: P(2000  X  2400)

Distribuição normal Distribuição normal padronizada

 = 200 =1
0,4772

 = 2000 2400 X  = 0 2,0 Z

P(2000  X  2400) P(0  Z  2)
Rodrigo Martins 25

F.E.U.C. Estatística - MBA

Verificando a normalidade

1. Esboce um histograma, veja a forma.

2. Calcule os intervalos e compare

a percentagem dos dados nesses intervalos com a regra empírica (68%,
95%, 99,7%).

Rodrigo Martins 26

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-14

F.E.U.C. Estatística - MBA

Distribuição t-Student
• É uma das distribuições mais usadas na estatística, especialmente útil
quando trabalhamos com amostras pequenas.

• A distribuição t é semelhante à distribuição Normal (em forma de sino

e simétrica em relação à média). No entanto exibe um desvio padrão
dependente de um parâmetro chamado graus de liberdade.

• Os graus de liberdade são calculados fazendo n-k, onde n é o tamanho

da amostra e k um valor que dependerá do tipo de análise que
estamos a efectuar.

• Cada número de graus de liberdade dá origem a uma distribuição t

diferente.

Rodrigo Martins 27

F.E.U.C. Estatística - MBA

Distribuição t-Student
• A distribuição t é mais achatada que a Normal.
• À medida que os graus de liberdade aumentam (implicando o aumento
da amostra), a distribuição t vai-se aproximando da Normal (0,1).

Rodrigo Martins 28

Rodrigo Martins FEUC

2.Distribuições e probabilidade 2-15

F.E.U.C. Estatística - MBA

Distribuição t-Student

• É comum os livros didáticos apresentarem tabelas da distribuição t que

envolvem aquilo que chamamos valores críticos.
• A razão para isso é que a maioria das aplicações da distribuição t envolve a
construção de intervalos de confiança ou de testes de hipóteses.
• Nessas aplicações, o nosso interesse está no valor crítico associado a um
determinado nível de significância.

Rodrigo Martins 29

F.E.U.C. Estatística - MBA

cada coluna corresponde a uma área na

cauda superior

cada linha corresponde a um

número diferente de graus de
liberdade

Os valores desta linha

correspondem aos valores
encontrados na tabela normal
Rodrigo Martins 30

Rodrigo Martins FEUC