Estatística

Prof. Me. Renata Cristina de Souza Chatalov

1
 UNIDADE IV

• Objetivos de Aprendizagem

• Entender os conceitos relacionados a

probabilidades.
• Saber aplicar as probabilidades nas diversas
situações.
• Compreender probabilidade condicional.
• Conhecer as principais distribuições de
probabilidades.
2
 Noções Básicas de Probabilidades
• Experimento Determinístico

• De acordo com Crespo (2009), são os experimentos

que, realizados nas mesmas condições, conduzem a
resultados praticamente iguais.

• Por exemplo: misturar água e óleo de cozinha e

observar o resultado obtido após algum tempo (óleo
sempre ficará acima da água).

3
 Probabilidades

• As probabilidades são usadas para delinear a

chance de ocorrência de determinado evento.
• Seus valores são sempre atribuídos em uma escala
de 0 a 1.
• A probabilidade próxima do valor 1 indica um
evento quase certo, já a probabilidade próxima de
zero indica um evento improvável de acontecer.

4
 Probabilidades

• Ao discutirmos probabilidade, definimos

experimentos como qualquer ação ou processo que
gera resultados bem definidos.
• Os experimentos aleatórios são aqueles que,
repetidos várias vezes, apresentam resultados
imprevisíveis.
• Ao descrever um experimento aleatório, deve-se
sempre especificar o que deverá ser observado:

5
 Análise de Risco e a Probabilidade

• A análise qualitativa de risco é definida como o

processo de avaliação do impacto e probabilidade
de riscos identificados. Este processo prioriza riscos
de acordo com os seus efeitos potenciais nos
objetivos do projeto. Análise qualitativa de risco é
um modo de determinar a importância de se
endereçar riscos específicos e guiar respostas de
risco.
• A questão crítica do tempo e as ações relacionadas
ao risco podem ampliar a importância de um risco
(SILVEIRA; ORTH; PRINKLANDICKI, 2006). 6
 Análise de Risco e a Probabilidade

• Essa análise qualitativa de risco requer que a

probabilidade e as consequências dos riscos sejam
avaliadas, usando métodos e ferramentas de
análise qualitativa estabelecidos. Tendências nos
resultados, quando a análise qualitativa é repetida,
pode indicar a necessidade de mais ou menos ação
da gerência de risco.
• O uso dessas ferramentas ajuda a corrigir
influências que estão frequentemente presentes em
um plano de projeto. (SILVEIRA; ORTH;
PRINKLANDICKI, 2006). 7
 Probabilidades
• Exemplo: vamos supor que queremos estudar a
ocorrência das faces de um dado. Esse seria o
experimento aleatório (lançamento de dados). A
partir do conhecimento de que o dado tem 6 faces
(seis possíveis resultados), podemos construir o
modelo probabilístico da seguinte maneira:

8
 Probabilidades
• Agora, vamos supor que nosso experimento aleatório
é o lançamento de uma moeda. Sabemos que só
podem ocorrer duas situações nesse lançamento: ou
cara ou coroa, portanto:

9
 Espaço Amostral
• Por exemplo, vamos ver qual é o espaço amostral de
um lançamento de um dado, portanto Ω= {1, 2, 3, 4, 5,
6} (com seis possíveis resultados), sendo que cada
elemento de Ω é chamado de um ponto amostral.

• Qual é o espaço amostral do lançamento de uma

moeda?
• Ω= {cara, coroa} (com dois possíveis resultados)

• Em dois lançamentos de duas moedas

simultaneamente, qual será o espaço amostral? 10

• Ω= {(Ca,Ca), (Ca,Co), (Co,Ca) e (Co,Co)}. (4 possíveis

resultados)
 Probabilidade de um Evento
• Considerando um experimento aleatório em que se
queira um determinado evento A, a probabilidade desse
evento ocorrer é dada por P(A).
• Assim: a probabilidade de A ocorrer será dada por:

11
 Exemplo

No lançamento de um dado, construir o espaço

amostral e calcular a probabilidade de sair face par
(evento A) e sair as face 1 e 5 (evento B).

Ω = {1, 2, 3, 4, 5, 6} - N = 6
A = {2,4,6} - n(A) = 3
B = {1, 5} - n(B) = 2

12
Assim:

13
 Regras Básicas

• 0<P(A)<1 = deverá ser um valor entre 0 e 1.

• P(Ω) = 1 = Possível.

• P()= 0 = Impossível.

14
 Operações com Eventos

Nos cálculos de probabilidades, algumas

vezes, o interesse do pesquisador está na
determinação da probabilidade de combinação
dos eventos relacionados ao experimento
aleatório.

Podemos ter dois tipos de combinações dados

dois eventos A e B:
15
 Operações com Eventos

Dois eventos A e B:

• AB - é o evento em que A e B ocorrem

simultaneamente - (e)

• AB - é o evento em que A ocorre ou B

ocorre (ou ambos) - (ou)

• Complementar de A – Ac - é o evento em que

A não ocorre. 16
 Operações com Eventos

• A probabilidade de um ou outro evento

ocorrer é dada por P(AB).

• A probabilidade de ambos os eventos

ocorrerem simultaneamente P(A  B).
• Ambas - implica em P(A e B).
• Uma ou outra - implica em P(A ou B).
17
 Regra da Adição

• Quando tratamos da união de dois eventos

temos duas possíveis situações:

• Quando os eventos A e B são mutuamente

exclusivos (não têm elementos em comum).
P(A  B) = P(A) + P(B)

18
 Regra da Adição

• Quando os eventos A e B não são

mutuamente exclusivos (tem elementos em
comum). Nesta situação, a fórmula é dada por:
P(A  B) = P(A) + P(B) - P(A  B), em que:

• P(A  B) – é a probabilidade de A e B
ocorrerem simultaneamente, ou seja, é a
intersecção entre os eventos A e B.
19
Regra da Adição

20
 Regra da Adição

Ao se retirar uma carta de um baralho comum

de 52 cartas, qual a probabilidade dela ser um
ÁS ou uma carta com naipe de espada?

21
 Regra da Adição

• Temos 4 cartas de ÁS.

•

•Temos 13 cartas de Espadas.

• OBSERVE: O que elas tem em comum???

22

O As de espada
 Regra da Adição

• P(A) = 4/52
• P(B) = 13/52

• Então, P (A B) = 1/52, ou seja, ambos

ocorrem simultaneamente sendo então um ÁS
de ESPADA.

• Então, P(AUB) = 4/52 + 13/52 – 1/52 = 16/52

23
 Complemento de um evento

• Sabemos que um evento pode ocorrer ou não.

Sendo p a probabilidade de que ele ocorra
(sucesso) e q a probabilidade de que ele não
ocorra (insucesso), para um mesmo evento, existe
sempre a relação que:

24
 Probabilidade condicional

• P(A  B) e lê-se probabilidade de A dado B,

sendo a condição B.
• De forma geral, para dois eventos quaisquer
A e B, sendo P(B) > 0, definimos a
probabilidade condicional de A B, P(A  B)
como sendo:

P(A  B)
• P(A  B) =
P(B) 25
Probabilidade Condicional

26
 Probabilidade Condicional

• Com isso, escrevemos:

• P(N A) e lê-se probabilidade de N dado A, sendo a
condição A, ou seja, ser apartamento, sendo que:

• De forma geral, para dois eventos quaisquer A e B,

sendo P(B) > 0, definimos a probabilidade
condicional de A B como sendo P(A B), dado pela
seguinte fórmula:
•
27
 Probabilidade Condicional

P(N│A) e lê-se probabilidade de N dado A,

sendo a condição A, ou seja, ser Apartamento,
sendo que:

28
 Probabilidade Condicional

• Para o exemplo anteriormente mencionado, se N e

A indicam, respectivamente, norte para região e
apartamento para tipo, então:

29
 Regra da Multiplicação

• Em caso de A e B serem eventos não independentes,

ou seja, a probabilidade de um evento não depender da
ocorrência do outro evento, nessa condição, a
probabilidade de A e B ocorrer é dada pela
probabilidade de A vezes a probabilidade de B.

• P(A ∩ B) = P(A) . P(B)

30
 Regra da multiplicação

• Uma urna contém duas bolas brancas e três bolas

pretas. Sorteamos duas bolas ao acaso sem
reposição. Isto quer dizer que sorteamos a primeira
bola, verificamos sua cor e não a devolvemos à
urna.
• As bolas são novamente misturadas e sorteamos
então a segunda bola.
• Para resolver as probabilidades nesta situação,
ilustraremos a situação por um diagrama de árvore
em que em cada “galho da árvore” estão indicadas
as probabilidades. 31
Regra da multiplicação

32
Regra da multiplicação

33
 Regra da multiplicação
• Qual é a probabilidade de sair bola branca na primeira
retirada? P(B) = 2/5
• Qual é a probabilidade de sair bola branca na primeira
retirada e bola preta na segunda retirada? P(B na 1ª ∩ P na
2ª ) = 6/20
• Qual é a probabilidade de sair bola preta na segunda
retirada, dado que saiu branca na primeira retirada?
• P(P na 2ª ⎥ B na 1ª) = 3/4
• Qual é a probabilidade de sair bola branca na segunda
retirada, dado que saiu preta na primeira retirada?
• P(B na 2ª ⎥ P na 1ª) = 2/4
• Qual é a probabilidade de sair bola preta na segunda 34
retirada?
• P(P na 2ª) = 6/20 + 6/20 = 12/20
DISTRIBUIÇÕES DE
PROBABILIDADE

35
 Distribuições de
probabilidade
• Variável Aleatória
• Uma variável aleatória é uma variável que, geralmente,
representada por pela letra x, tem um valor numérico
único (determinado aleatoriamente) para cada resultado
de um experimento.
• Cada variável aleatória tem um número para cada
resultado de um experimento e uma distribuição de
probabilidades associa uma probabilidade a cada
resultado numérico de um experimento (CRESPO,
2009).
36
 Distribuições de
probabilidade
• Alguns exemplos de variáveis aleatórias:
• - número de mulheres entre 10 empregados recém-
admitidos.
• - número de alunos que não compareceram à aula
de estatística hoje.
• - altura de um adulto do sexo feminino selecionado
aleatoriamente.

37
Agora na Tabela...

38
 Distribuição Binomial

Um experimento Binomial é aquele que

consiste em uma sequência de n ensaios
idênticos e independentes. ada tentativa pode
resultar em apenas dois resultados possíveis:
sucesso e fracasso e a probabilidade de
sucesso é constante de uma tentativa para
outra.

39
 Distribuição Binomial

Uma amostra particular será constituída de

uma sequência de sucessos e fracassos.
Exemplos:
• Lançamento de uma moeda 8 vezes.
• 20 peças são escolhidas ao acaso e
observamos as falhas.

40
 Distribuição Binomial

 n  k. n  k
P(X= k) =   p .q
k
 
n n!
Em que,   
 k  k!(n  k)!
n n! k. n  k
 
• P(X= k) =  k   k!(n  k)! p .q
  41
 Distribuição Binomial

• k = número de sucessos.
• n = número de elementos da amostra.
• p = probabilidade de sucesso.
• q = probabilidade de fracasso.

A média e a variância de uma distribuição

binomial são dadas por:
• E(x) = np
• Var (x) = npq 42
 Exemplos
• a) Uma indústria de certo tipo de peças tem a
probabilidade de produzir peças defeituosas em 10%.
Em uma amostra de 6 itens, considerando que essa
variável segue distribuição binomial, qual a
probabilidade de haver nenhuma peça defeituosa?
• p = sucesso: é a peça defeituosa: 0,10 (de 10%)
• q = insucesso, peças boas: 0,90 (de 90%)
• n=6
• k = 0 (pois é nenhuma peça)

43
 Exemplos
• 02) A mesma indústria do exercício anterior (01) tem a
probabilidade de produzir peças defeituosas em 10%.
Em uma amostra de 6 itens, considerando que essa
variável segue distribuição binomial, qual a
probabilidade de haver no máximo uma peça
defeituosa?

• Como é no máximo uma peça defeituosa, devemos ter

o resultado de nenhuma e uma. O resultado de
nenhuma foi de 0,53 ou 53%, calculado no exercício
anterior. Vamos calcular agora com uma peça
defeituosa 44
 Exemplos
• p = sucesso: é a peça defeituosa: 0,10 (de 10%)
• q = insucesso, peças boas: 0,90 (de 90%)
• n=6
• k = 1 (uma peça)

• Para o resultado final, temos que somar a

probabilidade de nenhuma com a probabilidade de
uma, para tanto: 45

• P (x=0) + P(x=1) = 0,53 + 0,35 = 0,88 ou 88%

 Distribuição de Poisson

A distribuição de Poisson expressa a

probabilidade de uma série de eventos ocorrerem
em um certo período de tempo.
Exemplo:
• Número de chamadas telefônicas durante 10
minutos.
• Número de falhas de uma máquina durante um
dia de operação.
• Número de acidentes ocorridos em uma
46
semana.
 Distribuição de Poisson

A distribuição de Poisson expressa a

probabilidade de uma série de eventos ocorrerem
em um certo período de tempo.
Exemplo:
• Número de chamadas telefônicas durante 10
minutos.
• Número de falhas de uma máquina durante um
dia de operação.
• Número de acidentes ocorridos em uma
47
semana.
 Distribuição de Poisson
 k
e 
P (X=k) = k = 0, 1, 2,... em que:
k!
P(X) = probabilidade de X ocorrências em um intervalo
 = número esperado de ocorrências em um intervalo
e = constante matemática (aproximadamente 2,71828)
k = número de sucessos por unidade
48
 Exemplo

a) O Corpo de Bombeiros de uma cidade recebe, em

média, três chamadas por dia. Qual a probabilidade do
Corpo de Bombeiros receber quatro chamadas em um
dia?

49
Distribuição Normal

50
Como achar os valores?

51
Distribuição Normal

xi  μ
σ

52
 Distribuição Normal

• Suponha que a media da taxa de falhas de dados e

transmitida em lotes. Sabe-se que essa
característica segue uma distribuição normal com
média de 2,0 e desvio padrão igual a 0,5.
• De tomarmos um lote ao acaso e este ter uma taxa
de falhas entre 2,0 e2,5. Traduzindo para
linguagem probabilística, queremos:

Z = (2,5-2)/0,5 = 1

53
Como achar os valores?

0,3413

54
 Distribuição Normal

• Assim, dizemos que a chance de tomarmos

um lote que tenha uma taxa de
• falhas de dados entre 2,0 e 2,5 e de 34,13%.

55
 Distribuição Normal
• De tomarmos um lote ao acaso e ter menos que uma
taxa de falhas de 2,5.
• P(x < 2,5) = P(z < 1) = 0,5 – 0,3413 = 0,1587 ou
15,87%
• De tomarmos um lote ao acaso e ter mais que uma taxa
de falhas de 2,5.
• P(x > 2,5) = P(z > 1) = 0,5 + 0,3413 = 0,8413 ou
84,13%
• De tomarmos um lote ao acaso e ter uma taxa de falhas
entre 1,25 e 2,0 falhas.
• P(1,25 < x < 2,0) = P(-1,5<z<0) = 0,4332 ou 43,32%
56
Como achar os valores?

57
 Estatística

Prof. Me. Renata Cristina de Souza Chatalov

58