Materia de Estatística Actualizado

Probabilidade e Estatística || Métodos Estatísticos
Msc.Augusto Lucubo Positivo Nakiti

lucubo3@gmail.com
WhatsApp: (00351) 912017297
Universidade Católica de Angola
24 de outubro de 2023
Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Probabilidade e Estatística
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 Católica
1 / 163 d
1 Estatística Descritiva
1 Distribuição de frequência
2 Medidas de posição e dispersão
2 Probabilidade
1 Probabilidade Condicional e Teorema de Bayes
3 Variáveis Aleatórias
1 Medidas de posição e dispersão
4 Distribuições de Probabilidade

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 Católica
2 / 163 d
1 Bussab, W. O. e Marettin, P. A. Estatística Básica, 8. º Edição, 2013,
2 Pinheiro, J.J, Carvajal, S. R., S e Gomes, G. C. Probabilidade e

Estatística. Elservier, 2012,
ª
3 Montgomery, D e Runger. G. Estatística Aplicada e Probabilidade
para Engenheiros. LTC, 5. Edição, 2012.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 Católica
3 / 163 d
Noções Básica da Estatística
Estatísticas é a ciência que a partir de dados, fornece métodos que

auxiliam o processo de tomada de decisões através de Análise de Dados.
Por outras palavras, é uma área do conhecimento que inclui os
Recolher, Organizar ou Classicar,
instrumentos necessários para
Apresentar e Interpretar um conjunto de dados.
A estatística divide-se em duas áreas
1 Estatística Descritiva: conjunto de técnica apropriadas para
Recolher, Organizar, Reduzir e Apresentar dados estatísticos.
2 Inferência Estatística: conjunto de técnicas que, com base na

informação amostral, permite caracterizar uma certa população,
requerendo o conhecimento de probabilidades.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 Católica
4 / 163 d
Recolher ou Colecta de Dados. Após a denição do problema a ser

estudado e o estabelecimento do planeamento da investigação (forma
pela qual os dados serão recolhidos: cronograma das actividades,
custos envolvidos, exame das informações disponíveis, delineamento da
amostra, etc.), o passo seguinte é a Recolha dos Dados, que
consiste na busca ou compilação dos dados das variáveis, componentes
do fenómeno a ser estudado.
A recolha de dados direta quando os dados são obtidos diretamente
da fonte originária, como no caso da empresa que realiza uma
pesquisa para saber a preferência dos consumidores pela sua marca.
A recolha de dados direta quando é inferida a partir dos elementos
conseguidos pela recolha direta.
Crítica dos Dados. Após crítica dos dados procede com a nalidade
de suprimir os valores estranhos ao levantamento, os quais são capazes
de provocar enganos.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 Católica
5 / 163 d
Apresentação de Dados: Convém organizar o conjunto de dados de

maneira prática e racional. Tal organização pode ocorre por meio de
Tabelas e/ou Gráco.
Análise de Dados. Esta fase subscreve na apresentação de

conclusões inerentes aos dados ou informações organizadas.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 Católica
6 / 163 d
Noções Básica da Estatística Denições Importantes em Estatística
População
Ao grupo de todos os elementos que se pretende estudar e que possuem

uma característica (ou mais) em comum. O tamanho da população é
representado por N.
Figura: População Vs Amostra

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 Católica
7 / 163 d
Observe que os parâmetros são representados por letras gregas, enquanto

as estatísticas são representadas pelo alfabeto romano ou por uma forma
dele. Por exemplo, a média de uma população é representada pela letra
grega µ (pronuncia-se "mi") enquanto o mesmo resumo de dados de uma
amostra é representada por x̄ (pronuncia-se "xis barra").

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 Católica
8 / 163 d
Amostra
É uma parte da população, ou seja, um subconjunto da população. Em

geral tem dimensão sensivelmente menor que a população. O tamanho da
amostra é representado por n.
Dados Brutos
é uma sequência de valores numéricos não organizados, obtidos

diretamente da observação de um fenómeno coletivo.
Rol
é uma sequência ordenada dos dados brutos.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 Católica
9 / 163 d
Noções Básica da Estatística Tipo de Variáveis
Variáveis
É uma característica da população à ser estudada. Tipos Existem dois

tipos de variáveis:
1 Qualitativas (Atributos): variável com dados que fornecem rótulos,

qualidades, nomes, para uma característica em estudo ou são
características de uma população que não podem ser medidas, não
têm ordenamento nem hierarquia. Elas podem ser:
i Nominais: variáveis em que não é possível estabelecer uma ordem
natural entre seus valores ou quando os valores são expressos por
atributos.
ii Ordinais: variáveis que têm uma ordenação natural, indicando
intensidades crescentes de realização ou quando a variável segue
uma ordem, mesmo não podendo ser medida.
Exemplos
Turma (A ou B), Sexo (feminino ou masculino), Cor da pele, Nacionalidade,
Curso de Graduação são variáveis Ql. Nominais.
Tamanho (pequeno, médio ou grande), Classe Social (baixa, média ou alta),
escolaridade, cargos em uma empresa, patente militar são variáveis Ql Ordinais.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 10
Católica
/ 163 d
Noções Básica da Estatística Tipo de Variáveis
2 Quantitativas: consistem em números que representam contagens ou

medições ou uma variável com dados que indicam a quantidade de
alguma coisa ou quando os valores da variável forem expressos
em números. É sempre numérica. Elas podem ser:
i Discretas: variáveis resultantes de contagens, assumindo assim, em
geral, valores inteiros ou é aquela cujos possíveis valores formam um
conjunto nito ou enumerável de números e que resultam,
frequentemente, de uma contagem e não de mensurações em uma
escala contínua;
ii Contínuas: variáveis que assumem valores em intervalos dos números
reais e, geralmente, são provenientes de uma mensuração (medição).
Exemplos
Número de Irmãos (0, 1, 2, ...), Número de Defeitos (0, 1, 2,...), número de
lhos, número de células, número de ovos, número de ácaros ou insetos em uma
planta são Quantitativas Discretas
Peso, faixa etária, altura, produção de leite, pressão arterial, teor de nitrogénio no
solo ou na planta são Quantitativas Contínuas.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 11
Católica
/ 163 d
Estatística Descritiva Introdução
O método cientico, quando aplicado para solução de um problema

cientico, frequentemente gera dados em grande Quantidade e de grande
Complexidade. Desse modo, a análise da massa de dados individuais, na
maioria das vezes, não revela a informação subjacente, gerando a
necessidade de algum tipo de condensação ou resumo dos dados.
Estatística Descritiva
É a parte da Estatística que desenvolve e disponibiliza métodos para
resumo e apresentação de dados estatísticos com o objectivo de facilitar a
compreensão e a utilização da informação.
Em resumo, a Estatística Descritiva tem por nalidade a utilização de

Tabelas, Grácos, Diagramas, Distribuições de Frequências e Medidas
descritivas para:
Examinar o formato da Distribuição dos Dados;
Vericar a ocorrência de valores atípicos;

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 12
Católica
/ 163 d
Estatística Descritiva Introdução
Identicar valores típicos que informem sobre o centro da distribuição;
Vericar o grau de variação presente nos dados.
A validade do resumo dos dados está intimamente ligada à Quantidade de

informação disponível e à Qualidade da obtenção dos dados. Pose-se
pensar que todo método descritivo possui uma entrada, os dados, e uma
saída, que pode ser uma medida descritiva ou um gráco. Se a entrada é
deciente a saída também será de má qualidade.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 13
Católica
/ 163 d
Estatística Descritiva Representação tabular e gráca
Uma forma de resumir um conjunto de dados, composto por n observações,

é através de uma Tabela Frequência. Esta tabela disponibiliza um acesso
rápido ao número, à percentagem ou proporção de elementos observados
com uma determinada característica ou valor ou intervalo de valores (as
chamadas classes de valores).
Uma Tabela de Frequência relaciona as categorias ou classes de valores

com o número de ocorrência, ou frequência, de observações que pertencem
a cada categoria ou classe.
As categorias ou classes de valores devem ser
1 Mutuamente Exclusivos, ou seja, cada valor observado só poderá

pertencer a uma das categoria ou classes;
2 Exaustivos, ou seja, as categorias ou classes devem compreender todos

os valores observados

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 14
Católica
/ 163 d
Dados Qualitativos ou Quantitativos Discretos
A tabela de frequência associada a um conjunto de dados é designado da

seguinte forma:
Tabela: Tabela de frequência para dados Qualitativos ou Quantitativos Discretos
Categoria Freq.abs Freq.rel Freq.abs.acum Freq.rel.acum

(xi ) (ni ) (fi ) (Ni ) (Fi )
x1 n1 f1 N1 F1
x2 n2 f2 N2 F2
... ... ... ... ...
xk nk fk Nk = n Fk
Total n 1

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 15
Católica
/ 163 d
Notações: A notação utilizada nas tabelas de frequência.
k: Número de categorias ou classes de valores de valores que od dados

assumem;
ni : Frequência absoluta de categoria ou classe de valores i;

ni
fi = : Frequência relativa de categoria ou classe de valores i;
n
Ni = ih=1 nh : Frequência absoluta acumulada;
P
Ni
= ih=1 fh : Frequência relativa acumulada;
P
Fi =
n
Interpretação da Frequência Acumulada
Responder perguntas sobre a frequência com que uma característica ocorre

acima ou abaixo de um determinado valor.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 16
Católica
/ 163 d
Exemplos
Num estudo para analisar a ocorrência de acidente de trabalho numa

determinada empresa petrolífera, em 397 prossionais, vericando-se que
16 não tiveram qualquer acidente, 32 sofreram 1 acidente, 89 reportaram 2
acidentes, 137 sofreram 3 acidentes, 98 sofreram 4 acidentes e 25
prossionais reportaram 5 acidentes.
Tabela: Tabela de frequência de Número de acidentes por prossionais
Categoria Freq.abs Freq.rel Freq.abs.acum Freq.rel.acum

(xi ) (ni ) (fi ) (Ni ) (Fi )
0 16 0,0403 16 0,0403
1 32 0,0806 48 0,1209
2 89 0,2242 137 0,3451
3 137 0,3451 274 0,6902
4 98 0,2469 372 0,9370
5 25 0,0630 397 1,0000
Total 397 1,0000
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 17
Católica
/ 163 d
Exemplo
Fobias Fobias Fobias Agressividade Depressão

Agressividade Alcoolismo Depressão Pânico Fobias
Depressão Alcoolismo Esquizofrenia Agressividade Pânico
Pânico Esquizofrenia Depressão Alcoolismo Depressão
Fobias Esquizofrenia Depressão Agressividade Alcoolismo
Resolução
As observações distintas são: agressividade, alcoolismo, depressão, esquizofrenia, fobias

e pânico.
As frequências simples respectivas são: 4, 4, 6, 3, 5 e 3. Portanto a tabela de
frequências para esta variável qualitativa nominal será dada da seguinte maneira:

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 18
Católica
/ 163 d
Tabela: Problemas que levaram 25 pacientes a procurar auxílio psicológico
Problema Freq.abs Freq.rel Freq.abs.acum Freq.rel.acum

(xi ) (ni ) (fi ) (Ni ) (Fi )
Agressividade 4 0, 16 16 5
Alcoolismo 4 0, 16 16 8
Depressão 6 0, 24 24 14
Esquizofrenia 3 0, 12 12 17
Fobias 5 0, 20 20 22
Pânico 3 0, 12 12 25
Total 25 1, 0 100
OBS: Este tipo de tabela também pode ser utilizada quando temos uma
variável quantitativa discreta em que aparecem uma pequena quantidade
valores que se repetem várias vezes.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 19
Católica
/ 163 d
Dados Quantitativos Contínuos
Quando os dados são do tipo Quantitativos Contínuos é necessário

denir k classes de valores, que constituem as categorias dos dados em
estudo. Para construir estes intervalos de classe existem vários métodos
possíveis.
Por exemeplo
Se interessa comparar os resultados de um estudo com outro estudo, é

fundamental que se utilizem as mesmas classes para que seja possível
efectuar as comparações. A forma como se denem as classes condiciona
os resultados que, apenas, são válidos para a classicação efectuada.
Seja qual for o método utilizado é aconselhável não obter um número
muito elevado nem muito reduzido de classes (habitualmente recomenda-se
5 ⩽ k ⩽ 20).

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 20
Católica
/ 163 d
Método de Construção de Classes
1 Determinar o número K de classes a construir com base nas n

observações, fazendo ( Regra de Sturges)
ln(n.º

ln(n) observações)
k= + 1⇔ n.º de classes = onde
ln(2) ln(2)
[número] representa a parte inteira do número obtido (por exemplo:
[5, 1] = 5 e [5, 9] = 5)
2 a do
Determinar a amplitude conjunto de dados fazendo:
a = amplitude = max − min
3 Determinar a amplitude ac de cada uma das classes fazendo:
a amplitude
ac = ⇔ amplitude das classes =
k n.º de classes
4 Construir as classes ci da seguinte forma:
c1 = [min; min +ac[
c2 = [min +ac; min +2ac[
...
ck = [min +(k − 1)ac; min +kac[
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 21
Católica
/ 163 d
A tabela de frequência para Dados Quantitativos Contínuos é designado da

seguinte forma:
Tabela: Tabela de frequência para dados Quantitativos Contínuos
Classes Ponto Freq Freq. Freq.abs. Freq.rel.

(ci ) médio (xi ) abs.(ni ) rel.(fi ) acum(Ni ) acum(Fi )
x1 x1 n1 f1 N1 F1
x2 x2 n2 f2 N2 F2
... ... ... ... ... ...
xk xi nk fk Nk = n Fk = 1
Total n 1

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 22
Católica
/ 163 d
Outra forma
Vamos apresentar forma de construção de uma tabela de frequências para

dados quantitativos contínuos.
1 Passo: Determinar a amplitude total dos dados (A), ou seja, o maior

valor menos o menor o valor do conjunto de dados.
2 Passo: Determinar o no de classes (k) a usar. Duas regras práticas
consistem em:
√
iPara n < 100, entãok = √n
ii Para n > 100, entãok ∼
= n
com k dê um valor não inteiro, arredonde sempre para o próximo
inteiro.
3 Passo: Dividir a amplitude por k − 1, para obter a amplitude de classe

(c):
A
C=
k −1

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 23
Católica
/ 163 d
Outra forma (Cont.)
4 Passo: Determinar o limite inferior inicial que será:

c
LI1 = menor valor − 2
4 Passo: Calcular o ponto médio de cada intervalo de classe:
LSi − LIi
Pi =
2
sendo que LSi é o limite superior de classe e LIi é o limite inferior de
classe.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 24
Católica
/ 163 d
Exemplo 1
O Sr. Nobre decidiu dedicar-se à criação de leitões, que vende quando

atingem os dois meses de idade e pesam mais de 9kg . Pretendendo fazer
um estudo sobre os lucros obtidos com essa actividade, resolveu pesar 60
leitões com dois meses de idade, tendo obtido os seguintes resultados:
4,1 5,8 5,8 6,1 6,7 7,0 7,0 7,5 7,5 7,5
7,7 8,2 8,3 8,5 8,7 8,8 9,0 9,0 9,1 9,1
9,1 9,2 9,2 9,2 9,2 9,4 9,4 9,4 9,5 9,5
9,7 9,8 10,0 10,0 10,2 10,2 10,3 10,6 10,6 10,8
10,9 10,9 11,0 11,1 11,1 11,6 11,7 11,8 11,8 11,8
12,0 12,2 12,2 12,3 12,5 12,6 12,7 14,0 14,2 14,8
Construir a tabela de frequência.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 25
Católica
/ 163 d
Resolucção
n = 60
ln(n) ln(60)
1 n.º de classes = k = = = [5, 9] + 1 = 5 + 1 = 6;
ln(2) ln(2)
2 amplitude total a = max − min = 14, 8 − 4, 1 = 10, 7
a 10, 5
3 amplitude das classes ac = = ≈ 1, 8
k 6
4 classes c1 = [4, 1; 5, 9[ ; c2 = [5, 9; 7, 7[ ; c3 = [7, 7; 9, 5[ ; c4 =
[9, 5; 11, 3[ ; c5 = [11, 3; 13, 1[ ; c6 = [13, 1; 14, 9]

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 26
Católica
/ 163 d
Tabela: Tabela de frequência para dados Quantitativos Contínuos
Peso em Kg Ponto Freq Freq. Freq.abs. Freq.rel.

(ci ) médio (xi ) abs.(ni ) rel.(fi ) acum(Ni ) acum(Fi )
[4, 1; 5, 9[ 5 3 0,0500 3 0,0500
[5, 9; 7, 7[ 6,8 7 0,1167 10 0,1667
[7, 7; 9, 5[ 8,6 18 0,3000 28 0,4667
[9, 5; 11, 3[ 10,4 17 0,2833 45 0,7500
[11, 3; 13, 1[ 12,2 12 0,2000 57 0,9500
[13, 1; 14, 9] 14 3 0,05000 60 1,0000
Total 60 1,0000

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 27
Católica
/ 163 d
Exemplo 2
O tempo de utilização de caixas eletrónicos depende de cada usuário e das

operações efetuadas. Foram coletadas 16 medidas desse tempo (em
minutos). Construir a tabela de frequência.
1, 5 1, 1 1, 2 1, 7 0, 9 1, 3 1, 4 1, 8
1, 4 1, 3 1, 7 1, 6 1, 2 1, 2 1, 0 0, 9
Exemplo 3
Um rigoroso Centro de Atendimento Psicológico de uma Universidade

resolveu fazer um estudo sobre o tempo de atraso para o atendimento dos
estagiários em psicologia, para procurar melhorar esse atendimento.
Durante uma semana foram coletadas 25 medidas desse tempo (em
minutos) em que os pacientes caram esperando fora do horário.
11, 5 10, 2 10, 2 11, 7 10, 9 12, 3 15, 4 16, 0 17, 0 16, 5
14, 0 12, 8 14, 5 13, 4 13, 0 11, 7 13, 6 12, 9 15, 2 15, 0
14, 9 16, 8 15, 7 15, 0 13, 0

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 28
Católica
/ 163 d
Grácos
Os grácos mais utilizados para representar conjuntos de dados são:
Gráco Circular: Dados Qualitativos;

Gráco de Barras: dados qualitativos ou quantitativos discretos;
Gráco de frequência acumuladas: Qualitativos na escala ordinal
ou quantitativo discretos;
Histograma: dados quantitativos contínuos;

Polígono de frequência: dados quantitativos;
Caixa de bigodes: dados não agrupados quantitativos

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 29
Católica
/ 163 d
Gráco Circular
Um Gráco Circular é constituído por um círculo dividido em fatias
quantas as categorias da variável. O tamanho das fatias e determinado peo
número ou percentagem/porporção de observações nas categorias, i.é.,
pelas frequências absolutas, ni , ou pelas relativas fi .

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 30
Católica
/ 163 d
Gráco de Barras
Um Gráco Barras é um diagrama de barras (usualmente vertical), sendo
cada barra associada a cada uma das categorias da variável. A altura das
barras é denida pela frequências absolutas, ni , ou pelas relativas fi .
A linha a tracejado,
que une os extremos
das barras, chama-se
Polígono de
Frequências.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 31
Católica
/ 163 d
Gráco de Frequência Acumulada
Um Gráco de Frequência Acumulada é um gráco de linha onde são

representadas das frequências absolutas, Ni , ou relativas, Fi . Para
categorias superiores à última a frequência acumulada toma o valor n, se
forem representadas as frequências Ni , ou 1, se forem representados as
frequências Fi

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 32
Católica
/ 163 d
Histograma
Um Histograma é um gráco barras verticais adjacentes, com uma barra

associada a cada uma das classes da variável. A base da cada barra é
proporcional à amplitude da respectiva classe e a área proporcional às
frequencias absolutas, ni , ou relativas, fi

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 33
Católica
/ 163 d
Caixa de Bigodes ou Boxplot
Uma Caixa de Bigodes ou Boxplot é um gráco que contém um

rectângulo, dividido em duas partes, que situa os quartis. Os bigodes da
caixa situam os pontos adjacentes inferior e superior, ou seja, o menor e
maior valores observados que ainda não são considerados observações
anómalas ou atípicas. Oa asteriscos identicam os valores anómalas, ou
seja, valores observados muito pequenos ou grandes.
AI Menor valor
Q1 e Q3 1º quartil e 3 º quartil
x̃ Mediana
AS Maior valor
∗∗ Valores atípicos severos
Valores atípicos moderados

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 34
Católica
/ 163 d
A assimetria da distribuição é indicada pela caixa central e pelo

comprimento dos bigodes, conforme a gura a baixo.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 35
Católica
/ 163 d
Medidas Descritivas Introdução
As medidas fundamentais que se vão estudar numa distribuição de

frequência são:
1 Localização: localizam os valores oservados na distribuição
Tendência Central :Representam os fenómenos pelos seus valores
médios, em torno dos quais tendem a concentrar-se os valores
observados
Média, Mediana e Moda.
Tendência não Central : fornecem a localização dos valores da
variável.
Quantis (percentis, decis e quartis)
2 Dispersão: medem o grau de dispersão dos dados em torno de um
valor médio.
Absoluta: amplitude total, amplitude interquartil, desvio padrãoe
variância
Relativa: Coeciente de variação e coeciente de dispersão

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 36
Católica
/ 163 d
Medidas Descritivas Introdução
3 Assimetria: Medem o grau de afastamento da simetria da

distribuição.
Grau de assimetria de Pearson, Grau de assimetria de Bowley,
Coeciente de assimetria de Fisher e Coeciente de assimetria amostral.
4 Achatamento: Medem a intensidade das frequências na vizinhança
dos valores centrais
Coeciente de Kurtosis, Coeciente percentil de Kurtosis e Coeciente
de Kurtosis amostral.
Tabela: Resumo das estatísticas mais úteis para cada escala de medida
Escala nominal Escala ordinal Escala Quantitativa
Moda. Moda, Quantis Moda, Quantis, Amplitude interquartil
Amplitude Amplitude total, Média, Desvio padrão
interquartil. Coeciente de variação, Assimetria, Achatamento.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 37
Católica
/ 163 d
Medidas Descritivas Medidas de Localização
As Medidas de Localização informam sobre a localização de alguns

valores importantes da distribuição.
Média aritmética
A média aritmética,x̄ ou, abreviadamente, média, x̄ , é a medida de

localização mais correctamente utilizada.
Dados Quantitativos
Não Agrupado Agrupado

k k k
1 X 1 X X
x̄ = xi (1) x̄ = ni xi′ = fi xi′ (2)
n n
i=1 i=1 i=1

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 38
Católica
/ 163 d
Moda
A Moda, x̂ é o valor que ocorre com maior frequência.
Dados agrupados Contínuos

Dados não agrupados ou 1 Identicar a classe modal Mo , a
agrupados qualitativo ou discreto classe com maior frequência;
2 O valor da moda é dado por:

Valor/Categoria que
surge com maior
frequência ∆1
x̂ = LIMo + acMo ∗
∆1 + ∆ 2
∆1 = nMo − nMo−1 e ∆2 = nMo − nMo+1
∆1 = fMo − fMo−1 e ∆2 = fMo − fMo+1

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 39
Católica
/ 163 d
Mediana
A mediana, x̃ , é o valor na amostra ordenada que tem tantos valores

inferiores ou iguais como superiores ou iguais a ele.
Dados
ordinais, discretos
ou não agrupados contínuos agrupados Contínuos
1 Ordenar a amostra por ordem 1 Identicar a classe Mediana Me
crescente; Ni = n/2 ou Fi = 0.5.;
2 Valor da mediana é dado por: 2 O valor da mediana é dado por:
(n/2) − NMe−1
x̃ = LIMe + acMe ∗
nMe
0.5 − FMe−1
(x + x(n/2)+1:n
n/2:n = LIMe + acMe ∗
, par fMe
x̃ = 2
x(n+1)/2:n , ímpar

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 40
Católica
/ 163 d
Comparação entre a média, mediana e moda
Através da análise do histograma é possível inferir sobre a assimetria da

distribuição, conforme as guras abaixo.
Figura: Exemplos de assimetria no histograma

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 41
Católica
/ 163 d
média é calculada com base em todos os valores observados, tornando-a

sensível a valores anómalos. A mediana, considerando que seu cálculo é
feito apenas com base nos dois valores centrais, é mais robusta (menos
sensível) a valores extremos.
Figura: Comparação entre a média e a mediana

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 42
Católica
/ 163 d
Observação sobre a média e mediana
Use a média para descrever a amostra com um único valor que representa o
centro dos dados. A mediana e a média medem a tendência central. Mas
os valores atípicos, chamados de outliers, podem afetar a mediana menos
do que afetam a média. Se seus dados forem simétricos, a média e a
mediana são semelhantes.
Para a distribuição simétrica, a média (linha azul) e a mediana (linha

laranja) são tão similares que você não pode ver facilmente as linhas. Mas
a distribuição não simétrica é assimétrica à direita.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 43
Católica
/ 163 d
Medidas Descritivas Tendência não central
Quantis
O Quantil Qp divide a amostra em duas partes:
na 1. ª parte 100 × p% dos elementos são menores ou iguais a Qp ;

na 2. ª parte 100 × (1 − p)% dos elementos são maiores ou iguais a Qp ;
p = 4i , i = 1, 2, 3;

 Quartis = Qi :
i
Qp = Decis = Di : p = 10 , i = 1, 2, ..., 9;
i
Percentis = Pi : p = 100 , i = 1, 2, ..., 99.


WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 44
Católica
/ 163 d
Dados
ordinais, discretos agrupados Contínuos

ou não agrupados contínuos 1 Identicar a classe Quantil, Cq
1 Ordenar a amostra por ordem ou Ni = np ou Fi = p , i.e., a
crescente; classe que contém o quantil p;
2 Valor do quantil é dado por: 2 O valor do quantil é dado por:
(x
np:n + x[np+1]:n (np) − NCQ−1
, np inteiro Qp = LICQ + acCQ ∗
Qp = 2 nCQ
x[np+1]:n , np não inteiro
p − fCQ−1
onde [np]=maior inteiro contido = LICQ + acCQ ∗
fCQ
no np
Observação:
Q1 = P25
Q2 = x̂ = D5 = P50
Q3 = P75
Di = Pi∗10
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 45
Católica
/ 163 d
Outra forma de calcular quantis
Murteira et al. (2007) sugerem que o cálculo dos quantis, no caso dos
dados não agrupados, se proceda da seguinte forma:
Calcular o valor de r = 1 + (n − 1) ∗ p
Se r inteiro então Qp∗ = xr :n
Se r não inteiro então r = a + d onde a é a parte inteira e d a parte
decimal e então Qp∗ = xa:n + d(xa+1:n − xa:n ) = (1 − d)xa:n + dxa+1:n
Os quantis podem ser determinados gracamente através do polígono de
frequências acumuladas

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 46
Católica
/ 163 d
Continuação Exercício 15
Moda:
x̂ = 5 = Muito bom (categoria com maior frequência). O mais frequente
foi os utentes considerarem que a qualidade de serviço prestado nesse
º
Centro de Saúde é Muito Bom.
1 Quartil:
p = 14 = 0, 25 =⇒ np = 12, 5(não é inteiro) =⇒ Q1 = x[12,5]+1:50 =
x[12]+1:50 = x13:50 = 4. Portanto, 25% dos utentes consideram que a
qualidade do serviço prestado foi no máximo (inferior ou igual) boa e,
portanto, os restantes 75% consideram que a qualidade do serviço foi no
º
mínimo (superior ou igual) boa.
3 Quartil:
p = 43 = 0, 75 =⇒ np = 37, 5(não é inteiro) =⇒ Q3 = x[37,5]+1:50 =
x38:50 = 5.
75% dos utentes consideram que a qualidade do serviço prestado foi no
máximo (inferior ou igual) muito boa e, portanto, os restantes 25%
consideram a qualidade do serviço prestado foi no mínimo (superior ou
igual) muito boa.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 47
Católica
/ 163 d
Continuação Exercício 15
4 º Decil ou 40
4
º Percentil:
x20:50 + x21:50
p= = 0, 4 → np = 20(é
10 inteiro) =⇒ D4 = P40 = =
2
4+4
=4
2
40% dos utentes consideram que a qualidade do serviço prestado foi no
máximo (inferior ou igual) boa e, portanto, os restantes 60% consideram
que o nível da qualidade do serviço prestado foi no mínimo (superior ou
igual) boa.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 48
Católica
/ 163 d
Medidas Descritivas Medida de Dispersão
As medidas de tendência central não são as únicas medidas necessárias

para caracterizar uma amostra (ou população). Métodos estatísticos
também são usados para ajudar a entender a variabilidade. Por
variabilidade, entende-se que sucessivas observações de um sistema ou
fenómeno que não produzem o mesmo resultado, então precisamos
também saber o quanto as observações na amostra estão "espalhadas". As
medidas de dispersão ou de variabilidade são medidas que informam sobre a
dispersão dos dados e são necessárias para, junto com a média, representar
bem um conjunto de observações.
Por outras palavras, as medidas de dispersão utilizam-se parar estudar a

concentração dos valores de um conjunto de dados em torno de uma
medida de localização central da amostra. Desta forma quanto menor for a
dispersão desses valores em relação à medida de localização central, mais
representativa será essa medida desse conjunto de dados.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 49
Católica
/ 163 d
Medidas absolutas
As medidas de dispersão absolutas dependem das unidades em que a

variável é expressa pelo que não servem para compara duas ou mais
distribuições relativamente à dispersão.


Amplitude total, a = xn:n − x1:n = máximo − mínimo
Amplitude interquartil, IQ = Q3 − Q1

Medidas absolutas=

 Desvio médio absoluta
Variância, Desvio padrão

Desvio médio absoluta
O Desvio médio absoluta, dm, é a medida dos desvios absoluta entre os

valores observados e a média.
Dados quantitativos
não agrupados agrupados

n k
1 X 1 X
dm=
n
|xi − x̄| dm = ni |xi′ − x̄|
i=1 n
i=1
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 50
Católica
/ 163 d
Variância
A Variância amostral, s 2 , é a medida dos quadrados dos desvios entre os

valores observados e a média.
Dados quantitativos
não agrupados agrupados

(xi − x̄)2
n
ni (x ′ − x̄)2
k
s2 = s2 =
X X
i
n−1 n−1
i=1 i=1
n
!
n
!
1 1
x2 − x̄ 2 ni xi′ 2 − nx̄ 2
X X
= i =
n−1 n−1
i=1 i=1
Observações
Esta medida só assume valores não negativos e quanto maior o seu
valor maior a dispersão;
A variância tem como desvantagem o facto de ser expressa em

unidades ao quadrado, o que torna difícil a sua interpretação, razão
pela qual se utiliza o desvio padrão.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 51
Católica
/ 163 d
Desvio padrão amostral
A Desvio padrão amostral, s , é a √

medida de dispersão mais utilizada. O
Valor desta medida é dada fazendo variância.
Observações
Esta medida só assume valores não negativos e quanto maior o seu

valor maior a dispersão;
Para calcular o desvio padrão populacional, σ , basta substituir o

denominador do desvio padrão amostral n − 1 por n.
Para distribuição amostral em forma de sino (simétrica) com média x̄
e desvio padrão s, tem-se:
i O intervalo x̄ − s contém aproximadamente 68% de todas as
observações amostrais;
ii O intervalo x̄ − 2s contém aproximadamente 95% das observações
amostrais para distribuições simétricas;
iii O intervalo x̄ − 3s contém aproximadamente 99,7% das observações
amostrais para distribuições simétricas

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 52
Católica
/ 163 d
Medidas Relativas
Coeciente de dispersão e Coeciente de Variação
O Coeciente de dispersão, CD e Coeciente de Variação, CV ,

medem o grau de concentração de valores em torno da média. E são dados
pelo quociente entre o desvio padrão e a média.
s s
CD = e CV = × 100
x̄ x̄
Observações
Estes coecientes só podem ser calculados quando a variável toma valores

de um só sinal, i.é., os valores são todos positivos ou são todos negativos;
Para valores inferiores a 50%, do coeciente de variação (ou 0.5 do
coeciente de dispersão) a media será tanto mais representativa quanto
menor o valor deste coeciente. Consequentemente, valores superiores a
50%, do coeciente de variação (ou 0.5 do coeciente de dispersão) indicam
uma pequena representatividade da média.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 53
Católica
/ 163 d
Interpretção das medidas de dispersão
A variância mede o quanto os dados estão dispersos em relação à sua

média. A variância é igual ao desvio padrão ao quadrado. Quanto
maior a variância, maior a dispersão nos dados.
O desvio padrão é a medida mais comum de dispersão, ou o quanto os
dados estão dispersos sobre a média. Como o desvio padrão está nas
mesmas unidades que os dados, ele é normalmente mais fácil de
interpretar do que a variância. Use o desvio padrão para determinar o
Um valor de desvio
grau de dispersão dos dados a partir da média.
padrão mais alto indica maior dispersão nos dados

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 54
Católica
/ 163 d
O coeciente de variação (COV como denotado) é uma medida da

dispersão que descreve a variação nos dados em relação à média. O
coeciente de variação é ajustado de modo que os valores estão em
uma escala sem unidade. Devido a esse ajuste, é possível usar o
coeciente de variação, em vez de o desvio padrão para comparar a
variação nos dados que tem unidades diferentes ou que tem médias
Quanto maior for o coeciente de variação,
muito diferentes.
maior será a dispersão nos dados.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 55
Católica
/ 163 d
Exemplo de Gráco (Exercício 14 e 15)
1 No jardim-de-infância O Parque da Pequenada questionaram-se as

crianças com mais de 3 anos relativamente ao tipo preferido de
bebida. Das 160 crianças inquiridas, 30 indicaram o leite como a
bebida preferida, 10 referiram a água, 40 disseram os sumos naturais e
80 referiram os refrigerantes.
1 Dena e classique a variável em estudo.
2 Construa a tabela de frequências.
3 Qual é a frequência absoluta de alunos que preferem água?
4 Qual é a frequência relativa de alunos que preferem refrigerantes?
5 Represente gracamente a informação anterior.
2 Num inquérito realizado utentes de um determinado Centro de Saúde
sobre a qualidade do serviço, 27 armaram que o serviço foi muito
bom, 15 armaram que foi bom, 6 disseram que foi médio, 1
considerou que foi mau e 1 muito mau.
1 Identique a variável em estudo.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 56
Católica
/ 163 d
Resolução exemplo 1

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 57
Católica
/ 163 d
Continuação do Exercício 14. Dado Qualitativo Nominal
Determine e interprete a moda dos seguintes dados.
Tipo de Bebidas xi′ N. º de Crianças (ni ) Prop. Crianças (fi )

Leite 1 30 0,188
Água 2 10 0,063
Sumos naturais 3 40 0,250
Refrigerantes 4 80 0,500
Total 160 1,000
Moda: x̂ = 4 = Refrigerantes (categoria com maior frequência).

O tipo de bebida que estas crianças preferem é o refrigerante.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 58
Católica
/ 163 d

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 59
Católica
/ 163 d
Continuação do Exercício 15
Determine e interprete a mediana, a moda, os quartis, o 4 º decil, os

percentis 15 e 46 e a amplitude interquartil, dos dados apresentados.
Qualidade
xi′
N. ª de Prop. de N. º ac. de Prop.ac
de Serviço utentes untentes utentes utentes
Muito mau 1 1 0,02 1 0,02
Mau 2 1 0,02 2 0,04
Médio 3 6 0,120 8 0,16
Bom 4 15 0,30 23 0,46
Muito bom 5 27 0,54 50 1
Total 50 1,00
Mediana:
x25:50 + x26:50 5 +5
n = 50(é par) → x̃ = =5 =
2 2
Portanto, metade dos utentes considera que no mínimo a qualidade do
serviço foi muito boa.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 60
Católica
/ 163 d
Exemplo de Gráco (Exercício 16)
Numa aula teórica de Estatística perguntou-se aos 50 alunos presentes

quantos livros leram durante as férias, tendo-se obtido os seguintes
resultados: 1 aluno leu 4 livros, 8 leram 3 livros, 27 leram 2 livros, 12 leram
apenas 1 livro e os restantes alunos não leram qualquer livro.
1 Identique a variável em estudo.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 61
Católica
/ 163 d

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 62
Católica
/ 163 d

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 63
Católica
/ 163 d
Resolucção exercício 16
Considere a tabela de frequência abaixo:
N. ª de livros N. ª de Prop. de N. º ac. de Prop.ac

xi′ alunos (ni ) alunos(fi ) alunos (Ni ) alunos (Fi )
0 2 0,04 2 0,04
1 12 0,24 14 0,28
2 27 0,54 41 0,82
3 8 0,16 49 0,98
4 1 0,02 50 1
Total 50 1,00
º º
Determine e interprete as medidas de localização de tendência central, os
quantis, o 1 e 9 decis, os percentis 82 e 95, a amplitude interquartil e a
º º º º º
amplitude total, a variância e o desvio padrão, o coeciente de variação e
dispersão, o 2 , 3 e 4 momentos centrais, o 2 momento, o 2 momento
em relação a 4 livros e estude a assimetria e achatamento dos dados.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 64
Católica
/ 163 d
x̄ = 1, 88
Em média os alunos leram mais do que um livro (1,88) livros nas férias de
verão.
Variância amostral:
s 2 = 0, 6384.
Desvio padrão amostral:
√ √
s= s2 = 0, 6384 = 0, 799. O desvio típico em relação ao número
médio de livros lidos é 0,8 livros.
Coeciente de variação:
s
CV = ∗ 100 = 42, 5% < 50%. A média é representativa dos dados
x̄
(CV < 50%).

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 65
Católica
/ 163 d
Considere os dados, sobre as áreas dos jardins dos projetos aprovados, cuja
tabela de frequências segue abaixo:
º º º º
Determine e interprete as seguintes medidas estatísticas: média, mediana,
moda, amplitude interquartil, 1 e 7 decis, 36 e 90 percentis, variância,
desvio padrão, coecientes de dispersão e variação.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 66
Católica
/ 163 d
Probabilidades Conceitos Básicos
Probabilidade
Probabilidade é a possibilidade, ou chance, de que um determinado

acontecimento venha a ocorrer, podendo ser, por exemplo, a chance de
retirar uma carta preta de um baralho de cartas, a chance de um indivíduo
preferir um produto em relação a outro ou ainda a chance de um novo
produto de mercado obter sucesso.
A teoria das probabilidades, área fundamental para o desenvolvimento da
inferência estatística e também responsável pela modelação de fenómenos
cujo comportamento depende de componente aleatória.
Designa-se por fenómeno aleatório os fenómenos inuenciados pelo

acaso, no sentido de que não é possível prever de forma determinística o
seu futuro, a partir do passado.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 67
Católica
/ 163 d
A seguir temos alguns conceitos importantes dentro da probabilidade:
Experiência Aleatória
é qualquer processo que permite fazer observações, sem prever o

acontecimento.
Uma experiência ou fenómeno que, se for observado em condições
idênticas, pode apresentar diferentes resultados é chamado de
experiência ou fenómeno aleatório.
Espaço Amostral ou de resultados
Conjunto (não vazio) de todos os possíveis resultados de uma experiência

ou fenómeno aleatório, designado por Ω (ómega). Diz-se:
Discreto: quando o espaço de resultados é nito ou innito

numerável;
Contínuo: quando o espaço de resultados é nito não numerável.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 68
Católica
/ 163 d
Exemplos
Experiência E1 : Observações da face no lançamento de um dado

Ω1 = {1, 2, 3, 4, 5, 6}
Experiência E2 : Observação do número de avarias registadas num
elevador durante a sua vida útil.
Ω2 = {1, 2, 3, ..., n, ...}
Experiência E3 : Observação do intervalo de tempo entre chegadas
sucessivas de dois alunos ao bar da universidade.
Ω = [0; +∞[
Acontecimento
É um subconjunto do espaço amostral Ω, de um experiência aleatório, será

representado letras maiúsculas A, B, C , .... Os acontecimento podem ser:
Elementares: quando o subconjunto é singular (com um só
elemento);
Compostos: quando o subconjunto não é singular.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 69
Católica
/ 163 d
Exemplo
Elementar A = {Saída da face 2} = {2}

Composto A = {Saída da face múltiplo de 3} = {2}
Terminologia
Conjuntos Acontecimentos
Ω Acontecimento certo
∅ Acontecimento impossível
ω∈Ω Acontecimento elementar

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 70
Católica
/ 163 d
Probabilidades Álgebra dos Acontecimentos
Seja A e B forem dois acontecimentos, A⊆Ω e B ⊆ Ω.

Acontecimentos
Designa-se por União, A ∪ B , o Designa-se por Interseção, A ∩ B , o

acontecimento que ocorrerá se, e acontecimento que ocorrerá se, e
somente se, pelo menos um dos somente se, ambos acontecimentos,
acontecimentos, A ou B, ocorrer. A e B, ocorrerem.
Designa-se acontecimento impossível, ∅, o acontecimento que nunca

ocorre qualquer que seja o resultado da experiência aleatória.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 71
Católica
/ 163 d
Diz-se que osacontecimentos A e B são mutuamente exclusivos,

disjuntos ou incompatíveis, quando não possuem elementos em comum
(A ∩ B = ∅) ou seja não ocorrem em simultâneo.
Acontecimento
Designa-se por diferença, A − B ou

A/B , o acontecimento que ocorre
quando ocorre A mas não ocorre B.
Designa-se por complemento, Ā ou

Ω − A, o acontecimento que ocorre
se, A não ocorre e é constituído por
todos os resultados do espaço
amostral não favoráveis à ocorrência
de A.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 72
Católica
/ 163 d
Exemplos
Experiência E1 : Observação da face no lançamento de um dado.
Ω = {1, 2, 3, 4, 5, 6}
Acontecimentos
A = {saída de face par} = {2, 4, 6} ;

B={saída de face múltipla de 3} = {3, 6} ;
C={saída de face 2} = {2} ;
D={saída de face múltipla de 2} = {2, 4, 6} ;
Acontecimento União
A ∪ B = {saída de face par ou múltipla de 3} = {2, 3, 4, 6}
Acontecimento Interseção
A ∩ B = {saída de face par ou múltipla de 3} = {6}

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 73
Católica
/ 163 d
Probabilidades Análise Combinatória
Análise Combinatório
A Análise Combinatória surge como um método auxiliar na contagem do

número de casos favoráveis e do número de casos possíveis.
Permutações
Consideremos quatro objetos distintos a1 , a2 , a3 , a4 . De quantas maneiras

podemos ordena-los? Vamos listar todas as possibilidades.
Cada uma dessas ordenações é chamada uma permutação simples.

Podemos ver que o número de tais permutações é bem grande: note que,
para apenas 4 objetos, temos 24 permutações. O cálculo do número de
permutações é uma consequência direta do princípio da multiplicação.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 74
Católica
/ 163 d
Permutação
As permutações simples, ou permutações de n, Pn , designam o número

de amostras, sequências de n elementos, sem repetição de elementos,
tiradas de um conjunto com elementos (caso particular de nAk com
k = n):
Pn = n!
Exemplo
1 Quantas las diferentes podemos formar com 5 crianças?
Pn = n! = P5 = 5! = 120
2 Temos 5 livros de Estatística, 3 de Matemática Financeira e 4 de
Contabilidade. De quantas maneiras podemos organizar esses livros
em uma prateleira? Qual seria a sua resposta se os livros do mesmo
assunto tivessem que car juntos? se não é necessário agrupar por
assunto.
Pn = n! = P12 = 12! = 479.001.600
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 75
Católica
/ 163 d
Se os livros do mesmo assunto têm que car juntos, devemos observar que,
primeiro, temos que contar as maneiras como podemos organizar os
assuntos. Como são 3 assuntos, há 3! = 6 maneiras de organizar os
assuntos. Para os livros de Estatística, há 5! = 120 maneiras de
organiza-los; para os livros de Matemática Financeira, 3! = 6 maneiras, e
para os livros de Contabilidade, 4! = 24 maneiras. Pelo princípio
´ Ö
fundamental da multiplicação, o número total de maneiras de organizar os
Ö Ö
12 livros de modo que os livros do mesmo assunto quem juntos e 6 6
120 24 = 103.680 maneiras. Note que é razoável que esse número
seja menor, pois estamos impondo condições restritivas na organização.
Arranjos
Na denição de permutação, consideramos ordenações de todos os objetos.

Mas é possível que queiramos ordenar apenas k dos n objetos, onde k ⩽ n.
Nesse caso, temos a denição de arranjo simples.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 76
Católica
/ 163 d
Arranjos
Os arranjos simples, ou arranjos de n, k designado por nAk , designam

o número de amostras, sequências de k elementos, sem repetição de
elementos, tiradas de um conjunto com n elementos:
n n!
Ak =
(n − k)!
E importante notar que, sendo a denição de arranjo uma generalização de

permutação (note que uma permutação é um arranjo em que k = n), a
ordem dos elementos é relevante, ou seja, a1 , a2 , a3 é diferente de a3 , a1 , a2 .
1 Em um campeonato de futebol, concorrem 20 times. Quantas

possibilidades existem para os três primeiros lugares? R: 6840
2 De um grupo de 10 pessoas deve ser extraída uma comissão formada
´
por um presidente, um vice-presidente e um secretário. Quantas
comissões e possível formar? R: 720

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 77
Católica
/ 163 d
Vamos considerar agora a situação análoga a um arranjo, mas onde a

ordem n~ao importa, ou seja, a1 , a2 , a3 é igual de a3 , a1 , a2 .
Combinações
k
As combinações C n, designam o número de subconjuntos com k
elementos, que é possível formar a partir de um conjunto com n elementos:
k n!
Cn =
k!(n − k)!
Note a diferença: no conceito de arranjo, estamos lidando com sequências

de k elementos, enquanto no conceito de combinação, estamos lidando
com subconjuntos. Nas sequências, a ordem dos elementos é relevante,
mas não nos subconjuntos.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 78
Católica
/ 163 d
Observação importante
No conceito de arranjo ou permutação, estamos lidando com sequências de

k elementos, enquanto no conceito de combinação, estamos lidando com
subconjuntos. Nas sequências, a ordem dos elementos é relevante, mas não
nos subconjuntos.
Exemplo
1 De um grupo de 8 homens e 5 mulheres, devem ser escolhidos 3

homens e 3 mulheres para formar uma comissão. Quantas comissões
podem ser formadas? R:560
2 Três cartas vão ser retiradas de um baralho normal de 52 cartas.
Calcule a probabilidade de que:
1 todas as três sejam de espadas;
2 as três cartas sejam do mesmo naipe;
3 as três cartas sejam de naipes diferentes.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 79
Católica
/ 163 d
Probabilidades Denição de Probabilidades
Denição Clássica de Probabilidade
Se um experiência aleatório tiver n(Ω) resultados mutuamente exclusivos

e igualmente possíveis e, se um acontecimento A tiver n(A) desses
resultados, a probabilidade do acontecimento A, representada por P(A), é
dada por
Casos favoráveis n(A)

P(A) = = n(Ω)
Casos possíveis
Frequencista de Probabilidade
Considere que um experimento aleatório seja realizado n vezes e seja n(A)

o número de vezes que o acontecimento (acont.) A acorre. A frequência
relativa de A, nesse caso, é dada por:
n(A) frequência do acont. A
fn (A) = = , 0 ⩽ fn (A) ⩽ 1.
n Total das observações

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 80
Católica
/ 163 d
Probabilidades Denição de Probabilidades
Exemplo
Lança-se um dado e observa-se a face que cai voltada para cima. O espaço
amostral é S = {1, 2, 3, 4, 5, 6}. Vejamos Alguns acontecimentos são:
A: O número observado é par={2, 4, 6} ,
B: O número observado é maior que 3={4, 5, 6} ,
C: O número observado é maior que 4 ={5, 6} .
Se acreditarmos que o dado é justo (todas as faces têm a mesma chance),

então usaríamos
1
P(1) = P(2) = P(3) = P(4) = P(5) = P(6) = . Neste caso, calcular
6
P(A) e P(B).

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 81
Católica
/ 163 d
Probabilidades Propriedades de Probabilidades
Propriedades de Proabilidade
Seja ϵ uma experiência e Ω o espaço amostral associado ao mesmo. A cada

acontecimento A desse espaço amostral associamos uma medida P(A),
denominada probabilidade de A, que deve satisfazer:
0 ⩽ P(A) ⩽ 1;
P(Ω) = 1;
n n
!
[ X
P Aj = P(Aj ), ondeAi ∩ Aj = ∅parai ̸= j
i=1 j=1
Se A e B são mutuamente exclusivo (disjuntos) A ∩ B = ∅, então

P(A ∪ B) = P(A) + P(B)
Generalizando, se os acontecimentos A1 , A2 , ..., An , forem
mutuamente exclusivo, então
n
X
P (A1 ∪ A2 ∪, ..., ∪An ) = P (A1 ) + P (A2 ) + ... + P (An ) = P(Ai )
i=1
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 82
Católica
/ 163 d
Se A e B são acontecimento quaisquer então

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
P(A) = 1 − P(Ā)
P(A − B) = P(A) − P(A ∩ B)
P(A ∪ B) ⩽ P(A) + P(B)
Se A⊂B então P(A) ⩽ P(B), P(B) > 0
Propriedades de Operações

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 83
Católica
/ 163 d
Exemplo
Considere e classique o espaço amostral de resultados associados às

seguintes experiências aleatórias:
a Lançamento de um dado não viciado
b Lançamento de dois dados não viciados

c Lançamento de uma moeda até ao aparecimento de coroa
d Escolha de um número aleatório ao conjunto dos números naturais
Uma urna contém 4 bolas, das quais 2 são brancas (numeradas de 1 a 2) e

2 são pretas (numeradas de 3 a 4). Duas bolas s~ao retiradas dessa urna,
sem reposição. Dena um espaço amostral apropriado para esse
experimento e os seguintes eventos:
A: a primeira bola é branca;
B: a segunda bola é branca;
C: ambas as bolas são brancas.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 84
Católica
/ 163 d
Três cartas são retiradas, sem reposição, de um baralho que tem três cartas
de cada uma das cores azul, vermelha, preta e branca. Dê um espaço
amostral para esse experimento e liste os eventos:
A: todas as cartas selecionadas são vermelhas.
B: uma carta vermelha, uma carta azul e uma carta preta são
selecionadas.
C: três diferentes cores ocorrem.
D: todas as 4 cores ocorrem.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 85
Católica
/ 163 d
Exercícios
1 Suponha que há três revistas, A, B, C , com as seguintes percentagens
de leitura:
A − 9, 8%, B − 22, 9%, C − 12, 1%, A e B − 5, 1%, A e

C − 3, 7%, B e C − 6, 0%, A, B e C − 2, 4%
Calcule a probabilidade de uma pessoa escolhida ao acaso ser leitor:
a De pelo menos uma das revistas

b Da revista A e B mas não a revista C
c Da revista A mas não das revistas B eC
Resolução
Acontecimentos:
A = a pessoa escolhida, ao acaso, é leitor da revista A;
B = a pessoa escolhida, ao acaso, é leitor da revista B ;
C = a pessoa escolhida, ao acaso, é leitor da revista C .
a) P(A ∪ B ∪ C ) b) P(A ∩ B ∩ C̄ ) c) P(A ∩ B̄ ∩ C̄ )
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 86
Católica
/ 163 d
Probabilidades Probabilidade Condicional
Consideremos o lançamento de um dado equilibrado. Já vimos que o

espaço amostral desse experimento é Ω = 1, 2, 3, 4, 5, 6. Considere o
acontecimento A = sair face 2. Se não temos qualquer informação além
de o dado ser equilibrado, vimos que P(A) = 16 .
Suponhamos, agora, que o dado tenha sido lançado e a seguinte
informação fornecida: saiu facer par. Qual é a probabilidade de ter saído
face 2? Note a diferença: agora nós temos uma informação parcial sobre a
experiência e devemos usa-la para reavaliar a nossa estimativa. Mais
precisamente, sabemos que ocorreu o acontecimento B= face par. Com
essa informação, podemos nos concentrar no acontecimento B = 2, 4, 6,
uma vez que as faces 1, 3, 5 cam descartadas em função da informação
dada. Dentro dessas três possibilidades, a probabilidade do evento A passa
a ser
1
3.
Calculamos, assim, a probabilidade do acontecimento A, sabendo que

ocorreu o acontecimento B.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 87
Católica
/ 163 d
Em muitos casos, estamos em condição de atualizar as informações de um

fenómeno aleatório pois uma determinada etapa pode inuenciar nas
probabilidades de ocorrências das etapas sucessivas, ou seja, calcular
probabilidades condicionais.
Probabilidade Condicional
A e B são dois acontecimento em um mesmo espaço amostral Ω. A

probabilidade condicional de A dado que ocorreu o acontecimento
B, denotada por P(A|B), é denida como
P(A ∩ B)
P(A|B) = , P(B) > 0 (3)
P(B)
Invertendo a expressão acima, obtém-se a importante relação:
P(A ∩ B) = P(A|B)P(B) = P(B|A)P(A), P(B) > 0, P(A) > 0 (4)

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 88
Católica
/ 163 d
Exempos 1
Consideremos, agora, o lançamento de dois dados equilibrados e os

acontecimentos A = soma das faces é par e B = soma das faces é maior
ou igual a 9. Se sabemos que ocorreu B, qual é a probabilidade de ter
ocorrido A? Queremos calcular P(A|B). Temos como espaço amostral de
lançamento de dois dados equilibrados:
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)

(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Assim, podemos obter o espaço amostral dos acontecimentos A e B:

B = (3, 6), (4, 5), (4, 6), (5, 4), (5, 5), (5, 6), (6, 3), (6, 4), (6, 5), (6, 6)

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 89
Católica
/ 163 d

(1, 1), (1, 3), (1, 5), (2, 2), (2, 4), (2, 6), (3, 1), (3, 3), (3, 5),
A=
(4, 2), (4, 4), (4, 6), (5, 1), (5, 3), (5, 5), (6, 2), (6, 4), (6, 6)
Se ocorreu B, a única chance de ter ocorrido A é que tenha ocorrido o
acontecimento

P(A ∩ B) = (4, 6), (5, 5), (6, 4), (6, 6)
e, nesse caso, a probabilidade é dada por
4
P(A ∩ B) 4
P(A|B) = = 36
10 =
P(B) 36
10
se sabemos que aconteceu o evento B, esse evento passa a ser o novo

espaço amostral e nesse novo espaço amostral, a única parte de A
presente é P(A ∩ B), conforme se ilustra no diagrama sobre interseção
entre acontecimentos.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 90
Católica
/ 163 d
Exemplo 2
Um grupo de 100 alunos foi classicado quanto ao sexo e à atividade de

lazer preferida, obtendo-se a distribuição dada na tabela abaixo.
Actividade de Lazer
Sexo Total
Cinema Praia Desporto
Masculino 10 12 13 35
Feminino 15 41 9 65
Total 25 53 22 100
1 Qual é a probabilidade de uma pessoa escolhida ao acaso neste grupo

ser do sexo masculino?
2 Se a pessoa escolhida prefere a praia como atividade de lazer, qual é a

probabilidade de que seja um homem?

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 91
Católica
/ 163 d
Solução
Começamos por denir os eventos: M = masculino; F = feminino; C =

cinema; P =praia; E = Desperto.
1 O problema pede P(M). Como há 35 homens dentre as 100 pessoas,

temos que
35
P(M) =
100
2 O problema pede P(M|P). Por denição,
P(M ∩ P) 12
100 12
P(M|P) = = 53 = 53
P(P) 100
Observação
Note que a probabilidade do evento aluno do sexo masculino se modica

quando sabemos que a pessoa prefere a praia como atividade de lazer, isto
é: P(M|P) ̸= P(M).

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 92
Católica
/ 163 d
Exemplo 3
De um total de 500 empregados, 200 possuem plano pessoal de

aposentadoria complementar, 400 contam com o plano de aposentadoria
complementar oferecido pela empresa e 200 empregados possuem ambos os
planos. Sorteia-se aleatoriamente um empregado dessa empresa.
1 Qual é a probabilidade de que ele tenha algum plano de aposentadoria

complementar?
2 Qual é a probabilidade de que ele não possua qualquer plano de

aposentadoria complementar?
3 Se o empregado conta com o plano de aposentadoria complementar

oferecido pela empresa, qual é a probabilidade de que ele tenha plano
pessoal de aposentadoria complementar?
4 Se o empregado tem plano pessoal de aposentadoria complementar,

qual é a probabilidade de que ele conte com o plano de aposentadoria
complementar da empresa?

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 93
Católica
/ 163 d
Solução
Vamos denotar por E o acontecimento empregado tem o plano

aposentadoria complementar da empresa e por P o acontecimento
empregado possui plano pessoal de aposentadoria complementar. O
problema diz que
P(P) = 200 2 400 4 200 2

500 = 5 ; P(E ) = 500 = 5 ; P(P ∩ E ) = 500 = 5
Note que essas informações podem ser dispostas no formato de tabela da

seguinte forma:
Plano pessoal
Total
Sim Não
Plano da Sim 200 200 400
empresa Não 0 100 100
Total 200 300 500
Os números em negrito são as informações dadas no problema; o restante é

calculado observando-se os totais de linha e de coluna.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 94
Católica
/ 163 d
O problema pede
1 P(P ∪ E ) = P(P) + P(E ) − P(P ∩ E )

2 P(P̄ ∩ Ē ) = P(P ∪ E )
3 P(P|E )
4 P(E |P)
Exemplo 4
A seguir temos dados referentes a alunos matriculados em quatro cursos de

mestrado do Departamento de Ciências Exatas de uma grande universidade
no ano de 2005. Selecionando um aluno aleatoriamente, sabe-se que ele
está matriculado em Estatística. Calcule a probabilidade deste aluno ser do
sexo feminino.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 95
Católica
/ 163 d
Exemplo
Sexo
Curso
Homens Mulheres
Matemática 70 40
Matemática Aplicada 15 15
Estatística 10 20
Ciência da Computação 20 10
Solução
Se A e B indicam, respectivamente, os eventos "aluno é mulher"e "aluno

matriculado em Estatística", então P(A|B) será:
20
P(A ∩ B) 200 2
P(A|B) = = =
P(B) 30 3
200

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 96
Católica
/ 163 d
Probabilidades Probabilidade Independente
Regra de Multiplicação
A denição de probabilidade condicional pode ser rescrita para fornecer

uma expressão geral para a probabilidade da intersecção de dois eventos:
P(A ∩ B) = P(A|B) × P(B) = P(B|A) × P(A)
Acontecimentos Independentes
Sejam acontecimentos A e B são independentes, se a informação da

ocorrência ou não de B não altera a probabilidade da ocorrência de A, isto
é:
P(A|B) = P(A), P(B|A) = P(B), P(A) > 0eP(B) > 0 (5)
ou ainda a seguinte forma equivalente: P(A ∩ B) = P(A)P(B)
Observação
A e B independente então A e B não são mutuamente exclusivo A e B são

mutuamente exclusivo então A e B não são independente.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 97
Católica
/ 163 d
Se A e B são independentes então:
P(A|B) = P(A), P(B) > 0

P(B|A) = P(B), P(A) > 0
ou seja, o conhecimento da realização de B em nada afecta a probabilidade
de se realizar A e vice-versa.
Observação
A independência entre os acontecimentos A e B implica a independência

entre os acontecimentos A e B̄ , Ā e B , Ā e B̄ . Por exemplo:
P(A ∩ B̄) = P(A − B̄) = P(A) − P(A ∩ B)

= P(A) − P(A)P(B)
= P(A)(1 − P(B))
= P(A)P(¯(B))

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 98
Católica
/ 163 d
Vejamos agora o conceito de independência para três acontecimentos:

dizemos que os eventos A, B, C são independentes se, e somente se:
i P(A ∩ B) = P(A)P(B)
ii P(A ∩ C ) = P(A)P(C )
iii P(B ∩ C ) = P(B)P(C )
iv P(A ∩ B ∩ C ) = P(A)P(B)P(C )
Se apenas as três primeiras relações estiverem satisfeitas, dizemos que os
acontecimentos A, B, C são mutuamente independentes. É possível que
três acontecimentos sejam mutuamente independentes, mas não sejam
completamente independentes.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 99
Católica
/ 163 d
Probabilidades Teorema de Probabilidade Total
Os acontecimentos A1 , A2 , ..., Ak dizem-se uma partição do espaço de

resultados Ω se:
1 Forem mutuamente exclusivos, i.e.:

Ai ∩ Aj = ∅, ∀ i̸= j com i, j = 1, 2, ..., k
2 A união de todos os acontecimentos é o espaço de resultados, i.e.:
Sk
A1 , A2 , ..., Ak = i=1 Ai =Ω
3 Todos os acontecimentos têm probabilidade não nula, i.e.:
P(Ai ) > 0, ∀ i=1,2,...,k

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 100
Católica
/ 163 d
Probabilidades Teorema de Probabilidade Total
Probabilidade Total
Assim, considerando B um
acontecimento qualquer tal que
B ⊂ Ω, então B pode ser escrito da
seguinte forma:
B = (B ∩A1 )∪(B ∩A2 )∪...∪(B ∩An )
Deste modo, a Probabilidade Total de B pode ser obtida, como segue.
P(B) = P(B ∩ A1 ) + P(B ∩ A2 ) + ... + P(B ∩ An )

Xn
= P(B ∩ An )
i=1 (6)
Xn
= P(B|Ai )P(Ai )
i=1

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 101
Católica
/ 163 d
Probabilidades Teorema de Bayes
Frequentemente, começamos a análise com um cálculo de probabilidade

inicial ou prévia para acontecimentos de interesse especíco. Então, a
partir de fontes tais como uma amostra, um relatório especial, obtemos
dados adicionais sobre os acontecimentos. Com isto, atualizamos os valores
prévio da probabilidade calculando as probabilidades adicionais, denotadas
probabilidades posteriores. O Teorema de Bayes fornece um meio de
fazer esses cálculos de probabilidade.
Teorema de Bayes
Suponhamos que A1 , A2 , ..., Ak são acontecimentos mutuamente

exclusivos, cuja união é o espaço amostral Ω. Então, se B é um
acontecimento qualquer, temos que:
P(B|Ai )P(Ai ) P(B|Ai )P(Ai )

P(Ai |B) = = (7)
P(B|A1 )P(A1 ) + · · · + P(B|Ak )P(Ak ) P(B)
Onde P(B) é a Probabilidade Total.

Isto nos permite encontrar as probabilidades de vários acontecimentos
A1 , A2 , ..., Ak que podem ser a causa de ocorrência de A.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 102
Católica
/ 163 d
Exemplo 1
Numa fábrica, um certo tipo de chocolates é embalado em caixas e por

uma das 3 linhas de produção diferentes: M 1, M 2 e 3. Os registos
mostram que uma pequena percentagem das caixas não é embalada em
condições próprias para venda: 0,5% provêm de M 1, 0,8% de M2 e 1% de
M 3. Sabe-se que o volume diário de caixas embaladas por cada uma das
linhas de produção é de 500, 100 e 2000 unidades, respetivamente.
a Qual a probabilidade de uma caixa, escolhida ao acaso, não estar em
condições para venda?
b Sabendo que uma caixa não está em condições para venda, qual a
probabilidade de ser proveniente da linha de produção M 2?
Resolução
Acontecimentos:
M 1, M 2 e M 3: A caixa é embalada pela linha de produção M 1, M 2 M 3,

respectivamente.
D A caixa não está em condições para venda.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 103
Católica
/ 163 d
M 1, M 2 e M3 são partição pois:
As caixas são embaladas apenas nas linhas de produção M 1, M 2 ou

M 3;
Uma caixa não pode ser embalada em duas linhas de produção em
simultâneo;
Todas as linhas de produção embalam caixas.
Portanto, pode-se aplicar o Teorema da Probabilidade Total e o Teorema

de Bayes para calcular as probabilidades pretendidas.
P(M 1) = 500 100 = 0, 0385;

= 0, 1923; P(M 2) = 2600
2600
P(M 3) = 2000 = 0, 7692
2600
P(D|M 1) = 0, 005 P(D|M 2) = 0, 008 P(D|M 1) = 0, 01
a P(D) = P(D|M 1)P(M 1) + P(D|M 2)P(M 2) + P(D|M 3)P(M 3) =
0, 009
P(D|M 2)P(M 2)
b P(M 2|D) = = 0, 0343
P(D)
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 104
Católica
/ 163 d
Exemplo 2
O Pedro entrou agora na universidade e foi informado de que há 30% de

possibilidade de vir a receber uma bolsa de estudo. No caso de a receber, a
probabilidade de se licenciar é de 0,85, enquanto que no caso de não a
obter, a probabilidade de se licenciar é de apenas 0,45.
a Diga ao Pedro qual é a probabilidade de ele se licenciar.
b Se, daqui a uns anos, encontrar o Pedro já licenciado, qual a

probabilidade de que tenha recebido a bolsa de estudo?

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 105
Católica
/ 163 d
Exemplo 3
Numa urbanização recente, um inquérito aos moradores revelou que 5%

viviam em moradias, 20% em prédios em banda e os restantes em torres.
Alguns desses moradores foram aí instalados através de programas de
realojamento. Dos moradores que vivem em moradias 2% são realojados, o
mesmo acontecendo com 3% dos que vivem em prédios em banda e com
10% dos que vivem em torres. Escolhido ao acaso um dos habitantes dessa
urbanização, qual a probabilidade de:
a Ele ter sido alvo do programa de realojamento?
b Ele viver numa moradia sabendo que se trata de um realojado?

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 106
Católica
/ 163 d
Variáveis Aleatórias Conceitos Básicos
Muitas vezes o espaço de resultados, ω, não é um conjunto numérico e o

estudo a realizar é bastante facilitado quando se atribui um número real, ,
ou conjunto ordenado de números reais, a cada elemento ω de Ω, i. e.,
ω ∈ Ω. Dene-se, assim, uma função X (ω) = x que se designa por variável
aleatória X.
Variável Aleatória
Uma variável aleatória (v.a), X , é uma função que a cada resultado ω∈Ω
associa um valor numérico X (ω) ∈ R.
Figura: Probabilidade utilizando a variável aleatória X
Se o conjunto de chegada de uma v.a. for constituído por elementos

expressos numa escala nominal ou ordinal, então diz-se que a variável é
qualitativa.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 107
Católica
/ 163 d
Variáveis Aleatórias Conceitos Básicos
Se os elementos forem expressos numa escala numérica, então diz-se que a

variável é quantitativa.
A variável aleatória pode ser
Discreto: se o contradomínio for um conjunto nito ou innito

numerável.
Contínua: se o contradomínio for um conjunto innito não numerável.
Exemplo 3.1
Considere-se a experiência aleatória que consiste em lançar uma moeda ao

ar três vezes e registar a face que cou voltada para cima, face (F) ou
coroa (C). O espaço de resultados para esta experiência é:
Ω = (F , F , F ); (F , F , C ); (F , C , F ); (C , F , F );
(F, C, C); (C, F, C); (C, C, F); (C, C, C).
Denindo X v. a. que representa o número de faces voltadas para cima
em três lançamentos, então:
(F, F, F) =3 (F, F, C) = 2 (F, C, F) = 2 (C, F, F) = 2
(F, C, C) = 1 (C, F, C) = 1 (C, C, F) = 1 (C, C, C) = 0
Logo, x = X (Ω) = 0, 1, 2, 3.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 107
Católica
/ 163 d
Variáveis Aleatórias Variável Aleatória Discreta
Função de Probabilidade
A função (massa) de probabilidade, f (x), da v. a.X designa a probabilidade

dessa variável tomar cada um dos valores do seu domínio D, i. e.:

P(X = x) sex ∈D
f (x) = (8)
0 sex ∈
/D
Propriedade
Propriedades de f (x): A função f (x) tem que satisfazer as seguintes

condições:
1 0⩽ f (x) ⩽ 1, ∀x
P
x∈D f (x) = 1
2

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 108
Católica
/ 163 d
Função de Distribuição
A função de distribuição, F (x), da v.a X corresponde à acumulação da

função de probabilidade para cada valor do domínio da variável, i. e.:
X
F (x) = P(X ⩽ x) = f (i) (9)
i⩽xD
Propriedades
A função F (x) tem que satisfazer as seguintes condições:
1 0 ⩽ F (x) ⩽ 1, ∀x
2 F (x1 ) ⩽ F (x2 ) ∀x com x1 < x2 , i.e., F (x) é uma função monótona
não crescente;
3 limx→∞ F (x) = 0 e limx→∞ F (x) = 1;

4 F (x) é continua à direita;
5 P(x1 < X ⩽ x2 ) = F (x2 ) − F (x1 ) ∀x x1 , x2 com x1 < x2

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 109
Católica
/ 163 d
Exemplo
O custo unitário de um produto de rara procura comercialmente num

determinado estabelecimento é de 5 unidades monetárias, e o preço de
venda é de 7.5 unidades monetária. o abastecimento deste produto é feito
no início de cada semana, sabendo-se que tal produto se torna irrecuperável
se não for vendido na semana em causa. Considere a seguinte função de
probabilidade abaixo para a procura semanal, X, de uma unidade desse
produto.
xi 1 3 4 5 7
f(xi ) 0.1 0.3 0.2 0.3 0.1
Admitindo um stock inicial de 4 unidades, determine:

a A probabilidade de haver falha de stock.
b A probabilidade de haver sobras de stock.

c Determine a função de distribuição da v.a X

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 110
Católica
/ 163 d
Exemplo
Consideremos a variável aleatória

X- Procura semanal de uma unidade do produto.
a) Seja o acontecimento A: "Ocorrência de falhas de stock", o qual se
verica se forem procuradas mais de 4 unidades do produto. Assim,
P(A) = P(X > 4) = P(X = 5 ∪ X = 7)

= P(X = 5) + P(X = 7)
= f (5) + f (7)
= 0.3 + 0.1 = 0.4
b) O acontecimento B: Existência de sobras de stock.
P(B) = P(X < 4) = P(X = 1 ∪ X = 3)

= P(X = 1) + P(X = 3)
= f (1) + f (3)
= 0.1 + 0.3 = 0.4
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 111
Católica
/ 163 d
Uma variável aleatória discreta X tem função massa de probabilidade dado

por:
xi 0 1 2 3
P(X=xi ) 1/10 1/5 m 1/10
a Determine o valor de m
b Construir a função distribuição de variável aleatória de X
Resolução
b)

 0 se
x <0

0.1 se 0 ⩽ x < 1



F (x) = 0.1
+ 0.2 = 0.3 se 1 ⩽ x < 2
0.3 + 0.6 = 0.9 se 2 ⩽ x < 3




0.9 + 0.1 = 1 se x ⩾ 3


WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 112
Católica
/ 163 d
Seja X a variável aleatória que representa o número de computadores

vendidos, por dia, numa loja de Centro Comercial. A distribuição de
probabilidade da v.a X.
xi 0 1 2 3
P(X=xi ) 1/6 p 1/30 3/10
a Determine a probabilidade de vender um computador num dia.
b Calcule P(1 ⩽ X < 4); P(X > 2); P(X ⩽ 1); P(X ⩾ 1|X < 3)

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 113
Católica
/ 163 d
Exemplos 3.2
Considere o exemplo do lançamento da moeda, descrito no exemplo 3.1,

onde X é a v. a. que representa o número de faces voltadas para cima em
três lançamentos da moeda. Construa as funções de probabilidade e de
distribuição associadas a esta variável aleatória. Represente-as
gracamente.
Resolução
Função de probabilidade: Para a variável aleatória têm-se as seguintes

probabilidades:
f (0) = P(X = 0) = P(C , C , C ) = 81 ;
f (1) = P(X = 1) = P(F , C , C ) ∪ P(C , F , C ) ∪ P(C , C , F ) = 38 ;
f (1) = P(X = 2) = P(F , F , C ) ∪ P(F , C , F ) ∪ P(C , C , F ) = 38 ;
f (0) = P(X = 0) = P(F , F , F ) = 18
Por conseguinte, temos:
x 0 1 2 3
f(x) 1/8 3/8 3/8 1/8
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 114
Católica
/ 163 d
Continuação
Função de Densidade
F (0) = P(X ⩽ 0) = P(X = 0) = 18 ;
F (1) = P(X ⩽ 1) = P(X = 0) + P(X = 1) = 18 + 83 = 48 ;
F (1) = P(X ⩽ 2) = P(X = 0) + P(X = 1) + P(X = 2) = 18 + 38 + 83 = 78 ;
F (1) = P(X ⩽ 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) =
1+3+3+1 =1
8 8 8 8
Assim,
x 0 1 2 3
F(x) 1/8 4/8 7/8 1

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 115
Católica
/ 163 d
Figura: Função de probabilidade Figura: Função de Densidade

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 116
Católica
/ 163 d
Variáveis Aleatórias Variável Aleatória Continua
Função densidade de probabilidade
Dena-se f (x) como a função densidade de probabilidade da v.a. X.

Propriedades
A função f (x) tem que satisfazer as seguintes condições:
1 f (x) ⩾ 0, qualquer que seja o valor de x

2
Z +∞
f (x)dx = 1
−∞
Função de distribuição
A função de distribuição f (x), da v. a. X é denida por:
Z x
F (x) = P(X ⩽ x) = f (t)dt
−∞

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 117
Católica
/ 163 d
Propriedade
A função F (x) tem que satisfazer as seguintes condições:
1 0 ⩽ F (x) ⩽ 1, ∀x
2 F (x1 ) ⩽ F (x2 ) ∀x com x1 < x2 , i.e., F (x) é uma função monótona
não crescente;
3 limx→∞ = 0 e limx→∞ = 1;
4 F (x) é continua à direita;
∂F (x)
5 F ′ (x) = = f (x)
∂x Rx
6 P(x1 < X ⩽ x2 ) = x12 = F (x2 ) − F (x1 ) ∀x x1 , x2 com x1 < x2

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 118
Católica
/ 163 d
Exemplo 3.2
Considere que o consumo semanal de um certo bem alimentar, em famílias

de um determinado concelho, é uma v. a. X com a seguinte função
densidade de probabilidade:
(1
x 2, 0 <x <3
f (x) = 9
0, caso contrário
a Obtenha a função de distribuição.
b Represente gracamente as funções densidade de probabilidade e de

distribuição.
c Calcule a probabilidade de, numa semana, o consumo do bem
alimentar numa dada família ser superior a 1,5.
d Calcule a probabilidade de, numa semana, o consumo do bem

alimentar numa dada família se situar entre 1 e 2.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 119
Católica
/ 163 d
Resolução
1 2 du 1
x3
Rx Rx
a) F (X ) = −∞ f (u)du = −∞ 9 u =
27
Portanto,

 0, x ⩽0
1

F (x) = x 3, 0 <x <3
 27

1, x ⩾3
b) Representação gráca das funções de densidade e de distribuição.
Figura: Função Densidade de

Figura: Função de Densidade
probabilidade

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 120
Católica
/ 163 d
1
c) P(X > 1, 5) = 1 − P(X ⩽ 1, 5) = 1 − F (1, 5) = 1 − ∗ 1, 53 = 0, 875
27
1 1
d) P(1 ⩽ X ⩽ 2) = F (2) − F (1) = ∗ 23 − = 0, 2593
27 27
Exemplo 3.3
A percentagem de álcool em certo composto pode ser considerada uma v.a

X, onde 0 < x < 1, com a f.d.p. f (x) = cX 3 (1 − X ), 0 < x < 1.
a Determine o valor da constante c.
b Calcule P( 12 < x < 1)
Exemplo 3.3
O diâmetro X de um cabo eléctrico supõe-se ser uma v.a com f.d.p, assim
denida
6x(1 − x), 0 ⩽ x < 1

f (x) =
0, c.c
a Verique tratar-se de uma f.d.p.

b Calcule P(x ⩽ 1/2|1/3 < x < 2/3)
lucubo3@gmail.com
Msc.Augusto Lucubo Positivo Nakiti
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 121
Católica
/ 163 d
Variáveis Aleatórias Média e Variância de uma V.A Discreta
Média
A média de uma variável aleatória X usa o modelo de probabilidade para

ponderar os valores possíveis de X. A Média ou Valor Esperado ou ainda
Esperança Matemática de X, denotado por
v.a Discreta v.a Continua

k
X Z
E(X ) = µx = xi P(X = xi ) E(X ) = µx = xf (x)dx
i=1 D
Propriedades
1 E(k) = k , k constante
2 E(kX ) = kE(X )
3 E(X ± Y ) = E(X ) ± E(X )
4 E(X ± k) = E(X ) ± k
5 Se X e Y são independentes, então E(X .Y ) = E(X ).E(X )
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 122
Católica
/ 163 d
Variância
Seja X uma v.a com função de probabilidade f (x). A variância de X,

Var (X ) ou σx2 , quando existe, dene-se por:
Var (X ) = σx2 = E((X − σx )2 ) = E(X 2 ) − (E(X ))2

Portanto,
v.ak Discreta
v.a Continua
(x − µx )2 f (x)
X Z
Var (X ) = Var (x) = (x − µx )2 f (x)dx
i=1 D
!2 Z Z 2
x2 = x 2 f (x)dx − xf (x)dx)
X X
= − xf (x)
D D
x∈D x∈D
p
O desvio padrão de X, σx , quando exite, dene-se por: σx = Var (x)

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 122
Católica
/ 163 d
Propriedade da variância
Sendo X e Y v.a e k uma constante real:
1 Var (k) = 0;
2 Var (kX ) = k 2 Var (X );
3 Var (k + X ) = Var (X )
4 Var (X ± Y ) = Var (X ) ± Var (Y ), X e Y independentes

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 123
Católica
/ 163 d
Exemplo
Retome o exercício do exemplo 3.1 e determine:

a O número médio de lançamento em que a face ca voltada para cima;
b E(4X + 2) e E(X 2 );
c Var (X ) e Var (2X + 5)
Exemplo
Retome o exercício do exemplo 3.2 e determine:

a O consumo médio semanal do bem alimentar, e uma determinada
família.
b Calcule o valor esperado e o desvio padrão do consumo mensal (4

semanas), de uma dada família desse concelho. Admita a
independência entre os consumos semanais

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 124
Católica
/ 163 d
Variáveis Aleatórias Distribuições de Probabilidades
Neste capítulo apresentam-se algumas das principais distribuições de

probabilidade teóricas, discretas e contínuas. Algumas destas distribuições
foram selecionadas por caracterizarem populações existentes na realidade e,
outras distribuições, devido às suas propriedades servirem de base aos
desenvolvimentos de resultados que se apresentam no capítulo seguinte.
Distribuições
Discreta Continua
1 Uniforme 1 Uniforme
2 Bernoulli e Binomial 2 Normal

3 Geométrica 3 Exponencial
4 Binomial Negativa 4 Qui-Quadrado
5 Multinomial 5 Gama
6 Hipergeométrica 6 t-Studant
7 Poisson 7 F de Fisher-Snedecor

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 125
Católica
/ 163 d
Distribuição de Bernoulli
Prova de Bernoulli: Uma experiência aleatória chama-se prova de

Bernoulli se possuir as seguintes características:
Tem apenas dois resultados possíveis, incompatíveis:

A que se designa por sucesso;
Ā designado por insucesso,
P(A) = p e P(Ā) = q = 1 − p
Quando se realiza uma prova de Bernoulli e se considera X a v.a. que
caracteriza a experiência tomando os valores:
x = 1, quando o resultado da prova é um sucesso,
x = 0, quando o resultado da prova é um insucesso,
então a distribuição de Bernoulli é o modelo adequado para descrever o

comportamento probabilístico da v. a. X.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 126
Católica
/ 163 d
Distribuição Binomial
Quando se realizam n provas de Bernoulli independentes mantendo-se

constante, de prova para prova, a probabilidade de sucesso e de insucesso,
i. e., P(A) = p e P(Ā) = q = 1 − p , então a distribuição de Binomial é
o modelo adequado para descrever o comportamento probabilístico da v. a.
X que conta o número de sucessos em provas realizadas.
Denição
A v. a. discreta X, que designa o número de sucessos em n provas de

Bernoulli independentes, cada uma com probabilidade de sucesso p , segue
uma distribuição Binomial, i. e., X ∼ B(n, p), se a sua função de
probabilidade é:

n x
f (x) = P(X = x) = p (1 − p)n−x , x = 0, 1, . . . n, 0 < x < 1
x
Se X ∼ B(n, p) então µx = E(X ) = np e Var (X ) = np(1 − p) = npq

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 127
Católica
/ 163 d
Distribuição Poisson
A distribuição Poisson é o modelo probabilístico adequado para descrever

os fenómenos em que os acontecimentos se repetem no tempo (ou no
espaço) ou ainda fenómenos raros, isto é, fenómenos que se realizam um
número reduzido de vezes, no tempo ou no espaço.
Para que a v. a. X, que designa o número de ocorrências num determinado
intervalo de tempo, siga uma distribuição de Poisson tem que vericar as
seguintes condições:
i) Que a v.a. X seja o no de ocorrências de um evento em um intervalo;
ii) Que as ocorrências sejam aleatórias;
iii) Que as ocorrências sejam independentes umas das outras;
iv) Que as ocorrências sejam distribuídas uniformemente sobre o intervalo
considerado.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 128
Católica
/ 163 d
Alguns exemplos de fenómenos que se adequam a uma distribuição de

Poisson:
Número de chamadas telefónicas que chegam, em certo período de

tempo, a uma central telefónica;
Número de avarias que ocorrem numa máquina, num certo intervalo

de tempo;
Denição
A v. a. discreta X, que designa o número de ocorrências num determinado

intervalo de tempo, segue uma distribuição Poisson, i.e., X ∼ P(λ), se a
sua função de probabilidade é:
e −λ λx
f (x) = P(X = x) = , x = 0, 1, 2...; λ > 0
x!
Se XP(λ) então µx = E(X ) = λ e Var (X ) = λ

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 128
Católica
/ 163 d
Exemplo 1: Distribuição Binomial
ª
Com a ingestão de um determinado fármaco para o tratamento da
depressão, 20% dos doentes referem sentir efeitos secundários durante a 1
semana de tratamento. Recolheu-se uma amostra aleatória de 15 doentes.
Seja X a v. a. que representa o número de doentes que sentem os referidos
efeitos secundários numa amostra de 15 doentes.
a Identique a distribuição da v. a. X.
b Em média quantos doentes sentiram efeitos secundários?
c Calcule a variância da v. a. X.
d Qual a probabilidade de exatamente 5 doentes sentirem efeitos
secundários?
e Determine a probabilidade de pelo menos 1 e menos de 4 doentes
sentirem efeitos secundários.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 129
Católica
/ 163 d
a) Os n = 15 doentes são independentes.

Só existem 2 resultados possíveis por tratamento: sente efeitos secundários
E ou não sente efeitos secundários Ē , sendo
P(E ) = 0.2 e P(Ē ) = 1 − P(E ) = 1 − 0.2 = 0.8 = q
logo, X ∼ B(n = 15, p = 0.2) e a função de probabilidade será:

15
f (x) = P(X = x) = (0.2)x (0.8)15−x , x = 0, 1, . . . 15
x
b) E, c) Var (X )
d) P(X = 5) = 15 5
5 (0.2) (0.8)
15−5 = 0, 1032
e) P(1 ⩽ x < 4) = P(X = 1) + P(X = 2) + P(X = 3) = 0.6130

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 129
Católica
/ 163 d
Exemplo 2
A probabilidade de um atirador acertar no alvo é p = 1 /2

a Em oito tiros qual é a probabilidade de acertar pelo menos duas vezes?
X → v.a número de vezes que o tiro acerta no alvo.

X ∼ B(8, 0.25)
P(X ⩾ 2) = 1 − P(X < 2) = 1 − [P(X = 0) + P(X = 1)] = 0.6329
Exemplo 3
Um variável aleatória em distribuição binomial X ∼ B(15, p)

a Sabendo que o valor médio de X é 6, determine o valor p-
b Calcule P(X > 3)

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 130
Católica
/ 163 d
Exemplo 1: Distribuição Poisson
Seja X a v. a. que representa o número de automóveis que entram numa

autoestrada (AE) num período de 30 segundos. Sabe-se que X é uma v. a.
de Poisson com desvio padrão a 3.
a Descreva a função de probabilidade da v. a. em estudo.
b Em média quantos automóveis entram na AE num período de 30

segundos? Calcule a variância.
c Qual a probabilidade de entrarem no mínimo 2 automóveis na AE num
período de 30 segundos?
d Determine a probabilidade de entrarem no máximo 3 automóveis na

AE num minuto.
e Calcule a probabilidade de entrarem mais de 2 e menos de 5
automóveis na AE num período de 15 segundos.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 131
Católica
/ 163 d
a) X ∼ P(λ = 32 = 9)
Função de probabilidade:
e −9 9x
f (x) = P(X = x) = , x = 0, 1, 2, ...
x!
c) P(X ⩾ 2) = P(X = 2) + P(X = 2) + P(X = 2) + · · · ou
−9 0
e −9 91

e 9
= 1 − (P(X = 0) + P(X = 1)) = 1 − + = 0, 9998
º
0! 1!
′
d) Seja X a v.a. que representa o n. de automóveis que entram na AE
′ ′
num período de 1 minuto. Logo, X ∼ P(λ = 2λ = 18), pois 1 minuto =
2*30 segundos
P(X ′ ⩽ 3) = P(X ′ = 0) + P(X ′ = 1) + P(X ′ = 2) + P(X ′ = 3) ∼
=0
Exemplo 2
O número de nascimentos, por hora, numa certa maternidade é uma v.a.

de Poisson.
Sabendo que a probabilidade de não haver nascimento durante uma hora é
de 0,368, determine a probabilidade de ocorrerem pelo menos 3
nascimentos, numa hora.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 132
Católica
/ 163 d
X → v.a. Número de nascimentos por hora

X ∼ P(λ)
e −λ λ0
P(X = 0) = 0, 368 =⇒ = 0, 368 =⇒ λ = 1
0!
P(X ⩾ 3) = 1 − P(X < 3) = 1 − [P(X = 0) + P(X = 1) + P(X = 2)] =
0, 0803
Exemplo 3
Suponha que X é uma v.a. com distribuição de Poisson. Se

P(X = 2) = 23 P(X = 1). Calcule P(X = 0) e P(X = 3)

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 133
Católica
/ 163 d
Distribuição Uniforme
Dizemos que X segue o modelo Uniforme, no intervalo [a, b] ⊂ R, se todos

os sub-intervalos de [a, b] com mesmo comprimento tiverem a mesma
probabilidade. Sua f.d.p é dada por

1
, a⩽x ⩽b

f (x) = b−a
0, c.c

A função distribuição acumulada da Uniforme é facilmente encontrada e é

dada por:

 0, x <a
x − a
F (x) = , a⩽x <b
b − a

1, x ⩽b
Sua esperança e variância são dadas da seguinte maneira:
a+b (b − a)2
E(X ) = e Var (X ) =
2 12
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 134
Católica
/ 163 d
Exemplo da Distribuição Uniforme
Considere que o tempo de viagem de autocarro entre Lisboa e Évora segue

uma distribuição Uniforme entre 100 a 120 minutos.
1 Identique a v. a. em estudo e a sua distribuição densidade de

probabilidade.
2 Qual a duração média das viagens? Calcule a variância.
3 Qual a probabilidade de uma viagem demorar mais de 115 minutos?
4 Qual a proporção de viagens de demoram menos de 110 minutos?
5 Calcule a probabilidade de uma viagem durar entre 105 e 115 minutos?

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 135
Católica
/ 163 d
Outros exemplos
O verdadeiro peso de sacos de quilo de arroz é aleatório e apresenta uma

densidade de probabilidade uniformemente distribuída entre 0,8 e 1,05 Kg.
1 Indique a função de densidade de probabilidade em questão.
2 Qual a probabilidade de um saco de arroz pesar menos de um quilo?
3 Qual o peso médio dos referidos sacos?
Num certo hospital, a temperatura na sala de espera das urgências tem

distribuição uniforme entre 20 e 24 graus.
1 Construa a função de distribuição adequada.
2 Calcule a temperatura média da sala e a variância.
3 Qual a probabilidade de a temperatura da sala estar entre 21 e 23

graus?

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 136
Católica
/ 163 d
Distribuição Exponencial
A distribuição Exponencial está relacionada com o processo de Poisson.

Demonstra-se que num processo de Poisson, o tempo de espera até à
ocorrência do primeiro sucesso é uma v. a. que segue uma distribuição
Exponencial. Esta distribuição é também adequada para descrever o tempo
até à ocorrência do próximo sucesso ou o tempo entre dois sucessos
consecutivos.
Denição
A v. a. contínua X segue uma distribuição Exponencial, i. e., X ∼ Exp(λ),

se a sua função densidade de probabilidade é:
f (x) = λℓ−λx x > 0 e λ > 0
1 1
Se X ∼ Exp(λ) então E(X ) = e Var (X ) = 2
λ λ

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 137
Católica
/ 163 d
Exemplo
Seja X a v. a. que representa o tempo, em segundos, decorrido entre a

entrada consecutiva de 2 automóveis numa autoestrada (AE). Admita que
esta v. a. segue uma distribuição Exponencial com valor médio 15
segundos.
1 Descreva as funções densidade de probabilidade e de distribuição

associadas a esta v. a.
2 Qual o valor esperado e a variância de .
3 Calcule a probabilidade do tempo que medeia a entrada consecutiva

de 2 automóveis na AE ser superior a 50 segundos.
4 Determine a probabilidade do intervalo de tempo que separa a entrada

consecutiva de 2 automóveis na AE ser inferior a 1 minuto.
5 Calcule P(X > σx ).

6 Determine a probabilidade do tempo que ocorre entre a entrada
consecutiva de 2 automóveis na AE estar entre 10 e 20 segundos.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 138
Católica
/ 163 d
O tempo de atendimento de um aluno na secção de fotocópias da Casa das

Folhas, em Évora, é uma v. a. T com distribuição Exponencial de valor
médio igual a 10 minutos.
1 Descreva a função de distribuição da v. a. T.

2 Qual a probabilidade de lhe tirarem as fotocópias em menos de 15
minutos?
Suponha que o tempo decorrido entre a entrada consecutiva de 2

automóveis numa auto-estrada, segue uma distribuição Exponencial com
valor médio de 15 segundos.
1 Dena a função densidade de probabilidade da variável aleatória .
2 Determine a P(T > σT )

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 139
Católica
/ 163 d
Distribuição Normal
A distribuição Normal é, provavelmente, a mais importante distribuição de

probabilidade, tanto na teoria quanto na prática da estatística. Se X é uma
variável aleatória normal, então a distribuição de probabilidade de X é
denida como se segue:
(x − µ)2
1 −
f (x) = √ e 2σ 2
2πσ 2
A equação da curva Normal é especicada usando 2 parâmetros: a média

populacional µ, e o desvio padrão populacional σ , ou equivalentemente a
variância populacional σ2. Denotamos N(µ, σ 2 ) à curva Normal com média
e variância. A média refere-se ao centro da distribuição e o desvio padrão
ao espalhamento de curva.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 140
Católica
/ 163 d
No cálculo de probabilidades para variáveis contínuas, devemos resolver a

integral da função densidade no intervalo de interesse, isto é:
Z b
(x − µ)2
1 −
P(a ⩽ X ⩽ b) = √ e 2σ 2
a 2πσ 2
Entretanto, a integral acima só pode ser resolvida de modo aproximado e

por métodos numéricos. Por essa razão as probabilidades para o modelo
Normal são calculadas com o auxílio de tabelas. Para se evitar a
multiplicação desnecessária de tabelas para cada par de valores (µ, σ 2 ),
utiliza-se uma transformação que conduz sempre ao cálculo de
probabilidades com uma variável de parâmetros (0, 1), isto é, média 0 e
variância 1.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 141
Católica
/ 163 d
Distribuição Normal Padrão
Considere X ∼ N(µ, σ 2 ) e de una uma nova variável Z, sendo:
X −µ
Z=
σ
A criação de uma nova variável aleatória por essa transformação é referida
como padronização. A variável aleatória Z representa a distância de X a
partir de sua média em termos dos desvios padrões. Pode-se ainda vericar
que essa transformação não afeta a normalidade e, assim, a variável
aleatória Z terá distribuição N(0, 1) e será denominada de Normal Padrão
ou Normal Reduzida. Para determinar a probabilidade de X ∈ [a, b],
procedemos da seguinte forma:

X −µ X −µ
P(a ⩽ X ⩽ b) = P ⩽Z ⩽
σ σ
e, portanto, quaisquer que sejam os valores de µ e σ, utilizamos a Normal

Padrão para obter probabilidades com a distribuição Normal.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 142
Católica
/ 163 d
Resultados Importantes
X ∼ N(µ, σ)
Se então a v.a estandardizada (padronizada)
X −µ
Z= .
σ
A função de distribuição F (z) da v.a. Z ∼ N(0, 1) é representada por
Φ(z) e está tabelada.
Φ(−z) = 1 − Φ(z).
Φ(z) = α =⇒ z = Φ−1 (α)
Figura: Origem e Distribuição Normal reduzida

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 143
Católica
/ 163 d
Figura: Distribuição Normal Padrão

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 144
Católica
/ 163 d
Para ilustrar a utilização da tabela de distribuição normal reduzida, vamos

resolver alguns exemplos. Probabilidade de Z menor que 1.74, ou seja
P(Z < 1.74).
P(Z < 1.74) = 0.9591

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 145
Católica
/ 163 d
Dada uma distribuição normal padrão, encontre a área da curva que

encontra-se a direita de Z = 1.84
P(Z > 1.84) = 1 − P(Z ⩽ 1.84) =

1 − 0.9671 = 0.0329

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 146
Católica
/ 163 d
Exemplo 1: Distribuição Normal
Uma empresa, monopolista no mercado de determinado produto, tem

produção constante de 90 toneladas (ton.) por dia. Sabe-se que a procura
diária é uma v. a. com distribuição Normal, com média µ = 80 toneladas e
desvio padrão σ = 10 toneladas.
a Qual a procura média diária deste produto? Calcule a variância.
b Determine a probabilidade de a procura ser inferior a 78 toneladas.

c Calcule a probabilidade de ocorrer procura excedentária?
d Qual a percentagem de dias em que a procura se situa entre 77 e 82

toneladas?
e Qual deve ser a produção mínima diária para que a probabilidade de
ocorrer procura excedentária seja 0,025.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 147
Católica
/ 163 d
a) Seja X a v.a. que representa a procura diária, em tonelada, do produto,

com X ∼ N(µ = 80; σ = 10), portando E(X ) = µ = 80 e
Var (X ) = σ 2 = 102= 100
X −µ 78 − 80
b) P(X < 78) = P < = P(Z < −0.2) = Φ(−0.2) =
σ 10
1 − Φ(0.2) = 1 − 0.5793 = 0.4207

90 − 80
c) P(X > 90) = 1 − P(X ⩽ 90) = 1 − P Z ⩽ = 1 − Φ(1) =
10
1 − 0.8413
77 − 80 82 − 80
d) P(77 ⩽ X ⩽ 82) = P ⩽Z ⩽ = P(−0.3 ⩽ Z ⩽
10 10
0.2) = Φ(0.2) − Φ(−0.3) = 0.1972. Portanto, em 19,72% dos dias a
procura situa-se entre 77 e 82 toneladas
e) P(X > k) = 0.025
k − 80 k − 80
⇔ P(Z ⩽ k) = 0.975 ⇔ P Z ⩽ = 0.975 ⇔ Φ como
10 10
k − 80
Φ(1.96) = 0.975 então = 1.96 ⇔ k = 99.6
10

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 148
Católica
/ 163 d
Exemplo 2
O faturamento mensal de uma loja segue uma distribuição normal com

média Kz 20.000, 00 e desvio padrão Kz 4.000, 00. Calcule:
a A probabilidade de que, num determinado mês, o faturamento esteja
entre Kz 20.000, 00 e Kz 25.000, 00;
b A probabilidade de que, num determinado mês, o faturamento esteja

ente Kz 15.000, 00 e Kz 20.000, 00;
c A probabilidade de que, num determinado mês, o faturamento esteja
entre Kz 19.000, 00 e Kz 25.000, 00.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 149
Católica
/ 163 d
Introdução à Inferência Estatística
O campo da inferência estatística consiste naqueles métodos usados para

tomar decisões ou tirar conclusões acerca de uma população. Esses
métodos utilizam a informação contida em uma amostra da população para
tirar conclusões. A inferência pode ser dividida em duas grandes áreas:
estimação de parâmetros e teste de hipóteses.
Denições Importantes
1 População: Consiste na totalidade das observações em que estamos

interessados. Ela pode ser:
i) População Finita: Aquela em que todos os seus elementos podem ser
identicados e enumerados. Exemplo: As propriedades rurais de Angola
ii) População Innita: Não é possível identicar (ou enumerar) todos os
seus elementos. Exemplo: As árvores pertencentes a um determinado
tipo de eucalipto que existem no mundo.
2 Amostra: É um subconjunto de observações selecionadas a partir de
uma população.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 150
Católica
/ 163 d
Introdução à Inferência Estatística
Denições Importantes
3 Parâmetros: Constantes inerentes a populações relacionadas a uma

determinada variável de interesse (X ). Em muitas vezes são
desconhecidos. Toda distribuição de probabilidade estudada depende
de parâmetros, que determinam sua função especíca, por exemplo, o
p da binomial, o λ de Poisson, a µ e o σ da Normal, etc. Diferentes
valores dos parâmetros conduzem a valores distintos das
probabilidades.
4 Estimador ou Estatística: É uma variável aleatória que é função dos

elementos amostrais Xi , i = 1, 2, ..., n. Exemplo: A média amostral (x)
é um estimador de (parâmetro populacional). Ela é uma variável
aleatória que depende dos resultados obtidos em cada amostra
particular. Uma vez que uma estatística é uma variável aleatória, ela
tem distribuição de probabilidades.
5 Estimativa: É o valor numérico do estimador em uma determinada

amostra.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 151
Católica
/ 163 d
Introdução à Inferência Estatística Amostragem
A amostragem
é uma técnica de seleção de elementos de uma população para se estimar
propriedades e características da população. Há dois tipos de métodos de
amostragem: Aleatória e Determinístico
1 Amostragem Aleatória, Causal ou Probabilística. Técnicas de
amostragem em que a seleção é aleatória de tal forma que cada
elemento tem igual probabilidade de ser escolhido para a amostra, e é
selecionado independentemente de qualquer outro. Assim se conhece a
probabilidade de todas as combinações amostrais possíveis.
2 Amostragem Determinístico, ou não Probabilística. A opinião e a

experiência individual são utilizadas para identicar os elementos da
população a incluir na amostra.
A amostragem aleatória permite efectuar uma análise Estatística mais

rigorosa do que a amostragem determinístico. Pode ser difícil, no caso
determinístico, conseguir obter amostras representativas da população e,
mas difícil ainda, demonstrar que as amostras não são enviesadas.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 152
Católica
/ 163 d
Tipo de Amostragem Aleatória
1 Amostragem Aleatória Simples

2 Amostragem Aleatória Estraticada
3 Amostragem Aleatória por clusters

4 Amostragem Aleatória Sistemática
5 Amostragem Aleatória Multietapas
Amostragem aleatória simples
Tipo de amostragem probabilística mais utilizada. Dá exatidão e ecácia à

amostragem, além de ser o procedimento mais fácil de ser aplicado todos
os elementos da população têm a mesma probabilidade de pertencerem à
amostra.
É bastante preciso e apresenta todos os elementos da população com
probabilidade conhecida de serem escolhidos para fazer parte da amostra.
O processo consiste em selecionar uma amostra n a partir de uma
população N.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 153
Católica
/ 163 d
Amostragem Aleatória Simples

Este tipo de amostragem é pode ser feita com com reposição e sem
reposição (Geralmente a seleção é feita sem reposição e cada amostra é
feita unidade a unidade até que se atinja o número pré-determinado).
1 Com Reposição cada elemento da amostra é independente dos

restantes e tem a mesma probabilidade de pertencer à amostra.
Assim, para uma população de dimensão N, a probabilidade de escolha
1
de um qualquer individuo em primeiro lugar é , a do segundo é
N
1
, etc. O número de amostras possíveis são n e, neste caso, é dada
N
1
por Nn e a probabilidade de ocorrência de cada amostra é .
Nn
2 Sem Reposição, a probabilidade de saída do 1. º
elemento da amostra
é
N
1
, do 2. º é
1
N −1
, do 3. º é
N−
1
2
, etc., sendo
1
N −i +1
para o
i − simo elemento da amostra.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 154
Católica
/ 163 d
Amostragem Aleatória Simples
Para que uma amostra assim selecionada se possa dizer aleatória, todas as
combinações da amostra n elementos que podem ser extraídos de uma
população com M sujeitos (N Cn ) deem ter a mesma probabilidade de
serem selecionados:
1
probabilidade = NC
n
Por conceito
Amostragem simples ao acaso (ASA) Tem objetivo de obter uma

amostra representativa, quando os elementos da população são todos
homogéneos.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 155
Católica
/ 163 d
Introdução à Inferência Estatística Distribuições Amostrais
Como já foi referido, nem sempre é possível e viável estudar com exatidão
toda a população, pelo que se retira uma amostra dessa população e, com
base na informação amostral, infere-se, quando possível, para a população.
A base dessa inferência assenta no tipo de amostragem probabilística que
se realizou e nas distribuições de probabilidade, cuja junção resulta nas
distribuições por amostragem. Ao longo deste capítulo assume-se que a
amostra é aleatória.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 156
Católica
/ 163 d
Distribuição da Média Amostral
Seja X1 , X2 , . . . , Xn , uma a. a. duma dada população com média µ e

variância σ 2 . A média amostral é denida por:
n
X Xi
X̄ =
n
i=1
Assim, a distribuição amostral da média nos dá uma ideia de como X̄ varia

quando mudamos de uma amostra para a outra.
Propriedades
µX̄ = E(X̄ ) = µ
1
σX̄2 = Var (X̄ ) = σ2
n

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 157
Católica
/ 163 d
Teorema de Limite Central
Seja X̄ a média amostral de X1 , X2 , . . . , Xn (amostra aleatória de tamanho

n) de uma distribuição com média µ e desvio padrão σ (0 < σ < ∞).
Então a distribuição da variável aleatória Z denida por
X̄ − E(X̄ ) X̄ − µ
Z= p = σ
Var (X̄ ) √
n
se aproxima da distribuição normal padrão quando n tende ao innito.

Ou seja, Z tem distribuição aproximadamente N(0, 1) quando n tende ao
innito.
Assim, o TCL nos diz que é assintoticamente distribuída como uma

distribuição normal com média µ e variância σ 2 /n. O mais impressionante
do teorema central do limite é o fato de que nada é dito a respeito da
função densidade f. Ou seja, qualquer que seja a função de distribuição,
desde que ela tenha variância nita, a média amostral terá uma distribuição
aproximadamente normal para amostras sucientemente grandes.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 158
Católica
/ 163 d
Observações do TLC
1 A distribuição das variáveis X pode ser discreta ou contínua.
2 Quanto maior n, melhor a aproximação. Como regra prática, para

amostras de tamanho n ⩾ 30, a distribuição X̄ de pode ser
razoavelmente aproximada por uma distribuição normal.
3 Devido às propriedades da distribuição normal, se a população original

é distribuída normalmente, então a distribuição de X̄ é exatamente
normal para qualquer tamanho de amostra.
√
4 O erro-padrão de X̄ é o seu desvio-padrão, ou seja, σ / n.

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 159
Católica
/ 163 d
Distribuição Média Amostral. Quando a variânça é conhecida
Se a distribuição da população é Normal com desvio padrão σ conhecido,

σ
então X ∼ N(µ; √ ), ou seja,
n
X̄ − µ
Z= ∼ N(0; 1)
√σ
n

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 160
Católica
/ 163 d
Distribuição Média Amostral. Quando a variânça é desconhecida
Se a população é Normal mas o desvio padrão é desconhecido, e não

rejeitando a hipótese de independência das distribuições por amostragem
da média e da variância da amostra, então tem-se que:
X̄ − µ
T = ∼ t(n−1)
√S
n
onde t(n−1) Distribuição t de Student com n−1 grau de liberdade (g.l)

Se a distribuição da população não for Normal, mas a amostra for de
grande dimensão então, por extensão do corolário do T. L. C.,

S X̄ − µ
˚ N µ; √
X̄ ∼ , ou seja, Z = ∼
˚ N (0; 1)
n √S
n
OBS: Para valores elevados de n, a distribuição t-Student toma valores

muito próximos aos da N(0; 1). Existem alguns programas estatísticos (por
exemplo, SPSS) que, nestas condições, não utilizam a distribuição Normal
mas a t-Student.
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 161
Católica
/ 163 d
Distribuição t − Student
Seja Z uma variável aleatória com distribuição normal padrão e seja Y uma
variável aleatória com distribuição qui-quadrado com graus de liberdade,
com Z e Y independentes. Então
Z
T =p
Y /v
tem distribuição t de Student com v graus de liberdade. Notação: T ∼ tv

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 162
Católica
/ 163 d
Distribuição da Proporção Amostral

WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 163
Católica
/ 163 d

Materia de Estatística Actualizado

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Materia de Estatística Actualizado

Enviado por

Direitos autorais:

Formatos disponíveis

Probabilidade e Estatística || Métodos Estatísticos

Msc.Augusto Lucubo Positivo Nakiti

Universidade Católica de Angola

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

2 Pinheiro, J.J, Carvajal, S. R., S e Gomes, G. C. Probabilidade e

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Estatísticas é a ciência que a partir de dados, fornece métodos que

2 Inferência Estatística: conjunto de técnicas que, com base na

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Recolher ou Colecta de Dados. Após a denição do problema a ser

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Apresentação de Dados: Convém organizar o conjunto de dados de

Análise de Dados. Esta fase subscreve na apresentação de

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Ao grupo de todos os elementos que se pretende estudar e que possuem

Figura: População Vs Amostra

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Observe que os parâmetros são representados por letras gregas, enquanto

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

É uma parte da população, ou seja, um subconjunto da população. Em

é uma sequência de valores numéricos não organizados, obtidos

é uma sequência ordenada dos dados brutos.

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

É uma característica da população à ser estudada. Tipos Existem dois

1 Qualitativas (Atributos): variável com dados que fornecem rótulos,

2 Quantitativas: consistem em números que representam contagens ou

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

O método cientico, quando aplicado para solução de um problema

Em resumo, a Estatística Descritiva tem por nalidade a utilização de

Examinar o formato da Distribuição dos Dados;

Vericar a ocorrência de valores atípicos;

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Identicar valores típicos que informem sobre o centro da distribuição;

Vericar o grau de variação presente nos dados.

A validade do resumo dos dados está intimamente ligada à Quantidade de

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Uma forma de resumir um conjunto de dados, composto por n observações,

Uma Tabela de Frequência relaciona as categorias ou classes de valores

As categorias ou classes de valores devem ser

1 Mutuamente Exclusivos, ou seja, cada valor observado só poderá

2 Exaustivos, ou seja, as categorias ou classes devem compreender todos

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Dados Qualitativos ou Quantitativos Discretos

A tabela de frequência associada a um conjunto de dados é designado da

Tabela: Tabela de frequência para dados Qualitativos ou Quantitativos Discretos

Categoria Freq.abs Freq.rel Freq.abs.acum Freq.rel.acum

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Notações: A notação utilizada nas tabelas de frequência.

k: Número de categorias ou classes de valores de valores que od dados

ni : Frequência absoluta de categoria ou classe de valores i;

Interpretação da Frequência Acumulada

Responder perguntas sobre a frequência com que uma característica ocorre

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Num estudo para analisar a ocorrência de acidente de trabalho numa

Tabela: Tabela de frequência de Número de acidentes por prossionais

Categoria Freq.abs Freq.rel Freq.abs.acum Freq.rel.acum

Fobias Fobias Fobias Agressividade Depressão

As observações distintas são: agressividade, alcoolismo, depressão, esquizofrenia, fobias

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Tabela: Problemas que levaram 25 pacientes a procurar auxílio psicológico

Problema Freq.abs Freq.rel Freq.abs.acum Freq.rel.acum

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Dados Quantitativos Contínuos

Msc.Augusto Lucubo Positivo Nakiti

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Recolher ou Colecta de Dados. Após a denição do problema a ser

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

O método cientico, quando aplicado para solução de um problema

Em resumo, a Estatística Descritiva tem por nalidade a utilização de

Vericar a ocorrência de valores atípicos;

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Identicar valores típicos que informem sobre o centro da distribuição;

Vericar o grau de variação presente nos dados.

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Tabela: Tabela de frequência de Número de acidentes por prossionais

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Os grácos mais utilizados para representar conjuntos de dados são:

Gráco Circular: Dados Qualitativos;

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Gráco de Frequência Acumulada

Um Gráco de Frequência Acumulada é um gráco de linha onde são

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Um Histograma é um gráco barras verticais adjacentes, com uma barra

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Uma Caixa de Bigodes ou Boxplot é um gráco que contém um

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com

Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com