Catarina Barbosa

Gestão de Empresas
Coimbra Business School

1. Introdução
1.1 Estatística descritiva
- Análise de um grande conjunto de dados, extraindo deles o que
há de relevante por meio de um número bastante menor de
valores característicos
- Permite tirar conclusões acerca do conjunto de dados observados,
e não sobre a população

1.2 Inferência Estatística

➢ fundamentada na teoria da probabilidade
➢ procura tirar conclusões sobre a população a partir da amostra
➢ divide-se em duas fases:
○ Estimação : Determina uma ou mais características
numéricas de uma população a partir da amostra
○ Teste de hipóteses: Verificar se a informação extraída da
amostra é ou não válida

2. Introdução à teoria da probabilidade

2.1 Noções básicas

2.1.1. Experiência aleatória e espaço de resultados

Experiência aleatória:
a) O conjunto dos resultados possíveis é conhecido
antecipadamente
b) O resultado da experiência nunca pode ser previsto de forma
exata

Espaço de Resultados
i) Discreto : composto por um número de elementos finito [1,2,3]
ou infinito numerável [1,2,3, … ]
ii) Contínuo: composto por um número de elementos infinito não
numerável [Ω]

2.1.2 Acontecimento
Qualquer subconjunto do espaço de resultados
 Catarina Barbosa
Gestão de Empresas
Coimbra Business School

2.1.3 Álgebra dos Acontecimentos

➢ União
➢ Interseção (quando não existe interseção os acontecimentos são
mutuamente exclusivos ou incompatíveis)
➢ Diferença A/B

2.2 Conceitos de Probabilidade

2.2.1 Probabilidade Clássica (Laplaciana)
P(A) = Nº casos favoráveis / Nº de casos possíveis

2.2.2 Probabilidade frequencista

Observar a frequência do acontecimento numa sucessão
numerosa de experiências idênticas
P(A) = Lim f(a): x→∞

2.3 Axiomas e propriedades da Teoria da Probabilidade

2.3.1 Axiomas
A1) P(A) ≥ 0
A2) P(Ω) = 1
A3) Se A e B são acontecimentos incompatíveis A ⋂ B = 0 então P(A U
B) = P(A) + P(B)

2.3.2 Propriedades
P1) P(Ā) = 1- P(A)
P2) P(0) = 0
P3) P(B - A) = P(B∩Ā) = P(B) - P(A∩B)
P4) P(A U B) = P(A) + P(B) - P(A∩B)
P5) A⊂B ⇒P(A) ≤ P(B)
P6) P(A) ≤ 1
 Catarina Barbosa
Gestão de Empresas
Coimbra Business School

2.4 Probabilidade Condicionada e Independência de

Acontecimentos
2.4.1 Probabilidade Condicionada

𝑃(𝐴 ⋂ 𝐵)
P(A/B) = 𝑃(𝐵)

P(A⋂B) = P(B/A) P(A)

2.4.2 Axiomas e Propriedades da Teoria da Probabilidade n

Probabilidade Condicionada

A1) P(A/B) ≥ 0
A2) P(Ω/B) = 1
A3) Se A e B são acontecimentos incompatíveis A ⋂ B = 0 então P(A U
B /C) = P(A/C) + P(B/C)

2.4.3 Teorema da Probabilidade Total. Teorema de Bayes

Partição de Espaço de Resultados

1 - Ai ⋂ Aj = Ø, ∀i ≠ j
2 - U Ai = Ω

Teorema da Probabilidade Total

P(B) = Σ P(B/Ai)P(Ai)

Corolário
P(B) = P(B/A)P(A) + P(B/Ā)P(Ā)

Teorema de Bayes
𝑃(𝐵/𝐴𝑖) 𝑃(𝐴𝑖)
P(Ai/B) = Σ𝑃(𝐵/𝐴𝑖) 𝑃(𝐴𝑖) , j ∊ N
 Catarina Barbosa
Gestão de Empresas
Coimbra Business School

2.4.4 Independência de Acontecimentos

Acontecimentos Independentes : P(A∩B) = P(A)P(B)

𝑃(𝐴∩𝐵) 𝑃(𝐴)𝑃(𝐵)
então: P(A/B) = 𝑃(𝐵)
= 𝑃(𝐵)
= 𝑃(𝐴) , 𝑐𝑜𝑚 𝑃(𝐵) ≠0

analogamente: P(B/A) = (B), com P(A) ≠ 0

Independência Condicional
Condição: P((A∩B)/C) = P(A/C) P(B/C)

3. Variáveis Aleatórias. Funções de

Distribuição. Valores Esperados

3.1 Variáveis Aleatórias Reais

3.2 Função de Distribuição

Definição: FX(x) = P (X ≤ x) , ∀ x ∈ R

Propriedades:

P1) 0 ≤ FX(x) ≤ 1
P2) o seu domínio é R
P3) é não decrescente
P4) FX é contínua à direita
P5) limx→-∞FX(x) = 0 e limx→+∞FX(x) = 0
P6) P (a < X < b) = P( X ≤ b) - P ( X ≤ a ) = FX(b) - FX(a)
P7) P(X=a) = F(a) - FX(a-)
 Catarina Barbosa
Gestão de Empresas
Coimbra Business School

3.3 Variáveis Discretas

3.3.1 Função de Probabilidade e Função de Distribuição

3.3.2 Valor Esperado

E(X)= ∑xi P(X = xi )
E (g(x))= ∑ g(xi) P(X = xi )

Propriedades
P1) Se k é uma constante real, então E(k) = k
P2) Se k é uma constante real e existe E (g(x)), então
E (k g(x) ) = k E (g(x))
P3) E (g1(x) + g2(x) ) = E (g1(x)) + E (g2(x))
P4) FX é contínua à direita
P5) limx→∞FX(x) = 0 e limx→+∞FX(x) = 0
P6) P (a < X < b) = P( X ≤ b) - P ( X ≤ a ) = FX(b) - FX(a)
P7) P(X=a) = F(a) - FX(a-)

3.3.3 Variância e Desvio-Padrão

Var(X) = s2X = Σ (xi - E(X)) 2 P(X=xi) , Var(X) ≥ 0

Propriedades
P1) Se k é uma constante real, então Var(k) = 0
P2) Se k é uma constante real , então Var (k X) = k2 Var(x)
P3) Var (k1(x) + k2 ) = k12 Var(x)

Fórmula alternativa : Var(X) = s2X = E(X2) - (E(X))2

Desvio-Padrão = sx = +√Var(X)
 Catarina Barbosa
Gestão de Empresas
Coimbra Business School

3.4 Variáveis Aleatórias Contínuas

3.4.1 Função Densidade e Função de Distribuição
A função densidade de probabilidade desempenha o papel de
função probabilidade das variáveis aleatórias discretas.
Neste caso, a probabilidade de a variável aleatória assumir um
valor num determinado intervalo é dada pela área sobre o gráfico da
função probabilidade nesse intervalo.
A probabilidade da variável aleatória assumir um valor específico
é 0.

Propriedades
P1) f(x) ≥ 0 , ∀ x ∈ R
P2) -∞ഽ+∞ f(x) dx = 1
P3) aഽb f(x) dx = P (a < x < b ) , com b > a

Função de distribuição
Definição: FX(x) = P(X<x) = -∞ഽx f(t) dt
quando no ponto não existe derivada, f(x) = 0

3.4.2 Valor Esperado

E(x) = -∞ഽ+∞ x f(x) dx
E(g(x)) = -∞ഽ+∞ g(x) f(x) dx

3.4.2 Variância e Desvio Padrão

Var(x) = -∞ഽ+∞ x2 f(x) dx - (E(x))2
Desvio-Padrão = sx = +√Var(X)
 Catarina Barbosa
Gestão de Empresas
Coimbra Business School

4. Distribuições Teóricas
4.1 Distribuições discretas

4.1.1 Distribuição Uniforme Discreta

A função de probabilidade é constante para um número finito de
pontos

1
Definição: P(X=xi) = p(xi) = 𝑛

1
E(X) = 𝑛
∑ xi

1
Var(X) = 𝑛
∑ xi2 - [E(X)]2

4.1.2 Distribuição de Bernoulli e Distribuição Binomial

Bernoulli:
Experiência aleatória que tem apenas dois resultados possíveis:
sucesso (A ou 0) e insucesso (Ā ou 1)

➢ p = P(A)
➢ P(X=x) = px (1-p)1-x , x = 0,1
➢ E(X) = p
➢ Var(X) = p(1-p)

Distribuição Binomial:
Probabilidade de obter exatamente x sucessos e (n-x) insucessos,
independente da ordem:

➢ P(X=x) = (np) px (1-p)1-x , x= 0,1,... e 0<p<1

➢ E(X) = np
➢ Var(X) = npq , q = 1-p , n = nº de experiências
 Catarina Barbosa
Gestão de Empresas
Coimbra Business School

4.1.3 Distribuição de Poisson

Número de ocorrências num determinado intervalo de tempo
Condições:
1) O nº de ocorrências de um acontecimento em intervalos diferentes
é independente desses intervalos
2) A probabilidade de ocorrência do acontecimento em
∆t (∆t é arbitrariamente pequena) = λ∆t,
em que λ>0 é o nº médio de ocorrências no intervalo ]0,t]
3) A probabilidade de se verificarem duas ou mais ocorrências em ∆t
(∆t é arbitrariamente pequena) é aproximadamente igual a 0.

−λ 𝑥
𝑒 λ
➢ P(X=x) = 𝑥!
, x = 0,1,..

➢ E(X) = λ λ é a média mencionada e x é o

➢ Var(X) = λ número ≤ que se pretende estudar

A distribuição de Poisson através da tabela de Poisson pode ser

utilizada quando n for grande e p (probabilidade de sucesso) muito
pequena; p < 0,1 e n > 20 em que λ= np.
Ex.: Para P(X≤4) utiliza-se λ=np e x=4 ; (n, nº de experiências e p,
probabilidade de sucesso)
 Catarina Barbosa
Gestão de Empresas
Coimbra Business School

4.2 Distribuições Contínuas

4.2.1 Distribuição Uniforme Contínua

A função densidade de probabilidade é constante nesse intervalo:

1
➢ 𝑓(𝑥) = 𝑎−𝑏
, 𝑎<𝑥<𝑏
0 , outros valores de x

0 ,x<a
𝑥−𝑎
➢ FX(x) = 𝑏−𝑎
,a≤x≤b
1 ,x≥b

𝑏+𝑎
➢ E(X) = 2
2
(𝑏−𝑎)
➢ Var(X) = 12

4.2.2 Distribuição Exponencial

A distribuição exponencial está associada à distribuição de
Poisson, modelando também o tempo de vida de peças e outros.

➢ 𝑓(𝑥) = 0 ,x≤0
−λ𝑥
λ𝑒 ,x>0

➢ FX(x) = 0 ,x≤0
−λ𝑥
1−𝑒 ,x>0

1
➢ E(X) = λ

1
➢ Var(X) = 2
λ
 Catarina Barbosa
Gestão de Empresas
Coimbra Business School

4.2.3 Distribuição Normal ou Distribuição de Gauss

Distribuição de pesos, alturas, vendas, classificações, erros e
outros.
É definida por μ, o seu valor médio e pela sua variância s2x

➢ 𝑓(𝑥) =
1
𝑒
{− 1
2σ
2 (𝑥−μ)
2
}
2
2πσ

➢ FX(x) =
𝑥
∫
1
𝑒
{− 1
2σ
2 (𝑥−μ)
2
}𝑑𝑡
2
−∞ 2πσ

Distribuição normal reduzida ou

Distribuição Normal Estandardizada:

Condições: μ=0 e σ=1

1 2
1 −2𝑧 𝑋−μ
➢ 𝑓(𝑧) = 𝑒 , com Z= σ
2π

➢ FZ(-z) = 1 - FZ(z)

𝑏−μ 𝑎−μ
➢ P (a < X < b) = FZ( σ
) - FZ( σ
)
𝑏−μ
➢ P(X < b) = FZ( σ
)
𝑎−μ
➢ P(X > <) = 1 - FZ( σ
)
 Catarina Barbosa
Gestão de Empresas
Coimbra Business School

4.2.4 Aproximações para Distribuições Discretas

A Distribuição Normal como uma Aproximação da

Distribuição Binomial
Para valores de n > 20 e p ≤ 0,1, recorre-se à distribuição de
Poisson, com μ = n p e σ = √npq , com q = 1-p. Deste modo tem-se
que:
𝑎−𝑛𝑝 𝑏−𝑛𝑝
➢ P (a < X < b) = P( √𝑛𝑝𝑞 ≤ Z ≤ √𝑛𝑝𝑞
)
𝑥−𝑛𝑝
➢ onde Z = √𝑛𝑝𝑞
segue a dist. normal reduzida

Obtém-se P(X=x) ≈ 0. Pelo que se aplica uma correção de

continuidade e se considera P (x-0.5 < X < x+0.5) .
Deste modo tem-se que:
𝑥−0.5−𝑛𝑝 𝑥+0.5−𝑛𝑝
➢ P (X=x) ≈ P( √𝑛𝑝𝑞
≤Z≤ √𝑛𝑝𝑞
)e
𝑎−0.5−𝑛𝑝 𝑏+0.5−𝑛𝑝
➢ P (a < X < b) = P( √𝑛𝑝𝑞
≤Z≤ √𝑛𝑝𝑞
)

Quando se aplica a correção de continuidade obtém-se melhores

aproximações, principalmente se n não for muito grande.

Regras Práticas utilizadas no cálculo de probabilidades que

envolvem a distribuição binomial:

➔ Se n ≤ 20 deve-se utilizar a distribuição binomial;

➔ Se n > 20 o cálculo aproximado das probabilidades deve ter em
atenÁ„o os seguintes casos:
◆ Se p ≤ 0.1 deve-se utilizar a aproximação da Poisson à
binomial, com λ = np;
◆ Se 0.1 < p < 0.9 deve-se utilizar a aproximação da normal à
binomial, com μ = np e σ = √npq, aplicando a correção de
continuidade.
◆ Se p ≥ 0.9 deve-se passar ao acontecimento complementar.
 Catarina Barbosa
Gestão de Empresas
Coimbra Business School

A Distribuição Normal como uma Aproximação da

Distribuição de Poisson

Supondo que a variável X tem distribuição de Poisson de parâmetro λ,

pretende-se calcular:
𝑏 −λ 𝑥
𝑒 λ
P (a ≤ X ≤ b) = ∑ 𝑥!
, com 0 ≤ a <b a)
𝑥=𝑎

Para valores grandes de λ, recorre-se à distribuição normal, de

parâmetros μ = λ e σ = √λ . Deste modo tem-se que:
𝑎−λ 𝑏−λ
➢ P (a ≤ X ≤ b) = P( √λ
≤Z≤ √λ
)
𝑋−λ
➢ onde Z = √λ
segue a dist. normal reduzida

Obtém-se P(X=x) ≈ 0. Pelo que se aplica uma correção de

continuidade e se considera P (x-0.5 < X < x+0.5) .
Deste modo tem-se que:
𝑎−0.5−λ 𝑏+0.5−λ
➢ P (a ≤ X ≤ b) ≈ P( √λ
≤Z≤ √λ
)

Que constitui uma melhor aproximação que a)

Regras Práticas utilizadas no cálculo de probabilidades que

envolvem a distribuição de Poisson:

➔ Se λ ≤ 20 deve-se utilizar a distribuição de Poisson;

➔ Se λ > 20 deve-se utilizar a aproximação normal à Poisson, com μ
= λ e σ = √λ , aplicando a correção da continuidade