UNISUL DL - unidade 1

05/04/2024, 17:46 Probabilidade e Estatística
PROBABILIDADE E ESTATÍSTICA
UNIDADE 1 - ESTATÍSTICA DESCRITIVA
Joelma Iamac Nomura
https://student.ulife.com.br/ContentPlayer/Index?cd=cs62K1llDiILPoHjKmsK%2bQ%3d%3d&l=385JQPhrTN%2fePbOMNjWqcQ%3d%3d&lc=%… 1/32
Introdução
Proveniente da palavra status em latim, a estatística vem ampliando sua atuação junto à compilação e
organização de dados e gráficos, métodos de planejamento de experimentos, técnicas de análise e inferência
sobre os resultados.
Você sabia que a estatística está relacionada a diversas áreas de pesquisa? Ela pode ser identificada, por
exemplo, no estudo da eficiência de um produto comercial, na previsão do tempo, no nú mero de peças
defeituosas de determinada produção, no risco inerente a um projeto ou até mesmo na transação da Bolsa de
Valores.
Veremos que a estatística se divide em dois ramos bem definidos: a descritiva e a inferencial. Vamos estudar
as diferenças que caracterizam esses dois ramos, assim como suas inter-relaçõ es.
Ao final desta unidade, você conseguirá responder algumas de nossas questõ es propostas: qual a diferença
entre estatística descritiva e inferencial? Como é possível relacionar a leitura dos dados expostos em um
gráfico e em uma tabela? Qual a importância da estatística frente ao processo de produção de uma empresa?
Diante essas questõ es, iniciamos nossos estudos a respeito desse tema tão importante em nossa formação
acadêmica e profissional. Você perceberá que todo o nosso redor está repleto de dados e de informaçõ es
trabalhadas que envolvem aspectos estatísticos.
Bons estudos!
1.1 Conceito
Para iniciar essa seção, vamos partir de uma das questõ es propostas na introdução desta unidade: você
saberia dizer qual é a diferença entre estatística descritiva e estatística inferencial? Um ponto importante diz
respeito à apresentação dos dados. Enquanto na estatística descritiva a apresentação dos dados é feita a partir
de tabelas e gráficos, sem que haja qualquer inferência sobre algo que ultrapasse os pró prios dados, na
estatística inferencial a análise dos dados exige generalizaçõ es que ultrapassem os resultados desses dados.
No entanto, ambas são apresentadas quando desejamos prever o fluxo de tráfego em uma rodovia, a dosagem
ideal de um medicamento ou a vida ú til de determinado equipamento elétrico. Perceba que nessas situaçõ es
existem incertezas estabelecidas por informaçõ es parciais e incompletas que nos permitirá selecionar o curso
da ação mais razoável. Assim, de acordo com Freund (2006), podemos afirmar que a estatística descritiva
consiste no conjunto de métodos matemáticos que descreve, resume, organiza e analisa os dados a partir de
tabelas e gráficos, sem que haja qualquer inferência sobre os resultados.
1.1.1. Análise exploratória de dados, tabelas e gráficos

A análise explorató ria de dados consiste em um conjunto de técnicas para tratamentos dos dados, e de maneira
a compreendê-la melhor vamos apresentar dois termos que constituem o cerne da estatística: população e
amostra. De acordo com Triola (2017), a população é uma coleção completa de todos os elementos, que
podem ser finitos ou infinitos, a serem estudados, sendo eles pessoas ou objetos. Assim, quando trabalhamos
com o levantamento completo da população (ou universo) contemplando cada um dos seus elementos, temos
o censo, aplicado a populações finitas muito grandes. Dessa forma, na impossibilidade de trabalhar com
populaçõ es muito grandes, surge a amostra, que corresponde a uma subcoleção de elementos extraídos de
uma população. Para isso, é necessário que a amostra seja representativa e extraída de técnicas bem definidas,
de maneira que sua análise contemple conclusõ es válidas sobre a população. Outro termo que merece
destaque na estatística é o de variável, que corresponde às características da população a serem estudadas.
Confira, a seguir, um exemplo de variável e sua representação.
Quadro 1 - Levantamento dos aspectos socioeconô micos dos empregados da seção de produção de uma
montadora de veículos.
Fonte: Elaborado pela autora, baseado em MORETTIN; BUSSAB, 2010.
Morettin e Bussab (2010) destacam que cada elemento investigado é associado a um ou mais resultados, que
correspondem à realização de uma ou mais características, também chamada de variável (ou variáveis). São
elas: estado civil, grau de instrução, nú mero de filhos, idade, região de procedência e salário.
VOCÊ QUER LER?

O artigo “A importâ ncia e o uso da Estatística na á rea empresarial: uma pesquisa de
campo com empresas do município de Elói Mendes – MG” (SANTOS et al., 2016)
demonstra como o uso de ferramentas estatísticas podem incrementar o planejamento
estraté gico e as tomadas de decisã o em setores da empresa. Os autores també m
estabelecem uma relaçã o com a Pesquisa Operacional. Acesse em:
<https://www.aedb.br/seget/arquivos/artigos16/5024102.pdf
(https://www.aedb.br/seget/arquivos/artigos16/5024102.pdf )>
Distribuição de frequência
A distribuição de frequência, por sua vez, permite que os dados sejam visualizados de uma maneira
relativamente compacta, podendo ser agrupados em certo nú mero de classes, intervalos ou categorias. Neste
sentido, a partir dos dados brutos podemos escolher o nú mero de classes e os intervalos de distribuição e
organização dos dados. Vamos apresentar, a seguir, diferentes distribuiçõ es de frequência.
Tabela 1 - Distribuição de frequência por categorias.

Fonte: Elaborada pela autora, 2019.
Perceba que na tabela, os dados têm natureza qualitativa, ou seja, categó rica em que os dados são agrupados
em categorias não numéricas. Agora, vamos observar outra situação distinta:
Tabela 2 - Distribuição de frequência por intervalo de classes.

Na distribuição apontada na tabela acima, os dados estão distribuídos em intervalos de classes e representam,
essencialmente, valores ou quantidades de refeiçõ es debitadas dos funcionários da empresa em estudo.
Assim, estamos tratando de uma distribuição que envolve dados quantitativos, ou seja, numéricos,
diferentemente da situação exposta na tabela anterior, de distribuição de frequência por categorias.
Observe que cada classe é denotada por um limite inferior e um limite superior, como, por exemplo, 6 a 10 da
segunda classe. Portanto, é importante assegurar que cada item pertença a uma ú nica classe que, em geral,
deve ter a mesma amplitude
Você saberia dizer como podemos representar e condensar os dados em uma pesquisa? Uma maneira eficaz é
a utilização de gráficos. Para as distribuiçõ es de frequência, por exemplo, o gráfico mais comum é o
histograma, um gráfico de colunas com uma escala horizontal para os valores dos dados e uma escala
vertical para as frequências. Dessa forma, quando formos construí-lo é importante observar as escalas usadas
nos eixos vertical e horizontal, sendo que as marcaçõ es na escala horizontal também podem ser representadas
pelo ponto médio de cada classe.
Figura 1 - Histograma do salário da diretoria de uma empresa.

De acordo com Devore (2018), para a construção de um histograma, o nú mero de variáveis, que pode ser tanto
o nú mero de pessoas que buscam emprego em determinado período, as mediçõ es, como o peso de um
indivíduo, ou ainda o tempo médio de reação a um estímulo em particular, representam variáveis numéricas
discretas, cujo nú mero de valores é finito ou infinito. Um histograma também pode representar variáveis
numéricas contínuas, distribuídas em um intervalo completo sobre a linha de nú meros. É o que destaca a
figura do histograma do salário da diretoria de uma empresa, cujos valores são representados em intervalos de
classe por variáveis numéricas contínuas.
É importante destacar que, às vezes, em uma distribuição de frequência, é interessante acrescentar outras
colunas, como a da frequência relativa, que corresponde à razão entre o nú mero de vezes que ocorre o valor e
o nú mero de observaçõ es do conjunto de dados e o da frequência acumulada, que corresponde à soma das
frequências de maneira sucessiva.
Como mencionado anteriormente, um histograma também pode representar dados distribuídos por intervalos
de classe que são determinados por:
ú ú çõ
Assim, se tivermos 100 observaçõ es, teremos 10 classes, e se tivermos 250 observaçõ es teremos,
aproximadamente, 16 classes. Conhecendo o nú mero de classes podemos determinar a amplitude de cada uma
delas, que devem ser iguais ao longo de toda a distribuição.
De acordo com Freund (2006), raramente utilizamos menos de seis classes ou mais de 15 classes, contudo,
não há uma regra específica ou um nú mero exato de classes. É o que acontece com o exemplo a seguir.
Tabela 3 - Distribuição de frequência: tempo gasto para chegar ao trabalho em minutos.

Vamos apresentar também a representação dos dados tabelados a partir do histograma. A partir dele, você
consegue verificar que a maior frequência é de 372 funcionários que gastam de 10 a 19 minutos para chegar ao
trabalho.
Figura 2 - Histograma do tempo gasto por funcionários para chegar ao trabalho.

Fonte: Elaborada pela autora, baseada em LARSON; FARBER, 2010.
A tabela e o histograma ilustram o estudo realizado com 1220 funcionários de uma empresa em relação ao
tempo gasto para chegar ao trabalho. Perceba que nessa situação, a distribuição foi feita em 7 classes com um
intervalo de 9 unidades em cada uma.
Vamos conhecer agora o gráfico de outro polígono de frequência, em que as frequências de classe são
esboçadas sobre os pontos médios de cada classe e unidas a partir de segmentos de reta. Para sua correta
construção, devemos usar as mesmas escalas horizontais e verticais usadas para a construção do histograma.
É conveniente acrescentarmos a frequência zero para que o polígono esteja amarrado à escala horizontal. Veja
uma maneira de apresentar os dados relacionados ao tempo de espera entre erupçõ es do gêiser Old Faithful no
Parque Nacional de Yellowstone, em Wyoming, nos Estados Unidos.
Tabela 4 - Distribuição de frequência da distribuição dos tempos de espera entre erupçõ es do gêiser Old
Faithful.
Fonte: Elaborada pela autora, baseada em FREUND, 2006.
Outra forma é o polígono de frequência, como você pode ver a seguir.
https://student.ulife.com.br/ContentPlayer/Index?cd=cs62K1llDiILPoHjKmsK%2bQ%3d%3d&l=385JQPhrTN%2fePbOMNjWqcQ%3d%3d&lc=… 10/32
Figura 3 - Polígono de frequência da distribuição dos tempos de espera entre erupçõ es do gêiser Old Faithful.
Fonte: FREUND, 2006, p. 41.
O gráfico de setores (ou comumente conhecido como gráfico de pizza), em geral, é construído a partir da
frequência relativa. Observe.
Tabela 5 - Distribuição de frequência para locação de veículos.

Fonte: Elaborada pela autora, baseado em LARSON; FARBER, 2010.
O gráfico de setores a seguir representa os dados tabelados. Perceba que a maior proporção corresponde a
carros, seguida de caminhõ es, motocicletas e outros, todos elementos representados por diferentes cores, o
que pode ajudar na visualização e assimilação dos dados.
Figura 4 - Gráfico de setores para locação de veículos.

Fonte: Elaborada pela autora, baseado em LARSON; FARBER, 2010.
Apó s aprender os conceitos básicos que cercam a Estatística e as diferentes maneiras que os dados podem ser
representados, vamos conhecer as medidas de tendência central e separatrizes. Frequentemente, é necessário
resumir os dados por um ú nico nú mero que, a seu modo, descreve todo o conjunto. É o que estudaremos a
seguir.
1.1.2 Medidas de Tendência Central e Separatrizes

Conforme aponta Freund (2006), os dados são descritos por nú meros muito bem escolhidos que resumem
todo o conjunto de dados. Assim, são escolhidos aspectos particulares estabelecidos por medidas estatísticas
que os descrevem. Vale destacar que uma característica importante de um conjunto de dados é a sua
localização e, em particular, seu centro. Dentre tais medidas, as de tendência central descrevem o meio ou o
centro de dados.
Média ou Média Aritmética
Podemos dizer que média, ou média aritmética, é a medida mais conhecida e ú til quando precisamos
encontrar o centro de um conjunto de dados. Quando calculada em relação ao nú mero de dados de uma
amostra temos a média amostral, sendo denotada por n.
Definição: a média amostral de observaçõ es x1, x2, x3, ..., xn é dada por
; o numerador de se escreve informalmente como , onde a
soma inclui todas as observaçõ es amostrais.

Freund (2006) acrescenta de maneira simples que a média de n nú meros é sua soma dividida por n.
Exemplo: a média entre as idades dos 20 alunos de um curso de graduação de Gastronomia é 29,2 anos. O
valor é obtido a partir da soma dos elementos dividida pelo nú mero total de elementos.
Idades:
Também podemos trabalhar com a média populacional, neste caso, substituindo n (nú mero da amostra) por N
(nú mero da população). Assim, denotaremos a média populacional pela letra grega (“mi”) e escrevemos:
, sendo a soma de todos os N valores de x que formam a população em estudo.
Um aspecto importante diz respeito à distinção entre as descriçõ es de amostra e de população. Perceba que
estamos nos referindo a uma descrição de amostra como uma estatística, e uma descrição da população como
um parâmetro.
É possível que no cálculo da média de uma determinada amostra sejamos induzidos ao erro. Isso, geralmente,
ocorre quando a amostra é formada por algum dado discrepante que pode estar muito acima ou muito abaixo
da maioria dos valores dos demais dados. Nessa situação, é recomendável omitir este valor ou buscar outra
média estatística. Como medida de tendência central, talvez a mediana não seja tão sensível a estes dados
discrepantes como a média.
Mediana
Para calcular a mediana, é necessário, primeiro, ordenar os dados em ordem crescente ou decrescente e
identificar se o nú mero de elementos é ímpar ou par. A mediana corresponde ao elemento do meio, se o
nú mero de elementos n é ímpar, ou é a média aritmética entre dois valores do meio, se n é par.
Devore (2018) aponta que a posição da mediana amostral se obtém a partir dos seguintes cálculos:
, para n ímpar; e a média aritmética entre os elementos , quando n é par. Observe
que estamos encontrando a posição dos elementos da mediada e não a mediana em si.
De maneira análoga à média populacional, denotamos a mediana populacional como .
Exemplo: nas ú ltimas semanas foram registrados os seguintes nú meros de vacinação em um dado posto de
saú de: 14 – 17 – 20 – 22 – 21 – 25 – 15. Para identificar a mediana, devemos, primeiramente, ordenar os
valores desta forma: 14 – 15 – 17 – 20 – 21 – 22 – 25. Nesse caso, temos n = 7 (ímpar) e a mediana é dada por
º elemento. Portanto, a mediana é o nú mero 20. Observe que, se acrescentarmos
mais um elemento, n passará a ser par e a mediana corresponderá ao elemento entre , ou seja,
º º Devemos localizá-los e tirar a média aritmética entre eles. O nú mero
resultante corresponderá à mediana.
Exemplo: Encontre a posição da mediana para:
a) n = 27
b) n = 46
Solução: Para n = 27 (ímpar), vem: º Para n = 46 (par),
temos: º º Calculando a média entre os
º º , ou seja, º Portanto, mediana é o elemento localizado

entre os º º . Ressaltamos que esta fó rmula nos indica a posição em que o elemento se encontra e não
o elemento em si.
Moda
Além da média e mediana, também existem outras medidas de tendência central como a moda. De acordo com
Larson e Farber (2010), a moda de um conjunto de dados é uma entrada do conjunto de dados que ocorre com
maior frequência. É importante ressaltar que caso nenhum dado seja repetido a moda não existe, e caso se
repita temos um conjunto bimodal. Observe o exemplo:
Exemplo: Encontre a moda dos preços das passagens de uma companhia aérea: 388 – 397 – 397 – 400 – 405 –
386. Verificamos que o elemento que mais se repete é 397, portanto, ele é a moda dos preços das passagens.
Até aqui estudamos as medidas de tendência central, ou seja, a média, a mediana e a moda. O pró ximo passo é
verificar que a mediana é apenas uma medida dentro de muitos quartis que dividem os dados em duas ou
mais partes iguais. Dentre essas medidas temos os quartis.
Quartis
Conforme as ideias expostas por Devore (2018), a mediana (populacional ou amostral) divide o conjunto de
dados em duas partes de mesmo tamanho, contudo, para obtermos melhores medidas de locação, podemos
dividir os dados em mais de duas partes. Dessa maneira, os quartis dividem o conjunto de dados em quatro
partes iguais, sendo eles: o primeiro quartil , o segundo quartil e o terceiro quartil Note que as
observaçõ es acima do terceiro quartil constituem o quarto superior do conjunto de dados, o segundo quartil é
idêntico à mediana e o primeiro quartil separa o quarto inferior dos três quartos superiores.
Mas, de acordo com Freund (2006), um problema na análise explorató ria de dados exige dividir os dados em
quatro partes iguais ou aproximadamente iguais. Assim, há tantos valores menores que , quanto entre
, entre e maiores que . Freund (2006, p. 69) também destaca: “ é a mediana de
todos os valores inferiores à mediana de todo o conjunto de dados e é a mediana de todos os valores
superiores à mediana de todo o conjunto de dados”.
De maneira análoga à mediana, podemos identificar a posição dos elementos dos quartis a partir da seguinte
regra. Observe:
Se n é ímpar: posição de ; .
Se n é par: posição de ;
Observe que o cálculo para é o mesmo utilizado para a mediana.
Exemplo: Encontre a posição das medianas , para:
a) n = 32
b) n = 35
Em (a) temos n par, portanto, o cálculo da posição de é dado por:
Já em (b) temos n ímpar, portanto, o cálculo da posição de
1.1.3 Gráfico boxplot

Conforme estudamos anteriormente, alguns gráficos, como histograma, polígono de frequência e gráfico de
setores conduzem impressõ es gerais sobre os dados fornecidos de determina amostra. O gráfico boxplot, por
sua vez, amplia essa gama de observaçõ es, estendendo-se à análise do centro, variabilidade, extensão e a
natureza de qualquer desvio em relação à simetria, além da identificação de outliers, que revelam os dados
discrepantes da maioria.
O boxplot mais simples apresenta os seguintes nú meros: mínimo, quarto inferior, mediana, quarto superior
e máximo. Outro conceito importante para a compreensão de um boxplot é o de dispersão entre os quartos,
denotado por . Esta dispersão corresponde à diferença entre o quarto superior e o quarto inferior que em
notação matemática é:
Devore (2018, p. 38) afirma que “entende-se que a dispersão entre os quartos não será afetada pelas posiçõ es
de observaçõ es nos menores 25% ou nos maiores 25% dos dados”.
Para sua construção, primeiramente, os dados devem ser ordenados do menor para o maior. A mediana
ocupará a posição central se o nú mero de elementos n for ímpar, o quarto inferior corresponderá à mediana da
metade menor e o quarto superior à mediana da metade maior.
Conforme explica Devore (2018), os quartos são similares aos quartis, contudo os quartis são mais
complexos que os quartos. Assim, caso seja realizado um cálculo dos quartis, os valores podem ser diferentes
daqueles calculados para os quartos. Observe este exemplo, segundo Devore (2018).
Os dados a seguir consistem em observaçõ es do período decorrido até a falha (milhares de horas) para uma
amostra de turbo compressores para um tipo de motor:
1,6 - 2,0 - 2,6 - 3,0 - 3,5 - 3,9 - 4,5 - 4,6 - 4,8 - 5,0
5,1 - 5,3 - 5,4 - 5,6 - 5,8 - 6,0 - 6,0 - 6,1 - 6,3 - 6,5
6,5 - 6,7 - 7,0 - 7,1 - 7,3 - 7,3 - 7,3 - 7,7 - 7,7 - 7,8
7,9 - 8,0 - 8,1 - 8,3 - 8,4 - 8,4 - 8,5 - 8,7 - 8,8 - 9,0
A partir destes nú meros foram registradas as informaçõ es: mínimo: 1,6; quarto inferior: 5,05; mediana: 6,5;
quarto superior: 7,85; máximo; 9,0. Os gráficos a seguir mostram que há uma razoável simetria nos 50%
intermediários dos dados.
Figura 5 - Gráfico de pontos: tempo de vida ú til.

Fonte: Elaborada pela autora, baseado em DEVORE (2018).
A partir dos dados expostos anteriormente, é criado o gráfico boxplot em que os dados são distribuídos entre
os nú meros 1,6 e 9,0. Ele pode ser representado tanto horizontalmente como verticalmente.
Figura 6 - Boxplot para os dados referentes ao tempo de vida ú til.

Fonte: Elaborada pela autora, baseado em DEVORE, 2018.
É importante destacar que qualquer observação mais distante que 1,5 do quarto mais pró ximo, seja o
inferior ou o superior, é um outlier. Ele é considerado extremo se estiver a mais de 3 do quarto mais
pró ximo, em caso contrário, ele é considerado moderado.
O boxplot também poderá ser usado em comparaçõ es entre outros boxplots, que podem revelar assimetrias
representadas por valores atípicos, nos orientando a uma melhor decisão sobre o produto ou processo.
1.1.4 Medidas de dispersão

Uma característica importante estudada em um conjunto de dados é a diferença ou a variabilidade entre esses
dados, assunto largamente discutido em Inferência Estatística. Um exemplo pode ser observado quando
medimos o pulso de dois pacientes em um hospital, sendo que o primeiro acusa uma taxa de 72, 76 e 74, e o
segundo uma taxa de 71, 91 e 59. Apesar de ambos apresentarem uma taxa média de 74, o segundo paciente
teve uma grande flutuação, evidenciando uma instabilidade nas medidas apontadas.
Dessa maneira, perceba que as medidas de dispersão têm o propó sito de medir a variabilidade entre os dados.
Para iniciarmos seu estudo devemos, primeiramente, conhecer o conceito de amplitude. Você saberia defini-
lo? Amplitude corresponde à diferença entre o máximo valor coletado e o mínimo valor coletado em
determinado conjunto de dados. Dessa forma, podemos dizer que a amplitude do primeiro paciente é 76 – 72
= 4, e a do segundo paciente é 91 – 59 = 32.
Vale destacar que a amplitude não é uma medida muito ú til quando o assunto é variação, sendo usada, na
prática, como uma medida de dispersão rápida e fácil quando, por exemplo, desejamos fazer um controle
imediato de peças de matérias-primas ou produtos de pequenas amostras tomadas em intervalos de tempo
regulares.
Para estudar a variação dos dados devemos verificar quão dispersos eles estão em relação à sua média. Dentre
essas medidas, encontramos o desvio-padrão amostral (s), dado por: , sendo a média
amostral do conjunto de dados e n o nú mero de elementos dessa amostra.

O quadrado do desvio padrão amostral é denominado variância amostral ( ). Para encontrar o valor do
desvio padrão populacional ( e da variância populacional ( , basta trocar por e por N,
preservando as mesmas fó rmulas. Vale lembrar que o desvio padrão e a variância sempre apresentarão
valores positivos.
Conforme destaca Freund (2006), em geral, o propó sito em calcular uma estatística amostral como a média, o
desvio padrão e a variância é estimar o parâmetro populacional correspondente. Confira, a seguir, as
definiçõ es atribuídas por Larson e Farber (2010) para a variância populacional e o desvio padrão
populacional.
Definição: a variância populacional do conjunto de dados de N entradas é:
Variância populacional =
Definição: o desvio padrão populacional de um conjunto de dados populacional de N entradas é a raiz

quadrada da variância populacional.
Desvio padrão populacional =
VOCÊ O CONHECE?
Carl Friedrich Gauss (1777 – 1855) foi matemá tico, astrônomo e físico alemã o que
estudou temas como regressã o e o mé todo dos mínimos quadrados por meio da
astronomia. Em sua homenagem, a distribuiçã o normal també m é conhecida como
distribuiçã o Gaussiana.
Portanto, podemos afirmar que quanto menor o valor do desvio-padrão, menos dispersos estão os valores e,
dessa maneira, mais pró ximos estão da média. Note ainda que o desvio padrão também é estudado quando
algumas séries são representadas por polígonos de frequência ajustados nas curvas e com um formato
semelhante a um sino, ou seja, uma curva simétrica, como mostra o gráfico a seguir.
Figura 7 - Regra empírica: distribuição (simétrica) com forma de sino.

Fonte: LARSON; FARBER, 2010, p. 73.
Esta curva é chamada de Curva de Gauss ou Curva Normal. Vamos entender como a curva de Gauss se
relaciona com o desvio padrão.
Para a distribuição simétrica em formato de curva, o desvio-padrão tem a maneira apresentada a seguir.
(LARSON; FARBER, 2010) Clique nos itens.
•
Em torno de 60% dos dados está dentro de um

desvio padrã o em relaçã o à média.
Em torno de 95% dos dados está dentro de dois

desvios padrã o em relaçã o à média.
Em torno de 99,7% dos dados está dentro de três

desvios padrã o em relaçã o à média.
Exemplo: encontre a variância populacional e o desvio-padrão dos salários listados a seguir:
Para desenvolver esta questão é conveniente trabalhar com uma tabela com três colunas:
A partir dos dados tabelados, temos: e
Portanto, a variância populacional é de, aproximadamente, 8,9 e o
desvio padrão populacional é de 3,0 ou $ 3000.
1.2 Elementos de probabilidade

Você sabia que a dificuldade de prever determinados acontecimentos no nosso cotidiano resultou na
formulação de modelos matemáticos que definem tais situaçõ es e, portanto, nos permitissem tomar decisõ es
mais proveitosas ou desejáveis? Neste tó pico, vamos estudar um novo ramo da Estatística, a Estatística
Indutiva. Inicialmente, vamos conhecer alguns conceitos essenciais para o estudo da probabilidade.
1.2.1 Experimentos aleatórios e espaços amostrais

De acordo com Larson e Farber (2010), um experimento consiste em uma ação ou tentativa pela qual os
resultados específicos são obtidos. O estudo da probabilidade é realizado sobre fenô menos aleató rios,
imprevisíveis, em que as condiçõ es iniciais não determinam a possibilidade da existência de um ú nico
resultado em particular que possam ser previsto.
Utilizamos a palavra “resultado” que pode estar relacionada a uma ú nica tentativa ou a várias. Quando há
várias tentativas, o grupo de resultados possíveis de um experimento de probabilidade é chamado de espaço
amostral, sendo seu nú mero de elementos denotado por n(s). Outro conceito importante é o de evento, que
corresponde a um subgrupo do espaço amostral e pode ter um ou mais resultados.
Vamos apresentar um exemplo do uso dos termos experimento aleató rio, espaço amostral e evento. Clique nos
itens e observe.
Experimento aleatório
Lançamento de um dado de seis lados.
Espaço amostral
Evento
Sair face ímpar:
Para saber mais, assista o vídeo a seguir.
VOCÊ QUER VER?

O canal Univesp traz diferentes conteú dos, entre eles os temas discutidos até aqui,
como distribuiçã o de frequê ncia, grá ficos e medidas de tendê ncia central. No vídeo
(2018), você verá sobre medidas de tendê ncia central e variabilidade. Acesse em:
<https://www.youtube.com/watch?v=efy2kjExwTU
(https://www.youtube.com/watch?v=efy2kjExwTU)>
Dessa forma, podemos classificar os eventos conforme apresentado na interação a seguir. Clique e veja.
Evento simples:
impossível:
é constituído
não ocorre.
por Por
um úexemplo,
nico elemento
uma do pessoa
espaço
com
amostral.
cabelosPorverdes
exemplo,
naturais:
A: ser
uma pessoa com olhos azuis:
. .
Evento certo: é aquele que corresponde ao pró prio espaço amostral. Por exemplo, sair cara ou
coroa no lançamento de dois dados: .
A seguir, falaremos sobre o Diagrama de Venn, acompanhe!
1.2.2 Diagrama de Venn

De maneira análoga às operaçõ es com conjuntos, definimos as operaçõ es em eventos e o Diagrama de Venn
em:
Quadro 2 - Operaçõ es em eventos e o Diagrama de Venn.

Fonte: Elaborado pela autora, 2019.
Os espaços amostrais são classificados de acordo com o nú mero de elementos, ou pontos, que contêm. Em
determinadas situaçõ es, o conjunto não apresenta elementos, sendo denotado por conjunto vazio, cuja
representação é Conforme aponta Triola (2017), em muitos problemas de probabilidade interessam-
nos os eventos que podem ser expressos em termos de dois ou mais eventos que representam uniõ es,
intersecçõ es e complementos. Assim, teremos dois eventos, A e B, denotados por , ,
ou .
1.2.3 Conceitos básicos de probabilidade

Para Devore (2018, p. 52), “dados um experimento e um espaço amostral S, o objetivo da probabilidade é
assegurar a cada evento A um nú mero P(A), chamado de probabilidade do evento A, o qual dará uma medida
precisa da oportunidade que A ocorra”.
A definição clássica diz que a probabilidade de ocorrer determinado resultado na realização de um
experimento é igual à razão entre o nú mero de casos de sucesso (nú mero de elementos do evento A) e o
nú mero total do espaço amostral S. Assim, temos:
Já a probabilidade de fracasso, ou seja, do resultado desejado não ocorrer é dado pelo complemento dele
ocorrer. Acompanhe:
Com base no conceito de complemento de um evento, observe este exemplo: o evento é selecionar um
funcionário entre 20 e 32 anos, sendo que a frequência deste evento é 232. Como o total de frequência é 800, a
probabilidade de selecionar um funcionário entre essas idades é igual a
.
Portanto, a probabilidade de o funcionário não ter entre 20 e 32 anos é:
CASO
A probabilidade de fechamento de cada relé do circuito apresentado na figura é
dada por p. Devemos considerar que todos os relê s funcionam
independentemente. Veja a representaçã o do circuito (MEYER, 2012, p. 57) e a
questã o: qual é a probabilidade de que haja corrente entre os terminais L e R?
Os eventos sã o, respectivamente:
A={o relê i está fechado}, i = 1,2, 3 e 4; E = {a corrente passa de L para R}; Em
consequê ncia, temos: E=(A1∩A2)∪(A3∩A4). Como (A1∩A2)∪ (A3∩A4) nã o sã o
mutuamente excludentes, entã o vem: P(E)=(A1∩A2) +P (A3∩A4)-P((A1∩A2∩A3∩A4.
p2+p2-p4=2p2-p4.
Propriedades
De acordo com Devore (2018), temos que:
• para qualquer evento A, , a partir da qual

;
• para qualquer evento A, ;
• eventos não mutuamente exclusivos:
;
• eventos mutuamente exclusivos: ;
• se A, B e C são eventos quaisquer então:
1.2.4 Técnicas de contagem

Devore (2018) explica que as técnicas de contagem calculam probabilidades que se reduzem a contar diversos
resultados de um experimento que não são igualmente prováveis.
Outra definição atribuída por Aranha e Rodrigues (1997) é que a análise combinató ria é a parte da matemática
que se dedica a contar e formar agrupamentos com os elementos de um conjunto dado.
VOCÊ SABIA?
Nã o é de hoje que ocorrem abusos com a Estatística, sendo que alguns o fazem
simplesmente por descuido ou ignorâ ncia; outros tê m objetivos pessoais, dando
ê nfases somente aos dados que lhes interessam. Por isso, preste muito atençã o,
pois esses descuidos podem ser encontrados em algumas situações que
evidenciem: pequenas amostras, perguntas tendenciosas, estimativas por
suposiçã o ou mesmo em grá ficos enganosos.
O Princípio Fundamental da Contagem (PFC) ou Princípio Multiplicativo

Confira, a seguir, um exemplo de Princípio Multiplicativo.
Exemplo: em um estudo médico, os pacientes são classificados pelo grupo sanguíneo A, B, AB e O, e de
acordo com a sua pressão sanguínea baixa, normal ou alta. De quantas maneiras pode um paciente ser
classificado?
Para resolver esta questão devemos fazer um diagrama de árvore, conforme apresentamos na figura abaixo.
Figura 8 - FREUND, 2006, p. 112.

Fonte: Diagrama de Á rvore.
Com base no Diagrama de Á rvore uma escolha consiste em dois passos, em que o primeiro pode ser realizado
de m maneiras e o segundo de n maneiras, então o nú mero de escolhas possíveis é obtido por
maneiras.
Neste sentido, podemos afirmar que é possível expandir o nú mero de passos, ampliando o nú mero de opçõ es,
fornecendo um diagrama mais amplo que o anterior. Perceba que o Diagrama de Á rvore possibilita uma
visualização sobre todas as escolhas possíveis, já o Princípio Multiplicativo nos fornece o nú mero exato de
escolhas.
Exemplo: dispondo das letras A, B e C e dos algarismos 1, 2, 3, 5, quantas placas de automó veis formada por
três letras seguidas de quatro algarismo podemos formar?
Solução: se e , portanto, pelo Princípio Multiplicativo, temos: 33 x 44 = 6912 maneiras
diferentes de formar as placas.
Exemplo: um vendedor de automó veis novos oferece um carro em quatro estilos, dez acabamentos e três
potências. De quantas maneiras diferentes pode ser encomendado um desses carros?
Solução: como , e , há maneiras diferentes de encomendar
um desses carros.
Arranjos e Permutações
Como vimos, a regra de multiplicação de escolhas e sua generalização são utilizadas quando fazemos várias
escolhas sobre um determinado conjunto, porém, muitas vezes, também queremos saber em qual ordem essas
escolhas podem ser feitas. Conforme Freund (2006), quando escolhemos p objetos de um conjunto de n
objetos distintos, um arranjo consiste em uma escolha ordenada desses objetos. Quando n = p, dizemos que
um arranjo é uma permutação.
- Arranjo simples: um arranjo simples de n elementos de um conjunto ordenado com p elementos (sem
repetição) escolhidos entre os n elementos de A.
; em que indica o nú mero de arranjos simples de n elementos p a p.
Lembrando que quando n = p, temos:

, ou seja, as permutaçõ es simples com n elementos são um caso
particular simples de arranjos simples

Exemplo: de quantas maneiras oito professores de matemática podem ser distribuídos para lecionar em oito
turmas de um curso de Engenharia?
Solução: Como n = p = 8, temos:
. Portanto, há 40320 maneiras diferentes de alocar os oito professores dentre as oito
turmas.
Exemplo: uma turma de teoria de probabilidade é formada por seis homens e quatro mulheres. Aplica-se uma
prova para verificar o desempenho dos estudantes. Vamos supor que nenhum deles tenha tirado a mesma
nota. Quantas diferentes classificaçõ es são possíveis? Se os homens forem classificados somente entre si e as
mulheres somente entre si, quantas diferentes classificaçõ es são possíveis?
Solução:
classificaçõ es possíveis.
Exemplo: supondo que escalar um time de futebol seja distribuir as onze camisas entre os jogadores,
determine quantos times é possível escalar, dispondo de 20 jogadores.
Solução: temos que n = 20 e p = 11. Assim, vem: .
Combinações
Em determinadas situaçõ es, precisamos saber o nú mero de maneiras pelas quais podemos escolher p objetos
em um conjunto de n objetos, sem nos importar com a ordem em que esta escolha será feita. Dessa maneira,
estaremos diante de uma combinação de n objetos tomados p a p, dado pela fó rmula é:
Agora, clique nos itens a seguir e preste atenção nestas definiçõ es.
Arranjo Devemos escolher quem participa e, em seguida, em que ordem: n≠p.
Permutaç Só escolhemos em que ordem os elementos ficarão, pois todos participarão: n=p.
ão
Combinaç Escolhemos apenas quem participa do subconjunto, sem interesse na ordem.

ão
Exemplo: de quantas maneiras diferentes uma pessoa pode escolher três livros de uma lista de dez best-
sellers supondo que é inconsequente a ordem de escolha dos três livros? (FREUND, 2006).
Solução: sendo n = 10 e p = 3, temos:
1.3 Probabilidade condicional

De acordo com Larson e Farber (2010), uma probabilidade condicional é a probabilidade de um evento
ocorrer, dado que outro evento já tenha ocorrido. Assim, os eventos ocorrem em sequência.
Notação e fó rmula: (lê-se: probabilidade de B dado A).
Outra possibilidade é dada por: Neste caso, consideramos que o evento já ocorrido
ou já conhecido é B.
Exemplo: duas cartas são selecionadas, sem reposição, da primeira carta, de um baralho normal. Encontre a
probabilidade de selecionar um rei e então uma dama (LARSON; FARBER, 2010).
Solução: estamos diante uma situação em que não há reposição das cartas. Portanto, são eventos dependentes.
Temos que e devemos selecionar uma dama sabendo que a seleção do rei já ocorreu. Assim, vem:
1.3.1 Eventos independentes

Você sabia que em determinados experimentos a ocorrência de um evento não afeta a probabilidade do outro?
Vejamos um exemplo. Em um jogo de um dado e de uma moeda, o resultado obtido no jogo de dados não tem
qualquer relação com o resultado do jogo da moeda. Dito de outra maneira, tais eventos são considerados
independentes, caso contrário, poderíamos dizer que eles são dependentes um do outro.
Assim, temos a seguinte relação: ; ;
Exemplo: uma moeda é jogada e um dado é lançado. Encontre a probabilidade de obtermos uma cara e, então,
jogar um seis.
Solução:
1.3.2 Teorema de Bayes

Quando estudamos probabilidade condicional, vimos que e representam
probabilidades diferentes, uma vez que estão condicionadas ao conhecimento de B em e à
existência de A em . Portanto, preste atenção, é necessário ter cuidado quando expressamos um
evento em relação ao outro. De maneira a expressar em termos de para quaisquer
eventos A e B, criou-se a seguinte fó rmula:
Exemplo: em um certo estado onde os automó veis devem ser testados quanto à emissão de gases poluentes,
25% de todos os automó veis emitem quantidades excessivas de gases poluentes. Ao serem testados, 99% de
todos os automó veis que emitem quantidades excessivas de gases poluentes são reprovados, mas 17% dos
que não emitem quantidades excessivas de gases poluentes também são reprovados. Qual é a probabilidade de
um automó vel reprovado no teste emitir uma quantidade excessiva de gases poluentes? (FREUND, 2006).
Solução: os eventos e as probabilidades são:
A: automó vel ser reprovado no teste;
B: automó vel emitir uma quantidade excessiva de gases poluentes
Figura 9 - Diagrama de Á rvore representando as probabilidades.

Para calcular . Esta corresponde à probabilidade de um
automó vel reprovado no teste emitir uma quantidade excessiva de gases poluentes.
Síntese
Nessa unidade, aprendemos que a Estatística está presente em diversos contextos do nosso cotidiano e
envolvida na tomada de decisõ es em diferentes situaçõ es, como na Gestão de Projetos, na análise de
confiabilidade de um sistema, na análise de risco de um produto ou processo, nos censos demográficos, entre
outras situaçõ es. Para que a análise dos dados seja feita da maneira aprimorada, minimizando os erros de um
projeto, aprendemos os primeiros conceitos que envolvem seu estudo.
Nesta unidade, você teve a oportunidade de:
• distinguir população de amostra; parâmetro de dado estatístico e

estatística descritiva e estatística inferencial;
• representar os dados a partir de histograma, de um polígono de

frequência e de um gráfico de setores;
• reconhecer medidas de tendência central e as medidas de
dispersão;
• identificar o espaço amostral de um experimento de
probabilidade;
• encontrar o complemento de um evento e outras probabilidades a
partir do Diagrama de Venn;
• encontrar probabilidades condicionais.
Bibliografia
ARANHA, A. Z., RODRIGUES, M. B. Exercícios de Matemática, vol. 4: análise combinató ria e probabilidade.
São Paulo: Policarpo, 1997.
DEVORE J. L. Probabilidade e estatística para engenharia e ciências. Tradução: Solange Aparecida
Visconte. Revisão técnica: Magda Carvalho Pires. São Paulo: Cengage, 2018.
ESTATÍSTICA e Probabilidade - Aula 10 - Medidas de tendência central e variabilidade. 2018. 1 vídeo (22 min
20 s). Publicado no canal: UNIVESP. Disponível em: https://www.youtube.com/watch?v=efy2kjExwTU
(https://www.youtube.com/watch?v=efy2kjExwTU). Acesso em: 11 jul. 2019.
FREUND, J. E. Estatística aplicada: economia, administração e contabilidade. Tradução: Claus Ivo Doering.
11. ed. Porto Alegre: Bookman, 2006.
LARSON, R; FARBER, B. Estatística Descritiva. Tradução Luciane Ferreira Pauleti Vianna. 4. ed. São Paulo:
Pearson Prentice Hall, 2010.
MEYER, P. L. Probabilidade: aplicaçõ es à estatística. 2. ed. Rio de Janeiro: LTC, 2012.
MORETTIN, P. A.; BUSSAB, W. O. Estatística Básica. 6. ed. São Paulo: Saraiva, 2010.
SANTOS, B. M. et al. A importância e o uso da Estatística na área empresarial: uma pesquisa de campo com
empresas do município de Eló i Mendes – MG. In: SEGET – SIMPÓ SIO DE EXCELÊ NCIA EM GESTÃ O DE
TECNOLOGIA. 16, 2016, Resende-RJ. Anais [...], Resende, 2016. Disponível em:
https://www.aedb.br/seget/arquivos/artigos16/5024102.pdf
(https://www.aedb.br/seget/arquivos/artigos16/5024102.pdf). Acesso em: 30 jul. 2019.
TRIOLA, M. F. Introdução à Estatística. 12. ed. Rio de Janeiro: LTC, 2017.

UNISUL DL - unidade 1

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

UNISUL DL - unidade 1

Enviado por

Direitos autorais:

Formatos disponíveis

05/04/2024, 17:46 Probabilidade e Estatística

Joelma Iamac Nomura

1.1.1. Análise exploratória de dados, tabelas e gráficos

Confira, a seguir, um exemplo de variável e sua representação.

VOCÊ QUER LER?

Tabela 1 - Distribuição de frequência por categorias.

Tabela 2 - Distribuição de frequência por intervalo de classes.

Figura 1 - Histograma do salário da diretoria de uma empresa.

Tabela 3 - Distribuição de frequência: tempo gasto para chegar ao trabalho em minutos.

Figura 2 - Histograma do tempo gasto por funcionários para chegar ao trabalho.

Outra forma é o polígono de frequência, como você pode ver a seguir.

Tabela 5 - Distribuição de frequência para locação de veículos.

Figura 4 - Gráfico de setores para locação de veículos.

1.1.2 Medidas de Tendência Central e Separatrizes

; o numerador de se escreve informalmente como , onde a

soma inclui todas as observaçõ es amostrais.

temos: º º Calculando a média entre os

º º , ou seja, º Portanto, mediana é o elemento localizado

Já em (b) temos n ímpar, portanto, o cálculo da posição de

1.1.3 Gráfico boxplot

Figura 5 - Gráfico de pontos: tempo de vida ú til.

Figura 6 - Boxplot para os dados referentes ao tempo de vida ú til.

1.1.4 Medidas de dispersão

amostral do conjunto de dados e n o nú mero de elementos dessa amostra.

Definição: o desvio padrão populacional de um conjunto de dados populacional de N entradas é a raiz

Desvio padrão populacional =

Figura 7 - Regra empírica: distribuição (simétrica) com forma de sino.

Em torno de 60% dos dados está dentro de um

Em torno de 95% dos dados está dentro de dois

Em torno de 99,7% dos dados está dentro de três

A partir dos dados tabelados, temos: e

Portanto, a variância populacional é de, aproximadamente, 8,9 e o

desvio padrão populacional é de 3,0 ou $ 3000.

1.2 Elementos de probabilidade

1.2.1 Experimentos aleatórios e espaços amostrais

Lançamento de um dado de seis lados.

Sair face ímpar:

Para saber mais, assista o vídeo a seguir.

VOCÊ QUER VER?

A seguir, falaremos sobre o Diagrama de Venn, acompanhe!

1.2.2 Diagrama de Venn

Quadro 2 - Operaçõ es em eventos e o Diagrama de Venn.

1.2.3 Conceitos básicos de probabilidade

• para qualquer evento A, , a partir da qual

1.2.4 Técnicas de contagem

O Princípio Fundamental da Contagem (PFC) ou Princípio Multiplicativo

Figura 8 - FREUND, 2006, p. 112.

Lembrando que quando n = p, temos:

particular simples de arranjos simples

Arranjo Devemos escolher quem participa e, em seguida, em que ordem: n≠p.

Combinaç Escolhemos apenas quem participa do subconjunto, sem interesse na ordem.

1.3 Probabilidade condicional

1.3.1 Eventos independentes

1.3.2 Teorema de Bayes

Figura 9 - Diagrama de Á rvore representando as probabilidades.

Para calcular . Esta corresponde à probabilidade de um

• distinguir população de amostra; parâmetro de dado estatístico e

• representar os dados a partir de histograma, de um polígono de

Você também pode gostar