Escolar Documentos
Profissional Documentos
Cultura Documentos
LIVE 2
Professor: Christopher R. Vieira
Tópicos – Live 1º
• Teoria da Amostragem
• Amostragem Aleatória
• Distribuições Contínuas de Probabilidade
• Distribuições de Probabilidade: Esperança Matemática, Variância e Desvio-
Padrão
• Cálculo de Probabilidade
• Organização de Dados: Tabelas e Gráficos
Em muitos casos, estudar uma população pode
se tornar algo trabalhoso, demorado e até
inacessível. Nestes casos, escolheremos uma parte
representativa dessa população para ser estudada,
que denominamos amostra.
TEORIA DA AMOSTRAGEM
TEORIA DA AMOSTRAGEM
Onde
k — intervalo com o qual selecionaremos a unidade amostral;
N — tamanho da população;
n — tamanho da amostra.
A amostragem sistemática é muito útil quando temos alguma listagem dos
elementos da população ou quando as unidades amostrais estão dispostas em
uma fila, pois não precisamos fazer um sorteio para a seleção de cada unidade
amostral, podemos calcular o valor de k e, dentro do valor de k, sortear um
número.
AMOSTRAGEM ALEATÓRIA
Exemplo:
Queremos investigar sobre a satisfação de uma loja de e-commerce, para
isso pegamos a listagem dos consumidores no último mês na ordem em que a
compra foi efetuada. Suponhamos que a loja tenha tido um total de 10 mil
clientes e que queremos investigar uma amostra de 385 clientes. Dividindo 10
mil por 385 temos k — 26, então, a cada 26 clientes selecionamos um. Para
iniciarmos, sorteamos um valor entre 1 e 26; supondo que o número 10 tenha
sido sorteado, selecionamos o 10º cliente, o 36º, o 62º, o 88º e assim
sucessivamente a cada 26 unidades, até selecionarmos os 385 cientes.
, k=26
AMOSTRAGEM ALEATÓRIA
Amostragem estratificada
A amostragem estratificada é uma amostragem aleatória, mas esse tipo de
amostragem não é exatamente um método de coleta, ou seja, de escolha das unidades
amostrais. Ele é mais uma forma de agrupamento em que as unidades amostrais também
devem ser selecionadas de forma aleatória.
A amostragem estratificada divide a população em estratos, em que seja interessante
uma divisão por grupos. Esses grupos devem ter comportamento homogêneo dentro dos
estratos e ter alguma variabilidade entre os grupos, que seja conveniente ao objetivo do
estudo. A seleção das unidades amostrais dentro dos extratos pode ser feita pela
amostragem aleatória simples ou pela amostragem sistemática.
AMOSTRAGEM ALEATÓRIA
Amostragem estratificada
A amostragem estratificada é uma amostragem aleatória, mas esse tipo de
amostragem não é exatamente um método de coleta, ou seja, de escolha das unidades
amostrais. Ele é mais uma forma de agrupamento em que as unidades amostrais também
devem ser selecionadas de forma aleatória.
A amostragem estratificada divide a população em estratos, em que seja interessante
uma divisão por grupos. Esses grupos devem ter comportamento homogêneo dentro dos
estratos e ter alguma variabilidade entre os grupos, que seja conveniente ao objetivo do
estudo. A seleção das unidades amostrais dentro dos extratos pode ser feita pela
amostragem aleatória simples ou pela amostragem sistemática.
AMOSTRAGEM ALEATÓRIA
Amostragem por conglomerados
AMOSTRAGEM ALEATÓRIA
Amostragem por conglomerados
A amostragem por conglomerados, assim como a amostragem estratificada, é uma
forma de agrupamento e não de seleção das unidades amostrais. A amostragem por
conglomerados também será utilizada em conjunto com a amostragem aleatória simples
e/ou com a amostragem sistemática.
Assim como na amostragem sistemática, dividimos a população em grupos. Porém,
esses grupos serão formados normalmente por regiões geográficas. Faz sentido utilizar
esse tipo de agrupamento quando esses conglomerados tiverem um comportamento
com variabilidade dentro dos grupos e uma homogeneidade entre eles.
AMOSTRAGEM ALEATÓRIA
Escolha do tipo de amostragem aleatória
AMOSTRAGEM ALEATÓRIA
Escolha do tipo de amostragem aleatória
Inicialmente é preciso determinar quais são os objetivos da pesquisa. Algumas
pesquisas buscam contribuir para resolver um determinado problema; nesse caso,
devemos mencionar qual é esse problema e de que maneira achamos que o estudo irá
ajudar a resolvê-lo. Outras, têm como objetivo principal comprovar uma teoria ou trazer
evidência empírica a seu favor.
Quando nos referimos à falta de informação de uma população queremos dizer que
podemos não saber onde encontrar as unidades amostrais dessa população, que não as
conhecemos direito, que não conseguimos nenhuma listagem dessa população, etc.
Distribuições Contínuas de Probabilidade
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
As distribuições de probabilidade em estatística podem ser discretas ou contínuas,
dependendo do tipo de variável que está sendo estudado. Para variáveis discretas
(valores resultantes de contagem), utilizamos distribuições discretas, sendo a Binomial e
a de Poisson as mais conhecidas.
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Para variáveis contínuas (que resultam de medições), utilizamos distribuições
contínuas, sendo a Normal e a Student as mais conhecidas. Nesse tipo de distribuição, a
função densidade de probabilidade (FDP), que terá uma função matemática associada,
precisará de uma integral para a resolução do cálculo de probabilidade, por isso é muito
comum o uso de tabelas para auxiliar no cálculo das probabilidades.
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
A função densidade de probabilidade exponencial aproxima-se de zero à medida que
o valor de x aumenta. Isso é útil para calcular tempo de vida de alguns componentes.
onde:
λ é a taxa média pelo tempo ou espaço;
x é o valor da variável aleatória que se quer obter a probabilidade.
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Representamos a distribuição exponencial por , ou seja, a variável
x aproxima-se de uma distribuição exponencial de parâmetro λ.
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Meia-Vida: O conceito de meia-vida é dado como o tempo necessário para que
metade do número de átomos de uma amostra de determinado isótopo radioativo se
desintegre.
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
A distribuição de probabilidade de Laplace
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
A distribuição de probabilidade de Laplace
Também chamada de exponencial dupla, pois, algumas vezes, é como se tivéssemos
uma exponencial positiva junto a uma exponencial negativa. Pode ser utilizada para
dados de modelagem em biologia e finanças. Tem por função a distribuição de
probabilidade:
onde:
é o desvio-padrão;
μ é a média;
x é o valor da variável aleatória que se quer obter a probabilidade.
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Distribuição normal
Essa distribuição tem como parâmetros a média que é uma medida de posição e o
desvio-padrão que é a medida de variabilidade. Então, o formato dessa distribuição
depende da variabilidade — quanto mais achatada for a distribuição, maior será a
variabilidade dos dados e, ao contrário, quanto mais estreita for a distribuição, menor
será a variabilidade. Já a média situa no eixo em que os dados se concentram.
É com base na teoria da distribuição de probabilidade normal que podemos
estruturar testes de hipótese, estabelecer intervalos de confiança e calcular tamanhos de
amostra.
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Distribuição normal
A função matemática que descreve a distribuição de probabilidade normal
é dada por:
Distribuição normal -
Tabela de Referência (Z) -
Como se pode perceber, a
resolução de uma integral
para a FDP da normal é
bastante elaborada. Por esse
motivo, fazemos uso de uma
tabela para nos auxiliar no
cálculo de probabilidade.
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Distribuição normal -
Tabela de Referência (Z) - EXEMPLO
Suponha uma financeira que empresta, em média, R$ 2.000,00 para seus
clientes com um desvio-padrão de R$ 900,00. Calcularemos a probabilidade de
a financeira emprestar menos de R$ 2.200,00 a um cliente.
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Distribuição normal -
Tabela de Referência (Z) - EXEMPLO
Procuramos, na tabela, o cruzamento da linha com o 0,2 até a coluna do 0,02, que é a
nossa segunda casa decimal. Nesse cruzamento, encontramos o valor de 0,08706.
Estamos trabalhando em uma tabela que tem apenas metade da distribuição..
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Distribuição normal -
Tabela de Referência (Z) - EXEMPLO
Procuramos, na tabela, o cruzamento da linha com o 0,2 até a coluna do 0,02, que é a
nossa segunda casa decimal. Nesse cruzamento, encontramos o valor de 0,08706.
Estamos trabalhando em uma tabela que tem apenas metade da distribuição....
Esperança matemática
[
Em um conjunto de dados de uma variável aleatória discreta em que a probabilidade
de cada dado é , respectivamente, define-se esperança matemática por:
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Esperança matemática - EXEMPLO
Duas moedas são jogadas 14 vezes, e os resultados foram:
5 jogadas sem nenhum resultado cara;
6 jogadas, sendo apenas uma moeda cara;
3 jogadas, sendo as duas moedas cara.
Qual é o valor esperado de caras por lançamento?
[
Temos que a probabilidade de nenhum resultado cara é: , de apenas uma moeda
ser cara: ; e de as duas moedas serem cara: . Assim, a esperança da variável cara
ocorrer, por lançamento, é:
5 6 3 5 . 0+6 . 1+3 . 2
. 0+ . 1+ . 2= =0 , 86
14 14 14 14
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Medidas de dispersão
[
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Medidas de dispersão
O estudo das medidas de posição é útil para fornecer boa parte das
características de um conjunto de dados. Contudo, existem outros parâmetros que
complementam a caracterização dos conjuntos, principalmente quando estes
possuem uma disparidade consideravelmente grande para uma simples análise
por medidas de posição. [
• Amplitude
• Desvio médio
• Variância
• Desvio-padrão
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Medidas de dispersão: Amplitude
A amplitude é o mesmo que a variação entre dois elementos. Em um conjunto de
dados, a amplitude total é encontrada por meio do cálculo da diferença entre o limite
superior e o limite inferior, conforme segue:
[
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Desvio médio
O desvio médio é uma medida de dispersão, pela qual temos a média dos desvios em
relação a uma medida de posição, podendo ser a média das diferenças absolutas entre
cada elemento do conjunto e a média aritmética. A seguinte expressão representa o
desvio médio da população:
[
1,4 mm
2. Cálculo da variância: A partir da média, calculamos os desvios de cada elemento.
DISTRIBUIÇÃO CONTÍNUA E PROBABILIDADE
Variância
EXEMPLO:
3. Cálculo do desvio-padrão: [
[
Probabilidade
A Teoria da Probabilidade é um ramo da Matemática que cria, elabora e pesquisa
modelos para estudar experimentos ou fenômenos aleatórios. A probabilidade de uma
peça fabricada ser defeituosa, entre outras. Para o estudo das probabilidades, será
necessário introduzir alguns conceitos básicos, como, por exemplo, evento, espaço
amostral, eventos dependentes e independentes, eventos mutuamente excludentes e
complementares.
[
Probabilidade
Espaço amostral
Em um experimento (ou fenômeno) aleatório, o conjunto formado por todos
os resultados possíveis é chamado espaço amostral, que vamos indicar por U ou Ω.
• Lançar uma moeda e observar a face voltada para cima: U = {cara, coroa}.
• Lançar um dado e observar a face voltada para cima: U = {1, 2, 3, 4, 5, 6}.
Evento [
Chama-se evento todo subconjunto de um espaço amostral, ou seja, os
resul_x0002_tados que poderão ocorrer em um determinado fenômeno.
Resultados esses que queremos que aconteçam ou não.
No lançamento de um dado, por exemplo, em relação à face voltada para
cima, podemos ter os seguintes eventos.
O número é par: {2, 4, 6}.
O número é menor que 5: U = {1, 2, 3, 4}.
O número é 8: {}.
Probabilidade
Evento
Chama-se evento todo subconjunto de um espaço amostral, ou seja, os
resultados que poderão ocorrer em um determinado fenômeno. Resultados esses
que queremos que aconteçam ou não.
No lançamento de um dado, por exemplo, em relação à face voltada para
cima, podemos ter os seguintes eventos. [
O número é par: {2, 4, 6}.
O número é menor que 5: U = {1, 2, 3, 4}.
O número é 8: {}.
Probabilidade
EXEMPLO:
Uma urna contém 10 bolas numeradas de 1 a 10. Retira-se uma bola ao acaso e
se observa o número indicado. Descrever de forma explícita os seguintes conjuntos
e dar o número de elementos de cada um:
a) o espaço amostral U.
b) o evento A: o número da bola é ímpar. [
c) o evento B: o número da bola é múltiplo de 3.
Probabilidade
EXEMPLO:
a) o espaço amostral U.
b) o evento A: o número da bola é ímpar.
c) o evento B: o número da bola é múltiplo de 3.
Resolução
a) O conjunto de todos os resultados [possíveis é representado pelo seguinte
espaço amostral: U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}. O número de elementos desse
conjunto é n(U) = 10.
Probabilidade
EXEMPLO:
a) o espaço amostral U.
b) o evento A: o número da bola é ímpar.
c) o evento B: o número da bola é múltiplo de 3.
Resolução
a) O conjunto de todos os resultados [possíveis é representado pelo seguinte
espaço amostral: U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}. O número de elementos desse
conjunto é n(U) = 10.
b) Se o número da bola é ímpar, temos o evento: A = {1, 3, 5, 7, 9}. O número de
elementos desse conjunto é n(A) = 5.
Probabilidade
EXEMPLO:
a) o espaço amostral U.
b) o evento A: o número da bola é ímpar.
c) o evento B: o número da bola é múltiplo de 3.
Resolução
a) O conjunto de todos os resultados [possíveis é representado pelo seguinte
espaço amostral: U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}. O número de elementos desse
conjunto é n(U) = 10.
b) Se o número da bola é ímpar, temos o evento: A = {1, 3, 5, 7, 9}. O número de
elementos desse conjunto é n(A) = 5.
c) Se o número da bola é múltiplo de 3, temos o evento: B = {3, 6, 9}. O número
de elementos desse conjunto é n(B) = 3.
Probabilidade
Eventos mutuamente excludentes e eventos complementares
[
Probabilidade
Eventos mutuamente excludentes e eventos complementares.
Considerando, por exemplo, dois lançamentos de uma moeda, esse
experimento tem quatro resultados possíveis: cara/cara, cara/coroa, coroa/cara,
coroa/coroa. Esses resultados são mutuamente excludentes, uma vez que um, e
somente um, deles irá ocorrer ao lançarmos a moeda duas vezes.
[
Probabilidade
Eventos mutuamente excludentes e eventos complementares.
Chama-se evento complementar de um evento A e é representado por Ā
o conjunto formado por todos os elementos do espaço amostral U que não
pertencem ao evento A.
No lançamento de um dado, temos o seu espaço amostral: U = {1, 2, 3, 4, 5, 6}.
Considere os eventos a seguir. [
O evento A: o número obtido é menor que 3.
O evento Ā: o número obtido é maior ou igual a 3.
[
Probabilidade
Resultados da probabilidade
Valor fracionário: quando se faz um cálculo de probabilidade, como veremos
adiante, o primeiro resultado obtido é o fracionário, em que temos um número
que fica na parte superior da fração, chamado de numerador, e outro valor, na
parte inferior da mesma fração, chamado de denominador (a/b).
Valor numérico: quando acharmos o valor [ fracionário e realizarmos a divisão
proposta, ou seja, o numerador (em cima) dividido pelo denominador (embaixo)
obterá um resultado, que chamaremos de valor numérico. É o resultado da divisão
do valor fracionário.
Valor percentual: ao chegarmos ao valor numérico, podemos transformar
qualquer um deles em valor percentual, apenas multiplicando o valor por 100
(cem) e após colocar o símbolo de porcentagem (%)
Probabilidade
Probabilidade de um evento em um espaço amostral finito
A regra da probabilidade clássica é aplicada para se calcularem as
probabilidades de eventos a um experimento para o qual os resultados sejam
igualmente possíveis.
Chamamos de probabilidade de um evento A o número real P(A), tal que:
é o número de elementos do conjunto A[ e é o número de elementos do conjunto
U.
Probabilidade
Probabilidade condicional
Se a probabilidade de ocorrência de um evento B interfere na probabilidade de
ocorrência de um evento A, então dizemos que a probabilidade de A está
condicionada à probabilidade de B e representamos por P(A/B). Lê-se:
probabilidade de A dado B.
[
Probabilidade
Probabilidade condicional
EXEMPLO:
Uma concessionária A tem em seu estoque 25 carros de um modelo B. O
quadro a seguir divide os 25 carros disponíveis em tipo de motor e cor
[
Probabilidade
Probabilidade condicional
EXEMPLO:
Esse problema de probabilidade é
um caso de probabilidade condicional,
pois o cálculo está condicionado à
informação de que já sabemos que o
carro é prata (condição). Utilizando a
fórmula da probabilidade condicional:
No denominador colocamos a quantidade de possíveis respostas da condição
(cor prata), conforme tabela. Verificou-se que a concessionária possui 12 carros
pratas.Na parte superior, no numerador, colocamos as possibilidades de respostas
favoráveis (motor 1.0) dentro dos carros de cor prata: 5 carros com motor 1.0 e
que são de cor prata. 5/12
Organização de dados: tabelas e gráficos
ORGANIZAÇÃO DE DADOS: TABELAS E GRÁFICOS
[
ORGANIZAÇÃO DE DADOS: TABELAS E GRÁFICOS
Tipos de tabelas e gráficos
As colunas que necessariamente precisam aparecer em uma tabela de
distribuição de frequências, além da primeira coluna que representa as opções de
resposta dos dados coletados, são:
• f → frequência simples absoluta (resulta da contagem na amostra).
• fr → frequência simples relativa [ (resulta da regra de três vista
ante_x0002_riormente no capítulo).
• F → frequência acumulada absoluta (resulta somando a coluna f).
• Fr → frequência acumulada relativa (resulta somando a coluna fr).
• x’ → ponto médio do intervalo, no caso da tabela de intervalos.
ORGANIZAÇÃO DE DADOS: TABELAS E GRÁFICOS
Tipos de tabelas e gráficos
[
ORGANIZAÇÃO DE DADOS: TABELAS E GRÁFICOS
Tipos de tabelas e gráficos
[
ORGANIZAÇÃO DE DADOS: TABELAS E GRÁFICOS
Exemplo de tabela com dados qualitativos ordinais sobre a satisfação
com o atendimento recebido em uma Unidade de Pronto Atendimento
(UPA) de Porto Alegre, RS.
[
ORGANIZAÇÃO DE DADOS: TABELAS E GRÁFICOS
Exemplo de tabela com dados qualitativos ordinais sobre a satisfação
com o atendimento recebido em uma Unidade de Pronto Atendimento
(UPA) de Porto Alegre, RS.
[
“O trabalho duro ganha do talento quando o
talento não trabalha duro.” Kevin Durant