Probabilidade e Estatística

Responsável Técnico:
Cícero Fernando Prates Bastos
PLANO DE ENSINO
 Ementa
• Aspectos preliminares do trabalho estatístico.
• Descrição, Organização e Apresentação de Dados.
• Medidas de tendência central e dispersão.
• Variáveis aleatórias.
• Distribuição de probabilidades discretas e contínuas.
• Técnicas de amostragem.
• Estimativas pontuais e intervalar.
• Testes de Hipóteses.
• Regressão linear.
• Correlação.
 Objetivos
• Fornecer ao aluno noções de probabilidade e
estatística.
• Capacitar o aluno na construção,
interpretação e uso de tabelas e gráficos
estatísticos.
• Desenvolver no aluno a habilidade para os
cálculos estatísticos e sua interpretação.
• Familiarizar o aluno com as aplicações da
estatística nos trabalhos de engenharia.
 Conteúdo Programático
• O que é Estatística
• Descrição e Exploração de Dados
– Variáveis
– Séries Estatísticas
– Gráficos
– Distribuições de Freqüência
• Medidas de Tendência Central
– Média, Mediana, Moda
– Outras medidas de Tendência Central
 Conteúdo Programático
• Medidas de Dispersão
– Desvio Padrão
– Outras medidas de Dispersão
• Probabilidade
– Teoria Elementar da Probabilidade
– Probabilidade Condicional
– Regra de Bayes
• Variáveis Aleatórias e Probabilidades
 Conteúdo Programático
• Distribuição de Probabilidades
– Binomial e Poisson
– Normal e Exponencial
• Regressão Linear
• Correlação
• Técnicas de Amostragem e Pesquisas
• Intervalos de Confiança
• Testes de Hipóteses
– Erros Tipo I e Tipo II
• Testes Unilaterais e Bilaterais
INTRODUÇÃO A ESTATÍSTICA –
REVISÃO DO ENSINO MÉDIO
 Conceito de Estatística
É uma parte da matemática que vai encaixar
Relatando a coleção de dados, para uma
determinada análise
Para podermos entender algumas coisas
precisamos entender alguns conceitos:
1.Evento
2.Evento Aleatório
3.Espaço Amostral
 Conceito de Estatística
Evento Evento aleatório
• Todo evento bem • É o evento em que você
concluído que obtém conhece todos os
resultados resultados possíveis
• Os eventos são más não sabe qual vai
realizados através de dar.
um experimento, o qual Espaço Amostral
irá conduzir a um • É o conjunto de todos
resultado os eventos
 Conceito de Estatística
• Os processos de obtenção, organização e
análise de dados sobre uma população ou
sobre uma coleção de seres quaisquer
 Experimento e espaço amostral
Experimento
• Procedimento claramente definido que
conduz a um resultado.
• A realização de um experimento é chamada
de tentativa,
• Cada tentativa tem o seu resultado
 Experimento e espaço amostral
Experimentos aleatórios Espaço amostral “S”
• Experimento onde não • Conjunto de todos os
é possível prever o resultados possíveis de
resultado um experimento
• Embora sejam aleatório
conhecidos os
resultados prováveis
 População- Amostra - Evento
• População- Todo o conjunto de seres em
estudo
• Amostra- Parte da população a ser analisada
• Evento- Subconjunto do espaço amostral tal
que todos os elementos a este pertencente
satisfaçam a regra comum
• Especificação de um evento- Pela regra que os
elementos satisfazem ou pela enumeração de
todos os seus elementos
 Exemplo
• Com base no Dado
• Espaço amostral- S = {1,2,3,4,5,6}
• Evento= A= {Número mostrado menor que
quatro} ou A= {1,2,3}
 Experimento
• Lançar uma moeda, pode dar ou par ou impar.
• Só existem dois resultados
• Evento: Para o Dado mostrar par
• A= {mostrar um número par}
• A= {2,4,6}
• S= {1,2,3,4,5,6}
 Exemplos
• Na ordem Experimento – Espaço amostral –
Exemplo de Evento
• Lançar duas moedas e observar os fatos:
• S={CaCa, CaCo, CoCa, CoCo}
• A= {no mínimo uma cara e/ou (por ser oposta)
no máximo uma coroa}
• A= {CaCa, CaCo, CoCa} A= {CaCo, CoCa, CoCo}
 Exemplos
• Na ordem Experimento – Espaço amostral –
Exemplo de Evento
• Lançar duas moedas e ver o número mostrado
• S= {1,2,3,4,5,6}
• B= {n menor que 4}= {1,2,3}
 Tipos de Eventos

• Eventos independentes • Eventos dependentes:

• A ocorrência de um • A ocorrência de um
evento não afeta a evento afeta a do outro
ocorrência de outro • Ex: Retirada (sem
• Ex: lançamento de dados reposição) de uma carta
ou moedas honestos de outros de um baralho.
• Quaisquer que tenham • Os eventos ser homem e
sido os resultados ser careca (os resultados
anteriores, estes não anteriores afetarão o
afetarão o próximo próximo)
 Probabilidade
• Probabilidade de um evento P(A) número entre 0
e1
• Indica a chance de ocorrência de um evento
quando o experimento a este associado é
executado.
• P(A)=0 EVENTO QUE NÃO PODE OCORRER
• P(A)=1 EVENTO CERTO DE OCORRER É UM
• P{moeda mostra cara} = 0,5
• P{dado mostrar “5”}= 1/6
• NOTE QUE: 0≤P(Evento qualquer≤1
REVISÃO

PROBABILIDADE
Probabilidade
Probabilidade
 Exemplos de Aplicação
Escolhido um anagrama da palavra ESCOLA, qual a
probabilidade de que as consoantes apareçam juntas?

 ESCOLA

 Casos possíveis:
 6! = 720 anagramas.
ESCLOA
 Casos favoráveis:
4!.3! = 144 têm consoantes juntas.
P = 144 = 1
720 5
Exemplo de Aplicação
União de eventos
Eventos mutamente exclusivos
 Exemplo de Aplicação
• Em um colégio foi realizada uma pesquisa
sobre atividades extracurriculares.
• Dos 500 alunos entrevistados, 240 praticavam
um tipo de esporte, 180 freqüentavam um
curso de idiomas e 120 realizavam estas duas
atividades.
• Escolhido um aluno ao acaso, qual a
probabilidade de que ele realize pelo menos
uma dessas atividades?
Resolução
Resolução
Probabilidade Condicional
Eventos Independentes
 Exemplo de Aplicação
• Num grupo de 400 homens e 600 mulheres, a
probabilidade de um homem sofrer de miopia
é de 0,05 e a probabilidade de uma mulher ter
a mesma doença é de 0,10.
• Uma dessas pessoas é escolhida, ao acaso.
• Calcule:
a) a probabilidade de ela ter a doença;
b) sabendo que ela tem a doença, a
probabilidade de ser um homem.
Resolução
Resolução
DEFINIÇÕES DE PROBABILIDADE
 Definições de Probabilidade
• Se um experimento pode ocorrer de N
maneiras e se o evento “A” pode ocorrer um
“n” destes então é:
P(A)= n/N
• Probabilidade calculada pelo método de
análise de experimento
• Ex: Dado;Moeda
 Definições de Probabilidade
• Se um evento com atributo “A”, ocorre n vezes
em N experimentos, então para valores grandes
de N,
• P(A) se aproxima de n/N.
• Probabilidade calculada pelo método de
freqüência relativa
• N=6
• n= 3
• P(A)= lim N ∞ (n/N)
 Teorema de Probabilidade
• Teorema 1: Se A e B são
eventos em um espaço 1,1 1,2 1,3 1,4 1,5 1,6
amostral, então P(A ou B) 2,1 2,2 2,3 2,4 2,5 2,6
• P(A U B)= P (A) + P(B)- P(A 3,1 3,2 3,3 3,4 3,5 3,6
∩ B) 4,1 4,2 4,3 4,4 4,5 4,6
• Experimento: 5,1 5,2 5,3 5,4 5,5 5,6
• Lançar dois dados 6,1 6,2 6,3 6,4 6,5 6,6
• A={número 5 mostrado}
• B= {número 6 mostrado}
 Teorema de Probabilidade
• P(A)= 11/36
• Probabilidade do n°5
1,1 1,2 1,3 1,4 1,5 1,6 aparecer
2,1 2,2 2,3 2,4 2,5 2,6 • P(B)= 11/36
3,1 3,2 3,3 3,4 3,5 3,6 • P(A e B)= 2/36
4,1 4,2 4,3 4,4 4,5 4,6 • P(A U B)= P (A) + P(B)- P(A
5,1 5,2 5,3 5,4 5,5 5,6 ∩ B)
6,1 6,2 6,3 6,4 6,5 6,6 • P(A U B)= 11/36 + 11/36 –
2/36 =
• P(A U B)= 20/36
 Teorema de Probabilidade - OBS
• 1- Se A e B são mutuamente exclusivos ou seja
• P(A ∩ B) = 0 tem-se:
• P(A U B) = P(A) + P(B)
• 2- Se A1,A2,..., Ak, são eventos mutuamente
exclusivos então P(A1 U A2 U ... U Ak)=
P(A1)+P(A2)+...+P(Ak)
EXERCÍCIOS
 Exercícios

• Quando um par de dados é arremessado qual

a probabilidade da soma ser menor que 4 ou
um dos números ser 4?
• Quando um par de dados é arremessado qual
a probabilidade dos números 4 ou 5 ser
mostrado?
 Teorema da Probabilidade
• Teorema 2: Se A e Ac (Complementar), isto é, são
mutuamente exclusivos e juntos compõem o
espaço amostral então
• P(Ac)= 1-P(A)
Ac
A

S
QUANDO UMA MOEDA É
ARREMESSADA DUAS VEZES QUAL A
PROBABILIDADE DE QUE NO MÍNIMO
UMA CARA APAREÇA?
 Exemplo
• S={CaCa, CaCo, CoCa, CoCo}
• Ac = {no mínimo uma coroa apareça
• A={Nenhuma cara apareça}
• P(Ac)= 1-P(A)
• P(Ac)= 1-(1/4)= 3/4
 Teorema da Probabilidade
• Teorema 3: Se A e B são eventos
independentes então
• P(A∩ B) = P(A) . P(B)
 Exemplos
• 1- Uma urna contém 7 bolas pretas e 5
brancas, se são retiradas 2 bolas com
reposição qual a probabilidade de que ambas
sejam pretas?
 Solução
• Primeira retirada
• A={retirar uma bola
preta} P(A∩B)= P(A) . P(B)
• P(A) = 7/12 = 7/12 . 7/12
• Segunda retirada = 49/144
• B= {Retirar uma bola
preta}
• P(B) = 7/12
 Exemplos
• Arremessados dois dados. E1, é o evento em
que a soma é 6. Em E2 a soma é 7 e F é o
evento em que o primeiro número é 3.
Verifique
• A)E1 e F são independentes?
• B)E2 e F são independentes?
 Solução
• E1= {Soma dar 6} = 1,1 1,2 1,3 1,4 1,5 1,6
P(E1)=5/36 2,1 2,2 2,3 2,4 2,5 2,6
• E2= {Soma dar 7 } = 3,1 3,2 3,3 3,4 3,5 3,6

• P(E2)= 6/36 4,1 4,2 4,3 4,4 4,5 4,6

• F= {Primeiro número é 5,1 5,2 5,3 5,4 5,5 5,6

3}= 6/36 6,1 6,2 6,3 6,4 6,5 6,6

 Solução
A)P(E1∩F)= 1/36
1,1 1,2 1,3 1,4 1,5 1,6 • P(E1) e P(F)= (5/36).
2,1 2,2 2,3 2,4 2,5 2,6
(6/36)= 5/216
3,1 3,2 3,3 3,4 3,5 3,6
• 1/36≠5/216
4,1 4,2 4,3 4,4 4,5 4,6 • Não são independentes
5,1 5,2 5,3 5,4 5,5 5,6 B)P(E2∩F)=1/36
6,1 6,2 6,3 6,4 6,5 6,6 • P(E1) e P(F)= 6/36 . 6/36
• = 1/36
• 1/36 = 1/36
• São eventos
independentes
 Probabilidade condicional
• A probabilidade condicional de um evento A
dado que em outro evento B tenha ocorrido
( no mesmo espaço amostral) é
P(A\B)= P(A∩B)
P(B)
 Teorema da probabilidade
• Teorema 4:Se não conhecer a relação de
dependência entre os eventos A e B tem-se
P(A∩B)= P(A\B). P(B).
• O valor desta fórmula reside no fato de que
algumas vezes só se conhece a probabilidade
de um evento “A” condicionado á ocorrência
de “B”
 Exercício
• Encontre a probabilidade de que
a soma de dois dados lançados
de 6 lados que um dos números é
o número 1.
 Solução
• A={A soma de dois
1,1 1,2 1,3 1,4 1,5 1,6
dados é 6}
2,1 2,2 2,3 2,4 2,5 2,6
• B={ Um dos números é 3,1 3,2 3,3 3,4 3,5 3,6
1} 4,1 4,2 4,3 4,4 4,5 4,6
• P(A\B)= P(A∩B)/P(B) 5,1 5,2 5,3 5,4 5,5 5,6
6,1 6,2 6,3 6,4 6,5 6,6
• P(A∩B)=2/36
• P(B)= 11/36
• P(A\B)=2/11
 Exercícios
• Quando um par de dados é arremessado qual
a probabilidade do total ser menor que 6 e um
dos números ser 3 ou 4.
RESOLUÇÃO DE QUESTÕES
• Quatro indivíduos responderam a solicitação de um
banco de sangue para doação. Nenhum deles doou
sangue antes de forma que seus tipos sanguíneos são
desconhecidos. Suponha que apenas o tipo O+seja
desejado e apenas um dos quatro indivíduos tenha
esse tipo sanguíneo. Se os doadores potenciais forem
selecionados em ordem aleatória para determinação
do tipo sanguíneo, qual será a probabilidade de que
pelo menos três indivíduos tenham de ser testados
para a obtenção do tipo desejado?
• Sendo B= { primeiro tipo não O+} e A=
{segundo tipo não O+},
• P(B)= ¾
• Dado que o primeiro tipo não é O+, dois dos
três indivíduos restantes não serão O+, de
forma que P(A\B)= 2/3
• A regra da multiplicação agora fornece:
• Em certa linha de montagem três máquinas B1,
B2 e B3 produzem 30%, 45% e 25% dos produtos,
respectivamente. Sabe-se de experiências
anteriores, que 2%,3% e 2% dos produtos feitos
por cada máquina, são respectivamente
defeituosos. Agora, suponha que um produto já
acabado seja selecionado aleatoriamente e
apresente defeitos. Qual é a probabilidade de
que o produto tenha sido fabricado pela máquina
B3.
• Uma cadeia de lojas de vídeo vende três marcas
diferentes de videocassetes. Dessas vendas, 50%
são da marca 1(a mais barata), 30% são da marca
2 e 20% são da marca 3. Cada fabricante oferece
um ano de garantia para peças de mão- de- obra.
Vale lembrar que 25% dos videocassetes da
marca 1 necessitam de reparos de garantia ,
enquanto os percentuais correspondentes da
marca 2 e 3 são 20% e 10% respectivamente:
• Qual é a probabilidade de que um comprador
selecionado aleatoriamente compre um videocassete
da marca 1 que precise de reparo, durante a garantia?
• Qual é a probabilidade de que um comprador
selecionado aleatoriamente possua um aparelho de
videocassete e que necessite de reparos?
• Se um cliente voltar à loja com um videocassete que
precise de reparos em garantia, qual é a probabilidade
de ele ser da marca 1? E da marca 2? E da marca 3?
• Uma indústria emprega três planos analíticos
para criar e desenvolver certo produto.
Devido aos custos, os três planos são usados
em momentos variados . Na verdade, os
planos 1,2 e 3 são usados em momentos
variados. Na verdade os planos 1,2e 3 são
usados para 30%, 20% e 50% dos produtos
respectivamente.
• O índice de defeitos é diferente para os três
procedimentos: P(D\P1)= 0,01; P(D\P2)=0,03;
P(D\P3)=0,02 onde P(D\Pj) é a probabilidade
de um produto apresentar defeitos dado o
plano j. Se selecionarmos um produto
aleatoriamente e observarmos que ele
apresenta defeitos , qual foi provavelmente o
plano usado e em conseqüência responsável
pelo defeito?
 Questão 1
• Na escola de engenharia da Universidade de São Paulo os
alunos são distribuídos como:
• 26% Eng. Elétrica 25% Eng. Química
• 18% Eng. Civil 12% Eng. Industrial
• 19% Eng. De Manufatura
• Sabe-se também que:
• 5% Eng. Elétrica 10% Eng. Química
• 8% Eng. Civil 45% Eng. Industrial
• 4% Eng. De Manufatura, são mulheres. Se um estudante é
aleatoriamente escolhido, qual a probabilidade de que seja
uma mulher?
•
 Solução
Probabilidade Geral Probabilidade de Probabilidade
ser mulher aleatória

P(EL)=0,26 P(M\EL)=0,05 P(M∩EL)=0,013

P(EQ)=0,25 P(M\EQ)=0,10 P(M∩EQ)=0,025
P(EC)=0,18 P(M\EC)=0,08 P(M∩EC)=0,0144
P(EI)=0,12 P(M\EI)=0,45 P(M∩EI)=0,054
P(EM)=0,19 P(M\EL)=0,04 P(M∩EL)=0,0076
 Questão 2
• Um engenheiro está iniciando 2 novos projetos :1 e 2.
Existe uma incerteza de tempo de conclusão de cada
trabalho. Em um ano, cada trabalho, pode estar:
totalmente concluído, ter a conclusão questionada, ou
estar incompleto. Estas situações, são descritas por A
B e C respectivamente:
A) Descreva o espaço amostral para o estado de
conclusão dos 2 trabalhos
B) Se cada uma das possibilidades de conclusão são
igualmente prováveis, qual a probabilidade de que um
trabalho esteja completo em um ano?
 Solução
B) E1= {primeiro projeto
concluído}
Dado1\ A B C E2= {segundo projeto
Dado2 concluído}
A AA AB AC • P(E1UE2)=
B BA BB BC • P(E1)= 3/9
C CA CB CC • P(E2)=3/9
• P(E1∩E2)=1/9
• P(E1UE2)=3/9+3/9-1/9=
5/9
 Questão 3
• Considere a armação acima. A probabilidade
de ruptura individual das barras A,B,C é 0,05;
0,04; 0,02. A falha de qualquer membro
constitui ruína de qualquer armação e as
peças falham (rompem) de maneira
independente. Qual a probabilidade da
estrutura se romper?
 Solução
• A= {barra “a” rompe} A^c= {a barra não rompe}
• B= {barra “b” rompe} B^c= {a barra não rompe}
• C= {barra “b” rompe} C^c= {a barra não rompe}
• P(A U B U C)= ruína da estrutura
• P(A^c U B^c U C^c)= não ocorre ruptura
• Primeiro é preciso verificar a estrutura não se
rompendo.
• P(A^c U B^c U C^c)= P(A^c). P(B^c)= P(C^c)
• P(A^c U B^c U C^c)= 0,95. 0,96. 0,98= 0,88
Probabilidade da estrutura de não ocorrer ruína.
 Questão 3
• Agregados para a construção são entregues
por duas companhias diferentes. A
companhia A entrega cerca de 600
carregamentos por dia dos quais ocorrem 3%
de não conformidade com o padrão de
qualidade exigidos. A companhia B que
entrega 400 carregamentos por dia com 1%
de não conformidade.
• B) Qual a probabilidade de que uma carga de
agregado tomada ao acaso, venha da companhia
A.
• B) Qual a probabilidade de que um
carregamento de agregado não passe pelo
controle de qualidade
• C) Se uma carga de agregado não atende as
expressões de qualidade, qual a probabilidade
que venha da companhia A.
 Solução
A) A= { carregamento
vem da companhia A}
• B= { carregamento Companhia Carregamento Não
vem da companhia B} conformidade
A 600 3%
P(A) = 600
B 400 1%
1000
B) E = {carregamento não passa}
P(E)= P(E∩A) + P(E∩B)
P(E∩A)= P(E\A).P(A)
= 0,03.0,6=
= 0,018
P(E∩B)= P(E\B).P(B)
= 0,01.0,4=
= 0,004
P(E)= 0,018+0,004=0,022= 2,2%
• C)P(A\E)= P(A∩E) = 0,018 = 0,818= 81,8%
• P(E) 0,022
 Questão 5
• A figura mostra duas rodovias interestaduais I1 e
I2 que convergem em I3. assuma que I2, tem a
mesma capacidade, tanto no horário normal
quanto no horário de pico. Considere que:
• P{tráfego excessivo em I1}
• P(I1)= 10%
• P(I1\I2)=50%
• P{tráfego excessivo em I2}
• P(I2)= 20%
• P(I2\I1)=100%
• OBS: Para tráfego excessivo em I3, basta que
I1 ou I2 tenha tráfego excessivo. Ainda que I1
e I2 não tenham excedido a capacidade do
tráfego, I3 pode excedê-lo com probabilidade
de 20%. Qual a probabilidade de tráfego
excessívo em I3?
• P(I1∩I2)= P(I1\I2). P(I2)=
• = 0,5. 0,2= 0,10
• P(I2∩I1)= P(I2\I1). P(I1)=
• = 1. 0,10 = 0,10
• Probabilidade de I1 ou I2 não tenham excedido:
• P(I1^c∩I2)= P(I1^c\I2). P(I2)=
• = 0,5. 0,2= 0,10
• P(I2^c∩I1)= P(I2^c\I1). P(I1)=
• = 0. 0,10 = 0
• I3 congestiona 20% das vezes
• P(I1^c∩I2^c)= 0,8
• Logo:
• P(I3)= 0,10+0,10+0+0,8.0,2= 36%
TÉCNICAS DE CONTAGEM
 Introdução
• Algumas vezes encontrar o número de itens é
complicado
• Por isso utilizamos de algumas técnicas de
contagem disponibilizadas a seguir:
 Regra da multiplicação
• Se a operação pode ser feita de n1 maneiras
• Outra pode ser feita de n2 maneiras
• Então as duas podem ser feitas de n1 x n2
maneiras
 Exemplo
1. Quantos grupos de dois sendo um homem e
uma mulher podem ser feitos com 5
homens e 4 mulheres?
2. A)Quantas palavras de quatro letras são
possíveis com A,B,I,Y,K se cada letra pode
ser feita apenas uma vez?
3. B)E se a última tiver uma vogal?
 Permutação
É um arranjo de todo OBS:
em parte de um 1! = 0! = 1
conjunto de objetos. De formageral
O número de P(n,r) =_ n!_
permutações de n
objetos tomados em (n-r)!
grupos de r é
Onde x!= x(x-1)(x-2)...
 Exemplos
A) Permutação de três B)Permutação dos
objetos a,b,c: objetos a,b,c em
• abc,acb,bac,bca,cab,cb grupos de 2;
a • ab, ac,ba,bc,ca,cb
• P(3,3)= __3!__ = 6 • P(3,2)= __3!__ = 6
• (3-3)! • (3-2)!
 Combinação
• É o conjunto de certo número de objetos
tomados de um conjunto.
• Não importa a posição dos objetos no grupo.
• Cuidado: abc,acb, são duas permutações
diferentes, más compõem a mesma
combinação
• O número de combinações de n objetos
distintos tomados em grupos de r é:
• C(n,r)= n = n!__
r r!(n-r)!
 Exercícios
• Quantos números de 3 dígitos podem ser
formados usando 0,1,2,3,4,5 se cada um é
usado apenas 1 vez?
• Quantos times de 5 jogadores podem ser
formados com 10 jogadores?
• Quantas comissões de três elementos são
formadas com 4 mulheres e 6 homens e um
grupo de 2 mulheres e um homem?
VARIÁVEIS ALEATÓRIAS
 Variáveis aleatórias
• É uma variável que assume um valor aleatório
• O próximo valor não pode ser previsível com
certeza
• Através de valores numéricos permite
quantificar as principais características da sua
forma de distribuição
1. Temporal ou
2. Espacial
• Bem como a qualidade dos dados observados
 Exemplos
• Número mostrado por um dado arremessado
• Número de coroas quando uma moeda é
arremessada 3 vezes
• Número de arremessos necessários para uma
moeda dar 3 arremessos consecutivos
 Variável aleatória
 Variável é, convencionalmente, o conjunto de
resultados possíveis de um fenômeno.
 As variáveis são divididas em:
• Qualitativa
• Quantitativa
 A variável é qualitativa quando os possíveis valores
que assume representam atributos e/ou qualidade.
 São subdivididas em nominal e ordinal.
 A variáveis quantitativas são variáveis de natureza
numérica, resultam de uma contagem ou mediação.
 São subdivididas em discreta e contínua.
Variável aleatória
DEFINIÇÕES
 Representação de variável aleatória

Através de valores numéricos permite

quantificar as principais características da sua
forma de distribuição:
1.Temporal
2.Espacial
Bem como a qualidade dos dados
observados:
OS PRINCIPAIS PARÂMETROS QUE
CARACTERIZAM SÃO:
 Distribuição de Frequência
Tem como principal função arrumar grandes
massas de dados em ordem crescente ou
decrescente
Ou distribuí-los em classes ou categorias,
tornando-os agrupados.
As frequências se classificam em frequências:
1.Simples
2.Acumuladas
3.Relativas
 Tendência Central
• As tendências centrais • Sendo as mais comuns
ou médias são valores a:
representativos de um • Média aritmética
conjunto de dados de • Média aritmética
variáveis aleatórias ponderada
• Que tendem a localiza- • Moda e
se em um ponto
• Mediana
central da amostra.
• Vários tipos de médias
podem ser definidas
 Dispersão ou variabilidade em torno
da média
• Representa o quanto as variáveis tendem a
dispersar-se
• Afastar-se do seu valor médio.
• Dispormos de várias medidas de dispersão
• Sendo a mais comum o desvio padrão ou
variancia.
 Relação entre duas variáveis
É necessário que atribua uma nota à
qualidade desta relação.
Esta nota é dada pelo coeficiente de
correlação
A relação entre duas variáveis também pode
ser obtida
1.Por meio de equações que as relacionem
2.Ou por métodos de regressões lineares e
múltiplas
 Assimetria
• Uma distribuição simétrica é aquela que
apresenta simetria em relação a um eixo
vertical que passa pelo valor modal
• Ou seja o valor com maior frequência
• Existem dois tipos de assimetria:
• Positiva e negativa
 Assimetria
• Na assimetria positiva • Na assimetria negativa
há uma maior • A maior concentração
concentração de encontra-se ao lado
valores direito
• Ou frequência à
esquerda do valor
modal
TIPOS DE VARIÁVEIS ALEATÓRIAS
QUANTITATIVAS
 Variável Discreta
É uma variável que assume em um número
contável de valores
Exemplo
1.Número de coroas quando uma moeda é
arremessada 3 vezes
2.Número mostrado por um dado arremessado
3.Número de arremessos necessários para uma
moeda dar 3 arremessos consecutivos
Muitas vezes associados a valores inteiros
 Variável Contínua
É como uma variável que pode assumir um
número infinito de valores
Exemplo:
1.O peso de um recém-nascido num hospital
2.Altura de um adulto
A quantidade de valores é incontável esta
associado muitas vezes a valores reais
Distribuição de probabilidade de uma
variável discreta
 Seja uma variável discreta
 A função p(x) é definida como função massa de
probabilidade (fmp) e tem propriedades:
A) p(x)= p(X=x)
B) p(x)≥0 para qualquer x
C)Σx p(x)=1 é claro pois P(S)=1
 As normas das probabilidades de todos os valores possíveis
 X é uma variável aleatória
 x valor que ela pode assumir
 Caso X é o número de caras quando duas moedas são
arremessadas (x=0,1,2) - p(2)= P(X=2)
 Resolução do exemplo
• S={caca;caco;coca;coco}
• P(0) = P(X=0)= ¼
• P(1) = P(X=1)= ½
• P(2) = P(X=2)= ¼
Função derivada de probabilidade
• Se x é uma variável aleatória continua a
função f(x) é chamada f.d.p. e tem como
propriedades.
• A) f(x)>0 para qualquer x
• B) ∫f(x)DX = 1 Área sob a curva =1
• C)P(a≤x≤b) = ∫f(x)dx
Distribuição da probabilidade de uma
variável contínua
• O método para descrever variáveis aleatórias
discreto não funciona para variáveis contínuas
• Infinitos valores são possíveis para estas
variáveis contínuas e
• A probabilidade destas assumirem exatamente
um valor específico é zero.
• Desta forma as probabilidades não podem ser
tabuladas
 Característica das distribuições
• A distribuição de probabilidade descreve
completamente o comportamento de uma
variável aleatória. Contudo o mesmo pode ser
feito por algumas medidas:
 Média μx
• É o centro de gravidade de distribuição é um
parâmetro de localização.
• F.d.p(x)

• x
•
• μ1 μ2 μ3
 Variância σ²x e desvio padrão σx
• Mostram o quanto a distribuição está dispersa
em torno da média. Quanto maior a variância ou
o desvio padrão, mais alargado o formato da
curva.

• σ1 σ2 σ3
 Distribuições de probabilidade
• Distribuições são modelos matemáticos para
descrever o comportamento de variáveis
aleatórias. Tais modelos são usados em
controle de qualidade e confiabilidade.
• Serão vistas as seguintes distribuições:
• Binomial (discreta)
• Poisson (discreta)
• Normal (contínua)
DISTRIBUIÇÃO BINOMIAL
 Distribuição Binomial
• Diz-se que a variável x tem distribuição,
binomial com parâmetros n e p se a função é
• P(x) = n
• x
• X= 0,1,...,n
• Parâmetros “n” e “p”
• Onde n = n!____
• x x!(n-x)!
• Esta distribuição descreve a variável aleatória “x”
• que representa o número de sucessos “x” em
“n” tentativas independentes “ (1-p)” de
fracasso.
• Cn,x: Combinação de x sucessos em n tentativas
• Probabilidade de x sucessos
•
• Probabilidade de n-x fracassos
 Medidas características
• Média μx= n.p (número de tentativas x
probabilidade de sucesso)
• Variância= σx²= n.p. (1-p)
• Desvio padrão = σx= (n.p.(1-p))¹/²
•
 Exemplo de variáveis aleatórias
binomiais
• 1)X: Número de caras quando uma moeda
honesta é lançada 10 vezes
• X~B(10,1/2)
• 2) Y: Número de cestas feitas por um jogador de
basquete em 12 arremessos se sua média é 0,4
(cestas/arremessos) y~B(12;0,4)
• 3)W: Número de produtos defeituosos em uma
amostra de 20 unidades retirada de um grande
lote que contém 2% de defeituosos
W~B(20;0,02)
 Comentários
• Os eventos são obviamente independentes
• É aceitável tomar os eventos como
independentes
• Atenção:
• Para um lote pequeno, a retirada sem repetição
de um produto afeta a probabilidade do próximo
ser defeituoso
• Más para um lote grande comparado com o
tamanho da amostra, pode-se desprezar a
dependência e utilizar o modelo binomial
EXERCÍCIOS
DISTRIBUIÇÃO DE POISSON
 Distribuição de Poisson
• Diz-se que a variável aleatória x segue a distribuição de
Poisson se a sua f.d.p. é:
• P(x)=

• x= 0,1,2,...
• x!=x(x-1)(x-2)....(x-n)!
• Parâmetro λ
• x ~Po (λ)
• Média μx = λ
• Variância σ²x = λ
• Desvio Padrão σx = λ¹/²
 Distribuição de Poisson (Aplicações)
• Esta distribuição é um bom modelo para
descrever um comportamento das variáveis nos
seguintes exemplos:
1. Número de nós por folha de madeira tratada
2. Número de acidentes por mês numa fábrica
3. Número de imperfeições por peça de tecido
4. Número de chamadas que chegam a uma central
telefônica em um determinado tempo
5. Número de glóbulos sanguíneos visíveis ao
microscópio num campo visível de área “A”.
Requisitos de um processo de Poisson
• Os números de eventos durante intervalos
constituem de variáveis aleatórias
independentes
• A distribuição do número de eventos durante
um intervalo ( tempo ou espaço) depende
apenas do comprimento do intervalo e não de
seus pontos extremos
Requisitos de um processo de Poisson
• Para pequenos intervalos a probabilidade de
ocorrência de um evento é diretamente
proporcional ao comprimento do intervalo
• A probabilidade de ocorrência de dois ou mais
eventos para intervalos infinitesimais é
desprezível
• A solução inicial do processo é que o evento
não ocorreu. No instante, zero ainda não
ocorreu
EXERCÍCIOS
DISTRIBUIÇÃO NORMAL
 Introdução
• Os estudos de probabilidade apresentam
características próprias
• A depender do tipo de variável a ser estudada
• Ou seja estamos lidando com uma variável
discreta ou contínua
 Introdução
• As variáveis contínuas têm suas distribuições
de probabilidade apresentadas na forma de
uma função densidade de probabilidade
(FDP).
• Considere uma variável X. que assume um
conjunto contínuo de valores
•
• O gráfico apresenta uma função derivada da
probabilidade (FDP)
• A área compreendida entre a curva e o eixo é igual a 1,
(área de 100%)
• A área entre a e b corresponde à probabilidade de um
evento acontecer dentro deste intervalo
 Introdução
 A seleção de distribuição teórica mais
conveniente irá depender da:
1. Abordagem
2. Hipótese considerada
3. Problema específico tratado
Distribuição Normal
 Distribuição Normal

• A curva é simétrica, apresentando um ponto de inflexão

à esquerda ( x= μ-1s) e outro à direita (x=μ+1s)
• Suas principais características são:
• A variável X pode assumir qualquer valor real (-8 a +8)
• Os valores de y são assintóticos em relação ao eixo das
abscissas, isto é, nunca tocam o eixo x
 Distribuição normal
• Como se trata de distribuição de probabilidade
contínua, a área que fica entre a curva e o eixo das
abscissas equivale à probabilidade de ocorrência de
um evento, sendo obtida por processos de
integração.
 Distribuição normal
• A probabilidade de ocorrer um evento entre x=-8 e
x=+8 é igual a 1 ou 100% e é representada por toda
área do gráfico.
• A probabilidade de ocorrer um evento x=-8 e x é igual
a 0,5 ou 50%, representada pela área entre estes dois
pontos
• A probabilidade de ocorrer um
evento entre os pontos C e D,
É calculada pela integral definida
entre os pontos.
 Distribuição normal
• De maneira geral, o
cálculo dessas áreas
usando as técnicas de
integração é muito
complexo
• RECORRE-SE À
DISTRIBUIÇÃO NORMAL
REDUZIDA
• Curvas normais, podem ser transformadas em uma
normal que tem média 0 (x=0) e desvio padrão 1
(s=1).
• Esta curva é conhecida como curva normal reduzida,
cuja probabilidade de ocorrência de uma evento
pode ser calculado pela integral abaixo
• A adoção da variável reduzida surgiu para simplificar
este processo.
• As probabilidades de ocorrência usando variável
reduzida já foram calculadas e inseridas em tabelas,
para facilitar a utilização
• Na tabela padrão, a seguir, as probabilidades de
ocorrência de um evento são obtidas diretamente
• Desde que se conheça o valor da variável reduzida z.
 Distribuição Normal
• Para obtermos a probabilidade de ocorrência de um
evento X igual ou inferior à variável x
• Ou seja, P(X=x)
• Inicialmente, devemos ajustar o valor da variável x à
curva normal reduzida.
• Depois de calculado o valor da variável reduzida,
olhamos na tabela o valor da probabilidade
correspondente
• Para obtermos a probabilidade de ocorrência de um
evento X superior à variável x, ou seja P(X>x), usamos
a lógica da complementaridade, uma das
propriedades da probabilidade
• Neste caso, a probabilidade de ocorrência de
um evento complementar de X é P(X>x)= 1-
P(X=x).
• Nós encontramos a probabilidade do evento
ser igual ou inferior a x e
• Depois subtraímos este valor de 1, achando o
complemento, ou seja, a probabilidade de ser
superior a x.
 USO DA TABELA NORMAL PADRÃO

Denotamos : A(z) = P(Z  z), para z  0.

Tabela
Exemplo: Seja Z ~ N (0; 1), calcular

a) P(Z  0,32)

P(Z  0,32) = A(0,32) = 0,6255.

Tabela
Encontrando o valor na Tabela N(0;1):

z 0 1 2

0,0 0,5000 0,5039 0,5079

0,1 0,5398 0,5437 0,5477

0,2 0,5792 0,5831 0,5870

0,3 0,6179 0,6217 0,6255

   
Tabela
 b) P(0 < Z  1,71)

P(0 < Z  1,71) = P(Z  1,71) – P(Z  0)

= A(1,71) – A(0)

= 0,9564 - 0,5 = 0,4564.

Obs.: P(Z < 0) = P(Z > 0) = 0,5.

Tabela
 c) P(1,32 < Z  1,79)

P(1,32 < Z  1,79) = P(Z  1,79) – P(Z  1,32) = A(1,79) - A(1,32)

= 0,9633 - 0,9066 = 0,0567.

Tabela
d) P(Z  1,5)

P(Z > 1,5) = 1 – P(Z  1,5) = 1 – A(1,5)

= 1 – 0,9332 = 0,0668.

Tabela
e) P(Z  –1,3)

P(Z  – 1,3) = P(Z  1,3) = 1 – P(Z  1,3) = 1 – A(1,3)

= 1 – 0,9032 = 0,0968.

Obs.: Pela simetria, P(Z  – 1,3) = P(Z  1,3).

Tabela
 f) P(-1,5  Z  1,5)

P(–1,5  Z  1,5) = P(Z  1,5) – P(Z  –1,5)

= P(Z  1,5) – P(Z 1,5) = P(Z  1,5) – [1 – P(Z  1,5)]

= 2  P(Z  1,5) – 1 = 2  A(1,5) – 1

= 2  0,9332 – 1 = 0,8664.
Tabela
 g) P(–1,32 < Z < 0)

P(–1,32 < Z < 0) = P(0 < Z < 1,32)

= P(Z  1,32) – P(Z  0) = A(1,32) – 0,5

= 0,9066 – 0,5 = 0,4066.

Tabela
 h) P( -2,3 < Z  -1,49)

P( -2,3 < Z  -1,49) = P(1,49  Z < 2,3) = A(2,3) - A(1,49)

= 0,9893 - 0,9319
= 0,0574.

Tabela
 i) P(-1  Z  2)

P(–1  Z  2) = P(Z  2) – P(Z  –1) = A(2) – P(Z  1)

= A(2) – [1 – P(Z  1)] = A(2) – (1 – A(1) )

= 0,9773 – ( 1 – 0,8413) = 0,9773 – 0,1587

= 0,8186.

Tabela
Como encontrar o valor z da distribuição N(0;1) tal que:
(i) P(Z  z) = 0,975

z Z

z é tal que A(z) = 0,975.

Pela tabela, z = 1,96.

Tabela
(ii) P(0 < Z  z) = 0,4975

z Z

z é tal que A(z) = 0,5 + 0,4975 = 0,9975.

Pela tabela z = 2,81.

Tabela
(iii) P(Z  z) = 0,3

z Z

z é tal que A(z) = 0,7.

Pela tabela, z = 0,53.

Tabela
(iv) P(Z  z) = 0,975

z Z

a é tal que A(a) = 0,975 e z = – a.

Pela tabela a = 1,96. Então, z = – 1,96.

Tabela
(v) P(Z  z) = 0,10

z Z

a é tal que A(a) = 0,90 e z = – a.

Pela tabela, a = 1,28 e, assim, z = – 1,28.

Tabela
 (vi) P(– z  Z  z) = 0,80

–z z Z

z é tal que P(Z < –z) = P(Z > z) = 0,1.

Isto é, P(Z< z) = A(z) = 0,90 e assim, pela tabela, z = 1,28.

Tabela
Exemplo: Seja X ~ N(10 ; 64) (  = 10, 2 = 64 e  = 8 )
Calcular: (a) P(6  X  12)

 6  10 X  10 12  10 
 P     P 0,5  Z  0,25 
 8 8 8 

= A(0,25) - (1 - A(0,5) )
= 0,5987- ( 1- 0,6915 )
= 0,5987- 0,3085 = 0,2902
Z

Tabela
(b) P( X  8 ou X > 14)
 8  10   14  10 
P( X  8)  P( X  14)  P  Z    PZ  
 8   8 
 PZ  0,25   PZ  0,5 

= 1 - A(0,25) + 1 - A(0,5)
= 1 - 0,5987 + 1 - 0,6915 = 0,7098
Tabela
c) k tal que P( X  k) = 0,05

 X  10 k  10   k  10 
P ( X  k )  0,05  P     P Z    0,05.
 8 8   8 

z é tal que A(z)=0,95

Pela tabela z = 1,64

k  10
Então, z   1,64.
8
Logo k = 10 + 1,64  8 = 23,12.

Tabela
 d) k tal que P( X  k) = 0,025

 X  10 k  10   k  10 
P( X  k )  0,025  P     P Z    0,025.
 8 8   8 

z é tal que A(z) = 0,975.

Pela tabela, z = 1,96.

k  10
Então ,   z  1,96.
8
Logo k = 10 – 1,96  8 = – 5,68.

Tabela
Observação : Se X ~ N( ; 2), então

 
(i)
P(    X     )  P  Z 
   
 P  1  Z  1
 2  (A(1)  0,5)
 2  (0,8413  0,5)
 0,6826
Z

isto é, P(  -   X   +  ) = 0,683.

(ii) P(  – 2  X   + 2 ) = P(– 2  Z  2 ) = 0,955.

(iii) P(  – 3  X   +3 ) = P( –3  Z  3 ) = 0,997.

Tabela
Exemplo: O tempo gasto no exame vestibular de uma universidade tem
distribuição Normal, com média 120 min e desvio padrão 15 min.

a) Sorteando um aluno ao acaso, qual é a probabilidade que ele termine o exame

antes de 100 minutos?

X: tempo gasto no exame vestibular  X ~ N(120; 152)

 100  120 
P( X  100)  P  Z    P(Z  1,33)
 15 

 1  A(1,33)
 1  0,9082  0,0918.

Z
Tabela
b) Qual deve ser o tempo de prova de modo a permitir que 95% dos
vestibulandos terminem no prazo estipulado?

X: tempo gasto no exame vestibular  X ~ N(120; 152)

 x  120 
P ( X  x )  0,95  P  Z    0,95 .
 15 

z = ? tal que A(z) = 0,95.

Pela tabela z = 1,64.

x  120 x = 120 +1,64 15

Então ,  1,64
15  x = 144,6 min.
Tabela
c) Qual é o intervalo central de tempo, tal que 80% dos estudantes gastam
para completar o exame?

X: tempo gasto no exame vestibular  X ~ N(120, 152)

 x 1  120 x 2  120 
P( x 1  X  x 2 )  0,80  P  Z   0,80.
 15 15 

z = ? tal que A(z) = 0,90

Pela tabela, z = 1,28.

x 1  120
 1,28  x1= 120 - 1, 28  15  x1 = 100,8 min.
15
x 2  120
 1,28  x2 = 120 +1,28  15  x2 = 139,2 min. Tabela
15
 Distribuição Normal : Valores de P( Z < z ) = A(z)
Parte inteira e primeira decimal de z
Segunda decimal de z
0 1 2 3 4 5 6 7 8 9
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 Volta
 O que é ESTATÍSTICA

• “Estatística é a Ciência de obter conclusões a

partir de dados”. Paul Velleman
• A Estatística envolve técnicas para coletar,
organizar, descrever, analisar e interpretar
dados, ou provenientes de experimentos, ou
vindos de estudos observacionais.

179
 O QUE ESTATÍSTICA ?
• Estatística pode ser pensada como a ciência
de aprendizagem a partir de dados.

180
 O que é ESTATÍSTICA
• Parte de perguntas/desafios do mundo REAL:
– cientistas querem verificar se uma vacina contra a gripe
faz efeito.
– um político quer saber qual é o percentual de eleitores
que pretende votar nele nas próximas eleições.
– a Ford quer verificar a qualidade de um lote inteiro de
peças fornecidas através de uma pequena amostra.
– o departamento de matemática da AREA1 quer saber o
percentual de alunos que aprovados na disciplina de
Calculo III.

181
APLICAÇÕES DA ESTATÍSTICA
Área social

pesquisa de opinião

Área de saúde
medicamentos genéricos
epidemia de meningite

Área industrial

controle de qualidade

Área financeira

investimentos no
mercado financeiro
182
 Por que usar Estatística?
• Por que a natureza apresenta VARIABILIDADE:
– Variações de indivíduo para indivíduo;
– Variações no mesmo indivíduo;
• “A Estatística estuda como controlar, minimizar
e observar a variabilidade INEVITÁVEL de todas
as medidas e observações”.
• Sem Métodos Estatísticos, sem validade
científica!

183
 ESTATÍSTICA DESCRITIVA
• A coleta, a organização, a descrição dos
dados, o cálculo e a interpretação de
coeficientes pertencem á ESTATÍSTICA
DESCRITIVA, enquanto a análise e a
interpretação desses dados ficam a cargo da
ESTATÍSTICA INDUTIVA OU INFERENCIAL

184
ESTATISTICA DESCRITIVA

185
 População e Amostra
• População: conjunto de indivíduos com pelo menos
uma característica observável(valores, pessoas,
medidas)

X1 X2 X3 ...

• Se todos podem ser pesquisados: CENSO

• Se não, pesquisa-se uma Amostra:Um subconjunto de
elementos extraídos de uma população
186
 Subdivisões da Estatística
• AMOSTRAGEM: técnicas para obter uma
amostra representativa, suficiente e que
possa ser generalizada para a população.
• ANÁLISE EXPLORATÓRIA DE DADOS: técnicas
para resumir, organizar e interpretar os
dados, de uma amostra ou da população, para
obter informações.

187
 Subdivisões da Estatística

• INFERÊNCIA ESTATÍSTICA: técnicas para

generalizar estatisticamente os resultados de
uma amostra para a população.

• PROBABILIDADE: técnicas que permitem

calcular a confiabilidade das conclusões de
Inferência Estatística.

188
 Tipos de Variáveis
Em Estatística, variável é atribuição de um número a
cada característica da unidade experimental de
uma amostra ou população.

Vários tipos de variáveis são encontradas no dia-a-dia,

sendo importante a distinção entre as mesmas.

Quando uma característica ou variável é não-

numérica, denomina-se variável qualitativa
ou atributo.
Quando a variável é expressa numericamente,
denomina-se variável quantitativa.
189
 Exemplos de variável qualitativa

– Sexo
– Educação
– Estado Civil
– Religião
– Cor de olhos
– Faixa etária
Uma variável qualitativa esta ligada a qualidade
do indivíduo pesquisado.

190
 Exemplos de variável quantitativa

– a) Peso
– b) Idade
– c) Número de filhos
– d) Estatura
– e) Salário
. Uma variável quantitativa pode ser discreta ou
contínua.

191
Aula1. Acurácia e Precisão

192
 Análise Exploratória de Dados
Tabelas
(freqüências ou
Variáveis percentuais)
qualitativas Gráfico
s Tabelas
(freqüências ou
percentuais)
Variáveis Gráfico
quantitativas s
Medidas de síntese:
média, mediana,
. desvio padrão

193
 GRÁFICOS
• A grande utilização de gráficos como forma
de apresentação de dados pode ser
justificada através de um ditado popular de
que "uma imagem vale mais que 1000
palavras“.

• Técnicas gráficas são geralmente utilizadas,

em vez de tabelas, para descrever um
conjunto de dados através de um "desenho".

• Um gráfico estatístico é uma forma de

apresentação dos dados estatísticos, cujo
objetivo é o de reproduzir, no investigador
ou no público em geral, uma impressão mais
rápida e viva do fenômeno em estudo.

194
 GRÁFICOS
A representação gráfica deve ser utilizada levando-se em conta algumas qualidades essenciais
básicas para a construção destes:

-Simplicidade:
as informações contidas em um gráfico devem ser diretas e detalhes secundários
devem ser omitidos;

Ás vezes na construção de um gráfico o ideal é a forma mais simples e direta de apresentação.

195
 GRÁFICOS

- Clareza: as informações devem ser claras

possibilitando uma interpretação correta sem
dúvidas sobre os resultados;

Veracidade: o gráfico deve expressar a verdade

sobre os dados estudados.

196
 GRÁFICOS

De acordo com Levin(1987), enquanto que algumas

pessoas parecem "desligar-se" ao serem expostas
a informações estatísticas em forma de tabelas,
elas podem prestar bastante atenção às mesmas
informações apresentadas em forma gráfica. Este
fato justifica a grande utilização por parte dos
pesquisadores e da mídia escrita e impressa dos
gráficos em substituição das tabelas.

197
 GRÁFICOS
De acordo com Levin(1987),
Arrecadação enquanto
Mensa ICMS que algumas
- Paraná 2001
pessoas parecem "desligar-se" ao serem expostas a
informações estatísticas em forma de tabelas, elas
700
podem600 prestar bastante atenção às mesmas
Meses do Ano

informações
500 apresentadas em forma gráfica. Este fato
400 a grande utilização por parte dos pesquisadores
justifica
300
e da 200mídia escrita e impressa dos gráficos em
substituição
100 das tabelas.
0

Valores em milhões

198
 GRÁFICOS DE COLUNAS

O gráfico de colunas é um dos gráficos mais utilizados

para representar um conjunto de dados, sendo a
representação de uma série de dados através de
retângulos dispostos verticalmente. A altura destes
retângulos são proporcionais às suas respectivas
freqüências. Este gráfico pode ser utilizado para
representar qualquer tipo de variável em qualquer nível
de mensuração por este fato é um recurso
extremamente utilizado em pesquisas.

199
 GRÁFICOS DE BARRA

O gráfico de barras é uma representação de uma série

de dados através de retângulos dispostos
horizontalmente. Os comprimentos destes retângulos
são proporcionais às suas respectivas freqüências.
Este gráfico é semelhante ao gráfico de colunas,
contudo, a posição da escala e da freqüência é
trocada, ou seja, na linha horizontal temos a
freqüência de casos observados e na linha vertical
temos a variável de estudo.

200
 GRÁFICOS DE LINHAS
EVOLUÇÃO DA POPULAÇÃO
Este gráfico utiliza-se de uma linha para representar
UBATUBA
uma série estatística. Seu principal objetivo é evidenciar
a tendência ou a forma como o fenômeno está
80000
crescendo ou decrescendo através de um período de
tempo. Seu traçado deve ser realizado considerando o
POPULAÇÃO

60000
eixo "x" (horizontal) a escala de tempo e o eixo "y“
(vertical)
40000
freqüência observada dos valores.

20000

0
1980 1990 2000
ANOS
201
 GRÁFICOS DE SETORES

O gráfico de setores, também conhecido como gráfico

pizza, torta, queijo ou bolacha é um dos mais simples
recursos gráficos, sua construção é baseada no fato de
que o círculo possui 360º, sendo que este círculo é
dividido em fatias de acordo com o percentual em cada
categoria. É um gráfico útil para representar variáveis
nominais ou apresentadas em categorias de respostas.

202
 PICTOGRAMAS

São representações gráficas ilustradas por figuras.

A representação gráfica é feita por figuras variadas.

203
 CARTOGRAMA

São ilustrações relativas a cartas geográficas, em que

as representações são feitas diretamente sobre o
desenho de uma área geográfica.

204
 Polígono de freqüência

• Utilizado para indicar o ponto médio (Pm) ou

representante de classe com suas respectivas
freqüências absolutas, é construído sobre o histograma.
Para construí-lo, procedemos assim:
• 1. No eixo X (abscissas), colocamos o ponto médio de
cada intervalo de classe.
• 2. No eixo Y (ordenadas), permanecem as
freqüências absolutas de classe (fi).
• 3. Ligamos os pontos por segmentos de reta.
• 4. Para completar o polígono, acrescentamos um
ponto médio com freqüência zero em cada uma das
extremidades da escala horizontal.

205
 HISTOGRAMA

• Histograma /Poligono de Frequência

ni

12

30 40 50 60 70 80 90 100

206
 DISTRIBUIÇÃO DE FREQUÊNCIA
• È UM TIPO DE TABELA QUE CONDENSA UMA COLEÇÃO DE
DADOS CONFORME AS FREQUÊNCIAS
• Dados Brutos- É o conjunto dos dados numéricos obtidos
após a coleta dos dados:
• Ex.: Idade dos alunos do curso de Engenharia Civil da UFBA,
no ano de 2007.
• 24 23 22 28 35 21 23 33 34
24 21 25 36 26 22 30 32
25 26 33 34 21 31 25 31
26 25 35 33 31

207
 DISTRIBUIÇÃO DE FREQÜÊNCIA

Rol – É um tipo de tabela, cujos elementos não foram

numericamente organizados. Também é denominado tabela
primitiva.
Tabela 1
Estatura de 40 alunos do Colégio A

166 160 161 150 162 160 165 167 164 160

162 161 168 163 156 173 160 155 164 168

155 152 163 160 155 155 169 151 170 164

154 161 156 172 153 157 156 158 158 161
208
ESTA FREQ. ESTA FREQ. ESTA FREQ.
T. T. T.
(CM) (CM) (CM)
150 1 158 2 167 1
151 1 160 5 168 2
152 1 161 4 169 1
153 1 162 2 170 1
154 1 163 2 172 1
155 4 164 3 173 1
156 3 165 1
Total 40
157 1 166 1

209
No exemplo que trabalhamos, a variável em
questão, estatura, será observada e estudada
muito mais facilmente quando dispusermos
valores ordenados em uma coluna e
colocarmos, ao lado de cada valor, o número
de vezes que aparece repetido.
Denominamos freqüência o número e alunos
que fica relacionado a um determinado valor
da variável. Obtemos, assim, uma tabela que
recebe o nome de distribuição de freqüência

210
 Rol - É o arranjo dos dados brutos em uma determinada
ordem crescente ou decrescente.

• Ex.: Utilizando os mesmos dados anteriores:

• 21 21 21 22 22 23 23 24
25 25 25 25 26 26 26 28
30 31 31 31 32 33 33 33
34 34 34 35 35 36
• Arrumar os dados numa tabela de frequência por
intervalo de classe
• Quando o tamanho da amostra é elevado é mais
racional efetuar o agrupamento dos valores em
vários intervalos de classe.

211
• Limites de Classe - Os limites de classe são seus valores
extremos. No exemplo anterior de distribuição de
freqüência o valor 21 é denominado limite inferior da
primeira classe, enquanto o valor 24 é denominado
limite superior da primeira classe.
• Número de classes - É representado por k. É
importante que a distribuição conte com um número
adequado de classes. Para determinar o número de
classes há diversos métodos. Nós aprenderemos duas
soluções:
• Para n =< 25, para n > 25. K= 30  5, 4
Amplitude do Intervalo de Classe (h) - O intervalo de uma
classe corresponde ao comprimento desta classe .
Numericamente, sua amplitude pode ser definida como a
diferença existente entre os limites superior
212
h = 24 – 21 = 3
Para construção de tabelas de freqüência para dados
agrupados em classe, algumas definições far-se-ão a seguir:

Freqüências
Idade (fi)
21 |--- 24 7
24 |--- 27 8
27 |--- 30 1
30 |--- 33 5
33 |---| 36 9
Total 30

213
 TIPOS DE FREQÜÊNCIAS
• Freqüência Simples:

• - Freqüência Simples Absoluta ( fi ) - É o número de

repetições de um valor individual ou de uma classe
de valores da variável. Trata-se do caso visto até o
presente momento.
• - Freqüência Simples Relativa ( fri )(%) - Representa
a proporção de observações de um valor individual
ou de uma classe, em relação ao número total de
observações. Trata-se, portanto, de um número
relativo.
• Freqüências Acumuladas:
• - Freqüências Acumuladas (Fi) – É o total das
freqüências de todos os valores inferiores ao limite
superior do intervalo de uma dada classe
214
Idade dos alunos do curso de Engenharia Civil
da UFBA, no ano de 2007.

nº fri
Idade Aluno fri (% Fiab
s ( fi ) )
21 |-- 24 7 0,23 23 7
24 |-- 27 8 0,27 27 15
27 |-- 30 1 0,03 3 16
30 |-- 33 5 0,17 17 21
33 |-- 36 9 0,30 30 30
Total 30 1,00 100

215
 Histograma
Idade dos alunos do curso de Engenharia Civil da
UFBA, no ano de 2007.

10
9
8
7
Freqüência

6
5
4
3
2
1
0
21 |--- 24 24 |--- 27 27 |--- 30 30 |--- 33 33 |---| 36
Idade
216
217
218
219
220
221
222
223
 MEDIDAS DE POSIÇÃO
• É a parte da estatística que representam uma serie de dados
orientando-nos quanto a posição em relação ao eixo
horizontal .São medidas de tendência central, visto que
ocupam posições centrais numa distribuição

Média: ponto de equilíbrio do

conjunto.

Mediana: divide o conjunto em

duas partes iguais.

Moda: valor mais

provável.

224
 Media Aritmética

• È o quociente da divisão da
soma dos valores da variável
pelo número delas.
___
X
 x i

• Ex: Para os elementos

1,2,3,5,7,8 e 9, temos:
n
___
X : média aritmética
___
1  2  3  5  7  8  9 35 n : número de valores
X  5
7 7 xi : os valores da var iável

225
 Média Aritmética Ponderada
A média aritmética ponderada p de um conjunto de
números x1, x2, x3, ..., xn cuja importância relativa
("peso") é respectivamente p1, p2, p3, ..., pn .
Ex: Alcebíades participou de um concurso, onde foram realizadas
provas de Português, Matemática, Biologia e História. Essas
provas tinham peso 3, 3, 2 e 2, respectivamente. Sabendo que
Alcebíades tirou 8,0 em Português, 7,5 em Matemática, 5,0 em
Biologia e 4,0 em História, qual foi a média que ele obteve?

___
8 x3  7,5 x3  5 x 2  4 x 2 64,5
Xp   6,45
33 2 2 10
226
 Mediana
• A Mediana de um conjunto ordenado de valores é o valor
do meio deste conjunto, ou o valor médio dos dois valores centrais.
• Observe-se que s Mediana divide o grupo ordenado de
valores em 2 partes iguais (50% acima e 50% abaixo da Mediana).
• Se o número de itens é par, a Mediana será a media dos 2
valores do meio. Se o número de itens for ímpar, a Mediana será o
valor do meio.
• EXEMPLO: Calcular a mediana para os seguintes conjuntos de
dados:
a) 10, 12, 12, 14, 15, 18, 19
• Posição da mediana = (7 + 1) / 2 = 4 ,a mediana é o 4º valor
• Então o valor da mediana para estes dados é Md = 14.
b) 18, 19, 23, 25, 29, 30
• Posição da mediana = (6 + 1) / 2 = 3,5 , a mediana é o valor
médio entre o 3º e o 4º valores, ou seja: Md = (23 + 25) / 2 = 24.

227
 Moda
• A Moda é o valor mais freqüente num conjunto de
valores.
• EXEMPLO: Verificar o valor da moda, para os
seguintes conjuntos de dados:
• a) 12, 18, 20, 15, 12, 19, 15, 12. >>> Mo = 12
• b) 15, 19, 21, 12, 15, 21, 17, 14. >>> Mo = 15 e Mo
= 21
• c) 12, 16, 13, 18, 20, 14, 25, 11 >>> amodal.

228
Idade dos alunos do curso de medicina
veterinária da UFBA, no ano de 2001
Ponto f i . xi
Freqüências
Idade Médio FA
(fi)
(xi)
21 |--- 7 22,5 157,5
7
24 8 25,5 204
15
24 |--- 27 1 28,5 28,5
16
27 |--- 30 5 31,5 157,5
21
30 |--- 33 9 34,5 310
30
33 |---| 30 ,5
36 ---- 858 ---
Total

229
MÉDIA PARA DADOS TABULADOS AGRUPADOS EM
CLASSES:

Li  Ls 21  24
xi    22,5
2 2

X
 fi .xi 858
  28,6
 fi 30
230
 MEDIANA PARA DADOS TABULADOS
AGRUPADOS EM CLASSES

PMd 
 f 30
i
  15 Idade
Freqüências
(fi)
FA
2 2
7
( PMd  Fac) 21 |--- 24 7
Md  Li  h. 24 |--- 27 8 15
16
fi 27 |--- 30
30 |--- 33
1
5 21
30
(15  7) 33 |---| 36 9
Md  24  3.  24
8 Total 30 ---

Interpretação: 50% dos alunos possuem idades iguais ou

inferiores a 27 anos.
Ou 50% dos alunos possuem idades iguais ou superiores a
27 anos. 231
 MODA
Em uma distribuição de freqüência por classes de valores, de
uma forma bastante simples, podemos encontrar a moda pela
seguinte fórmula:
h
M o  li 
2
h
Mo  Li 
2
3
Mo  33   34,5
2
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
 Pesquisas de opinião
• Mensurar atitudes, preferências, opiniões,
crenças, comportamentos.
• São levantamentos: NÃO PODEM provar relações
de causa e efeito entre variáveis, apenas
identificam associações.
• Por amostragem: uma pequena parte da
população é pesquisada.
– Economia, rapidez.
– Possível generalizar os resultados para a população.
• Geralmente incluem algum tipo de questionário.

251
 Amostragem
• Representatividade da amostra
• Tamanho da amostra
– Para uma “margem de erro” de 3% precisamos de
pelo menos 1112 elementos.
– Aleatoriedade da amostra
• Garantir que TODOS os elementos da população
tenham chance de pertencer à amostra.
• Sorteio NÃO VICIADO.
• Única forma de poder generalizar estatisticamente os
resultados para a população.

252
REGRESSÃO
 Introdução
A análise de regressão linear pretende-se
estudar, ou avaliar, o efeito de uma variável:
Designada variável independente ou explicativa
Sobre uma variável designada dependente ou a
explicar.
Em outras palavras pretende-se estudar a
relação entre duas variáveis,
Tendo em conta que existe uma relação de
causa-efeito entre elas.
 Alguns exemplos
• Relação existente entre a altura de uma
criança e a altura do pai (ou mãe).
• Variável dependente, ou a explicar, deverá ser
a altura da criança
• E a variável explicativa, ou independente, a
altura do pai (ou mãe);
 Alguns exemplos
A relação entre a A relação entre o
despesa de uma consumo privado, num
família em bens determinado país de
alimentares e o seu uma carne de porco e
rendimento. o rendimento
A primeira variável é disponível das famílias.
dependente e a A primeira variável é
segunda é explicativa; dependente e a
segunda é explicativa;
 Alguns exemplos
• A relação entre o • A relação entre o
salário de um nível de produção de
indivíduo e o seu energia e o consumo
nível de instrução de carvão numa
(anos de central elétrica.
escolaridade, por • A primeira variável é
exemplo) dependente e a
• A primeira variável é segunda é
dependente e a explicativa.
segunda é
explicativa;
 O modelo de regressão linear
• A teoria postula uma função linear, f:
• Y=f(X),
• Em que Y é a variável dependente, ou
explicada
• E X é a variável independente ou explicativa
• Ou uma transformação desta variável
O modelo de regressão linear
• É de sublimar que a função linear tem dois
parâmetros, α e β,
• Que importa calcular, de modo a se conhecer
a função que descreve a relação entre as
variáveis X e Y.
• Veja o seguinte exemplo:
Exemplo 1
Onde estão inscritas as seis observações
efetuadas, em pontos destacados na reta
 O cálculo dos coeficientes do modelo
• Na realidade, o tipo de observações do
exemplo anterior é praticamente inexistente
• De fato, as observações raramente se
inscrevem sobre uma reta, havendo desvios
dos pontos relativamente à reta
• Veja o seguinte exemplo ilustrativo.
Exemplo 2
Neste caso, a relação entre as duas variáveis é
aleatória
No sentido em que não é completamente expressa
por uma função linear do tipo indicado no exemplo
anterior
Y = 2,5 + 0,04X,
más sim por:
Y = 2,5 + 0,04x + u,
Em que u representa os desvios das observações das
vendas relativamente à reta.
Que descreve a relação entre o lucro e as vendas.
 Note que...
Na prática não se conhece a expressão da reta
que descreve a relação entre as vendas e o lucro.
A única informação de que se dispõe À partir de
um conjunto das observações sobre as duas
variáveis cuja relação se pretende estudar
Colocando-se portanto o problema de calcular a
reta, isto é, os seus parâmetros (ordenada na
origem e declive)
• A partir de uma amostra de dados:
• (x1,y1), (x2,y2),...,(xi,yi),..., (xn,yn)
• Tem de resolver-se o seguinte problema:
• Como obter uma estimativa dos parâmetros α
e β desconhecidos do modelo?
 Exemplo 3
• Admita-se que a verdadeira relação entre:
• O resultado de um teste de potencial de
aprendizagem, Y,
• E o coeficiente de Inteligência (QI), X,
• É dada por:
• Y=-40+0,95X
No entanto, o problema é que esta relação é
desconhecida
Isto é, não se conhecem os valores numéricos
dos parâmetros α e β do modelo
Que no exemplo são – 40 e 0,95,
respectivamente.
Na realidade, a única informação que se
dispõe é a de uma amostra que foi recolhida
• Admita-se que se
recolheu a seguinte
amostra aleatória
referente aos
resultados de 14
alunos:
• Com base nesta amostra deverá retirar
alguma conclusão quanto aos parâmetros α e
β do modelo
• Que descrevem a relação entre o QI e o
potencial de aprendizagem dos alunos
Vale ressaltar que os pontos não se inscrevem
numa linha reta.
Dado o caráter amostral dos dados de que se
dispõe, é necessário incorporar no modelo acima
apresentado a existência de desvio das
observações amostrais face à relação linear
teórica do modelo:
Y = α+ βX + u
Em que u é o desvio da observação
relativamente á reta teórica do modelo.
 Assim o modelo tem duas partes:
• Uma parte determinística dada por α +βx, isto
é, pelo valor situado na reta de regressão
• Uma parte aleatória, dada por u, isto é, pelos
desvios dos pontos relativamente à reta de
regressão.
• Pode, então, considerar-se que qualquer reta
que passe entre a nuvem de pontos, que
representa a amostra de dados:
• (xi,yi) i= 1,2,...,n pode ser considerada uma
estimativa da relação estabelecida pelo
modelo teórico:
• Esta reta, que passa pela nuvem de pontos,
tem a seguinte equação:
• Y= a + bX
 Podendo ser estabelecida
conhecendo-se os valores de a e b :
• É de notar que, uma vez que a reta atravessa a
nuvem de pontos, alguns destes se encontram
acima da reta e os restantes abaixo da reta
• Resta resolver um problema fundamental e
que é:
• Como determinar a reta de regressão que
passa entre a nuvem de pontos e que, de
algum modo, revela a relação entre as duas
variáveis?
• Será razoável escolher uma reta que minimize
o valor dos resíduos
• Isto é, dos desvios dos pontos relativamente
à reta escolhida ,
• Na medida em que quanto mais próxima
estiver a reta da nuvem de pontos, mais esta
reflete a relação entre as duas variáveis.
• É, por conseguinte,
mais adequado
utilizar um conceito
de distância de um
ponto à reta:
• Segundo a direção:
• A opção entre o • Ema particular, se o
desvio Médio analista pretende
Absoluto e a Soma evitar resíduos de
dos Quadrados grande dimensão a
depende, da atitude todo o custo
do analista em • Deve escolher a
relação aos resíduos Soma dos quadrados
como critério de
seleção
• Tome-se como medida a soma dos quadrados
dos resíduos
• Esta soma depende dos coeficientes a e b da
seguinte forma:
 Como se referiu anteriormente
• É razoável escolher uma reta que minimize o
valor dos resíduos
• O mesmo é dizer escolher uma reta que
minimize o quadrado do valor dos resíduos,
isto é, da sua soma.
• Esta reta será aquela cujos valores dos
coeficientes a e b minimizam a função.
• Os coeficientes são apurados pelo
denominado método dos mínimos quadrados
ordinários
• Demonstra-se que estes coeficientes são
dados pelas expressões:
 Exemplo 4
• Registrou-se, para 15 trabalhadores, o salário
horário ( em euros) ,Y,
• E o nível de escolaridade (em anos), X.
Os dados recolhidos foram os
seguintes:
• Uma vez que a variável independente é o nível
de escolaridade e a variável dependente é o
salário horário,
• O coeficiente b tem uma leitura com um
significado econômico importante:
• Trata-se acréscimo do nível de salário horário
obtido com um ano adicional de educação
Resíduos da regressão
Exemplo 5
INTERVALOS DE CONFIANÇA PARA
MÉDIAS E PROPORÇÕES
 Intervalos de confiança (IC) para
média μ de uma população normal
com variância σ² conhecida
• Consideramos uma população normal com
média desconhecida que desejamos estimar e
com σ² conhecida , X: (N(?,σ²)
 Procedimentos para a construção do
IC
• Retiramos uma amostra • Fixamos o nível de
casual simples de n significância , e com ele
elementos determinamos zα, tal
• Calculamos a média da que P( z > zα) =α , ou
amostra x. seja :
• Calculamos o desvios • P(z>zα)= α/2 e
padrão da média • P(z<-zα)= α/2
amostral • Logo devemos ter:
 Procedimentos para a construção do
IC

• Precisamos determinar a partir dessa fórmula

o IC.
• A fórmula do IC para média de populações
normais com variâncias conhecidas
• Os limites citados são:
• Usando uma notação simplificada. Teremos :
• Selecionamos 100 amostras de mesmo
tamanho n.
• Obtemos 100 estimativas de x, com as quais
construímos 100 IC para μ.
• Se α = 5%, podemos esperar que 95 dos IC
contenham o verdadeiro valor de μ e 5 não
contenham o valor de μ.
• Logo, em uma amostra qualquer, a
probabilidade de que o IC determinado
contenha o verdadeiro valor da média é de
95%, ou menos uma confiança de 95% de que
o IC determinado contenha o verdadeiro valor
de μ,
• Portanto, corremos 5% de risco de que ele
não contenha esse valor.
EXEMPLOS
• Portanto, temos 90% de confiança de que o
verdadeiro valor μ populacional se encontra
entre 5,096 e 7,064;
• Ou então corremos um risco de 10% de que o
verdadeiro valor da média μ populacional seja
menor que 5,096 ou maior que 7,064
Exemplo 2
 Intervalos de confiança para grandes
amostras
• Consideremos uma amostra grande quando
n>30.
• Precisamos construir IC para parâmetros de
populações não normais, com distribuições
binomiais, de Poisson, de frequências
relativas, logo, de distribuições
aproximadamente normais ou então de
populações normais com variâncias
desconhecidas
• Nessas condições e podemos construir,
aproximadamente, o IC para parâmetro,
seguindo o modelo de IC para média de
populações normais com variâncias
conhecidas
Estimação de proporções ou intervalos
de confiança para proporções
EXEMPLOS
 Intervalos de confiança para a média
de populações normais com variâncias
desconhecidas
• Quando queremos estimar a média de uma população
normal com variância desconhecida
• Consideramos dois procedimentos:
1. Se n≤ 30, então usa-se a distribuição t de student, que
veremos adiante:
2. Se n> 30, então usa-se a distribuição normal com o
estimador s² de σ²
• No momento nos interessa o segundo procedimento.
• Calculamos na amostra suficientemente grande, média
e a variância onde:
Exemplo
• De onde concluímos que, apesar de usar o
desvio padrão da amostra
• Temos um grau de certeza de 90% de que o
verdadeiro valor da média populacional está
entre 110,20 e 113,80
EXERCÍCIOS RRESOLVIDOS
• Se o número de eleitores desse distrito fosse
de 230.000 pessoas, qual seria a votação
esperada pelo candidato A?
• 48,58% de 230000= 111734 votos
• 61,42% de 230000= 141266 votos
• O candidato A poderia esperar de um mínimo
de 111734 votos a um máximo de 141266
votos, isso com 99% de confiabilidade
Logo o grau de confiabilidade que 5,0< μ <6,0 é de 99,97%
TESTES DE HIPÓTESES PARA
MÉDIAS E PROPORÇÕES
 Introdução
• Suponhamos que uma certa distribuição
dependa de um parâmetro θ e que não se
conheça θ ou, então, haja razões para
acreditar que o θ variou
• Seja pelo passar do tempo ou, então, pela
introdução, por exemplo.
 Introdução
• A inferência estatística fornece um processo
de análise de denominado teste de hipóteses
• Que permite se decidir por um valor do
parâmetro θ ou por sua modificação com um
grau de risco conhecido.
•
 Formulamos duas hipóteses
• Ho= hipótese nula ou da existência
• Hi= hipótese alternativa
• Testamos hipóteses para tomarmos uma
decisão entre duas alternativas.
• Por essa razão, o teste de hipótese é um
processo de decisão estatística
 Vejamos alguns exemplos de
hipóteses
• Os chips da marca A têm vida média μ= μo
• O nível de inteligência de uma população de
universitários é μ= μo
• O equipamento A produz peças com
variabilidade menor que a do equipamento B:
σA²<σB²
• O aço produzido pelo processo A é mais duro
que o aço produzido pelo processo B: μA>μB
 Podemos, pois, apresentar as hipóteses
genéricas que englobam a maioria dos casos:
O procedimento padrão para a realização de um
teste de hipótese é o que segue:
• Definem-se as hipótese do teste: nula ou
alternativa;
• Fixa-se um nível de significância α
• Levanta-se uma amostra de tamanho n e
calcula-se uma estimativa θ0 do parâmetro θ
• Usa-se para cada tipo de teste uma variável
cuja distribuição amostral do estimador do
parâmetro;
O procedimento padrão para a realização de um
teste de hipótese é o que segue:
• Calcula-se com o valor do parâmetro θ0, dado
por H0 , o valor crítico, valor observado na
amostra ou valor calculado (Vcalc);
• Fixam-se duas regiões: uma de não rejeição
de H0 (RNR) e uma de rejeição de H0 ou crítica
(RC) para o valor calculado, ao nível de risco
dado;
• Se o valor observado (Vcalc) pertence a região
de não rejeição, a decisão é a de não rejeitar
H0;
• Se Vcalc pertence a região crítica a decisão é a
de rejeitar Ho
• Devemos observar que quando se fixa α
determinamos para os testes bilaterais
• Por exemplo valores críticos (tabelados),
• Vα tais que:
•
 Testes de hipóteses para média de populações
normais com variâncias (σ²) conhecidas
• Faremos a explicação do teste usando os
passos definidos no procedimento,
• Por meio de um exemplo
Testes Bilaterais
TESTE UNILATERAL
(MONOCAUDAL) À ESQUERDA
Exemplo
TESTE UNILATERAL À DIREITA
Exemplo
TESTE DE HIPÓTESES PARA
PROPORÇÕES
Procedimento
Exemplo
EXERCICIOS RESOLVIDOS
ERROS DE DECISÃO
 Introdução
• Podemos cometer um erro de decisão quando
feito o teste de hipótese:
1.Rejeitamos uma hipótese nula verdadeira: é o
denominado erro de 1° espécie ou do tipo I
2.Não rejeitamos uma Ho falsa: é o chamado
erro de 2° espécie ou erro do tipoII
• Só podemos cometer o erro do tipo I quando
rejeitamos Ho, e o erro do tipo II quando não
rejeitamos Ho.
 Probabilidade de cometer os erros dos
tipos I e II
• Consideramos apenas testes bilaterais para o
parâmetro μ da população normal com
variância conhecida, isto é:
Probabilidade de se cometer o erro do
tipo I: P(I)
• Cometemos o erro de 1° espécie quando
rejeitamos Ho, ou seja, quando levantarmos
uma amostra e o x cair na RC do teste, isto é:
Probabilidade de se cometer um erro
do tipo II: P(II)=β
FUNÇÃO PODER DE UM TESTE OU
POTÊNCIA DE UM TESTE
Exemplos