FERRAMENTAS COMPUTACIONAIS

Ementário
1. Conceitos básicos de estatística;
2. Amostragem;
3. Medidas de tendência central e de dispersão
4. Interpretação de histogramas.
5. Teoria da probabilidade.
6. Estimação de parâmetros;
7. Distribuições probabilísticas
8. Teste de hipóteses;
9. Regressão simples e múltipla;

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
Bibliografia

1. FREUND, J.E. e SIMON, G.A. “Estatística Aplicada”, Ed. Bookman

2. TRIOLA, M.F. “Introdução à Estatística” , ED. LTC
3. BUSSAB, W.O. e MORETTIN, P.A. “Estatística Básica”, Atual Editora
4. STEVENSON, W.J. “Estatística Aplicada à administração”, Ed. Harbra
5. DOWNING, D. e CLARK, J. “Estatística aplicada”, Editora Saraiva

Prof. Raimundo Dias

FERRAMENTAS COMPUTACIONAIS
Critério de Avaliação

 Serão realizados testes de verificação de

aprendizagem durante o período letivo totalizando 4
(quatro) pontos;
 O último dia do período letivo será dedicado a
avaliação final totalizando 6 (seis) pontos.

 O aluno que obtiver um total mínimo de 7

(sete) pontos na disciplina será considerado
aprovado.

Prof. Raimundo Dias

FERRAMENTAS COMPUTACIONAIS

Visão Sistêmica da Estatística

A partir de valores obtidos em uma amostra de

uma certa população de interesse, descrevemos
esta amostra e caracterizamos a população como
um todo generalizando as observações feitas na
amostra.

população

Amostra representativa

Prof. Raimundo Dias

FERRAMENTAS COMPUTACIONAIS
1. Conceitos Básicos de Estatística

Se você pode transformar em números aquilo

sobre o qual está falando, você tem algum
conhecimento do assunto. Se não, seu
conhecimento é estéril.

lord Kelvin

Prof. Raimundo Dias

FERRAMENTAS COMPUTACIONAIS
1. Conceitos Básicos de Estatística

Mas o que é afinal “Estatística?”

Conjunto de métodos para planejar experimentos de interesse,
obter dados, organizá-los, descrevê-los, analisá-los afim de tomar
decisões.
PARÂMETRO: Valor numérico referente a uma característica da
população.

ESTATÍSTICA: Valor numérico referente a uma característica de

uma amostra.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
1. Conceitos Básicos de Estatística

 Estatística Descritiva
Parte da estatística que descreve aspectos importantes de
um conjunto de dados:
. Organização dos dados
. Cálculos de medidas de tendência central e dispersão
. Construção de gráficos diversos.
 Estatística Inferencial
Parte da estatística que, a partir de uma amostra,
utilizamos para fazer generalizações a respeito de aspectos
importantes da população.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
1. Conceitos Básicos de Estatística

Variáveis: Informação sobre a qual buscamos um

resultado.Fatores de um processo susceptível a
mensuração.
Qualitativas: São aquelas que não podemos
medir. O seu resultado é dado por um atributo
pessoal.
Ex. sexo, religião, cor dos olhos, etc.

Quantitativas: são as definidas por números.

. Discretas: por contagem (Naturais)
. Contínuas: por intervalos (Reais)
Prof. Raimundo Dias
FERRAMENTAS COMPUTACIONAIS
2. Amostragem
Conjunto de técnicas utilizadas para selecionar a
amostra de uma população.

População:
Conjunto de entes que tem pelo menos uma
característica em comum
Amostra:
Parte de uma população que tem o objetivo de
representá-la.

Prof. Raimundo Dias

FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Por que utilizamos amostras:

- Tempo;
- Custos operacionais;
- Impraticabilidade.

Cabe uma pergunta:

Nossa turma representa uma amostra, ou uma
população???

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
2. Amostragem

A amostragem se divide em:

Probabilística
Tipo de amostragem em que se define claramente a
probabilidade de um dado elemento vir a fazer parte da
amostra.
Não Probabilística
Tipo de amostragem onde os elementos são
selecionados por critérios subjetivos do pesquisador, de
acordo com sua experiência e objetivos do estudo.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Probabilística:
Amostragem Aleatória Simples (AAS)

Neste tipo de amostragem cada elemento da população

tem a mesma chance de ser selecionado para compor a
amostra.
Processo semelhante a um sorteio.
Geralmente utiliza-se para retirada da amostra uma tabela de
números aleatórios que pode ser feita no Excel.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Probabilística:
Amostragem Aleatória Simples (AAS)

Imagine que uma empresa resolve premiar dois dos seus 30

motoristas de caminhão, e para isso, deseja utilizar um
processo em que todos tenham a mesma chance de ser
selecionado.
Como você resolveria o problema utilizando uma tabela de
números aleatórios?

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Probabilística:
Amostragem Aleatória Simples (AAS)

Sugestão:
1. Elaborar uma lisa dos motoristas (ordem crescente)
2. Determinar o critério de utilização da tabela
3. Elaborar uma tabela de números aleatórios
4. Utilizar o critério para verificar a posição dos motoristas na lista

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Probabilística:
Amostragem Sistemática (AS)

Neste tipo de amostragem o especialista geralmente determina

o critério de seleção da amostra (processo de fabricação).
Ex. selecionar 10 peças a cada hora de produção para compor
uma amostra no final do dia.
Chamamos o tempo de uma hora de razão de retirada ( r )

Prof. Raimundo Dias

FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Probabilística:
Amostragem Sistemática (AS)
Se uma população tem 100 elementos e pretendemos escolher
uma amostra de tamanho 6, temos que r = 100/6 = 16,6 = 17
Digamos que numa amostragem aleatória simples da
população foi escolhido o número 3. Logo este será o nosso
primeiro elemento que formará a amostra.
Amostra: 3, 20, 37, 54, 71 e 88 ou formando a seqüência:
K, (K+ r), (k+2r)...

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Probabilística:
Amostragem Estratificada (AE)

Utilizamos este tipo de amostragem quando temos

interesse em subdividir a população em grupos
denominados estratos.
Após a seleção dos estratos, a amostra é composta per elementos
de cada grupo retirados por AAS.
Os elementos dentro de um estrato devem ser tão homogêneos
quanto possível.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Probabilística:
Amostragem Estratificada (AE)

Uma empresa é formada por 300 funcionários dos quais

40 são mulheres. O gestor do refeitório deseja saber
qual a melhor opção de cardápio e para isso solicita
uma pesquisa entre os funcionários. A sugestão é
pesquisar apenas 20 funcionários.
Como selecionar essa amostra?

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Probabilística:
Amostragem por Conglomerado(AC)
Tipo de amostragem utilizada quando a população se
acha dividida em grupos chamados de conglomerados.
Ex.: agências, edifícios, famílias, etc.
- É difícil identificar seus elementos mas sim grupos de
elementos.
A amostra é composta de um sorteio dos
conglomerados e considerado todos os elementos
destes.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Probabilística:
Amostragem por Conglomerado(AC)

 Como regra geral, o número de conglomerados

deve ser grande e o número de elementos do
conglomerado pequeno.

 Tanto na amostragem por conglomerado, como

na amostragem estratificada, a população deve estar
dividida em grupos.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Não Probabilística:
Amostragem por Julgamento

Tipo de amostragem em que os elementos da amostra

são selecionados por critério de julgamento do
pesquisador.
Ex. Verificar o motivo da rejeição de um determinado
produto.
O pesquisador seleciona os usuários e os não-
usuários do produto.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Não Probabilística:
Amostragem por Conveniência

Tipo de amostragem em que os elementos da amostra

são selecionados por conveniência do pesquisador.

Ex. Optar por um determinado item em estoque

para comprovação de saldo.

Prof. Raimundo Dias

FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Não Probabilística:

É importante ressaltar que as amostras obtidas pelas

técnicas não-probabilisticas NÃO permitem a inferência
sobre a população, pois, nesses casos, é desconhecido o
erro cometido na escolha dos elementos que farão parte
da amostra.

Prof. Raimundo Dias

FERRAMENTAS COMPUTACIONAIS
2. Amostragem
Tamanho da Amostra:

 z 
2
z N2 2

n  n 2
 e  e N  1  z 
2 2

z pˆ qˆ
2
z pˆ qˆN
2

n 2 n 2
e e N  1  z pˆ qˆ
2

Prof. Raimundo Dias

FERRAMENTAS COMPUTACIONAIS
2. Amostragem

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
MEDIDAS DE POSIÇÃO

Média aritmética
Dados brutos : Entrega de pizzas de calabresa por dia.
40, 56, 38, 38, 63, 59, 52, 49, 46
A média de todos esses elementos é calculada somando todos os
números e dividindo pela quantidade de números.
números

40  56  38  38  63  59  52  49  46 441
  49
9 9
Portanto em média foram entregue 49 pizzas de calabresa por
dia.
xi
Generalizando a média pode ser calculada por: x
n
Prof. Raimundo Dias
 FERRAMENTAS COMPUTACIONAIS

Mediana
A mediana é o ponto ou elemento ao meio do caminho
dos dados,
dados isto é, metade dos números está acima dela e
metade está abaixo. A lista de números deve estar ordenada.
Lista de valores de venda de pizzas de calabresa em
ordem decrescente: 63, 59, 56, 52, 49, 46, 40, 38, 38.
A mediana é 49, quatro valores são maiores que 49 e
quatro são menores.
Para um número ímpar de elementos é fácil achar o número
(único) que está no meio.
Prof. Raimundo Dias
 FERRAMENTAS COMPUTACIONAIS

Mediana (cont.)
Suponha que a lista abaixo representa a entrega diária
de pizzas de cogumelo:
53, 52, 49, 48, 47, 46, 44, 41.
A mediana é o número que está exatamente no meio,
entre os dois números mais próximos do meio.
47  48
 47,5
2
A média e a mediana são chamadas medidas de
tendência central da distribuição.
Prof. Raimundo Dias
 FERRAMENTAS COMPUTACIONAIS

Média x Mediana
Suponha que os valores abaixo representem entregas de pizzas tipo
bacon/abacaxi por um período de 9 dias:
36, 35, 37, 29, 39, 36, 340, 35, 36.
Observe que, um certo dia, uma caravana de pessoas amantes de pizza
bacon/abacaxi elevou o número de solicitações.
Calculando a média tem-se: 623/9 = 69,22 pizzas.
Mas nenhum dos valores está próximo de 69,22.
A lista ordenada (rol) fica: 29, 35, 35, 36, 36, 36, 37, 39, 340
Verificamos que a mediana é 36. O valor da mediana representa
muito melhor o provável número de entregas em determinado dia.
Se existem valores extremos a mediana é mais representativa
Prof. Raimundo Dias
 FERRAMENTAS COMPUTACIONAIS
Moda
A moda é o valor que ocorre com maior frequência.
frequência Se há mais de um valor nessas condições, todos eles
são chamados modas.
 Entrega de pizzas de calabresa:
63, 59, 56, 52, 49, 46, 40, 38, 38.
O valor da moda é 38, por que o número 38 ocorre duas vezes.
 Entrega de pizza tipo bacon/abacaxi:
29, 35, 35, 36, 36, 36, 37, 39, 340
A moda é 36, que ocorre três vezes.
 Entrega de pizzas de cogumelo:
53, 52, 49, 48, 47, 46, 44, 41.
Não há moda.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

SEPARATRIZES

 MEDIANA: Divide o conjunto de dados em 2 partes iguais

 QUARTIL: Divide o conjunto de dados em 4 partes iguais

 DECIL: Divide o conjunto de dados em 10 partes iguais

 PERCENTIL: Divide o conjunto de dados em 100 partes iguais

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

SEPARATRIZES - Quartis

Ex: considere a amostra: 10 7 15 12 20 8 5 25

Em ordem: 5 7 8 10 12 15 20 25

L25 = Localização do primeiro quartil = (8-1) x 0,25 +1 = 2,75

Logo: Q1 = 7 + (8-7) x 0,75 = 7,75

Interpretando: 25% dos valores estão abaixo de 7,75

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

MEDIDAS DE DISPERSÃO

O termo dispersão indica o grau de afastamento de

um conjunto de números em relação à sua média.
média

Situação 1: entrega de 200 pizzas todos os dias.

Situação 2: Entrega de 400 pizzas na metade dos dias e nenhuma
pizza na outra metade.

Média 1 = 200 pizzas

Média 2 = 200 pizzas

Na situação 2 a dispersão é muito maior.

Prof. Raimundo Dias
 FERRAMENTAS COMPUTACIONAIS
Amplitude
É a forma mais simples de se medir a dispersão, é a diferença
entre o maior e o menor valor.
valor
Entregas de pizzas de calabresa:
63, 59, 56, 52, 49, 46, 40, 38, 38.
Amplitude = 63-38 = 25.
A amplitude nem sempre é uma boa medida para a dispersão de
toda a distribuição.
 Lista a: 500 250 250 250 250 0
 Lista b: 500 490 480 20 10 0
As amplitudes são 500, mas a dispersão geral em relação à lista b
é muito maior que a dispersão geral em relação à lista a.
Prof. Raimundo Dias
 FERRAMENTAS COMPUTACIONAIS

Variância (Var = S² = σ²)

A função módulo usada no desvio médio absoluto em certos casos é
inconveniente.
Para muitos propósitos, é interessante elevar ao quadrado cada
desvio e tomar a média de todos esses quadrados, essa grandeza
é chamada variância. Acompanhe a tabela abaixo.
Entrega de pizzas tipo
calabresa Distância da média 2
n 2

 x  x 
40 ( 40 - 49 ) ² = 81
56 ( 56 - 49 ) ² = 49 i
38
38
( 38 - 49 ) ² = 121
( 38 - 49 ) ² = 121
Var ( x)   2  i 1

63 ( 63 - 49 ) ² = 196
n
59 ( 59 - 49 ) ² = 100
686
52 ( 52 - 49 ) ² = 9
Var ( x)   76,222
49 ( 49 - 49 ) ² = 0 9
46 ( 46 - 49 ) ² = 9
TOTAL 686
Prof. Raimundo Dias
 FERRAMENTAS COMPUTACIONAIS

Desvio Padrão (S = σ)
O desvio padrão é a raiz quadrada da variância.
variância
Desvantagem da variância: o seu valor numérico é difícil de
interpretar, a variância tem como unidade o quadrado da
unidade de medida de x, no caso 76,222 pizzas².

n 2

 x  x  i
S   i 1
n

S    76,222  8,731 pizzas

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

Coeficiente de variação (CV)

O coeficiente de variação mede o quanto o desvio padrão é
maior que a média.
É uma medida adimensional o que facilita comparações
independendo das dimensões envolvidas.

(desvio padrão) 
CV  
(média ) x

s 8,731
CV    0,178  17,8%
x 49
Prof. Raimundo Dias
 FERRAMENTAS COMPUTACIONAIS
INTRODUÇÃO A PROBABILIDADE

Experimento - procedimento claramente definido que

conduz a um resultado. A realização de um experimento
é chamada tentativa,
tentativa e cada tentativa tem o seu
resultado.
Experimentos aleatórios - experimentos onde não é
possível prever o resultado, embora sejam conhecidos
todos os resultados possíveis.
Espaço amostral “S” - conjunto de todos os
resultados possíveis de um experimento aleatório.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

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 uma
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}
Prof. Raimundo Dias
 FERRAMENTAS COMPUTACIONAIS

Experimento - Espaço Amostral - Eventos

Lançar um dado e ver o número mostrado
S={1,2,3,4,5,6}
A={nº
A={nº menor
menor que
que 4}=
4}={1,2,3}
Lançar duas moedas e observar as faces
S={CaCa,CaCo,CoCa,CoCo}
B={n
B={noo
mínimo
mínimouma
umacara}=
cara}={CaCa,CaCo,CoCa}
Lançar
Lançar duas
duas moedas
moedas ee contar
contar oo número
número de
de caras
caras
S={0,
S={0, 1,
1, 2}
2}
C={nenhuma}=
C={nenhuma}={0}
Prof. Raimundo Dias
 FERRAMENTAS COMPUTACIONAIS

Eventos independentes - a ocorrência de um evento

não afeta a chance de ocorrência de outro.
Ex.: Lançamentos de dados ou moedas honestos
(quaisquer que tenham sido os resultados anteriores,
estes não afetarão o próximo).
Eventos dependentes - a ocorrência de um evento
afeta a do outro. Ex.: Retirada (sem reposição) de uma
carta de ouros de um baralho.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

Probabilidade Condicional
É o calculo da probabilidade de um evento
acontecer na condição de outro ter ocorrido.

Uma rifa composta por 15 números irá sortear 2

prêmios. Qual a probabilidade de ganhar os dois
prêmios comprando apenas 2 bilhetes?

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

Probabilidade de um evento P(A) – número entre 0

e 1 que 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
P({moeda mostra cara})=0,5
P({dado mostra “5”})= 1/6

Note que: 0≤P(Evento qualquer)≤1, P(S)=1 e P(∅)=0

Prof. Raimundo Dias
 FERRAMENTAS COMPUTACIONAIS

VARIAVEL ALEATÓRIA
Variável aleatória - É uma variável que assume um
valor aleatório. O próximo valor não pode ser previsível
com certeza.
Exemplos:
a) Núm. mostrado por um dado arremessado.
b) Núm. de coroas (H) quando uma moeda é arremessada 3 vezes.
c) O peso de um recém nascido num hospital.
d) A altura de um adulto.
e) Núm de arremessos necessários para uma moeda dar 3 caras
(T) consecutivas.
Prof. Raimundo Dias
 FERRAMENTAS COMPUTACIONAIS

Discreta - É uma variável que assume um número

contável de valores. Exemplos a); b); e)
Muitas vezes associadas a valores inteiros

Contínua - É uma variável que pode assumir um número

infinito de valores. Exemplos c); d)
A quantidade de valores é incontável; está associada
muitas vezes a valores reais

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

Contínua
Admite um valor dentro de um determinado intervalo
como é o caso de um processo de medição

Ex.:

. Comprimento de um produto manufaturado;

. Altura de um adulto;

. Duração de conversas telefônicas

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

Seja X uma variável discreta. A função p(x) é definida

como função massa de probabilidade (fmp) e tem as
propriedades:

a) p(x) = P(X=x)

b) p(x) ≥ 0 para qualquer x

c) ∑x p(x)=1 é claro pois P(S)=1 (as somas das

probabilidades de todos os valores possíveis)

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

Uma variável aleatória X denota o número de coroas

quando uma moeda é arremessada 3 vezes. Função de
probabilidade.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
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:
1 - Binomial (discreta)
2 - Poisson (discreta)
3 - Normal (contínua)

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
BINOMIAL

Diz-se que a variável X tem distribuição binomial com

parâmetros n e p se a função massa de probabilidade é :

 n x
px    . p 1  p  , x  0,1,..., n
n x

 x
Parâmetros
 n n! “n” e “p”
Onde :    X ~ B(n,p)
 x  x!n  x !

Prof. Raimundo Dias

FERRAMENTAS COMPUTACIONAIS

Para a variável aleatória X ~ B( n , p) tem-se:

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

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

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/arremesso):
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)

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
Exercício

1. Uma amostra de 12 parafusos é retirada de uma

linha de produção e inspecionada. Sabe-se se que o
processo produz 2% de defeituosos. Qual a
probabilidade da amostra ter exatamente um
defeituoso? Qual a probabilidade de não existir
mais de um defeituoso?
2. Com base no exercício acima, qual a média,
variância e o desvio padrão do número de
defeituosos?

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
Exercício

1. Dois times de futebol, A e B, jogam entre si 6

vezes. Encontre a probabilidade de o time A:
a) Ganhar dois ou três jogos;
b) Ganhar pelo menos um jogo.

2. A probabilidade de um atirador acertar o alvo é

2/3. Se ele atirar 5 vezes, qual a probabilidade de
acertar exatamente 2 tiros?

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

DISTRIBUIÇÃO DE POISSON

Poisson: Diz-se que a variável aleatória X segue a

distribuição de Poisson se a sua função é :

e   x Parâmetro :
p( x)  , x  0,1,2...
x! " "
x! x.( x  1)( x  2)..1 X ~ Po( )

Média : Variância : Desvio Padrão :

x    x2   x 
1
2

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

Aplicações
Esta distribuição é um bom modelo para descrever o
comportamento das variáveis aleatórias nos seguintes exemplos:

1. Número de nós por folha de madeira tratada;

2. Número de imperfeições por peça de tecido;
3. Número de acidentes por mês numa fábrica;
4. Número de chamadas que chegam a uma central telefônica em
um intervalo de tempo “t”;
5. Número de glóbulos sangüíneos visíveis ao microscópio num
campo visível de área “A”.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS

1. Os números de eventos durante intervalos não sobre-postos

de tempo, área ou espaço constituem variáveis aleatórias
independentes;
2. A distribuição do número de eventos durante um intervalo
(tempo ou espaço) depende apenas do comprimento do
intervalo e não de seus pontos extremos;
3. Para pequenos intervalos, a probabilidade de ocorrência de um
evento é diretamente proporcional ao comprimento do
intervalo;
4. A probabilidade de ocorrência de dois ou mais eventos para
intervalos infinitesimais é desprezível;
5. A condição inicial do processo é que o evento não ocorreu. No
instante zero de tempo o evento ainda não ocorreu.
Prof. Raimundo Dias
 FERRAMENTAS COMPUTACIONAIS
Exercício

1. Um digitador faz uma média de 3 erros

por página. Qual a probabilidade de que
ele digite uma página com menos de 2
erros?
2. Qual a média, variância e desvio padrão
desta variável de Poisson?

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
Exercício

1. Um tear produz um defeito a cada

200m de tecido produzido. Se o número
de defeitos for segundo Poisson, Qual a
probabilidade de:
a) Uma peça com 20m não apresentar
defeitos;
b) Um lote de 10 peças de 20m cada,
apresentar exatamente um defeito.

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
DISTRIBUIÇÃO NORMAL

Entre as distribuições de variável aleatória contínua, uma das

mais empregadas é a Distribuição Normal.
Muitas das variáveis analisadas na pesquisa socioeconômica
correspondem à distribuição normal ou dela se aproximam.
Aspecto gráfico:

Prof. Raimundo Dias

 FERRAMENTAS COMPUTACIONAIS
DISTRIBUIÇÃO NORMAL

Função de probabilidade e Área sob a curva normal.

OBS: Os valores 1, 2 e 3 (no eixo), se referem a

quantidade de desvios padrão.
x    68% dos dados
2
1  x x 
   x  2  95% dos dados
2  
e x  3  99,7% dos dados
f ( x) 
 2

x  3 x  2 x   x  x  2 x  3

Prof. Raimundo Dias

FERRAMENTAS COMPUTACIONAIS
NORMAL

EXERCÍCIOS:
1. As entregas de um produto em um porto seguem uma
distribuição normal com média 63,5 horas e desvio
padrão de 1,5 horas.
Qual a probabilidade de uma determinada entrega chegar:
a) Acima de 65 horas?
b) Entre 61 e 63 horas?
c) Abaixo de 62 horas?

Prof. Raimundo Dias