Livro PDF - Análise Estatística e Probabilidade - Prof MSC Uanderson Rebula

Administração
Uanderson Rebula de Oliveira

-1-
Análise Estatística
uanderson.rebula@yahoo.com.br
Uanderson Rebula de Oliveira Análise Estatística
Administração -2-
Administração - 2015
UANDERSON REBULA DE OLIVEIRA
Mestrando em Engenharia de Produção pela Universidade Estadual Paulista - UNESP
Pós-graduado em Controladoria e Finanças-Universidade Federal de Lavras-UFLA
Pós-graduado em Logística Empresarial-Universidade Estácio de Sá-UNESA
Graduado em Ciências Contábeis-Universidade Barra Mansa-UBM
Técnico em Metalurgia-Escola Técnica Pandiá Calógeras-ETPC
Técnico em Segurança do Trabalho-ETPC
Operador Siderúrgico e Industrial-ETPC
Atividades presentes
Consultor em Treinamento e Desenvolvimento Empresarial. . Pesquisador na área de Logística Reversa. Gestor de
Operações de Pós Graduação na Universidade Estácio de Sá. Professor na UNIFOA no curso de Pós graduação em
Engenharia de Segurança do Trabalho. Professor da Universidade Estácio de Sá nas disciplinas de Gestão de
Estoques, Gestão Financeira de Empresas, Fundamentos da Contabilidade e Matemática Financeira, Probabilidade e
Estatística, Controle Estatístico da Qualidade, Análise Estatística, Ergonomia, Higiene e Segurança do Trabalho,
Gestão de Segurança e Análise de Processos Industriais. Professor na Associação Educacional Dom Bosco para os
cursos de Administração, Logística, Engenharia de Produção e Engenharia Metalúrgica e Gestão da Produção.
Atividades passadas
Ex-Professor na Universidade Barra Mansa (2010-2012) nos cursos de Engenharia de Produção/Petróleo.
Ex-professor conteudista na UNESA (elaboração de Planos de Ensino e de Aula, a nível nacional).
Ex-professor em escolas técnicas (2006-2010) nas disciplinas de Estatística Aplicada, Estatística de Acidentes do
Trabalho, Probabilidades, Contabilidade Básica de Custos, Metodologia de Pesquisa Científica, Segurança na
Engenharia de Construção Civil e Higiene do Trabalho. Ex-professor do SENAI (2007).
Ex funcionário da CSN por 20 anos (1993-2014), onde atuou por 10 anos como Operador e Líder de Produção em
vários setores e por 10 anos no setor de Segurança do Trabalho. Ex-membro do IBS–Instituto Brasileiro de
Siderurgia em grupo de trabalho em assuntos pertinentes a Segurança do Trabalho .
Currículo completo: http://lattes.cnpq.br/1039175956271626
br.linkedin.com/in/uandersonrebula/
EMENTA:
Probabilidades e seus eventos. Probabilidade condicional. Eventos independentes. Teorema de
Bayes. Variáveis aleatórias: distribuição, média e desvio padrão. Distribuições de probabilidades
discretas e contínuas. Correlação e Regressão. Teste de hipóteses.
OBJETIVO:
Possibilitar aos estudantes o acesso a conceitos e procedimentos fundamentais da metodologia
estatística, como ferramenta de suporte à tomada de decisão e à abordagem cientifica de
populações, sistemas e processos, nas áreas de engenharia, indústria, comercio e serviços.

“Atualmente, todos – estudantes e professores – procuram o Udemy porque é a
plataforma onde todos estão”.
Fonte: Jornal do Brasil
Faça o curso online no Udemy

Estatística I (para leigos):
aprenda fácil e rápido!
Com o Prof. MSc. Uanderson Rébula
"O livro digital Estatística I para leigos possui uma linguagem fácil e ao mesmo tempo dinâmica. O
conteúdo do livro está ordenado de forma a facilitar a aprendizagem dos alunos, mesmo aquelas
pessoas que não tenham noção nenhuma de estatística aprenderão com esse livro. Você pode
estudar sozinho para concursos pois o livro é auto explicativo ou até mesmo em grupos, no meu
caso faço isso com meus alunos. Eu super recomendo esse livro!!! NOTA 1000"
Maria Eunice Souza Madriz
Professora de estatística da rede estadual de ensino da Bahia
Avaliação do livro pelo cliente na amazon.com.br
Saiba
mais
Clique aqui
www.udemy.com
Junte-se a milhões de estudantes na maior plataforma on-line
de cursos curtos e práticos do mundo.
Com mais de 45.000 cursos virtuais disponíveis, o Udemy é uma plataforma global de
ensino on-line onde 15 milhões de alunos estão dominando novas habilidades.
O foco do Udemy são os conhecimentos práticos e úteis para o mercado de trabalho. Há

cursos gratuitos e pagos. São cursos curtos e com valores bem acessíveis.
Prof. MSc. Uanderson Rébula de Oliveira
Uma mensagem do Prof. MSc Uanderson Rébula. CLIQUE NO VÍDEO
CLIQUE AQUI E INSCREVA-SE NO CURSO JÁ
Sumário
Administração -3-
Sumário
1 – PROBABILIDADE
CONCEITOS BÁSICOS DE PROBABILIDADE , 5
Conceitos, experimento aleatório e espaço amostral, 5
Princípio fundamental da contagem, 6
Eventos e Probabilidade básica, 8
Probabilidade com eventos complementares, 9
ADIÇÃO DE PROBABILIDADES, 10
Probabilidade com eventos mutuamente exclusivos, 10
Probabilidade com eventos NÃO mutuamente exclusivos, 10
PROBABILIDADE CONDICIONAL E MULTIPLICAÇÃO DE PROBABILIDADES, 11
Probabilidade com eventos dependentes, 10
Multiplicação de probabilidade com eventos dependentes, 13
Multiplicação de probabilidade com eventos independentes, 14
Teorema de Bayes, 15
2 – VARIÁVEIS ALEATÓRIAS E MODELOS PROBABILÍSTICOS

VARIÁVEIS ALEATÓRIAS, 17
Distribuições de Probabilidades e representação gráfica, 17
Valor Esperado, 19
Variância e Desvio Padrão, 20
MODELOS, 21
Modelo Binomial, 21
Modelo de Poisson, 25
Poisson como aproximação para a Binomial, 27
Modelo Normal, 28
3 – CORRELAÇÃO E REGRESSÃO
CORRELAÇÃO LINEAR SIMPLES, 34
Introdução e Diagrama de Dispersão, 34
Correlação Linear, 34
Coeficiente de correlação de Pearson, 35
REGRESSÃO LINEAR SIMPLES, 37
Introdução, 37
Ajustamento da reta aos pontos grafados, 37
4 – TESTE DE HIPÓTESE
Conceitos introdutórios, 40
Teste de hipótese para média (amostras grandes),41
Teste de hipótese para média (amostras pequenas), 42
Teste de hipótese para proporção, 43
Teste para duas amostras – conceitos introdutórios, 45
Teste para diferença de duas médias (dependente),45
Teste para diferença de duas médias (independente), 47
REFERÊNCIAS BIBLIOGRÁFICAS, 48
ANEXO I – INDICAÇÃO DE MATERIAL DIDÁTICO PARA AUXÍLIO AS AULAS, 49
ANEXO II – Software Bioestat , 50
ANEXO III – ESTATÍSTICA NO EXCEL, 51
ANEXO IV – REVISÃO DE MEDIDAS DE VARIAÇÃO, 52

Administração -4-
CAPÍTULO 1
PROBABILIDADE
É possível quantificar o
acaso?

Administração -5-
CONCEITOS BÁSICOS DE PROBABILIDADES

Probabilidade é uma medida numérica que representa a chance de um evento ocorrer.
Dois exemplos clássicos (por sua simplicidade) do conceito de Probabilidade são:

Ao lançar um dado, qual a probabilidade de obter “4”? Ao lançar a moeda, qual a probabilidade de dar “cara”?
Como representar numericamente as chances desses eventos?

Conhecidas certas condições, é possível responder a essas duas perguntas, antes mesmo da realização desses
experimentos. A teoria da probabilidade surgiu para tentar calcular a “chance” de ocorrência de um resultado
imprevisível, porém, pertencente a um conjunto de resultados possíveis. Todos os dias somos confrontados com
situações, que nos conduzem a utilizar a teoria de probabilidade:
Dizemos que existe uma pequena probabilidade de ganhar na loteria;
Dizemos que existe uma grande probabilidade de não chover num dia de verão;
O gerente quer saber a probabilidade de o projeto ser concluído no prazo;
O analista financeiro quer saber a chance de um novo investimento ser lucrativo;
O gerente de marketing quer saber as chances de queda de vendas se aumentar os preços;
O eng. produção quer saber a probabilidade de um novo método de montagem aumentar a produtividade.
É POSSÍVEL QUANTIFICAR O ACASO. Desse modo, se houver probabilidades disponíveis, podemos determinar a
possibilidade de cada um dos eventos ocorrer. Para continuar o estudo de probabilidades, três conceitos são
importantes: Experimento aleatório, espaço amostral e eventos.
Experimento aleatório
Experimento cujo resultado é imprevisível, porém pertencente a um conjunto de resultados possíveis.
É o fenômeno que estamos interessados em observar, e cada resultado dele é uma experiência. Embora não
saibamos qual o resultado que irá ocorrer, conseguimos descrever todos os resultados possíveis. Exemplos:
EXPERIMENTO Resultados possíveis

Jogar uma moeda Cara ou Coroa
Lançar um dado 1, 2, 3, 4, 5, 6
Jogar uma partida de futebol Ganhar, empatar, perder
Fazer um contato de vendas Comprar, não comprar
Selecionar uma peça para inspeção Defeituosa, não defeituosa
Nascimento de uma criança Masculino, feminino
A principal característica do experimento é ser casual, no sentido de que, apesar de conhecermos seus possíveis
resultados, não podemos dizer com certeza o que vai ser obtido. Quantas e quais as possibilidades de resultados
desses experimentos são questões que tentamos responder para avaliar as chances de eles acontecerem.
Espaço amostral
É o conjunto de todos os resultados possíveis de um experimento aleatório.
Note que, ao especificar todos os resultados possíveis, identificamos o espaço amostral, representado por S.
São exemplos de espaços amostrais:
EXPERIMENTO ALEATÓRIO Espaço amostral

Jogar uma moeda S = { Cara, Coroa}
Lançar um dado S = {1, 2, 3, 4, 5, 6}
Jogar uma partida de futebol S = {Ganhar, Empatar, Perder}
Fazer um contato de vendas S = {Comprar, Não comprar}
Selecionar uma peça para inspeção S = {Defeituosa, Não defeituosa}
Nascimento de uma criança S = {Masculino, Feminino}

Administração -6-
Princípio Fundamental da Contagem (principio multiplicativo)

O problema de determinar o espaço amostral surge quando as possibilidades de combinações são muitas e podem
nos deixar confusos (Ex.: ao lançar 2 dados, quais os resultados possíveis?). Para resolver esta questão recorremos à
organização da contagem denominada Princípio Fundamental de Contagem, representada graficamente pelo
Diagrama de árvore, onde mostra todos os possíveis resultados de um acontecimento. Exemplo clássico:
Suponha que José tenha 2 bermudas (preta e vermelha) e 3 camisas (azul, preta e verde). De quantas
maneiras diferentes (resultados possíveis) José pode se vestir usando uma bermuda e uma camisa?
Utilizando um diagrama de árvore teremos:
Figura. Diagrama de árvore
BERMUDAS CAMISAS 1ª etapa 2ª etapa
2 possibilidades 3 possibilidades
2 x 3 = Total de 6 possibilidades
(espaço amostral)
Notas básicas do Princípio multiplicativo

Observe que há duas possibilidades de escolher uma bermuda. Para cada
uma delas, três possibilidades de escolher uma camiseta. Logo, o número
total de maneiras diferentes de José se vestir é: 2 x 3 = 6
Como o número de resultados foi obtido por meio de uma multiplicação,

dizemos que foi aplicado o princípio multiplicativo.
O princípio multiplicativo constitui a ferramenta básica para determinar o nº

de todas as possibilidades (espaço amostral) de um experimento sem que
seja necessário enumerar cada etapa. Para isto, basta conhecemos o
número de possibilidades de cada etapa e, multiplicando todos esses
números, teremos o número total de possibilidades. Portanto, temos abaixo
a fórmula:
2 x 3 = 6
1 ( 1, 1 )
Ao lançar dois dados, quantos resultados serão possíveis? 2 ( 1, 2 )
1 3 ( 1, 3 )
Observe pelo diagrama de árvore ao lado que, quando dois dados são lançados, cada um deles 4 ( 1, 4 )
tem seis resultados possíveis; juntos, esses seis resultados possíveis para cada dado produzem 5 ( 1, 5 )
36 (6x6) combinações, ou seja, 36 pares possíveis. 6 ( 1, 6 )
1 ( 2, 1 )
2 ( 2, 2 )
2 3 ( 2, 3 )
Então, ao lançar os dados abaixo, quantos 4 ( 2, 4 )
resultados são possíveis? 5 ( 2, 5 )
6 ( 2, 6 )
1 ( 3, 1 )
2 ( 3, 2 )
3 3 ( 3, 3 )
Lançar dois dados 4 ( 3, 4 )
5 ( 3, 5 )
6 ( 3, 6 )
1 ( 4, 1 )
2 ( 4, 2 )
4 3 ( 4, 3 )
4 ( 4, 4 )
5 ( 4, 5 )
6 ( 4, 6 )
1 ( 5, 1 )
2 ( 5, 2 )
5 3 ( 5, 3 )
4 ( 5, 4 )
5 ( 5, 5 )
Três dados → 6x6x6 = 216
6 ( 5, 6 )
Quatro dados → 6x6x6x6 = 1.296
5
Cinco dados → 6 = 7.776 1 ( 6, 1 )
8 2 ( 6, 2 )
Oito dados → 6 = 1.679.616 3 ( 6, 3 )
10 6
Dez dados → 6 = 60.466.176 4 ( 6, 4 )
5 ( 6, 5 )
6 ( 6, 6 )

Administração -7-
Suponha que você tenha 2 calças (preta, branca), 3 camisas (verde, amarela, rosa) e 3 calçados (sapato, tênis e
chinelo). De quantas maneiras diferentes (resultados possíveis) você pode se vestir usando uma calça, uma camisa e
um calçado?
Resultados
(espaço amostral)
CALÇA CAMISA CALÇADO
sapato ( pre, ver, sap )
tênis ( pre, ver, ten )
verde chinelo ( pre, ver, chi )
preta sapato ( pre, ama, sap )

amarela tênis ( pre, ama, ten )
chinelo ( pre, ama, chi )
rosa sapato ( pre, ros, sap )
Maneiras tênis ( pre, rosa, ten )
de se chinelo ( pre, rosa, chi )
vestir
sapato ( bra, ver, sap )
tênis ( bra, ver, ten )
verde chinelo ( bra, ver, chi )
branca sapato ( bra, ama, sap )

amarela tênis ( bra, ama, ten )
chinelo ( bra, ama, chi )
rosa sapato ( bra, rosa, sap )
tênis ( bra, rosa, ten )
chinelo ( bra, rosa, chi )
2 x 3 x 3 = 18 possibilidades
Um projeto de ampliação da capacidade produtiva da empresa ABC divide-se em duas etapas seqüenciais: etapa 1
(projeto – em 2, 3 ou 4 meses) e etapa 2 (construção – em 6,7 ou 8 meses). Quais os resultados possíveis? Qual o
prazo mais provável para conclusão total do projeto?
Etapa 2-Construção Espaço amostral
Etapa 1-Projeto 6 meses (2,6) = 8 meses
2 meses 7 meses (2,7) = 9 meses
8 meses (2,8) = 10 meses

Projeto 3 meses 7 meses (3,7) = 10 meses
4 meses 7 meses (4,7) = 11 meses

É mais provável que o projeto
seja concluído dentro de 8 meses (4,8) = 12 meses
prazo de 10 meses.
3 x 3 = 9
Sabendo que os números do Seguro Social são constituídos de 9 dígitos e cada um deles tem 10 resultados possíveis
(0,1,2...9), determine o número de Seguros diferentes que podem ser formados.
2 5 7 6 3 7 2 7 8 Espaço amostral
0 0 0 0 0 0 0 0 0 Aplicando o princípio multiplicativo, temos:
1 1 1 1 1 1 1 1 1 10 x 10 x 10 x 10 x 10 x 10 x 10 x 10 x 10
. . . . . . . . .
9 9 9 9 9 9 9 9 9 1.000.000.000 (1 bilhão de resultados possíveis)
10 x 10 x 10 x 10 x 10 x 10 x 10 x 10 x 10 = 1.000.000.000

Administração -8-
Eventos
É o resultado possível dentro de um espaço amostral.
Evento A → {sair número dois} → A={2}.

Lançar um dado e
observar sua face
Evento B → {sair número maior que 4} → B={5,6}.
Evento C → {sair número par} →C={2,4,6}.

S = {1,2,3,4,5,6}
Evento D → {sair número menor que 2} → D={1}.
O Diagrama de Venn pode representar graficamente o espaço amostral e o evento.
Evento A → {sair número dois} → A={2}. Evento C → {sair número par} → C={2,4,6}.
Espaço
A S amostral S Espaço
1 C amostral
Evento
2 1
Evento
34 2
3
5 S = {1,2,3,4,5,6} 6
4 5 S = {1,2,3,4,5,6}
6 A = {2}
C = {2,4,6}
A área do círculo representa o Evento e a área do retângulo representa todos os elementos de um espaço amostral.
Probabilidade básica
n( A ) nº elementos no evento A
A probabilidade é dada por: P
S Espaço amostral
Exemplos:
1) No lançamento de um dado, qual a probabilidade de o resultado ser o número 2?
A = {2} →A=1 P(A) = 1 = 0,1666 ou 16,66% a probabilidade de o resultado ser o “2” é
S = {1,2,3,4,5,6} →S=6 6 de 1 chance em 6 ou 0,1666 ou 16,66%.
2) No lançamento de uma moeda, qual a probabilidade de o resultado ser Cara?

A = {Ca} → A=1 P(A) = 1 = 0,50 ou 50%
S = {Ca,Co} → S=2 2
3) Uma urna tem 10 bolas, sendo 8 pretas e 2 brancas. Pegando-se uma bola, qual a probabilidade de ela ser branca?
A = {B,B} → A= 2 P(A) = 2 = 0,20 ou 20%
S = {P,P,P,P,P,P,P,P,B,B} → S = 10 10
4) Em um lote de 200 peças, 25 são defeituosas e 175 são boas. Se um Analista Industrial retira uma peça, qual a
probabilidade de essa peça ser defeituosa?
A = {D,D,D,D,D...} → A = 25 P(A) = 25 = 0125 ou 12,5%
S = {B,B,B,B,B,B...D,D} → S = 200 200
5) Das 120 notas fiscais emitidas por uma empresa, 16 tem erros de impressão. Se um Auditor seleciona uma nota fiscal,
qual a probabilidade de essa nota apresentar erros de impressão?
A = {NE, NE, NE ...} → A = 16 P(A) = 16 = 0125 ou 12,5%
S = {NB,NB, NB...NE,NE} → S = 120 120
NE = Nota com erro ; NB = Nota boa

Administração -9-
figuras
Observe as cartas de um baralho de 52 cartas, abaixo:
Naipes Valete Dama Reis Ás
(Paus)
(preta)
13 cartas
(ouros)
(vermelha)
13 cartas
(Espadas)
(preta)
13 cartas
(Copas)
(vermelha)
13 cartas
Quando retiramos uma carta de um baralho de 52 cartas, qual a probabilidade de o resultado:

Sair um Ás de Ouros: temos 1 Ás de Ouros no baralho, então: Sair um Reis: temos 4 Reis no baralho. Então:
A = {Ás} → A= 1 P(A) = 1 = 0,019 A = {R,R,R,R} → A= 4 P(A) = 4 = 0,076
S= {52 cartas} → S = 52 52 S= {52 cartas} → S = 52 52
Interpretação de valores probabilísticos

As probabilidade são sempre são atribuídos em uma escala de 0 a 1 (ou 0% a 100%)
0 0,5 (50%) 1 (100%) Números que não podem

Impossível pouco provável provável Certo representar probabilidade:
10
/5 120% -0,4
Chance 50-50
Probabilidade com Eventos complementares

É a probabilidade com os resultados que não fazem parte do evento (A).
Eventualmente queremos saber a probabilidade de um evento não ocorrer. Portanto, é o evento formado pelos resultados que não
pertencem ao evento A. Sendo P( A ) a probabilidade de que ele não ocorra e P(A) a probabilidade que ocorra, temos:
Probabilidade com Evento complementar
Probabilidade do P( A ) = 1 – P(A)
evento não ocorrer Probabilidade evento (A)
Exemplo. No lançamento de um dado, qual a probabilidade de o resultado:

Pela probabilidade (A) Probabilidade com evento complementar
ser o número 2 não ser o número 2
A={2} →A=1 P(A) = 1 = 0,1666 P( A ) = 1 – P(A)

S={1,2,3,4,5,6} →S=6 6 = 1 – 0,1666 → 0,8333 ou 83,33%
O “Diagrama de Venn” abaixo ilustra a relação entre o espaço amostral, o evento A e seu complemento A :
P(A) = 16,66% P( ) = 83,33%

Probabilidade (A)
A S Probabilidade
1 Complementar
2 3
5
6
4 AAA equação 1- P( ) fundamenta-se na
interpretação dos valores probabilísticos:
0 1
0,1666 = 0,8333

Administração - 10 -
ADIÇÃO DE PROBABILIDADES
Probabilidade com Eventos mutuamente exclusivos
É a probabilidade com eventos que não ocorrem ao mesmo tempo. Ou ocorre A ou ocorre B (A ou B).
A ocorrência de um evento impossibilita a ocorrência do outro.
Dois eventos são mutuamente exclusivos quando a ocorrência de um evento exclui a ocorrência de outro. É impossível ocorrer os eventos A
e B ao mesmo tempo. Então, o termo “ou” indicará “adição de probabilidades”. Para encontrar a probabilidade de um evento ou outro
ocorrer, adicionamos as probabilidades de cada evento: P(A ou B) = P(A) + P(B).
Exemplo 1. Ao lançar um dado, a probabilidade de se tirar o 2 ou 5 é:

3 S
A B 6 “ou” indica Adição de probabilidades. P(A ou B) =
5 P(A) + P(B)
2 ou 4 A = {2} → A=1 P(A ou B) = 1 + 1 = 2 = 0,3333
1 B = {5} → B=1 6 6 6
S = {1,2,3,4,5,6} → S=6
Exemplo 2. Ao retirar uma carta de um baralho de 52 cartas, a Exemplo 3. Numa urna estão 10 bolas, sendo 2 pretas
probabilidade de sair um Rei ou uma Dama é: (P), 5 amarelas (A) e 3 verdes (V). Pegando-se uma bola,
qual a probabilidade de ela ser preta ou verde?
A = {R,R,R,R } → A=4 P(AouB) = 4 + 4 = 8 = 0,1538 A = {P,P } → A=2 P(AouB) = 2 + 3 = 5 = 0,5
B = {D,D,D,D} → B=4 52 52 52 B= {V,V,V} → B=3 10 10 10
S = {52 cartas → S = 52
S = {10} → S = 10
Probabilidade com Eventos NÃO mutuamente exclusivos

É a probabilidade com Eventos que podem ocorrer ao mesmo tempo. Ou ocorre A ou B ou AMBOS (A e B).
A ocorrência de um NÃO impossibilita a ocorrência do outro.
Dois eventos NÂO são mutuamente exclusivos quando a ocorrência de um evento não exclui a ocorrência de outro. É possível ocorrer os
eventos A e B ao mesmo tempo. O termo “ou”, indicará “adição” e “e” indicará “ambos”
Exemplo 1 Ao lançar um dado, a probabilidade de obter um número ímpar ou menor que 3 é:
ímpar Menor que 3 Os eventos A e B não são mutuamente exclusivos, pois “1” ocorre em A e B (ambos).
B S
A 3 2 5
Se aplicarmos P(AouB) = P(A) + P(B) teremos: /6 + /6 = /6. Observe no diagrama que
3 4
este resultado está incorreto, pois P(AouB) = /6. Este erro foi provocado pela dupla
1 6
5 2 4
contagem de “1”.
Neste caso, ajustaremos a regra da soma para evitar a dupla contagem. A equação será:
A e B (Ambos) P(AouB) = P(A) + P(B) – P(A e B)
Então, a probabilidade de lançar um número ímpar ou menor que 3 será:

A = {1,3,5} → A=3
B = {1,2} → B=2 P(AouB) = 3 + 2 - 1 = 4 = 0,6666
A e B = {1} → AeB=1 6 6 6 6
S = {1,2,3,4,5,6} → S=6
Exemplo 2 Numa pesquisa sobre a preferência de dois jornais, consultamos 470 pessoas, sendo que 250 lêem o jornal A, 180
lêem o jornal B e 60 lêem os jornais A e B. Escolhendo uma pessoa ao acaso, qual a probabilidade de que seja:
Jornal a) Leitor dos jornais A ou B? P(A ou B) = P(A) + P(B) – P(A e B)

Jornal A B A = {250} 250 + 180 – 60 = 370 = 0,7872
B = {180} 470 470 470 470
60 A e B = {60}
S = {470}
AeB
* Regra da soma para três eventos: P(A ou B ou C) = P(A) + P(B) + P(C) - P(A e B) - P(B e C) + P(A e B e C)

PROBABILIDADE CONDICIONAL E MULTIPLICAÇÃO DE PROBABILIDADES

Probabilidade com Eventos dependentes
É a probabilidade do Evento B ocorrer, dado que o evento A já tenha ocorrido.
 Diz-se probabilidade condicional quando a ocorrência de um evento está condicionada à ocorrência do outro.
Portanto, os eventos são dependentes. A probabilidade de um é alterada pela existência do outro.
A probabilidade condicional do Evento B, dado que A ocorreu é denotada por:
A ocorreu (lê-se “probabilidade de B, dado que A ocorreu”)

P(B|A) = P(A e B)
P(A) → espaço amostral de A, “reduzido”
Ao calcular P(B|A) tudo se passa como se P(A) fosse o novo espaço amostral “reduzido” dentro do qual, queremos
calcular a probabilidade de B. Não utilizamos o espaço amostral original.
Exemplo 1. Ao lançar um dado, observou-se um número maior que 2 (evento A ocorreu). Qual a probabilidade de esse
número ser o “5” (evento B)?
Ser o 5 O evento A ocorreu e queremos saber o B (dentro de A):

Maior que 2
A B A = {3, 4, 5, 6}
4 3
B = {5}
Novo espaço 6 5
P(B|A) será a probabilidade de ocorrer o número 5 no novo espaço
amostral
amostral reduzido de A. Então:
1 A e B = {5} → 1 P(B|A) = P(A e B) → 1 = 0,25

A = {3,4,5,6} → 4 P(A) 4
2
Espaço amostral original S = {1,2,3,4,5,6} Observe que não usamos o espaço amostral original S.
EXEMPLO 2 Ao lançar um dado, observou-se um número maior que 1 (evento A ocorreu). Qual é a probabilidade de esse
número ser ímpar (Evento B)?
ímpar O evento A ocorreu e queremos saber o B (dentro de A):

Maior que 1
A B A = {2, 3, 4, 5, 6}
2
4 B = {3, 5}
3
Novo espaço 6 5 P(B|A) será a probabilidade de ocorrer número ímpar no novo espaço
amostral amostral reduzido de A. Então:
A e B = {3,5} → 2 P(B|A) = P(A e B) → 2 = 0,40
1 A = {2,3,4,5,6} → 5 P(A) 5
Observe que não usamos o espaço amostral original S
Espaço amostral original S = {1,2,3,4,5,6}
EXEMPLO 3 Duas cartas são selecionadas em sequência em um baralho. Qual a probabilidade de que a 2ª
carta seja uma dama, dado que a 1ª seja um rei. (assuma que o rei está sem reposição).
Solução. Em razão de a primeira carta ser um rei e não ser a resposta, P (B|A) = 4 = 0,078
o baralho restante tem 51 cartas, 4 das quais são dama. Então: 51
EXEMPLO 4 Cinco cartas são selecionadas em sequência em um baralho. Qual a probabilidade de que a 5ª carta seja uma
dama. Dado que a 1ª = rei; 2ª = dama; 3ª = 8 ; 4ª = Ás. (assuma que não há reposição).
Solução. Em razão de a 1ª = rei; 2ª = dama; 3ª = 8 ; 4ª = Ás, o baralho P (E|A,B,C,D) = 3 = 0,062

restante tem 48 (52-4) cartas, 3 das quais são dama. Então: 48
Note que o espaço amostral original foi reduzido

EXEMPLO 5 Numa pesquisa sobre a preferência de dois jornais, consultamos 470 pessoas e o resultado foi o seguinte: 250
lêem o jornal A, 180 lêem o jornal B, 60 lêem os jornais A e B. Escolhendo uma pessoa ao acaso, qual a probabilidade de:
a) Um leitor do jornal A, também ser leitor do B? b) Um leitor do jornal B, também ser leitor do A?
Jornal Jornal
Jornal A B Jornal A B
Novo espaço
190 60 190 60
amostral
Novo espaço
amostral 120 120
O evento A ocorreu e queremos saber o B. Então, denotamos O evento B ocorreu e queremos saber o A. Então, denotamos
P(B|A). Dentre os leitores do Jornal A, devemos destacar os que P(A|B). Dentre os leitores do Jornal B, devemos destacar os que
lêem B; logo, o espaço amostral desse evento é A (190+60=250). lêem A; logo, o espaço amostral desse evento é B (120+60=180).
Então, a probabilidade é: Então, a probabilidade é:
A e B = {60} → 60 P(A|B)=P(A e B) → 60 = 0,33

A e B = {60} → 60 P(B|A)=P(A e B) → 60 = 0,24
B= {120+60} → 180 P(B) 180
A= {190+60} → 250 P(A) 250
EXEMPLO 6. O quadro abaixo mostra os resultados de um estudo no qual os pesquisadores examinaram o QI de uma criança
e a presença de um gene específico nela.
Gene Gene não A probabilidade de que a criança tenha um QI alto (Evento B), dado que
presente presente a criança tenha o gene (Evento A) é?
QI alto 33 19 52 Solução. Há 72 crianças que têm o gene. Então, o espaço amostral consiste
QI normal 39 11 50 dessas 72 crianças. Dessas, 33 tem QI alto. Então:
72 30 102 P (B|A) = 33 = 0,458
72
EXEMPLO 7 Em um lote de 12 peças, 8 são de “qualidade” e 4 são “defeituosas”. Ao selecionar duas peças em sequência, sem
reposição, qual a probabilidade de:
a 2ª peça ser “defeituosa”, dado que a 1ª é “defeituosa”.
Solução. Em razão de a 1ª peça ser defeituosa, o lote restante tem 11 P (B|A) = 3 = 0,2727
peças, 3 das quais são defeituosas. Então: 11
a 2ª peça ser “defeituosa”, dado que a 1ª é de “qualidade”.

Solução. Em razão de a 1ª peça ser de qualidade, o lote restante tem 11 P (B|A) = 4 = 0,3636
peças, 4 das quais são defeituosas. Então: 11
a 2ª peça ser de “qualidade”, dado que a 1ª é “defeituosa”.

Solução. Em razão de a 1ª peça ser defeituosa, o lote restante tem 11 P (B|A) = 8 = 0,7272
peças, 8 das quais são de qualidade 11

Multiplicação de probabilidade com eventos dependentes ...ache P(A e B) , dado P(B|A) e P(A)
Uma consequência matemática importante da definição de probabilidade condicional é a seguinte:

P(B|A) = P(A e B) se quero achar: P(B|A) = ? então → P(A e B) = P(A) x P(B|A)
P(A) P(A e B) P(A)
Isto é, a probabilidade dos eventos (A e B) é o produto da probabilidade de um deles pela probabilidade do outro, dado o primeiro.
EXEMPLO 1 Duas cartas são selecionadas em sequência em um baralho de 52 cartas. Qual a probabilidade de
selecionar um Rei e uma Dama? (não há reposição).
A probabilidade de a 1ª carta ser um Rei é /52. A
4 P(A e B) = ? P(A e B) = P(A) x P(B|A)
4
4
2ª carta ser uma Dama é /51, pois o baralho P(A) = /52 4 x 4 → 16 = 0,006
4
restante tem 51 cartas, 4 das quais são dama. P(B|A) = /51 52 51 2652
EXEMPLO 2 Em um lote de 12 peças, 8 são de “qualidade” e 4 são “defeituosas”. Sendo retiradas duas peças em sequência,
qual a probabilidade de que: (não há reposição)
a) Ambas sejam “defeituosas” b) Ambas sejam de “qualidade”
P(A e B) = ? P(A e B) = ?
4 4 x 3 = 0,090 8 8 x 7 = 0,4242
P(A) = /12 P(A) = /12
3 12 11 7 12 11
P(B|A) = /11 P(B|A) = /11
4 3 8 7
A probabilidade de a 1ª peça ser defeituosa é /12 e a 2ª é /11, pois o A probabilidade de a 1ª peça ser de qualidade é /12 e a 2ª é /11,
lote restante tem 11 peças, 3 das quais são defeituosas. pois o lote restante tem 11 peças, 7 das quais são de qualidade.
EXEMPLO 3 Uma urna contém 7 bolas brancas (B) e 3 pretas (P). Extraindo-se três bolas em sequência, qual a probabilidade
de que: (não há reposição).
a) As duas primeiras sejam brancas e a terceira seja preta (ou seja, BBP)
7 6 7
A probabilidade de a 1ª bola ser branca é /10 e a 2ª é /9. A P(A) = /10
3 6 7 x 6 x 3 = 0,175
probabilidade de a 3ª bola ser preta é /8, pois a urna restante P(B|A) = /9
3 10 9 8
tem 8 peças, 3 das quais são pretas. P(C|B) = /8
b) Duas sejam brancas e uma seja preta (ou seja: BBP, BPB ou PBB) = 3[BBP]
O evento sair “duas brancas e uma preta” pode ocorrer de três maneiras que 7
P(A) = /10
diferem apenas pela ordem de aparecimento das bolas: (BBP, BPB, PBB). Logo, a  7 6 3
probabilidade será a soma dessas maneiras. Então, basta calcular a probabilidade de
6
P(B|A) = /9 3   x x  = 0,525
uma dessas maneiras (por exemplo, a primeira) e multiplicar por 3. Então: 3(BBP).
3
P(C|B) = /8  10 9 8 
c) Pelo menos duas sejam brancas (ou seja: 3[BBP] + [BBB])

2 brancas 3 brancas
3[BBP] [BBB]
“Pelo menos duas brancas“ é a mesma coisa que “no 7
P(A) = /10
7
P(A) = /10  7 6 3  7 6 5
mínimo duas brancas”, ou seja, duas ou três brancas. 6 6 3   x x  +  x x  = 0,8166
Então, calculamos duas brancas + três brancas.
P(B|A) = /9
3
P(B|A) = /9
5
 10 9 8   10 9 8 
P(C|B) = /8 P(C|B) = /8
d) No máximo uma seja branca (ou seja: [PPP] + 3[PPB])

0 branca 1 branca
[PPP] 3[PPB]
No máximo uma branca é a mesma coisa que “ou P(A) =
3
/10 P(A) =
3
/10  3 2 1  3 2 7
nenhuma branca ou uma branca”. Então, calculamos 2 2  x x  + 3   x x  = 0,1833
nenhuma branca (todas pretas) + uma branca.
P(B|A) = /9
1
P(B|A) = /9
7
 10 9 8   10 9 8 
P(C|B) = /8 P(C|B) = /8
e) Pelo menos uma seja preta. (ou seja: 3[PBB] + 3[PPB] + [PPP])
1 preta 2 pretas 3 pretas
3[PBB] 3[PPB] [PPP]
3 3 3
P(A) = /10 P(A) = /10 P(A) = /10  3 7 6  3 2 7  3 2 1
7
P(B|A) = /9
2
P(B|A) = /9
2
P(B|A) = /9
3   x x  + 3   x x  +  x x  = 0,7083
6 7 1  10 9 8   10 9 8   10 9 8 
P(C|B) = /8 P(C|B) = /8 P(C|B) = /8
MÉTODO ALTERNATIVO: [BBB]

7
É mais prático usar o P(A) = /10  7 6 5
evento complementar:
6
P(B|A) = /9
1   x x  = 0,7083
5  10 9 8 
1 – BBB (nenhuma preta) P(C|B) = /8
f) Todas sejam da mesma cor:
[PPP]+[BBB] = 0,30

Multiplicação de Probabilidade com Eventos independentes

É quando a ocorrência do Evento A não afeta a probabilidade da ocorrência do B. Não existe dependência.
A e B podem ocorrer simultaneamente (ao mesmo tempo). São independentes.
 A regra da multiplicação é usada para achar P(A e B) para eventos independentes. Aqui associaremos a palavra “e”
com “multiplicação”. O termo chave usado é “simultâneo”. A equação é : P(A e B) = P(A) x P(B). Existe reposição
1 ( 1, 1 )
2 ( 1, 2 ) Exemplo 1. Ao lançar dois dados simultaneamente, qual a
1 3 ( 1, 3 ) probabilidade de:
4 ( 1, 4 )
5 ( 1, 5 ) Obter o número 2 e ímpar ?
6 ( 1, 6 )
1 ( 2, 1 )
Pelo Diagrama de árvore: Então, a probabilidade é:
2 ( 2, 2 )
3 ( 2, 3 ) (2,1), (2,3), (2,5) 3 = 8,33%
2
4 ( 2, 4 ) 36
5 ( 2, 5 ) Se aplicarmos a regra da multiplicação, temos:
6 ( 2, 6 )
1 ( 3, 1 ) A={2} → A=1 P(A e B) = P(A) x P(B)

2 ( 3, 2 ) B={1,3,5} → B=3 1 x 3 = 3 = 8,33%
3 3 ( 3, 3 )
Lançar dois dados 4 ( 3, 4 ) S={1,2,3,4,5,6} → S = 6 6 6 36
5 ( 3, 5 )
6 ( 3, 6 ) Obter um número par e ímpar ?
1 ( 4, 1 ) Pelo Diagrama de árvore Então, a probabilidade é:
2 ( 4, 2 )
4 3 ( 4, 3 ) 9 = 25%
4 ( 4, 4 )
(2,1), (2,3), (2,5)
5 ( 4, 5 ) (4,1), (4,3), (4,5) 36
6 ( 4, 6 )
(6,1), (6,3), (6,5)
1 ( 5, 1 )
2 ( 5, 2 ) Aplicando a regra da multiplicação, temos:
5 3 ( 5, 3 )
4 ( 5, 4 ) A={2,4,6} → A=3 P(A e B) = P(A) x P(B)
5 ( 5, 5 )
B={1,3,5} → B=3 3 x 3 = 9 = 25%
6 ( 5, 6 )
S={1,2,3,4,5,6} → S=6 6 6 36
1 ( 6, 1 )
2 ( 6, 2 )
3 ( 6, 3 ) Esta regra pode ser estendida para qualquer número de eventos
6
4 ( 6, 4 ) independentes: P (A e B e C) = P(A) x P(B) x P(C)...
5 ( 6, 5 )
6 ( 6, 6 ) O resultado do evento B independe do resultado de A.
Evento A e Evento B “São independentes”
S = {36}
Exemplo 2. Cirurgias de microfraturas no joelho têm 75% de chance de Sucesso em pacientes com joelhos
degenerativos (25% é de fracasso). A cirurgia é realizada em 3 pacientes. Calcule a probabilidade de que:
Nota: A probabilidade de que cada cirurgia seja um sucesso é de 0,75. A chance de um sucesso para uma cirurgia é
independente das chances para as outras cirurgias. Portanto, os eventos são independentes.
a) As três cirurgias sejam um sucesso. ou seja:[SSS] b) As três cirurgias sejam um fracasso. ou seja:[FFF]
[SSS] P (A e B e C) = P(A) x P(B) x P(C) [FFF] P (A e B e C) = P(A) x P(B) x P(C)

P(A) = 0,75 P(A) = 0,25
P(B) = 0,75 0,75 x 0,75 x 0,75 = 0,4218 P(B) = 0,25 0,25 x 0,25 x 0,25 = 0,0156
P(C) = 0,75 P(C) = 0,25
c) Duas cirurgias sejam um sucesso (ou seja: SSF, SFS, FSS) = 3[SSF]
O evento “Duas cirurgias” pode ocorrer de três maneiras que diferem apenas pela
ordem dos resultados das cirurgias: (SSF, SFS, FSS). Logo, a probabilidade será a P(A) = 0,75
soma dessas maneiras. Então, basta calcular a probabilidade de uma dessas
P(B) = 0,75 3 * (0,75*0,75*0,25) = 0,4218
P(C) = 0,25
maneiras (por exemplo, a primeira) e multiplicar por 3. Então: 3(SSF).

Teorema de Bayes (THOMAZ BAYES – 1701-1761 – MATEMÁTICO)

É uma extensão da probabilidade condicional, que procura responder a pergunta: sabendo-se que o
evento A ocorreu, qual a probabilidade de que esse evento tenha provindo de X?
 Usamos o Teorema de Bayes para rever probabilidades com base em informação adicional obtida posteriormente. Uma idéia-chave
para se entender a essência do teorema é reconhecer que estamos trabalhando com eventos sequenciais, pelos quais novas
informações são obtidas para se rever a probabilidade do evento inicial. Nesse contexto, os termos probabilidade a priori e
probabilidade a posteriori são comumente usados.
 Uma probabilidade a priori é um valor de probabilidade inicial originalmente obtido antes que seja obtida qualquer informação
adicional. Uma probabilidade a posteriori é um valor de probabilidade que foi revisto usando-se informação adicional obtida
posteriormente. O teorema de Bayes pode ser obtido por meio de tabelas, diagrama de árvore e pela equação de Bayes.
Exemplo 1. Usando um Diagrama de Árvore e a Equação de Bayes

As máquinas A e B são responsáveis por 65% e 35%, respectivamente, da produção de uma empresa. Os índices de
peças defeituosas na produção destas respectivas máquinas valem 2% e 5%. Se uma peça defeituosa foi selecionada
da produção desta empresa, qual é a probabilidade de que tenha sido produzida pela máquina A?
Resolução: Portanto, ao selecionar uma peça, atribuímos as probabilidades iniciais: P(A) = 0,65 e P(B) = 0,35, incluindo as peças
perfeitas e defeituosas. Denotamos P = peça perfeita e D = peça defeituosa
A probabilidade da peça sair defeituosa,

Pelo Diagrama de Árvore Peça seja da máquina A ou B, é 0,0305
0,98 perfeita P(A) * (P|A) = 0,6370 (0,0130+0,0175), que é a probabilidade
total da peça sair defeituosa.
máquina
A Se queremos saber a probabilidade de a
0,65 0,02 peça defeituosa ter sido produzida pela
Peça máquina A, será:
Peça defeituosa P(A) *(D|A) = 0,0130
0,0130 = 0,4262
fabricada
0,0305
Peça
P(B) * (P|B) = 0,3325 Enquanto que ter sido produzida pela
0,35 0,95 perfeita
máquina + máquina B será:
B
0,05 0,0175 = 0,5738
Peça 0,0305
defeituosa P(B) * (D|B) = 0,0175
Pela equação de Bayes

A equação de Bayes é dada por Usando a equação de Bayes e as probabilidades do exemplo 1,
referente ao cálculo da peça defeituosa ter sido produzida pela
P(A1) . P(B|A1) máquina A, temos:
P(x) =
P(A1) . P(B|A1) + P(A2) . P(B|A2)
P(A1) = 0,65 (peça ser produzida pela máquina A)
Sendo o numerador a probabilidade condicionada P(B|A1) = 0,02 (peça ser defeituosa, dado ser produzida pela máquina A)
procurada, o denominador a probabilidade total P(A2) = 0,35 (peça ser produzida pela máquina B)
condicionada, podendo estender a P(An) . P(B|An). P(B|A2) = 0,05 (peça ser defeituosa, dado ser produzida pela máquina B)
(0,65) . (0,02)
P(x) = = 0,4262
(0,65) . (0,02) + (0,35) . (0,05)
Exemplo 2. As máquinas A e B são responsáveis por 400 e 150, respectivamente, da produção de peças de uma
empresa. A quantidade de peças defeituosas produzidas pelas respectivas máquinas são 10 e 20. Se uma peça
defeituosa foi selecionada da produção, qual a probabilidade de que tenha sido produzida pela máquina B?
O total de peças produzidas é igual a 550 (400+150), logo:

400
P(A1) = 0,727 ( /550) (peça ser produzida pela máquina A)
A 10
P(B|A1) = 0,025 ( /400) (peça ser defeituosa, dado ser produzida pela máquina A)
150
P(A2) = 0,272 ( /550) (peça ser produzida pela máquina B)
B 20
P(B|A2) = 0,133 ( /150) (peça ser defeituosa, dado ser produzida pela máquina B)
Logo, a probabilidade da peça ser defeituosa e ter sido produzida pela máquina B será:
P(A2) . P(B|A2) (0,272) . (0,133)

P(x) = P(x) = = 0,6661
P(A2) . P(B|A2) + P(A1) . P(B|A1) (0,272) . (0,133) + (0,727) . (0,025)

CAPÍTULO 2
VARIÁVEIS ALEATÓRIAS E
MODELOS PROBABILÍSTICOS
1 ( 1, 1 )
2 ( 1, 2 )
1 3
4
( 1, 3 )
( 1, 4 ) Construindo modelos teóricos...
5 ( 1, 5 )
6 ( 1, 6 )
1
2
( 2, 1 )
( 2, 2 )
É possível criar um modelo teórico
2 3
4
( 2, 3 )
( 2, 4 )
que descreva como se espera que o
5
6
( 2, 5 )
( 2, 6 ) experimento se comporte?
1 ( 3, 1 )
2 ( 3, 2 )
3 3 ( 3, 3 )
Lançar dois dados 4 ( 3, 4 )
5 ( 3, 5 )
6 ( 3, 6 )
1 ( 4, 1 )
2 ( 4, 2 )
4 3 ( 4, 3 )
4 ( 4, 4 )
5 ( 4, 5 )
6 ( 4, 6 )
6
1 ( 5, 1 ) /36
6
2 ( 5, 2 )
3 ( 5, 3 )
5
/36 5 5
5
4 ( 5, 4 )
4 4 4
5 ( 5, 5 ) /36
Probabilidade
6 ( 5, 6 ) 3
3 3
/36
1 ( 6, 1 ) 2 2
2
/36
2 ( 6, 2 )
1 1
6 3 ( 6, 3 ) 1
/36
4 ( 6, 4 )
5 ( 6, 5 )
2 3 4 5 6 7 8 9 10 11 12
6 ( 6, 6 )
Soma dos dados
VÍDEO
https://www.youtube.com/watch?v=taXzDnSvEyQ&list=TLgncEwsd32SIvhtOJR3ir4KnWzikk3-ov

VARIÁVEL ALEATÓRIA E DISTRIBUIÇÕES DE PROBABILIDADE
Uma variável aleatória “X” representa um valor numérico associado a cada resultado de um
experimento de probabilidade.
Exemplo 1. A tabela e o gráfico abaixo representam um modelo de probabilidade para a soma de dois dados
lançados simultaneamente:
Variáveis aleatórias(X)
Valor numérico de cada Distribuição de
experimento
frequências probabilidades
É a lista de cada valor de
1 ( 1, 1 )
2 ( 1, 2 ) uma variável aleatória “X”
1 3 ( 1, 3 ) Soma dos Probabilidade
4 ( 1, 4 ) f
dados “X” “P(x)”
5 ( 1, 5 ) 1
6 ( 1, 6 )
2 1 /36
2
3 2 /36
1 ( 2, 1 ) 3
2 ( 2, 2 )
4 3 /36
4
2 3 ( 2, 3 ) 5 4 /36
4 ( 2, 4 ) 5
6 5 /36
5 ( 2, 5 ) 6
6 ( 2, 6 ) 7 6 /36
5
8 5 /36
1 ( 3, 1 ) 4
2 ( 3, 2 ) 9 4 /36
3
3 3 ( 3, 3 ) 10 3 /36
Lançar dois dados 4 ( 3, 4 ) 2
11 2 /36
5 ( 3, 5 )
1
6 ( 3, 6 ) 12 1 /36
- =36 =1
1 ( 4, 1 )
2 ( 4, 2 )
4 3 ( 4, 3 )
4 ( 4, 4 ) 6
/36
5 ( 4, 5 ) 6
6 ( 4, 6 ) 5
/36 5 5 Representação
1 ( 5, 1 )
4
gráfica da
2 ( 5, 2 ) /36 4
distribuição
4
Probabilidade
5 3 ( 5, 3 )
4 ( 5, 4 ) 3 3
/36 3
5 ( 5, 5 )
6 ( 5, 6 ) 2 2 2
/36
1 ( 6, 1 ) 1 1 1
2 ( 6, 2 ) /36
6 3 ( 6, 3 )
4 ( 6, 4 )
5 ( 6, 5 ) 2 3 4 5 6 7 8 9 10 11 12
6 ( 6, 6 )
Soma dos dados
Notas e comentários
A palavra “aleatório” indica que “X” é determinado pelo acaso. A variável aleatória é uma regra que associa um valor
numérico a cada resultado experimental possível.
A distribuição de probabilidades de uma variável aleatória descreve como as probabilidades estão distribuídas sobre os
valores da variável aleatória. Para uma variável “X”, a distribuição de probabilidade é definida por uma função probabilidade,
denotada por f(x). A função probabilidade fornece a probabilidade correspondente a cada um dos valores da variável aleatória.
A principal vantagem de definir uma variável aleatória “X” e sua distribuição de probabilidade é que, uma vez que a
distribuição seja conhecida, torna-se relativamente fácil determinar a probabilidade de uma série de eventos que podem ser
do interesse de um tomador de decisões.

Exemplo 2. Um projeto de ampliação da capacidade produtiva da empresa ABC divide-se em duas etapas
seqüenciais: etapa 1 (projeto – em 2, 3 ou 4 meses) e etapa 2 (construção – em 6, 7 ou 8 meses).
Definindo a variável aleatória “X” como o prazo para

conclusão do projeto e, usando a Regra da Adição com as
probabilidades no diagrama de árvore, você poderá
determinar a probabilidade de ocorrência dos meses para
conclusão do projeto. Então, poderá usar essa informação
para estabelecer as distribuições de probabilidades:
Conclusão do projeto Probabilidade “P(x)”

f
(em meses) “X”
1
8 1 /9 = 0,11
2
9 2 /9 = 0,22
3
10 3 /9 = 0,33
2
11 2 /9 = 0,22
1
12 1 /9 = 0,11
- =9 =1
Prazo para conclusão do projeto

1
Probabilidade 0,8
Assim, podemos responder rapidamente alguns questionamentos:
Qual a probabilidade de o projeto ser concluído em 8 meses? R.: 11% 0,6
Qual a probabilidade de o projeto ser concluído em 9 meses? R.: 22% 0,33
Qual a probabilidade de o projeto ser concluído em 10 meses? R.: 33% 0,4 0,22 0,22
Qual a probabilidade de o projeto ser concluído em 10 ou 11 meses? R.: 55% 0,11
0,2 0,11
Qual a probabilidade de o projeto ser concluído entre 9 e 11 meses? R.: 77%
0
8 9 10 11 12
meses
Exemplo 3. Uma pesquisa entrevistou 200 casas de um bairro sobre quantas televisões possuem. Os dados mostram
que 3 casas não possuem televisão, 38 casas possuem 1 televisão, 95 casas possuem 2 televisões, 52 casas possuem 3
televisões e 12 casas possuem 4 televisões.
Definimos a variável aleatória de interesse como “X” o número de televisões. A partir dos dados, sabemos que X é uma variável
aleatória que pode assumir 0, 1, 2, 3, ou 4. Temos, então, a distribuição de probabilidades e o gráfico abaixo:
Casas com televisões em um bairro

Nº de f Probabilidade
1
televisões “X” (casas) “P(x)”
3
0 3 /200 = 0,015
Probabilidade
0,8
38
1 38 /200 = 0,190
95
2 95 /200 = 0,475 0,6 0,475
52
3 52 /200 = 0,260
12 0,4
4 12 /200 = 0,060 0,19
0,26
- =200 =1 0,2
0,015 0,06
0
0 1 2 3 4
Número de televisões
Assim, podemos responder rapidamente alguns questionamentos:

Ao selecionar aleatoriamente uma casa, qual a probabilidade de ela não possuir televisão? R.: 1,5%
Ao selecionar aleatoriamente uma casa, qual a probabilidade de ela possuir 1 televisão? R.: 19%
Ao selecionar aleatoriamente uma casa, qual a probabilidade de ela possuir 2 televisões? R.: 47,5%
Ao selecionar aleatoriamente uma casa, qual a probabilidade de ela possuir 2 ou 3 televisões? R.: 73,5%
Ao selecionar aleatoriamente uma casa, qual a probabilidade de ela possuir televisão? R.: 98,5%

VALOR ESPERADO E(X)

O Valor esperado de variáveis aleatórias “X” é um valor que você esperaria acontecer em vários testes.
Podemos considerar o Valor esperado no sentido de que é o valor médio que esperaríamos se o experimento fosse feito diversas vezes.
Então, podemos dizer que o conceito de Valor esperado aplicado em uma variável aleatória é equivalente à Média ponderada dos
possíveis valores que “X” pode receber, onde os pesos são as probabilidades associadas. É semelhante ao cálculo da Média de uma
Distribuição de frequência. Obtemos, então, a seguinte fórmula:
EQUAÇÃO DO VALOR ESPERADO

Valor esperado de “X”
E (X) =  X . P(x)
Probabilidades associadas
Variáveis Aleatórias
Cada valor de X é multiplicado por sua probabilidade e os produtos são adicionados. O Valor esperado, representado por
E(X), também é chamado de Média de uma Variável Aleatória, Esperança matemática, Esperança ou Expectância.
Exemplo 1. Um projeto de ampliação da capacidade produtiva da empresa ABC divide-se em duas etapas
seqüenciais: etapa 1 (projeto – em 2, 3 ou 4 meses) e etapa 2 (construção – em 6, 7 ou 8 meses). Qual o prazo
esperado para conclusão do projeto?
Conclusão do projeto P(x) X . P(x)

(em meses) X
8 x 0,11 = 0,88
9 0,22 1,98
10 0,33 3,30
11 0,22 2,42
12 0,11 1,32
- =1  X.P(x) = 10
Valor esperado E(X)

Interpretação: Espera-se que o projeto seja concluído em 10 meses
NOTA: Posso fazer também da seguinte forma:

E(X) = 8(0,11) + 9(0,22) + 10(0,33) + 11(0,22) + 12(0,11) = 10 meses
Exemplo 2. A tabela abaixo representa um modelo de probabilidade para a soma de dois dados lançados
simultaneamente. Qual o valor esperado para a soma dos dados?
3
1
2
( 1, 1 )
( 1, 2 )
Soma dos Probabilidade X . P(x)
1 3
4
( 1, 3 )
( 1, 4 )
dados “X” “P(x)”
5 ( 1, 5 ) 2 x 0,0278 = 0,0556
6 ( 1, 6 )
3 0,0556 0,1667
1 ( 2, 1 )
2 ( 2, 2 ) 4 0,0833 0,3333
3 ( 2, 3 )
2
4 ( 2, 4 ) 5 0,1111 0,5556
5 ( 2, 5 )
6 ( 2, 6 ) 6 0,1389 0,8333
1 ( 3, 1 ) 7 0,1667 1,1667
2 ( 3, 2 )
3 3 ( 3, 3 ) 8 0,1389 1,1111
Lançar dois dados 4
5
( 3, 4 )
( 3, 5 )
9 0,1111 1,0000
6 ( 3, 6 )
10 0,0833 0,8333
1
2
( 4, 1 )
( 4, 2 )
11 0,0556 0,6111
4 3
4
( 4, 3 )
( 4, 4 )
12 0,0278 0,3333
5
6
( 4, 5 )
( 4, 6 )
- =1  X.P(x) = 7
1 ( 5, 1 )
5
2
3
( 5, 2 )
( 5, 3 )
Valor esperado E(X)
4 ( 5, 4 )
5
6
( 5, 5 )
( 5, 6 )
Interpretação: Espera-se que a soma dos dados seja 7.
1
2
( 6, 1 )
( 6, 2 )
NOTA: Posso fazer também da seguinte forma:
6 3
4
( 6, 3 )
( 6, 4 )
E(X) = 2(0,0278) + 3(0,0556) + 4(0,0833) + 5(0,1111) 6(0,1389) + 7(0,1667) +
5
6
( 6, 5 )
( 6, 6 )
8(0,1389) + 9(0,1111) + 10(0,0833) + 11(0,0556) + 12(0,0278) = 7

VARIÂNCIA E DESVIO PADRÃO

Podemos aplicar os conceitos de Variância e Desvio Padrão para o Valor esperado E (X).
 Embora o Valor esperado de uma distribuição de probabilidades da variável aleatória descreva um resultado
comum, ela não dá informações sobre a maneira que os resultados variam. Para estudar a variação dos resultados,
você pode usar a variância e o desvio padrão de uma distribuição de probabilidades da variável aleatória. Então:
FÓRMULA DA VARIÂNCIA E DESVIO PADRÃO DO VALOR ESPERADO
VARIÂNCIA DESVIO PADRÃO

S
2 =
 (x – EX) . P(x)
2
S= s2
Probabilidades associadas
Valor esperado Variância
Variáveis Aleatórias
Exemplo Um projeto de ampliação da capacidade produtiva da empresa ABC divide-se em duas etapas seqüenciais:
etapa 1 (projeto – em 2, 3 ou 4 meses) e etapa 2 (construção – em 6, 7 ou 8 meses). Qual o prazo esperado para
conclusão do projeto, a variância e o desvio padrão?
2
Conclusão do projeto P(x) X . P(x) (X – EX) . P(x)
(em meses) X
2
8 0,11 0,88 ( 8–10) . (0,11) = 0,44
2
9 0,22 1,98 ( 9–10) . (0,22) = 0,22
2 .
10 0,33 3,30 (10–10) (0,33) = 0
2 .
11 0,22 2,42 (11–10) (0,22) = 0,22
2 .
12 0,11 1,32 (12–10) (0,11) = 0,44
Total =1 EX = 10  = 1,32
2
Então, a Variância é: S = 1,32 e o Desvio padrão é: S = s2 → S = 1,32 → 1,15 meses
Podemos calcular também, sem montagem de tabela, da seguinte forma:

2 2 2 2 2 2 2
S =  (x – EX) .P(x) → (8-10) . (0,11) + (9-10) . (0,22) + (10-10) . (0,33) + (11-10) . (0,22) + (12-10) . (0,11) = 1,32
S = 1,32 → 1,15 meses
Interpretação do desvio padrão:

O Desvio padrão indica que a maioria dos valores de dados difere do Valor esperado não mais que 1,15 meses, para mais ou
para menos. Então, podemos afirmar que os valores esperados estão dentro dos limites de:
8,85 11,15
8 meses 9 meses 10 meses 11 meses 12 meses

E(X)

MODELO BINOMIAL (JAKOB BERNOULLI 1654-1705)
É um experimento de probabilidades para os quais os resultados de cada tentativa podem ser

reduzidos a dois resultados: SUCESSO ou FRACASSO.
 Sucesso corresponde à probabilidade procurada enquanto que Fracasso à probabilidade não procurada, ou seja, o
evento complementar. A palavra sucesso como usada aqui é arbitrária e não representa, necessariamente, algo bom.
Qualquer uma das duas categorias pode ser chamada de sucesso, desde que seja a probabilidade procurada.
 A probabilidade Binomial é aplicada para Eventos independentes. A amostra é feita com reposição.
Revisão de FATORIAL (O fatorial é usado na equação binomial, por isso a importância da revisão)
FATORIAL é um procedimento matemático utilizado para calcular o produto de uma multiplicação cujos fatores
são números naturais consecutivos, denotado por x! Exemplos:
5! = 5.4.3.2.1 = 120 5! = 5.4.3! = 20 5! = 5.4.3! = 5 5! = 5.4.3! = 10

30! = 30.29.28. ... .1 3! 3! 3! 4 3! 4 3! (5-3)! 3! (2)!
0! = 1
Há várias formas de encontrar probabilidade Binomial. Uma forma é usar um Diagrama de Árvore e a regra de multiplicação.
Outra forma é usar a equação de probabilidade Binomial, onde usamos Fatorial. Podemos também usar tabelas.
EQUAÇÃO DA PROBABILIDADE BINOMIAL
x n-x
P(x) = n! . S . F
x! (n - x)!
F = probabilidade de Fracasso
n tamanho da amostra (evento complementar)
x nº sucessos na amostra
S = probabilidade de Sucesso
Nota: p e q foram substituídos por S e F por fins didáticos. (evento procurado)
Fundamentação da equação: https://www.youtube.com/watch?v=V2sfnVikFXA
Exemplo 1. Usando um Diagrama de Árvore (evento independente) e a equação da probabilidade Binomial

Cirurgias de microfaturas no joelho têm 75% de chance de sucesso em pacientes com joelhos degenerativos. A
cirurgia é realizada em 3 pacientes. Encontre a probabilidade de a cirurgia ser um sucesso em 2 pacientes.
Pelo Diagrama de Árvore ou Pela equação Binomial
1ª 2ª 3ª Resultado Sucessos Probabilidade (ev. indepen)

x n-x
S (S,S,S) 3 0,75 . 0,75 . 0,75 = 0,422 P(x) = n! . S . F
0,75
x! (n - x)!
0,75 S F (S,S,F) 2 0,75 . 0,75 . 0,25 = 0,141 +
S n=3
0,25 S (S,F,S) 2 0,75 . 0,25 . 0,75 = 0,141 + x=2
F S = 0,75
(S,F,F) 1 0,75 . 0,25 . 0,25 = 0,047 F = 0,25 (evento complementar)
F
S (F,S,S) 2 0,25 . 0,75 . 0,75 = 0,141 + P(x)= 3! . 0,75 . 0,25
2 3-2
0,75
0,25 S F (F,S,F) 1 0,25 . 0,75 . 0,25 = 0,047
2! (3-2)!
F
0,25 S (F,F,S) 1 0,25 . 0,25 . 0,75 = 0,047 P(x)= 0,422
F
F (F,F,F) 0 0,25 . 0,25 . 0,25 = 0,016
Há três resultados que têm dois sucessos e cada um tem uma probabilidade de Usando a equação Binomial obtemos
0,141. Aplicando a Regra da Adição, a probabilidade de a cirurgia ser um sucesso o mesmo resultado pelo método do
com dois pacientes é 0,422. (0,141 + 0,141 + 0,141) Diagrama de árvore, de 0,422.
A probabilidade de sucesso em 1 paciente será: A probabilidade de não ter sucesso será:

1 3–1 0 3–0
P(x)= 3! . 0,75 . 0,25 ≈ 0,141 P(x)= 3! . 0,75 . 0,25 ≈ 0,016
1! (3-1)! 0! (3-0)!
Pelo Diagrama será (0,047+0,047+0,047)
0
Nota: x = 1

Exemplo 2. Um levantamento estatístico realizado pelo IBGE constatou que a taxa de desemprego na cidade de
Resende é da ordem de 13%. Ao tomarmos uma amostra de 30 pessoas, com reposição, qual a probabilidade de:
a) 5 estarem desempregados 13% desemprego(Sucesso) 87% emprego(Fracasso)
b) 28 estarem empregados Sucesso é o que se deseja estudar;
c) 27 estarem empregados 87% emprego(Sucesso) 13% desemprego(Fracasso) Fracasso é o que não se deseja estudar
x n-x
P(x) = n! . S . F
x! (n - x)!
a) 5 estarem desempregados b) 28 estarem empregados c) 27 estarem empregados
n = 30 n = 30 n = 30
x=5 x = 28 x = 27
S = 0,13 S = 0,87 S = 0,87
F = 0,87 F = 0,13 F = 0,13
5 30 - 5 28 30-28 27 30-27
P(x)= 30! . 0,13 . 0,87 P(x)= 30! . 0,87 . 0,13 P(x)= 30! . 0,87 . 0,13
5! (30-5)! 28! (30-28)! 27! (30-27)!
P(x)= 142506 . 0,000037 . 0,0307 P(x)= 435 . 0,0202 . 0,0169 P(x)= 4060 . 0,0232 . 0,0021
P(x) ≈ 0,1627 P(x) ≈ 0,1489 P(x) ≈ 0,1978
Exemplo 3. Uma caixa contém 50 bolas, sendo 40 brancas e 10 pretas. Tirando-se 5 bolas, COM REPOSIÇÃO, qual a
probabilidade de saírem:
a) 2 bolas pretas? b) 4 bolas brancas?
n=5 n=5
x=2 2 5–2 x=4 P = 5! 4
. 0,80 . 0,20
5 –4
≈ 0,4096
10
S = 0,20 ( /50)
P = 5! . 0,20 . 0,80 ≈ 0,2048 40
S = 0,80 ( /50)
40 2! (5-2)! 10 4! (5-4)!
F = 0,80 ( /50) F = 0,20 ( /50)
Exemplo 4. Uma moeda é lançada 5 vezes. Qual a probabilidade de obter “3 caras” nessas cinco provas?
n = 5 (tamanho da amostra)
x = 3 (nº sucessos da amostra) P(x) = 3
5! __ . 0,50 . 0,50
5–3
≈ 0,3125
S = 0,50 ( = ½ a p de obter cara) 3! (5-3)!
F = 0,50 (= ½ a p de obter coroa)
Exemplo 5. Um dado é lançado 6 vezes. Qual a probabilidade de que a “face 4” apareça 2 vezes?
6! __ . 0,17 . 0,83
6–2
≈ 0,2057
1
S = 0,17 ( = /6 a p de obter “4”) 2! (6-2)!
5
F = 0,83 (= /6 a p de não obter “4”)
Exemplo 6. Dois times de futebol, A e B, jogam entre si 6 vezes. Qual a probabilidade de o time A ganhar 4 jogos?
6! __ . 0,33 . 0,66
6–4
≈ 0,0774
1
S = 0,33 ( = /3 a p de ganhar)* 4! (6-4)!
F = 0,66 (= 2/3 a p de não ganhar)
1
* /3 o time A pode ganhar, empatar ou perder. Logo, a probabilidade para cada evento é de 1/3
Exemplo 7. Em uma fábrica, 3 em cada 10 peças são defeituosas. Uma remessa a um determinado cliente possui 5
peças. Determine a probabilidade de que, nessa remessa:
2 estejam defeituosas 4 estejam perfeitas

n = 5 (tamanho da amostra) n = 5 (tamanho da amostra)
x = 2 (nº sucessos da amostra) x = 4 (nº sucessos da amostra)
3 7
S = 0,30 ( = /10 a p peça ser defeituosa) S = 0,70 ( = /10 a p peça ser perfeita)
F = 0,70 (= 7/10 a p peça ser perfeita) F = 0,30 (= 3/10 a p peça ser defeituosa)
2 5–2 4 5–4
P(x) = 5! __ . 0,30 . 0,70 ≈ 0,3087 P(x) = 5! __ . 0,70 . 0,30 ≈ 0,3602
2! (5-2)! 4! (5-4)!

Exemplo 8. Uma máquina produz parafusos, dos quais 12% apresentam algum tipo de defeito. Calcular a
probabilidade de, em um lote de 40 parafusos produzidos por essa máquina:
a) Entre 3 e 5 parafusos estejam defeituosos, inclusive (ou seja: P3 + P4 + P5)

Neste caso, calcularemos a probabilidade de 3, 4 e 5 parafusos defeituosos. Depois somamos as probabilidades. (Adição de Prob.)
3 parafusos defeituosos 4 parafusos defeituosos 5 parafusos defeituosos

n = 40 n = 40 n = 40
x=3 x=4 x=5
S = 0,12 S = 0,12 S = 0,12
F = 0,88 F = 0,88 F = 0,88
P = 40! . 0,123 . 0,8840–3 ≈ 0,1507 P = 40!_ . 0,124. 0,8840–4 ≈ 0,1901 P = 40! _ . 0,125. 0,8840–5 ≈ 0,1867
3! (40-3)! 4! (40-4)! 5! (40-5)!
P (3 e 5, inclusive) = 0,1507 + 0,1901 + 0,1867 = 0,5275
b) Pelo menos dois parafusos defeituosos (ou seja: P2 + P3 + P4 + . . . + P40) Neste caso use: 1 - (P0 + P1)
Ao invés de calcularmos P2 + P3 + P4 + . . . + P40 é mais conveniente usarmos o método do evento complementar (1 – p), pois dá menos
trabalho. Então, calculamos 1 – (P0 +P1 )
nenhum parafuso defeituoso 1 parafuso defeituoso Evento complementar

n = 40 n = 40
P (x ≥ 2) = 1 – (P0 + P1)
x=0 x=1
S = 0,12 S = 0,12 P = 1 – (0,0060 + 0,0328)
F = 0,88 F = 0,88 P = 0,9612
0 40–0 1 40–1
P0 = 40! . 0,12 . 0,88 ≈ 0,0060 P1 = 40! . 0,12 . 0,88 ≈ 0,0328
0! (40-0)! 1! (40-1)!
c) No máximo 3 parafusos defeituosos (ou seja: P0 + P1 + P2 + P3)

Neste caso, somamos as probabilidades de : P0 + P1 + P2 + P3, Ou seja, aplicamos o método de adição de probabilidades.
nenhum parafuso 1 parafuso 2 parafusos 3 parafusos Adição
defeituoso defeituoso defeituosos defeituosos
P (x ≤ 3) = 0,0060+0,0328+0,0872+0,1507 = 0,2768
P0 = 0,0060 P1 = 0,0328 P2 = 0,0872 P3 = 0,1507
d) Pelo menos 39 parafusos de qualidade (ou seja: ... P39 + P40)

Ou seja, no mínimo 39 parafusos de qualidade. Então, somamos P39 + P40
39 parafusos de qualidade 40 parafusos de qualidade Adição

n = 40 n = 40
x = 39 x = 40 P = P39 + P40
S = 0,88 S = 0,88 P = (0,0328 + 0,0060)
F = 0,12 F = 0,12
P = 0,0388
39 40–39 40 40–40
P39 = 40! . 0,88 . 0,12 ≈ 0,0328 P1 = 40! . 0,88 . 0,12 ≈ 0,0060
39! (40-39)! 40! (40-40)!
e) No máximo 39 parafusos de qualidade (ou seja: ...P0 + P1 + P2 + ... + P39)

Neste caso, somaríamos as probabilidades de : P0 + P1 + P2 + ... + P39, Mas são muitos cálculos. Então, é mais conveniente usar o
método de evento complementar (1 – p). Então, calculamos 1 – P40
P (x ≤ 39) = 1 – P40 → P = 1 – 0,0060 = 0,9940

Encontrando probabilidades Binomiais por meio do Excel

Você pode encontrar probabilidades Binomiais pelo EXCEL, bastando inserir os dados, conforme demonstrado abaixo. A figura
abaixo se refere ao exemplo 8 que acabamos de ver.
Ou, diretamente pela equação Binomial no excel (ex. 8, sair 3 defeituosos):
nº sucesso amostra
tamanho amostra
prob. Sucesso
falso, para não cumulativo (até 3)

MODELO DE POISSON (DENIS POISSON 1781-1840) (LÊ-SE POASSÓN)
É um experimento de probabilidade que calcula o NÚMERO DE OCORRÊNCIAS de um evento em um

DADO INTERVALO de TEMPO, DISTÂNCIA, ÁREA, VOLUME ou unidade similar.
 O esquema abaixo ajuda a melhor interpretar o experimento de Poisson.
nº de ocorrências
1 2 3 4... do evento
x x x x
← Intervalo de tempo, distância, área ou volume →
 Regras: É aplicada caso os eventos ocorram com uma MÉDIA conhecida e cada evento seja independente.
 São exemplos: número de consultas a uma base de dados por minuto; número de falhas de um equipamento por hora;
2
número de erros de tipografia em um formulário; número de defeitos em um m de piso cerâmico; número de buracos
em um asfalto por km; número de acidentes por mês em uma rodovia etc.
EQUAÇÃO DA PROBABILIDADE DE POISSON
x * -µ
P(x) = µ e
x!
µ = letra grega mi = Média Constante de Euler Venn 2,7182
Nota: Algumas literaturas usam  nº de ocorrências procurada

(lambda) no lugar de µ Média do nº de ocorrências (baseada em histórico)
Exemplo 1. A Média do número de acidentes por mês na rodovia Barra Mansa-Angra é de 3 acidentes por mês.
Determine a probabilidade de que, em qualquer mês dado:
a) 4 acidentes ocorram na rodovia
b) 2 acidentes ocorram na rodovia
c) Nenhum acidente ocorra na rodovia
a) 4 acidentes ocorram na rodovia b) 2 acidentes ocorram na rodovia c) Nenhum acidente ocorra na rodovia
µ=3 µ=3 µ=3

e = 2,7182 e = 2,7182 e = 2,7182
x=4 x=2 x=0
4 . -3 2 . -3 0 . -3
P(x) = 3 2,7182 = 0,168 P(x) = 3 2,7182 = 0,224 P(x) = 3 2,7182 = 0,0498
4! 2! 0!
-µ y y
Para calcular e use a mesma tecla X ou ^. Introduza 2,7182 X - 3 = 0,0497
Encontre e na calculadora
Você pode usar o microsoft Excel para calcular probabilidades de Poisson. Veja abaixo (do exemplo 1)

Exemplo 2. Supondo que a Média do número de pessoas que acessam um caixa eletrônico de um banco durante
uma hora é 5. Determine a probabilidade de, no mesmo período, ocorrerem:
x . -µ
a) Menos de 2 acessos ao caixa eletrônico P(x) = µ e
b) Pelo menos 3 acessos ao caixa eletrônico x!
a) Menos de 2 acessos ao caixa eletrônico (ou seja nenhum acesso ou um acesso: P0 + P1 )

Neste caso, calcularemos a probabilidade de P0 e P1. Depois somamos as probabilidades. (Adição de Probabilidades)
Nenhum acesso ao caixa 1 acesso ao caixa eletrônico Adição de Probabilidades
µ=5 µ=5
e = 2,7182 e = 2,7182
P(x < 2) = P0 + P1
x=0 x=1
0 . -5 1 . -5
P0 = 5 2,7182 = 0,0067 P1 = 5 2,7182 = 0,0337 P = 0,0067 + 0,0337 = 0,0404
0! 1!
b) Pelo menos 3 acessos ao caixa eletrônico (ou seja P3+P4+P5 +P6+P7+P8 ...)
“pelo menos 3 acessos ao caixa” é o mesmo que “no mínimo 3 acessos ao caixa”. Ao invés de calcularmos P3+P4+P5+... é mais
conveniente usarmos método do evento complementar (1 – p). Então, calculamos 1 – (P0 + P1 + P2)
Nenhum acesso 1 acesso ao caixa 2 acessos ao caixa eletrônico Evento complementar
ao caixa eletrônico
µ=5 P (x ≥ 3) = 1 – (P0 + P1 + P2)
e = 2,7182
P0 = 0,0067 P1= 0,0337
x=2 P = 1 – (0,0067+0,0337+0,0842)
2 . -5
P2 = 5 2,7182 = 0,0842 P = 0,8753
2!
Exemplo 3. Numa central telefônica chegam em média 300 telefonemas por hora. Qual a probabilidade de que:
a) 2 telefonemas ocorram em dois minutos?
Nota: São 300 telefonemas/hora, em média.
b) 3 telefonemas ocorram em quatro minutos? 300
Então são em média 5 telefonemas/minuto. ( /60 = 5)
c) Nenhum telefonema ocorra em um minuto?
a) 2 telefonemas ocorram em dois b) 3 telefonemas ocorram em quatro c) Nenhum telefonema ocorra em

minutos? minutos? um minuto?
µ= 10 telefonemas (5+5 em dois min) µ= 20 telefonemas (5*4 em quatro min) µ = 5 telefonemas (em um min)
e= 2,7182 e = 2,7182 e = 2,7182
x= 2 telefonemas x=3 x=0
2 * -10 3 . –20 0 . -5
P = 10 2,7182 = 0,002270 P = 20 2,7182 = 0,0000274 P= 5 2,7182 = 0,00673
2! 3! 0!
Diretamente pela equação Poisson no excel (ex. 1, média 3, ocorrer 4 acidentes):

Poisson como aproximação para a distribuição Binomial

Você pode utilizar a Distribuição de Poisson para fazer uma aproximação da Distribuição Binomial
quando n (tamanho da amostra) é grande e S (sucesso) é pequeno.
 Quando n é muito grande (acima de 100, por exemplo), as probabilidades binomiais ficam difíceis de serem calculadas,
100 100 - 5
como exemplo 0,12 . 0,88 . O cálculo direto é impraticável. Apelamos então para a aproximação de Poisson.
EQUAÇÃO DE POISSON COMO APROXIMAÇÃO DA BINOMIAL

x * - (n . s)
P(x) = (n.s) e
Constante de Euler
x! Venn 2,7182
n = tamanho da amostra
x = nº de sucessos da amostra
s = Probabilidade de sucesso
procurada
Note que substituímos a média µ da equação de Poisson pela média da distribuição Binomial (n . s). Para melhor entender o
modelo de aproximação vamos ver os exemplos 1 e 2, que comparam os dois métodos:
a) 3 parafusos estejam defeituosos
Pela distribuição Binomial Poisson como aproximação da distribuição Binomial
n = 40
x=3 n = 40
S = 0,12 x=3
F = 0,88 S = 0,12
3 40–3 3 –(40 * 0,12)
Pbin = 40! . 0,12 . 0,88 ≈ 0,1507 PPoisson ≈ bin = (40 * 0,12) * 2,7182 ≈ 0,1517
3! (40-3)! 3!
Análise dos resultados: Perceba pelo comparativo que a distribuição de Poisson pode ter uma boa aproximação da Distribuição
Binomial. A aproximação vai melhorando à medida que n vai se tornando maior e S vai se tornando menor.
a) 9 parafusos estejam defeituosos
Pela distribuição Binomial Poisson como aproximação da distribuição Binomial
n = 900
x=9 n = 900
S = 0,01 x=9
F = 0,99 S = 0,01
9 900 – 9 9 –(900 * 0,01)
Pbin = 900! . 0,01 . 0,99 ≈ „Math ERROR‟ PPoisson ≈ bin = (900*0,01) * 2,7182 ≈ 0,1317
9! (900-9)! (0,1324 pelo Excel) 9!
Análise dos resultados: Observe que o cálculo do exemplo 2 pelo método Binomial usando uma calculadora científica torna-se
impraticável. Pelo Excel o resultado Binomial é 0,1324, bem aproximado pelo método de Poisson. É importante ressaltar que
a variável aleatória de Poisson teoricamente se estende desde 0 até ∞ (infinito). No entanto, quando você utiliza a distribuição
de Poisson como uma aproximação para a distribuição binomial, a variável aleatória de Poisson — o número de sucessos dentre
n observações — não pode ser maior do que o tamanho da amostra, n.
VÍDEOS DISTRIBUIÇÃO POISSON

HTTPS://WWW.YOUTUBE.COM/WATCH?V=WGQYIDSSJLW
HTTPS://WWW.YOUTUBE.COM/WATCH?V=KGJMVCJWBFE
HTTPS://WWW.YOUTUBE.COM/WATCH?V=2UUDJFT6CYW

MODELO NORMAL (ABRAHAM DE MOIVRE 1667 - 1754 )
É usada para distribuições SIMÉTRICAS e possui diversas aplicações, como calcular as probabilidades de
PESOS e ALTURAS das pessoas, diâmetro e comprimento de peças em linhas de produção, tempo de vida
útil de produtos e diversas outras medições de pesquisas científicas.
 Aplicado para distribuições SIMÉTRICAS (Média=Moda=Mediana). Possui como parâmetro a MÉDIA e DESVIO PADRÃO.
 Também chamada de Curva Normal, Curva de Gauss e Curva em forma de Sino.
Para entender o conceito de uma Distribuição Normal, tomemos como exemplo a distribuição da vida útil de 340
lâmpadas produzidas pela PHILIPS:
Curva NORMAL ou
Curva de GAUSS ou
Média = Curva em forma de SINO
Moda = 1000 horas
Mediana =
Observe pela Distribuição Normal que o tempo de vida útil das lâmpadas:
 Possui uma elevação em seu centro e pontas que vão tanto para direita quanto para a esquerda;
 A Média, Mediana e Moda (1000 horas) encontram-se exatamente no meio da distribuição;
 A distribuição de valores menores que a Média (700, 800, 900) e maiores que a Média (1100, 1200, 1300) é simétrica,
o que significa que se você dobrá-la ao meio, suas partes serão como imagens refletidas por um espelho;
 Como a curva é simétrica em torno da Média, os valores maiores que a média e os valores menores do que a Média
ocorrem com igual probabilidade;
 A maioria dos dados é centralizada ao redor da média, de modo que quanto mais longe da média você se mover, cada
vez menos pontos de dados você vai encontrar em ambos os lados.
Analisando a variabilidade
Analise a figura abaixo. Veja que a maior parte da vida útil das lâmpadas produzidas pela PHILIPS varia de 700
horas até 1300 horas, com uma boa parte das lâmpadas com vida útil de 900 a 1100 horas. Pensando como
consumidor, você gostaria de se deparar com tamanha variabilidade quando for comprar um pacote de lâmpadas?
Veja que uma concorrente (OSRAM) irá tentar fabricar lâmpadas com vida útil menos variável; a vida útil terá
uma média de 1000 horas, mas suas lâmpadas terão uma vida útil mais consistente, variando de 920 a 1080
horas, com boa parte das lâmpadas com duração entre 980 e 1020 horas.
Distribuição da vida útil de 340 lâmpadas

produzidas pela OSRAM
OSRAM
120
100
100
Quantidade
80 PHILIPS
70 70
60
40 40
40
20
10 10
0
700 800 900 1000 1100 1200 1300
920 1080
Horas

Em uma distribuição Normal, o Desvio padrão tem um significado especial, pois determina a distância da Média
até um ponto dentro da distribuição, cada um com a mesma distância da Média. No caso abaixo, supomos (por
fins didáticos) que o Desvio padrão do tempo de vida útil das lâmpadas é s=100 horas.
99,74% A regra empírica
Na distribuição normal é possível determinar a posição
s=100 da maioria dos valores, usando as distâncias de 1, 2 ou 3
95,44%
Desvios padrões da Média para estabelecer alguns
x marcos. A regra que lhe permite fazer isso se chama
120 68,26% Regra empírica, que diz o seguinte:
100 Espera-se que cerca de 68,26% dos valores encontram-

100 se dentro de 1 desvio padrão da média;
Quantidade
80 (no exemplo, 240 lâmpadas (70+100+70).
70 70 Espera-se que 95,44% dos valores encontram-se dentro

60 de 2 desvios padrões da média;
S=100 S=100 (no exemplo, 320 lâmpadas: 40+70+100+70+40)
40 40
40
Espera-se que 99,74% dos valores encontram-se dentro
20 de 3 desvios padrões da média;
10 10
(no exemplo, 340 lâmpadas: 10+40+70+100+70+40+10)
0
700 800 900 1000 1100 1200 1300 Estes resultados são aproximações. A regra empírica
não pode ser aplicada às distribuições que não possuam
Horas uma forma de montanha em seu centro.
-3S -2S -1S 1S 2S 3S
ENCONTRANDO PROBABILIDADES NA DISTRIBUIÇÃO NORMAL

Quando se tem uma variável aleatória com distribuição normal pode-se obter a probabilidade de essa variável
assumir um valor em determinado intervalo, pela área sob a curva dentro dos limites do intervalo.
Exemplo 1. Seja X a variável aleatória que representa os tempos de vida útil das lâmpadas produzidas pela
PHILIPS Sendo a Média de vida útil das lâmpadas de 1000 horas com Desvio padrão de 100 horas, ache a
probabilidade de a lâmpada ter vida útil entre 1000 e 1150 horas, isto é, P(1000 < z < 1150).
Probabilidade procurada
P(1000 < Z < 1150)
P= 0,4332
Z= 1,50
700 800 900 1000 1100 1200 1300
PARA ACHAR A PROBABILIDADE, SIGA 2 PASSOS:
1º PASSO. Calcule o número de desvios padrão que o valor “1150” se distancia da média “1000”. Para isto,
utilizamos a equação abaixo, chamada “escore Z”.
EQUAÇÃO ESCORE Z Calculando o escore Z, temos:
Média z = 1150 - 1000 = 1,50

z x - x
s
100
O resultado indica que 1150 está distante 1,50 desvios

Desvio padrão padrão da média. Use sempre 2 casas decimais. Veja
Escore Z demonstração da área de Z no gráfico acima.
Variável aleatória procurada
O escore Z é uma medida que indica o número de desvios padrão de um valor a partir da média.

2º PASSO. Com o escore Z de “1,50”, use a Tabela de Distribuição Normal Padrão para encontrar a
probabilidade, como explicado abaixo
Na 1ª coluna encontramos “1,5”. Em seguida, encontramos na 1ª linha “0”, que é o último algarismo de “1,50”. Na
intersecção da linha e coluna encontramos 0,4332, que indica a probabilidade P(1000 < z < 1150) = 0,4332 ou 43,32%
Interpretação: espera-se que 43,32% das lâmpadas tenham vida útil entre 1000 e 1150 horas
TABELA DE DISTRIBUIÇÃO NORMAL PADRÃO

Z Último dígito
0 1 2 3 4 5 6 7 8 9
A área constante na tabela corresponde a área à direita (sinal positivo):
Área = 0,5
-z +z
-3S -2S -1S 0 1S 2S 3S

motivo da qual desconsideramos o sinal negativo no z-escore nas áreas à esquerda, pois a curva é simétrica em torno da
Média, ou seja, os valores maiores que a média e os valores menores do que a Média ocorrem com igual probabilidade. . A
tabela não é de distribuição acumulada. Vamos ver alguns exemplos adiante.

Exemplo 2. Continuando com os dados do exemplo 1, ache P(900 < z < 1000).
Quando partimos da média calculamos apenas um escore Z. Para lado esquerdo o escore Z sempre terá sinal
negativo, que não será considerado, pois os dois lados são iguais em termos de probabilidades.
Probabilidade procurada EQUAÇÃO ESCORE Z
P(900 < Z < 1000)
P= 0,3413 z x - x
s
Calculando, temos:
z = 900 - 1000 = -1,00 *

100
Probabilidade: na tabela temos: 0,3413
Z= -1,00
*Desconsidere o sinal negativo do escore Z
700 800 900 1000 1100 1200 1300
Interpretação: Espera-se que 34,13% das lâmpadas tenham vida útil entre 1000 e 1100 horas.
Neste caso, calculamos dois escores Z e somamos as probabilidades:

ADIÇÃO DE PROBABILIDADES
Probabilidade procurada P= 0,5328
z1 = 900 - 1000 = - 1,00*
. P(900 < Z < 1050)
100 0,3413
P1=0,3413 P2=0,1915
+
z2 = 1050 - 1000 = 0,50
100 0,1915
Soma de probabilidades = 0,5328

Z2
=0,50
Z1= -1,00
700 800 900 1000 1100 1200 1300
Neste caso, calculamos dois escores Z (de 1000 a 1150; e de 1000 a 1050). Depois subtraímos as probabilidades:
Probabilidade procurada P= 0,2417 SUBTRAÇÃO DE PROBABILIDADES

P(1050 < Z < 1150) Z1 = 1150 - 1000 = 1,50
100 0,4332
PZ2=0,1915 PZ1=0,4332 --
Z2 = 1050 - 1000 = 0,50
100 0,1915
Z1=1,5 0
Subtração probabilidades = 0,2417
Z2= 0,50
700 800 900 1000 1100 1200 1300

Exemplo 5. Continuando com os dados do exemplo 1, ache P( z < 850 horas)

Ou seja, ache a probabilidade de a vida útil da lâmpada ser menor que 850 horas. Neste caso, P1 = 0,5 (meia área). Daí,
calculamos Z2 e subtraímos as probabilidades:
Probabilidade procurada P( Z < 850)
Área = 0,5 SUBTRAÇÃO DE PROBABILIDADES
P1=0,4332 P1 = (meia área)

P2=0,1915 0,5
PZ2=0,0668
--
P2=0,1915 Z2 = 850 - 1000 = -1,50
100 0,4332
Z1= -1,50 Subtração probabilidades = 0,0668
700 800 900 1000 1100 1200 1300
Interpretação: Espera-se que 6,68% das lâmpadas tenham vida útil abaixo de 850 horas.
Exemplo 6. Sabe-se que a Média de vida útil das lâmpadas produzidas pela PHILIPS é de 1000 horas com Desvio
padrão de 100 horas. O fabricante oferece uma garantia de 800 horas, isto é, trocar as lâmpadas que apresentem
falhas nesse período ou inferior. Fabrica 15.000 lâmpadas mensalmente. Quantas lâmpadas deverá trocar pelo uso da
garantia, mensalmente?
SUBTRAÇÃO DE PROBABILIDADES
P1 = (meia área)
Probabilidade procurada P( Z < 800)
0,5
Garantia de --
800 horas Z2 = 800 - 1000 = - 2,00
00 0,4772
Subtração de probabilidades = 0,0228
700 800 900 1000 1100 1200 1300
Interpretação: Constatamos que 2,28% (0,0228) das lâmpadas não atenderão a garantia. Então o fabricante deverá substituir
mensalmente: 15.000 x 0,0228 = 342 lâmpadas.
Z-ESCORE E VALOR DE “X” NA DISTRIBUIÇÃO NORMAL

Na seção anterior você encontrou a probabilidade que x pudesse estar em um dado intervalo ao calcular a área sob a curva
normal para um dado intervalo. Mas, e se lhe fosse dado uma probabilidade e você quisesse encontrar o valor de x?
Encontrando o Z-ESCORE dada uma PROBABILIDADE
Exemplo 7. Encontre o z- escore que corresponda à área de 0,2123 (21,23%) da área à direita?
Observando a Tabela de Distribuição Normal Padrão encontramos z-escore de 0,56 conforme destacado abaixo.
TABELA DE DISTRIBUIÇÃO NORMAL PADRÃO

Z Último dígito
0 1 2 3 4 5 6 7 8 9
VÍDEOS DSTRIBUIÇÃO NORMAL

https://www.youtube.com/watch?v=ec9HWoY2kt8

Capítulo 3
CORRELAÇÃO E
REGRESSÃO
Existem situações nas quais interessa estudar a relação entre duas variáveis,
coletadas como pares ordenados (x,y), para resolver questões do tipo
“Existe relação entre o número de horas de estudo e as notas obtidas?”.
Problemas como esses são estudados pela análise de correlação linear
simples, onde determinamos o grau de relação entre duas variáveis. Se as
variáveis variam juntas, diz-se que as mesmas estão correlacionadas.

“Atualmente, todos – estudantes e professores – procuram o Udemy porque é a
plataforma onde todos estão”.
Fonte: Jornal do Brasil
Faça o curso online no Udemy

Estatística I (para leigos):
aprenda fácil e rápido!
Com o Prof. MSc. Uanderson Rébula
"O livro digital Estatística I para leigos possui uma linguagem fácil e ao mesmo tempo dinâmica. O
conteúdo do livro está ordenado de forma a facilitar a aprendizagem dos alunos, mesmo aquelas
pessoas que não tenham noção nenhuma de estatística aprenderão com esse livro. Você pode
estudar sozinho para concursos pois o livro é auto explicativo ou até mesmo em grupos, no meu
caso faço isso com meus alunos. Eu super recomendo esse livro!!! NOTA 1000"
Maria Eunice Souza Madriz
Professora de estatística da rede estadual de ensino da Bahia
Avaliação do livro pelo cliente na amazon.com.br
Saiba
mais
Clique aqui
www.udemy.com
Junte-se a milhões de estudantes na maior plataforma on-line
de cursos curtos e práticos do mundo.
Com mais de 45.000 cursos virtuais disponíveis, o Udemy é uma plataforma global de
ensino on-line onde 15 milhões de alunos estão dominando novas habilidades.
O foco do Udemy são os conhecimentos práticos e úteis para o mercado de trabalho. Há

cursos gratuitos e pagos. São cursos curtos e com valores bem acessíveis.
CORRELAÇÃO LINEAR SIMPLES

INTRODUÇÃO
Existem situações nas quais interessa estudar a relação entre duas variáveis, coletadas como pares ordenados
(x,y), para resolver questões do tipo:
Variável x Variável y
Existe relação entre o número de horas de estudo... ...e as notas obtidas?
Quanto maior for a produção... ...maior será o custo total?
Existe relação entre o tabagismo... ...e a incidência de câncer?
Quanto maior a idade de uma casa... ...menor será seu preço de venda?
Existe relação entre o número de horas de treino... ...e os gols obtidos em uma partida de futebol?
Existe relação entre o nível de pressão arterial... ...com a idade das pessoas?
 Problemas como esses são estudados pela análise de correlação linear simples, onde determinamos o grau de
relação entre duas variáveis. Se as variáveis variam juntas, diz-se que as mesmas estão correlacionadas.
Correlação linear simples é uma técnica usada para analisar a relação entre duas variáveis.
DIAGRAMA DE DISPERSÃO
EXEMPLO 1. Consideremos na tabela abaixo uma amostra formada por 8 alunos de uma classe, pelo número de
horas de estudo (x) e as notas obtidas (y). Verifique se existe correlação por meio do diagrama de dispersão.
Diagrama de Dispersão
Número de horas de estudo
versus notas obtidas H o r as estudadas ver sus No tas o btidas
10
Aluno X Y
9
(horas de estudo) (notas obtidas) Ponto de interseção
8 (Aluno D)
A 8h 9,0
Y (Notas obti das )
7
B 2h 3,0 6
C 3h 4,0 5
4
D 4h 5,0 3
E 4,5h 6,0 2
F 6h 7,0 1
0
G 5h 7,0
0 1 2 3 4 5 6 7 8 9
H 7h 7,5 x (Horas de es tudo)
FONTE: dados fictícios
Representando os pares ordenados (x,y), obtemos diversos pontos grafados que denominamos diagrama de dispersão. Para
construí-lo, basta pontuar a interseção de cada eixo x,y. Por exemplo, o aluno D estudou 4h (eixo x) e obteve a nota 5,0 (eixo
y). Observe no diagrama uma linha vermelha pontilhada e o ponto de interseção. Esse diagrama nos fornece uma idéia
grosseira, porém útil, da correlação existente. Ao observar o diagrama como um todo, podemos afirmar que existe uma
correlação entre as variáveis x,y pois, quando x cresce, y também tende a crescer.
CORRELAÇÃO LINEAR
H o r as estudadas ver sus No tas o btidas
10
Os pontos grafados, vistos em conjunto, 9
formam uma elipse (trajetória, distribuição 8
dos pontos) em diagonal.
Y (Notas obti das )
7
6
Podemos imaginar que, quanto mais fina for 5
a elipse, mais ela se aproximará de uma reta. 4 Reta imaginária
Dizemos então, que a correlação de forma 3
2
elíptica tem como “imagem” uma reta, sendo,
1
por isso, denominada correlação linear.
0
0 1 2 3 4 5 6 7 8 9
x (Horas de es tudo)

Assim, uma correlação é:
Uma direção para cima sugere que se: Uma direção para baixo sugere que se:
- x aumenta, - x aumenta,
- y tende a aumentar. - y tende a diminuir.
EXEMPLO 2. Consideremos na tabela abaixo os meses de Jan a Set, o aumento mensal do preço das refeições (x)
e a média do número de clientes ao mês (y). Verifique se existe correlação por meio do diagrama de dispersão.
Diagrama de Dispersão
Aumento do preço da refeição
versus média de clientes por mês Aumento do p r eço da r efeição ver sus média clientes p /dia
Mês X Y 180
(preço refeição) (média clientes) 160
Y (médi a de c l i entes p/di a)
Jan R$ 5,90 154 140

120
Fev R$ 8,50 139
100
Mar R$ 10,90 133
80
Abr R$ 13,20 128 60
Jun R$ 15,90 115 40
Jul R$ 18,50 99 20
Ago R$ 21,90 80 0
0,00 5,00 10,00 15,00 20,00 25,00 30,00
Set R$ 24,90 67 x (P reç o ref ei ç ão)
FONTE: dados fictícios
COEFICIENTE DE CORRELAÇÃO DE PEARSON

Interpretar a correlação usando um diagrama de dispersão pode ser subjetivo (pessoal). Uma maneira mais precisa
de se medir o tipo e o grau de uma correlação linear entre duas variáveis é calcular o coeficiente de correlação.
Coeficiente de correlação é uma medida do grau de relação entre duas variáveis.

Os estatísticos criaram a equação ao lado para obter o grau de
correlação. Na verdade é chamado de coeficiente de Pearson, em
homenagem ao estatístico inglês Karl Pearson (1857-1936).
Onde:
r = coeficiente de correlação e n = tamanho da amostra

EXEMPLO DE APLICAÇÃO. Consideremos na tabela abaixo uma amostra formada por 8 alunos de uma classe, pelo
número de horas de estudo (x) e as notas obtidas (y), calcule o coeficiente de correlação r.
Cálculo do r:
versus notas obtidas
Aluno X Y X
2
Y
2
XY
(horas de estudo) (notas obtidas)
A 8h 9,0 64 81 72
B 2h 3,0 4 9 6
C 3h 4,0 9 16 12
D 4h 5,0 16 25 20
E 4,5h 6,0 20,25 36 27
F 6h 7,0 36 49 42
G 5h 7,0 25 49 35
H 7h 7,5 49 56,25 52,5
=39,5 =48,5 =223,25 =321,25 =266,5
Interpretação:
O coeficiente de correlação r = 0,975 indica que o grau de relação entre as duas variáveis é “Muito forte”,
além de ser “Positiva” (pois x aumenta, y também aumenta). Então, podemos afirmar que, conforme
aumentam as horas de estudo, as notas obtidas também aumentam. Veja mais detalhes abaixo:
O grau de relação r pode variar de -1 até +1, conforme ilustrado abaixo:
Perfeita Nula Perfeita
-1 0 +1
-0,9 -0,6 -0,3 0,3 0,6 0,9
Muito Forte Fraca Muito Fraca Muito Fraca Fraca Forte Muito
forte forte
Correlação linear NEGATIVA Correlação linear POSITIVA

( x aumenta, y diminui ) ( x aumenta, y aumenta )
r=0
y r = - 0,813 y r = 0,824
x x
r=0,975
Positiva e “Muito forte”
Notas:
Correlação e causalidade.
O fato de duas variáveis serem fortemente correlacionadas não implica uma relação de causa e efeito entre elas. Um estudo
mais profundo é usualmente necessário para determinar se há uma relação causal entre as variáveis. As seguintes questões
devem ser consideradas ao pesquisador:
- Há uma relação direta de causa e efeito entre as variáveis?
- É possível que a relação entre duas variáveis seja uma coincidência?
Mais informações em Larson, 2010, capítulo 9.

REGRESSÃO LINEAR SIMPLES

INTRODUÇÃO
Após verificar se a correlação linear entre duas variáveis é significante, o próximo passo é determinar a equação
da linha que melhor modela os pontos grafados. Essa linha é chamada de linha de regressão (ou linha de melhor
ajuste). Portanto, a análise de regressão linear simples tem por objetivo obter a equação matemática do ajuste da
reta que representa o melhor relacionamento numérico linear entre as duas variáveis em estudo.
A Regressão Linear
H o r as estudadas ver sus No tas o btidas determina o
10
ajuste da reta,
9
chamada de “Linha de
8
Regressão”
Y (Notas obti das )
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9
x (Horas de es tudo)
Ao se construir um diagrama de dispersão, não sabemos o comportamento da reta em relação aos pontos
grafados. Para tanto, devemos calcular o “ajustamento da reta aos pontos”. Eis alguns exemplos de diagramas de
dispersão com o ajustamento da reta aos pontos:
AJUSTAMENTO DA RETA AOS PONTOS GRAFADOS
Para ajustar a reta aos pontos grafados em um diagrama de dispersão, os estatísticos usam as seguintes equações:
1º - Calcular o Coeficiente angular a: 2º - Calcular o Coeficiente linear b: 3º - Calcular o ajustamento da reta ̂ :

(dá a inclinação da reta) (ordena o ponto em que a reta corta o eixo)
b = ̅ - a̅ ̂ = aX + b
Onde: Onde:
b = Coeficiente linear ̂ = Ajustamento da reta
Onde: ̅ = Média de y
a = Coeficiente angular
a = Coeficiente angular a = Coeficiente angular
X = É um valor arbitrário. (Ex.: nº 5)
n = tamanho da amostra ̅ = Média de x b = Coeficiente linear

EXEMPLO DE APLICAÇÃO. Consideremos na tabela abaixo uma amostra formada por 8 alunos de uma classe, pelo
número de horas de estudo (x) e as notas obtidas (y), calcule a reta ajustada nos pontos grafados.
versus notas obtidas
1º - Calcular o Coeficiente angular a:
Aluno X Y X
2
XY
(horas de estudo) (notas obtidas)
A 8h 9,0 64 72
B 2h 3,0 4 6
C 3h 4,0 9 12
D 4h 5,0 16 20
E 4,5h 6,0 20,25 27 a = 266,5 - (39,5) . (48,5)
F 6h 7,0 36 42 8
G 5h 7,0 25 35 223,25 - (39,5)
2
H 7h 7,5 49 52,5 8
=39,5 =48,5 =223,25 =266,5 a = 0,958
2º - Calcular o Coeficiente linear b: 3º - Calcular o ajustamento da reta :
b = - a = aX + b
Calculando as Médias e , temos:

= 0,958 . 5 + 1,33
= 48,5 = 6,063 = 39,5 = 4,937 = 6,12
8 8
Então: Nota: 5 é um valor arbitrário.
b = 6,063 – 0,958 x 4,937
b = 1,33
Para traçar a reta no diagrama de dispersão, basta determinar os pontos b, e o arbitrário:
Note que os pontos grafados estão muito próximos da reta. Isso significa que existe uma correlação
muito forte entre as duas variáveis em estudo

CAPÍTULO 4
TESTE DE HIPÓTES
É possível testar
afirmativas acerca de
populações?

Conceitos introdutórios
TESTE DE HIPÓTESE é um procedimento usado para testar se a afirmação acerca de uma população é
verdadeira ou não, com base em dados amostrais.
Uma hipótese é uma suposição quanto ao valor de um parâmetro populacional. O teste de hipótese é tão somente uma regra de
decisão para ACEITAR ou REJEITAR uma hipótese qualquer (uma suposição, uma afirmação), com base nos elementos amostrais.
EXEMPLO. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L. Uma revista
decide testar essa afirmação e analisa 50 veículos obtendo uma média de 17 km/L, que é diferente da informada
pelo fabricante.
 O resultado de 17km/L não garante que a afirmação do fabricante seja falsa, pois você está se baseando em dados amostrais. Para
haver esta garantia só realizando um censo (toda a população), o que é teoricamente impossível.
 O que devemos avaliar, com auxílio do Teste de Hipótese, é se a afirmação é verdadeira ou não, com base nos dados amostrais.
Organização das hipóteses, Erros de decisão, Nível de significância e Tipos de testes

Organização das hipóteses. Com base no exemplo, podemos formular duas hipóteses: “Nula” e “Alternativa”. Na Hipótese Nula , diremos
que a média populacional é igual aquela que se supõe verdadeira; e na Hipótese Alternativa, que nasce de uma desconfiança, diremos que a
média populacional não será igual àquela tida como verdadeira. Ora, quando um valor A não é igual a um valor B, haverá três possibilidades:
1ª) A ≠ B ou 2ª) A > B ou 3ª) A < B. Estamos falando, obviamente, da Hipótese Alternativa (Ha). Então, resumindo, temos:
Hipótese Nula: H0 → sugere que a afirmação é verdadeira. No exemplo, H0 : µ = 18 km/L

Hipótese Alternativa: Ha → sugere que a afirmação é falsa. temos que: Ha : µ < 18 km/L
As hipóteses Nula e Alternativa sempre serão confrontadas. De todo o exposto, já podemos tirar algumas conclusões:
H0 será sempre de igualdade: Ha será sempre de desigualdade:
Nota: O que definirá se Ha trará um
Ha : µ ≠ 18 km/L
H0 : µ = 18 km/L sinal ≠ ou > ou < será o resultado
Ha: µ < 18 km/L
obtido na amostra.
...e é aquela que será testada. Ha : µ > 18 km/L
Erros de decisão. Uma vez realizado o teste com a Hipótese Nula (H0), poderão advir dois resultados:
Decisão H0 é verdadeira, sendo, portanto, ACEITA.

correta H0 é falsa, devendo, pois, ser REJEITADA. → (ao rejeitar H0, obviamente aceitamos a Hipótese Alternativa Ha).
Entretanto, ao realizar um teste, o pesquisador pode errar de duas formas:
H0 é verdadeira, mas será REJEITADA. → Chamamos de ERRO TIPO I.

Erros de (é o mesmo que condenar um inocente! O réu disse a verdade, mas seus argumentos foram rejeitados).
decisão H0 é falsa, mas será ACEITA. → Chamamos de ERRO TIPO II.
(é o mesmo que inocentar um culpado! O réu mentia, mas seus argumentos foram aceitos).
Nível de significância α. Note que o erro Tipo I é pior pois condenar um inocente é algo terrível, e este erro o pesquisador deve evitar a todo
o custo! Porém, há sempre uma probabilidade de cometê-lo. Esta probabilidade é chamada de Nível de Significância α (alfa). Portanto:
O NÍVEL DE SIGNIFICÂNCIA α é a PROBABILIDADE de se cometer um ERRO TIPO I, devendo ser sempre a menor possível.
Normalmente, usamos um Nível de Significância de 10% (0,10); 5% (0,05); ou 1% (0,01). Mas pode-se usar qualquer α.
Tipos de Testes.
Usamos a curva normal (ou t) para realizar os testes, sendo três tipos possíveis, e o que será usado depende do sinal presente na hipótese alternativa Ha.
Teste Unilateral à esquerda Teste Unilateral à direita Teste Bilateral
H0 : µ = 18 km/L H0 : µ = 18 km/L H0 : µ = 18 km/L
Ha : µ < 18 km/L Ha : µ > 18 km/L Ha : µ ≠ 18 km/L
α  5% α  5% α  5%
Região de Região de
Região de aceitação
Região de aceitação aceitação Região de Região de
rejeição 0,95 Região de rejeição
0,95 rejeição
α  0,05 rejeição α 0,025 0,95 α  0,025
α  0,05 2 2
18km/L 18km/L 18km/L

(0,5-0,05=0,45)  Z=-1,65 Z=+1,65  (0,5-0,05=0,45) Z=-1,96 Z=+1,96  (0,95/2 = 0,4750)
Este teste será usado quando se tem um valor Este teste será usado quando se tem um valor Será usado quando se tem um valor dentro de um
mínimo aceitável. Sinal usado em Ha: <. máximo aceitável. Sinal usado em Ha: >. intervalo aceitável. Sinal usado em Ha: ≠.
TOMANDO A DECISÃO: A Região de rejeição (demonstrada no gráficos) é o conjunto de todos os valores da estatística de teste que nos fazem rejeitar a Hipótese
Nula (H0). Se a estatística de teste cair nesta região, diremos que a afirmativa do fabricante é falsa, o que fará com que rejeitemos a Hipótese Nula (H 0).
Mas, se a estatística de teste cair na Região de aceitação, diremos que a afirmativa é verdadeira. O termo “estatística de teste” é feito por meio de cálculos que
serão apresentados a seguir. O nível de significância α  5% (demonstrado nos gráficos) é apenas um exemplo, pois podemos usar também outros níveis.

Teste de Hipótese para média (amostras grandes n > 30) (Distribuição Normal z)
Usamos a Distribuição Normal (z) para realizar o teste de hipótese para amostra maior que 30. Quando o desvio padrão é
conhecido, mesmo com amostra menor que 30, também podemos usar a Normal. Embora tenha 3 tipos de testes, na prática
aplicamos um ou outro, nunca os três conjuntamente. Mostraremos a aplicação dos três testes em problemas diferentes.
x  x = média amostral z = Estatística de teste

A estatística de teste z µ = média Hipotética (H0)
usada para média é: s
s = desvio padrão
(n > 30)
n n = tamanho da amostra
EXEMPLO 1. TESTE UNILATERAL À ESQUERDA. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L.
Uma revista decide testar essa afirmação e analisa 50 veículos da mesma marca, obtendo uma média de 17 km/L com desvio padrão
de 3km/L. Testar a hipótese, contra a alternativa de que o consumo é menor que 18km/L, com Nível de Significância de 6%.
1º passo: Formular as hipóteses: 4º passo: Desenhar as Regiões de Rejeição e de 5º passo: Calcular a
H0 : µ = 18 km/L Aceitação, em função do escore z (nível α) : estatística de teste:
Ha : µ < 18 km/L
x 
2º passo: Definir o tipo de teste a ser usado: Região de z
Como a média amostral foi 17km/L, temos um valor mínimo aceitação
s
Região de
aceitável. O sinal é <, logo, usamos o unilateral à esquerda. rejeição 0,94 n
α  0,06
3º passo: Encontrar escore z que estabelece os limites de
17  18 = -2,35
Rejeição/Aceitação: α=6% (0,06) | 0,5 – 0,06 = 0,44 → z = -1,56 z
18km/L 3
Ao procurar 0,44 na tabela Normal, encontramos z = - 1,56 (como o -1,56
teste é “unilateral à esquerda”, o escore z será negativo). 50
6º passo: Verifique se a estatística de teste z caiu 7º e último passo: Tomada de decisão:

na Região de rejeição: Note que a estatística de teste z caiu na Região
de rejeição. Então, você deverá REJEITAR A
Região de
estatística de teste aceitação HIPÓTESE NULA (Ho).
Região de
(obtido no 5º passo) rejeição 0,94
α  0,06 Ou seja, não se pode aceitar que o consumo médio de
combustível do Pálio Fire 1.0 é de 18 km/L, contra a
hipótese de que seja menor que este valor, com uma
18km/L probabilidade de erro de 6%.
-2,35 -1,56
-3z -2z -1z 0 +1z +2z +3z
EXEMPLO 2. TESTE UNILATERAL À DIREITA A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L. Uma
revista decide testar a afirmação e analisa 35 veículos da mesma marca, obtendo uma média de 18,5 km/L com desvio padrão de 2,5
km/L.. Testar a hipótese, contra a alternativa de que o consumo é maior que 18km/L, com Nível de Significância de 4%.
Ha : µ > 18 km/L
x 
aceitação s
Como a média amostral foi 18,5km/L, temos um valor máximo 0,96 Região de
aceitável. O sinal é >, logo, usamos o unilateral à direita. rejeição n
α  0,04
18,5  18 = +1,18
Rejeição/Aceitação: α=4%(0,04) | 0,5 – 0,04 = 0,46 → z = +1,75 z
18km/L
2,5
Ao procurar 0,46 na tabela Normal, encontramos z = +1,75 (como o z=+1,75
teste é “unilateral à direita”, z será positivo). 35

na Região de rejeição: Note que a estatística de teste z não caiu na
Região de Rejeição. Então, você deverá ACEITAR
Região de
aceitação A HIPÓTESE NULA (Ho).
estatística de teste 0,96 Região de
(obtido no 5º passo) rejeição Ou seja, pode-se aceitar que o consumo médio de
α  0,04
combustível do Pálio Fire 1.0 é de 18 km/L, contra a
hipótese de que seja maior que este valor, com uma
18km/L
z=+1,75 probabilidade de erro de 4%.
z=+1,18
-3z -2z -1z 0 +1z +2z +3z

EXEMPLO 3. TESTE BILATERAL. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L. Uma revista
decide testar a afirmação e analisa 42 veículos da mesma marca, obtendo uma média de 16,8 km/L com desvio padrão de 2 km/L.
Testar a hipótese, contra a alternativa de que o consumo não é de 18km/L, com Nível de Significância de 10%.
Ha : µ ≠ 18 km/L
Região de x 
2º passo: Definir o tipo de teste a ser usado: aceitação z
A idéia não é testar se é menor ou maior. Queremos testar um Região de Região de s
rejeição rejeição
intervalo aceitável. O sinal é ≠, logo, usamos o Bilateral. α 0,05 0,90 α  0,05 n
2 2
0,90 16,8  18 = -3,88
Rejeição/Aceitação: α=10% | /2 = 0,45 → z = -1,65 e +1,65
18km/L
z
2
Ao procurar 0,45 na tabela Normal, encontramos z = ±1,65 (como o Z=-1,65 Z=+1,65 (0,90/2 = 0,45)
teste é “Bilateral”, usamos z positivo e negativo). 42

na Região de rejeição: Note que a estatística de teste z caiu na Região
de Rejeição. Então, você deverá REJEITAR A
Região de HIPÓTESE NULA (Ho).
estatística de teste aceitação
Região de Região de
(obtido no 5º passo) rejeição rejeição Ou seja, não se pode aceitar que o consumo médio de
α 0,05 0,90 α  0,05 combustível do Pálio Fire 1.0 é de 18 km/L, contra a
2 2 hipótese de que seja diferente deste valor, com uma
probabilidade de erro de 10%.
18km/L
Z=-1,65 Z=+1,65
z=-3,88
-3z -2z -1z 0 +1z +2z +3z
Teste de Hipótese para média (amostras pequenas n ≤ 30) (Distribuição t de Student)

Usamos a Distribuição t de Student (t) para realizar o teste de hipótese para amostra menor ou igual a 30.
x = média amostral Efetuar o Teste usando a Distribuição t de Student
x 
A estatística de teste t µ = média Hipotética (H0) é similar a efetuar o Teste com a Normal z. Difere-
usada para média é: s s = desvio padrão se apenas no 3º passo, onde usamos n - 1 graus
(n ≤ 30) n = tamanho da amostra de liberdade e a tabela t para encontrar o limite
n
t = Estatística de teste t Student de Rejeição/Aceitação.
EXEMPLO 4. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L. Uma revista decide testar essa
afirmação e analisa 22 veículos da mesma marca, obtendo uma média de 17,4 km/L com desvio padrão de 1,7km/L. Testar a hipótese
de que o consumo é menor que 18km/L, com Nível de Significância de 5%.
H0 : µ = 18 km/L Aceitação, em função de t (nível α) : estatística de teste:
Ha : µ < 18 km/L
x 
2º passo: Definir o tipo de teste a ser usado: Região de t
Como a média amostral foi 17,4km/L, temos um valor mínimo aceitação
s
Região de
aceitável. O sinal é <, logo, usamos o unilateral à esquerda. rejeição 0,95 n
α  0,05
3º passo: Encontrar t que estabelece os limites de
17,4  18 = -1,65
Rejeição/Aceitação: gl=n-1→ 22–1=21 → -1,721 | α=5% (0,05) t
18km/L 1,7
Analise a tabela t de Student na próxima página: -1,721
Usando Unilateral, α=0,05 com g.l.= 21, encontramos t = 1,721. 22
(como o teste é “unilateral à esquerda”, t será negativo).
6º passo: Verifique se a estatística de teste t caiu 7º e último passo: Tomada de decisão:

Região de rejeição. Então, você deverá ACEITAR
Região de
aceitação
A HIPÓTESE NULA (Ho).
Região de
rejeição 0,95
A única diferença α  0,05 Ou seja, pode-se aceitar que o consumo médio de
da t para z está combustível do Pálio Fire 1.0 é de 18 km/L, contra a
no 3º passo. hipótese de que seja menor que este valor, com uma
18km/L probabilidade de erro de 5%.
-1,721
-1,65
-3z -2z -1z 0 +1z +2z +3z

TABELA DISTRIBUIÇÃO t DE STUDENT (PARCIAL)

Confiança, c 50% 80% 90% 95% 98% 99%
Níveis de Unilateral, α 0,25 0,10 0,05 0,025 0,01 0,005
Significância, α Bilateral, α 0,50 0,20 0,10 0,05 0,02 0,01
g.l. 1 1,000 3,078 6,314 12,71 31,82 63,66
2 0,816 1,886 2,920 4,303 6,965 9,925
3 0,765 1,638 2,353 3,182 4,541 5,841
4 0,741 1,533 2,132 2,776 3,747 4,604
5 0,727 1,476 2,015 2,571 3,365 4,032
6 0,718 1,440 1,943 2,447 3,143 3,707
7 0,711 1,415 1,895 2,365 2,998 3,499
8 0,706 1,397 1,860 2,306 2,896 3,355
9 0,703 1,383 1,833 2,262 2,821 3,250
10 0,700 1,372 1,812 2,228 2,764 3,169
11 0,697 1,363 1,796 2,201 2,718 3,106
12 0,695 1,356 1,782 2,179 2,681 3,055
13 0,694 1,350 1,771 2,160 2,650 3,012
14 0,692 1,345 1,761 2,145 2,624 2,977
15 0,691 1,341 1,753 2,131 2,602 2,947
16 0,690 1,337 1,746 2,120 2,583 2,921
17 0,689 1,333 1,740 2,110 2,567 2,898
18 0,688 1,330 1,734 2,101 2,552 2,878
19 0,688 1,328 1,729 2,093 2,539 2,861
20 0,687 1,325 1,725 2,086 2,528 2,845
21 0,686 1,323 1,721 2,080 2,518 2,831
22 0,686 1,321 1,717 2,074 2,508 2,819
23 0,685 1,319 1,714 2,069 2,500 2,807
24 0,685 1,318 1,711 2,064 2,492 2,797
25 0,684 1,316 1,708 2,060 2,485 2,787
26 0,684 1,315 1,706 2,056 2,479 2,779
27 0,684 1,314 1,703 2,052 2,473 2,771
28 0,683 1,313 1,701 2,048 2,467 2,763
29 0,683 1,311 1,699 2,045 2,462 2,756
0,674 1,282 1,645 1,960 2,326 2,576
Teste de Hipótese para Proporções P (Distribuição Normal)
Quando lidamos com Proporções, a população é constituída por elementos de dois tipos, isto é, cada elemento pode ser interpretado como
Sucesso e Fracasso, além dos eventos ser independentes. Nestas condições, a variável aleatória segue uma distribuição Binomial. De acordo
com Teorema do Limite Central, para amostra suficientemente grande (n > 30), a distribuição Binomial aproxima-se a uma distribuição Normal.
Daí é imediato verificar que a proporção amostral p também aproxima-se da distribuição normal. Ocorre que, da mesma forma que o Teste de
Hipótese para média, frequentemente estamos interessados em Testar Hipóteses para proporções populacionais.
p  p0 p = proporção amostral
A estatística de teste z p0 = proporção Hipotética (H0)
usada para p0( 1  p0) n = tamanho da amostra
Proporções é: n z = Estatística de teste z (Normal)
EXEMPLO 5. Inspeciona-se uma amostra de 200 peças de uma grande remessa, encontrando-se 8% de peças defeituosas (200 x 0,08 =
16 peças defeituosas). O fornecedor garante que não haverá mais de 6% de peças defeituosas em toda a remessa. Testar a hipótese de
que a proporção de peças defeituosas é maior que 6%, com Nível de Significância de 5%.
1º passo: Formular as hipóteses: 4º passo: Desenhar as Regiões de Rejeição e 5º passo: Calcular a
H0 : p0 = 6% de Aceitação, em função do escore z (nível α) estatística de teste z:
Ha : p > 6%
p  p0
Como a proporção amostral foi 8%, temos um valor máximo aceitação p0( 1  p0)
0,95 Região de
aceitável. O sinal é >, logo, usamos unilateral à direita. n
rejeição
3º passo: Encontrar escore z que estabelece os limites de α  0,05
0,08  0,06
Rejeição/Aceitação: α=5% | 0,5 – 0,05= 0,45 → z=+1,65 z = +1,19
0,06( 1  0,06)
Ao procurar 0,45 na tabela Normal, encontramos z = +1,65 (como o z=+1,65
teste é “unilateral à direita”, usamos z positivo). 200
Calculadora: 0,02 ( ( 0,06x0,94) 200) = 1,19


Região de Rejeição. Então, você deverá ACEITAR
Estatística de teste Região de
aceitação A HIPÓTESE NULA (Ho).
(obtida no 5º passo) 0,95 Região de
rejeição Ou seja, pode-se aceitar que a proporção de peças
α  0,05
defeituosas seja de 6%, contra a hipótese de que seja
maior que este valor, com uma probabilidade de erro
z=+1,65 de 5%.
z=+1,19
-3z -2z -1z 0 +1z +2z +3z

Teste para duas amostras - Conceitos introdutórios

Nos capítulos anteriores, mostramos como realizar TESTES DE HIPÓTESES para situações que envolvem UMA ÚNICA AMOSTRA
de dados extraída de UMA ÚNICA POPULAÇÃO.
Agora, você ESTENDERÁ o TESTE DE HIPÓTESE para procedimentos que COMPARAM estatísticas oriundas de DUAS
AMOSTRAS de dados extraídas de DUAS POPULAÇÕES.
Justificativas e exemplos (adaptado de Farias et al, 2003):

Em muitas áreas da atividade humana há uma busca contínua por novos métodos, novos procedimentos que superem
ou melhorem, em certo sentido, aqueles já existentes:
 No setor de transportes, procuramos motores de maior rendimento e de menor ruído.
 A medicina procura drogas com maior poder de cura e o mínimo possível de efeitos colaterais.
 Na agricultura, buscamos variedades mais adequadas e mais produtivas de cereais.
 Um produtor quer saber se o novo cimento-e-cola para fixar azulejos tem maior grau de aderência que o atual.
Em todas essas situações, é preciso comparar as técnicas usuais com os métodos alternativos. A comparação da
eficiência de duas drogas, de dois métodos de produção de cimento-e-cola ou, em geral, de dois tratamentos é, pois, uma
questão importante que surge frequentemente no trabalho de pesquisa e desenvolvimento.
A escolha entre dois tratamentos diferentes não é uma tarefa tão simples como, a princípio, possa parecer. É necessário
realizar experimentos, coletar informações e fazer inferências (julgar) a partir da evidência experimental.
Tomemos o caso de duas terapias alternativas. Se todos os portadores de determinada doença se comportassem de
maneira idêntica em relação aos tratamentos utilizados, bastaria examinar o comportamento de um frente às
alternativas existentes; a decisão sobre qual é o melhor deles seria óbvia. Nenhuma análise estatística seria necessária.
Tal, entretanto, não é o caso. A reação a um tratamento varia de indivíduo para indivíduo, e, via de regra, não há
tratamento ótimo para todos. Como, em geral, não se conhece a reação de cada indivíduo, prescreve-se o tratamento
que, em média, dá os melhores resultados.
O procedimento para determinar qual dos dois tratamentos é, em média, o mais eficiente envolve a seleção de duas
amostras e a comparação dos resultados obtidos. Neste capítulo, discutiremos como comparar os efeitos médios de dois
tratamentos.
Teste de Hipótese para a diferença de duas médias

Para amostras dependentes (dados emparelhados)
Duas amostras são dependentes se cada membro de uma amostra corresponde a “Antes” “Depois”
um membro de outra amostra. Amostras dependentes envolvem duplas idênticas,
“antes e depois” de resultados para a mesma pessoa ou objeto. Veja ao lado.
 Para cada par definido, o valor da primeira amostra está claramente associado ao
respectivo valor da segunda amostra.
 Nestes casos as duas amostras serão de mesmo tamanho.
 Amostras dependentes também são chamadas de amostras relacionadas ou dados amostra 1 amostra 2
emparelhados.
A equação para resolução de dados emparelhados é mostrada abaixo.
EQUAÇÃO DADOS EMPARELHADOS (use t ou z)

d = média das diferenças, dada por Estatística de teste Sd = desvio padrão das diferenças, dado por
d   d 2 
d t d2   
d Sd  n 
n n Sd 
n 1
“d” é a diferença de cada dado, 2
encontrado por X2-X1 “d ” é a diferença de cada dado, ao quadrado
t = distribuição t de Student. Use a Normal Z se n>30. n = tamanho da amostra.
Exemplo 1. Dez cobaias adultas foram submetidas ao tratamento com certa ração para engordar, durante uma
semana. Os animais foram perfeitamente identificados, tendo sido mantidos, para tanto, em gaiolas individuais. Os
pesos, em gramas, no princípio e no fim de semana, designados respectivamente por X1 e X2 são dados a seguir.
Ao nível de 1% de significância, podemos concluir que o uso da ração contribuiu para o aumento do peso médio dos
animais? (Moretim)
Resolução: A tabela com os dados da experiência é mostrada abaixo, juntamente com os cálculos do 1º e 2º passos.

1º passo: Encontrar d (X2-X1) e ∑d (para permitir cálculo de d , que é a média das diferenças).
2 2
2º passo: Encontrar d e ∑d (para permitir cálculo de Sd, que é o desvio padrão das diferenças).
Dados da experiência
diferença d 2 3º passo: Calcular d
Cobaia X1 X2 d
(X2-X1)  d  66 = 6,6
1 635 640 5 25 d n é o tamanho da amostra
n 10
2 704 712 8 64
3 662 681 19 361
4 560 558 -2 4
5 603 610 7 49
6 745 740 -5 25 4º passo: Calcular Sd
7 698 707 9 81   d 2   662 
8 575 585 10 100 d2    882   
 n    10  = 7,043
9 633 635 2 4 Sd 
10 669 682 13 169 n 1 10  1
2
∑d=66 ∑d =882
5º passo: Executar o Teste de Hipótese.

5.1 Formular as hipóteses
Em termos da diferença ”d”, as hipóteses são descritas como:
H0 : µ = 0
Ha : µ > 0
5.2 Definir o tipo de teste a ser usado
TABELA DISTRIBUIÇÃO t DE STUDENT (PARCIAL) O sinal é >. Então o teste será unilateral à direita.
Confiança, c 50% 80% 90% 95% 98% 99%
Unilateral, α 0,25 0,10 0,05 0,025 0,01 0,005 5.3 Encontrar t que estabelece limites de Aceitação/Rejeição
Bilateral, α 0,50 0,20 0,10 0,05 0,02 0,01 gl=n-1 10-1=9 → 2,821 | α=1% (0,01)
g.l. 1 1,000 3,078 6,314 12,71 31,82 63,66 Usando Unilateral, α=0,01 com g.l.= 9, encontramos t = 2,821 (veja na
2 0,816 1,886 2,920 4,303 6,965 9,925 tabela t ao lado). Como o teste é “unilateral à direita”, t será positivo.
3 0,765 1,638 2,353 3,182 4,541 5,841 5.4 Desenhe as regiões de Aceitação/Rejeição
4 0,741 1,533 2,132 2,776 3,747 4,604
5 0,727 1,476 2,015 2,571 3,365 4,032 Região de
6 0,718 1,440 1,943 2,447 3,143 3,707 aceitação
0,99 Região de
7 0,711 1,415 1,895 2,365 2,998 3,499
rejeição
8 0,706 1,397 1,860 2,306 2,896 3,355 α  0,01
9 0,703 1,383 1,833 2,262 2,821 3,250
10 0,700 1,372 1,812 2,228 2,764 3,169
11 0,697 1,363 1,796 2,201 2,718 3,106 t=+2,821
12 0,695 1,356 1,782 2,179 2,681 3,055 5.5 Calcular a estatística de teste:
13 0,694 1,350 1,771 2,160 2,650 3,012
14 0,692 1,345 1,761 2,145 2,624 2,977
t
d  6,6 = 2,96
15 0,691 1,341 1,753 2,131 2,602 2,947 Sd 7,043
16 0,690 1,337 1,746 2,120 2,583 2,921 n 10
17 0,689 1,333 1,740 2,110 2,567 2,898
18 0,688 1,330 1,734 2,101 2,552 2,878 5.6 Verifique se t caiu na região de Rejeição
19 0,688 1,328 1,729 2,093 2,539 2,861
20 0,687 1,325 1,725 2,086 2,528 2,845 Região de
21 0,686 1,323 1,721 2,080 2,518 2,831 aceitação
0,99 Região de
22 0,686 1,321 1,717 2,074 2,508 2,819 rejeição
23 0,685 1,319 1,714 2,069 2,500 2,807 α  0,01
24 0,685 1,318 1,711 2,064 2,492 2,797
25 0,684 1,316 1,708 2,060 2,485 2,787
+2,821
26 0,684 1,315 1,706 2,056 2,479 2,779
27 0,684 1,314 1,703 2,052 2,473 2,771 +2,96
5.7 Conclusão:
28 0,683 1,313 1,701 2,048 2,467 2,763
A estatística de teste t caiu na Região de Rejeição. Então, você
29 0,683 1,311 1,699 2,045 2,462 2,756
deverá REJEITAR A HIPÓTESE NULA (Ho). Ho é falsa.
0,674 1,282 1,645 1,960 2,326 2,576
Não se pode aceitar que o peso se manteve. Então, concluímos que o
uso da ração contribui para o aumento do peso médio dos animais.

Para amostras independentes (dados não emparelhados)

Duas amostras são independentes se a amostra selecionada de uma das populações
não é relacionada à amostra selecionada da segunda população. Veja ao lado.
 Em muitas situações em que desejamos comparar as médias dos efeitos de dois tratamentos,
não se utiliza o esquema de dados emparelhados, seja porque o emparelhamento não é
possível, seja porque não é a maneira mais conveniente de se fazer a comparação. Dividem-se
então os indivíduos em estudo em dois grupos separados.
 Neste caso as duas amostras podem ser de tamanhos diferentes.
amostra 1 amostra 2
 Se os dados não são emparelhados, não terá sentido calcular as diferenças “d” entre os valores das duas amostras, e o teste deverá ser
baseado na diferença X1 - X2 entre as médias das duas amostras. Temos dois casos para amostras independentes: teste Z para amostras
grandes (n>30, ou se o desvio padrão for conhecido) e teste t para amostras pequenas (n≤30, ou se o desvio padrão for desconhecido).
Teste Z para amostras grandes (n>30)

EQUAÇÃO TESTE Z DADOS NÃO EMPARELHADOS (n>30)
Estatística de teste X1 =média da amostra população 1
X1  X 2 X 2 = média da amostra população 2
A estatística de teste z segue uma z S1 = desvio padrão da população 1
(S1) 2 (S2) 2
distribuição normal.  S2 = desvio padrão da população 2
n1 n2 n1 = tamanho da amostra população 1
n2 = tamanho da amostra população 2
Exemplo 1: Um fabricante produz dois tipos de pneus, A e B. Uma grande companhia de taxi testou a durabilidade de 50
pneus do tipo A, obtendo média de 24.000km e desvio padrão de 2.500km, e 40 pneus do tipo B, obtendo média de
26.000km e desvio padrão de 3.000km. Ao nível de 4% de significância, testar a hipótese de que a duração média dos dois
tipos de pneus é diferente (ou seja, não é a mesma).
1º passo: Formular as hipóteses 4º passo: Desenhar as Regiões de Rejeição e 5º passo: Calcular a

H0 : X 1 = X 2 de Aceitação, em função de z (nível α) estatística de teste
Ha : X 1 ≠ X 2
X1  X 2
2º passo: Definir o tipo de teste a ser usado Região de z
Queremos testar se a média de A e B é diferente. O aceitação (S1) 2 (S2) 2
Região de Região de 
sinal é ≠. Usamos o Bilateral, pois testaremos um rejeição rejeição n1 n2
intervalo aceitável. α 0,02 0,96 α  0,02
2 2
3º passo: Encontrar escore z que estabelece os 24.000  26.000
z  3,38
limites de Rejeição/Aceitação: (2.500) 2 (3.000) 2
0,96 Z=-2,05 Z=+2,05 (0,96/2 = 0,48) 
α=4% | /2 = 0,48 → z = -2,05 e +2,05 50 40
Ao procurar 0,48 na tabela Normal, encontramos z = ±2,05
(pois 0,4798 é mais próximo. Como o teste é “Bilateral”,
usamos z positivo e negativo).
6º passo: Verifique se a estatística de teste caiu 7º e último passo: Tomada de decisão:

na Região de rejeição: A estatística de teste caiu na Região de Rejeição.
Então, deve-se REJEITAR A HIPÓTESE NULA (Ho).
Região de
estatística de teste aceitação
Região de Região de Ou seja, Não se pode aceitar que a durabilidade média
(obtido no 5º passo) rejeição dos pneus é a mesma. Concluímos que os pneus tem
rejeição
α 0,02 0,96 α  0,02 durabilidade média diferente.
2 2
z=-2,05 z=+2,05
z=-3,38

REFERÊNCIAS BIBLIOGRÁFICAS
ANDERSON, David R.; SWEENEY, Dennis J.; WILLIANS, Thomas A. Estatística aplicada à administração e economia. 2
ed. São Paulo: Cengage Learning, 2009. 597 p.
BARBETTA et al. Estatística para cursos de engenharia e informática. 2 ed. São Paulo: Atlas, 2008.
COSTA NETO, Pedro Luiz de Oliveira; CYMBALISTA, Melvin. Probabilidades. 2 ed. São Paulo: Edgard Blucher, 2005.
CRESPO, Antônio Arnot. Estatística fácil. 17 ed. São Paulo: Saraiva, 1999. 224 p.
FARIAS, Alfredo Alves et al. Introdução à estatística. 2 ed. Rio de Janeiro: LTC, 2003. 340 p.
GIOVANNI José Ruy; BONJORNO, José Roberto; GIOVANNI JR., José Rui. Matemática fundamental: uma nova
abordagem – volume único. São Paulo: FTD, 2002. 712 p.
HAZZAN, Samuel. Fundamentos da matemática elementar: combinatória e probabilidade. 7 ed. São Paulo: Atual
editora, 2004. 184p.
LAPPONI, Juan Carlos. Estatística usando o Excel. 4 ed. Rio de Janeiro: Elsevier, 2005. 476 p.
LARSON, Ron; FARBER, Betsy. Estatística aplicada. 4 ed. São Paulo: Pearson, 2010. 637 p.
LEVINE, David M. et al. Estatística: teoria e aplicações. 5 ed. Rio de Janeiro: LTC, 2008. 752 p.
LOPES, Paulo Afonso. Probabilidade e estatística: conceitos, modelos e aplicações em Excel. Ernesto Reichmann, 1999.
MANDIN, Daniel. Estatística descomplicada. 9 ed. Brasília: Vestcon, 2002. 227 p.
MEYER, Paul L. Probabilidade: aplicações à estatística. 2 ed.. Rio de Janeiro: LTC, 1983. 426 p.
MONTGOMERY, Douglas C.; RUNGER, George C. Estatística aplicada e probabilidade para engenheiros. 2 ed. Rio de
Janeiro: LTC, 2003. 465 p.
MORETTIN, Luiz Gonzaga. Estatística básica: probabilidade e inferência. São Paulo: Pearson, 2010. 375 p.
ROSS, Sheldon. Probabilidade: um curso moderno com aplicações. 8 ed.Porto Alegre: Bookman,2010. 826p.
RUMSEY, Deborah. Estatística para leigos. Rio de Janeiro: Alta books, 2009. 350 p.
SILVA, Ermes Medeiros et al. Estatística: para os cursos de Economia, Administração e Ciências Contábeis - volume 1. 2
ed. São Paulo: Atlas, 1996. 189 p.
SMOLE, Kátia Stocco; DINIZ, Maria Ignez. Matemática–ensino médio. 5 ed. São Paulo: Saraiva, 2005. 558p.
SPIEGEL, Murray R. Estatística. Coleção Shaum. São Paulo: McGraw-Hill do Brasil, 1977. 580 p.
TRIOLA, Mario F. Introdução à estatística. 10 ed. Rio de Janeiro: LTC, 2008. 696 p.
URBANO, João. Estatística: uma nova abordagem. Rio de Janeiro: Ciência Moderna, 2010.530 p.
VASCONCELLOS, Maria José Couto; SCORDAMAGLIO, Maria Terezinha; CÂNDIDO, Suzana Laino. Coleção
Matemática. 1ª e 3ª série do ensino médio. São Paulo: Editora do Brasil, 2004. 232 p.

ANEXO I - INDICAÇÃO DE MATERIAL DIDÁTICO PARA AUXÍLIO DAS AULAS
1. Pelo SIA, acesse Biblioteca Virtual Estácio
2. Digite "estatística" e clique em pesquisar.
3. Material didático recomendado para leitura:
4. Material Didático Estácio

Acessar: http://leitorestacio.digitalpages.com.br/

ANEXO II - SOFTWARE BIOESTAT
Texto extraído da tese de doutorado em Engenharia de Ualison Rebula de Oliveira
Existem inúmeros recursos tecnológicos para a análise estatística de dados, que vão desde
calculadoras, a exemplo da TI – 83 PLUS, a aplicativos específicos, tais como o STATDISK e o
MINITAB (TRIOLA, 2005). Assim, buscando-se recursos computacionais que facilitassem o
tratamento de dados, vários aplicativos e softwares estatísticos foram pesquisados, dos quais se
destacam a planilha Excel, o STATDISK, o MINITAB, o BioEstat, o SPSS e algumas páginas na
Internet que oferecem programas em Javascript para cálculos on-line, a exemplo da página na
Internet www.stat.ucla.edu.
Após análise de pós e contras de cada aplicativo pesquisado, selecionou-se o pacote estatístico
BioEstat, disponível para download no site www.mamiraua.org.br, por possuir as seguintes
características positivas: i) serventia tanto para a Estatística descritiva como para testes estatísticos
não-paramétricos; ii) ser em português; iii) possuir manual em PDF com diversos exemplos; iv) ser
de fácil utilização; v) ser gratuito; vi) ser referenciado em vários livros, sites e entidades de
pesquisa – conforme Siegel & Castellan Junior (2006), o BioEstat é o melhor programa disponível
na atualidade para o cálculo do qui-quadrado; vii) possuir apoio do CNPQ; e viii) estar na versão 5.0
e possuir mais de 20 anos de criação.
INTERFACE BIOESTAT
Baixar software:
www.mamiraua.org.br

Anexo III - ESTATÍSTICA NO EXCEL
O Excel dispõe da função “Estatística”. Assim, tudo que vimos poderá ser desenvolvido pelo
excel, bastando inserir os valores da variável de interesse.
Para saber mais, basta adquirir o livro “Estatística usando o excel”, de Juan Carlos
Lapponi. WWW.SUBMARINO.COM.BR
4ª Edição, Edição 2005, 496 págs. Editora Elsevier Campus - Acompanha CD-ROM com Planilhas, Modelos,
Simuladores etc. para Excel.
O conteúdo deste livro é útil para: Estudantes que cursam Estatística nas diversas áreas do conhecimento e
em diferentes níveis de graduação como, em ordem alfabética, Administração, Biologia, Contabilidade,
Economia, Engenharia, Finanças, Marketing, Medicina, etc. Estudantes que necessitam aprimorar ou
complementar seus conhecimentos de Estatística utilizando o Excel. Profissionais das diversas áreas que
utilizam os conceitos de Estatística e necessitam, ou gostariam, de utilizar as funções estatísticas, as
ferramentas de análise, planilhas, modelos e simuladores de estatística em Excel. Todos aqueles que poderão
utilizar as planilhas, modelos e simuladores de estatística em Excel da forma como estão no CD-Rom, ou
modificando-os, para atender às suas necessidades. Alunos de áreas correlatas que utilizarão estatística e
desejam antecipar seu aprendizado e agregar valor ao seu conhecimento visando o mercado de trabalho. Usuários de Excel que desejam
conhecer e aprender a utilizar os recursos de Estatística disponíveis.
TÓPICOS
• DADOS, VARIÁVEIS E AMOSTRAS
• DESCRIÇÃO DE AMOSTRAS COM TABELAS E GRÁFICOS
• MEDIDAS DE TENDÊNCIA CENTRAL
• MEDIDAS DE DISPERSÃO/VARIAÇÃO
• PROBABILIDADE
• CORRELAÇÃO
• VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DISCRETAS
• DISTRIBUIÇÕES CONTÍNUAS
• COMBINAÇÃO LINEAR DE VARIÁVEIS ALEATÓRIAS
• DISTRIBUIÇÃO AMOSTRAL
• ESTIMAÇÃO
• TESTE DE HIPÓTESES
• TESTES DE HIPÓTESES COM DUAS AMOSTRAS
• ANÁLISE DA VARIÂNCIA
• REGRESSÃO LINEAR
• AJUSTE NÃO LINEAR

ANEXO IV – REVISÃO DE MEDIDAS DE VARIAÇÃO
O termo “variação” sugere tornar vário ou diverso; alterar, diversificar; mudar; ser inconstante; não ser conforme,
discrepar. Na maioria dos casos existirá variação em um conjunto de dados, independente da característica que
você esteja medindo, pois nem todos os indivíduos terão o mesmo exato valor para todas as variáveis.
EXEMPLO
Durante o ano letivo a Média das notas de João, Mário, Maria e José foi 7,0. Se considerarmos apenas a
Média, não notaremos qualquer diferença entre os quatro alunos. No entanto, observa-se que as notas são
muito diferentes em relação a Média. Há variação de notas e, no caso de João e José, é bem discrepante:
Grande variação
Média das notas de João a partir da Média Média das notas de Mário Sem variação a
10,0 9,5 9,0 10,0 partir da Média
8,0 7,0 8,0 7,0 7,0 7,0 7,0 7,0

6,0
Notas
Notas
6,0 6,0
3,5
4,0 4,0
2,0 2,0
0,0 0,0
1º Bim 2º Bim Média 3º Bim 4º Bim 1º Bim 2º Bim Média 3º Bim 4º Bim
Bimestres Bimestres
Pequena variação a Grande variação a

Média das notas de Maria partir da Média Média das notas de José partir da Média
9,5
10,0 10,0
8,5
8,0 7,0 7,5 7,5 8,0 7,0
6,5 6,5
6,0
Notas
Notas
6,0 6,0
4,0
4,0 4,0
2,0 2,0
0,0 0,0
1º Bim 2º Bim Média 3º Bim 4º Bim 1º Bim 2º Bim Média 3º Bim 4º Bim
Bimestres Bimestres
Diante deste contexto, podemos questionar: qual o aluno é mais estável? Qual teve melhor
desempenho? Qual o aluno com pior desempenho? Notadamente o aluno de melhor desempenho é o
Mário, pois todas as suas notas foram 7,0 e, portanto, não houve nenhuma variação em relação a Média.
Já José e João tiveram o pior desempenho pois suas notas estiveram muito distantes da Média.
Neste capítulo vamos desenvolver maneiras específicas de realmente medirmos a variação, de modo
que possamos usar números específicos em lugar de julgamento subjetivo.
Outros exemplos de variações:
 Os preços das casas variam de casa para casa, de ano para ano e de estado para estado.
 Os preços de um produto variam de supermercado para supermercado.
 O tempo que você leva para chegar ao trabalho varia dia a dia.
 O tamanho das peças produzidas em uma empresa também varia.
 A renda familiar varia de família para família, de país para país e de ano para ano.
 Os resultados das partidas de futebol, de temporada para temporada, variam.
 As notas que você tira nas provas, não diferente, também variam.
 Seu saldo bancário também varia, podendo ser de hora em hora, dia a dia, mês a mês.

VARIÂNCIA E DESVIO PADRÃO (amostral)
São medidas que representam “um valor médio de variação” em torno da média.
O desvio padrão é um modo que se usa para medir a variação entre os números em um conjunto de dados. Assim como o termo sugere,
um desvio padrão é um padrão (ou seja, algo típico) de desvio (ou distância) da média. O desvio padrão é uma estatística importante,
mas, frequentemente, é omitida quando a média é relatada. Sem ele, você está recebendo apenas uma parte da história sobre os dados.
Os estatísticos gostam de contar a história do homem que estava com um dos pés em um balde de água gelada e o outro em um balde de
x x x
água fervendo. O homem dizia que, na média, ele estava se sentindo ótimo! Mas imagine a variação da temperatura para cada um dos
pés. Agora, colocando os pés no chão, o preço médio de uma casa, por exemplo, não lhe diz nada sobre a variedade de preços de casas
com a qual você pode se deparar enquanto estiver procurando uma casa para comprar. A média dos salários pode não representar o que
realmente está se passando em sua empresa se os salários forem discrepantes.
Entendendo a Variância e o Desvio Padrão Calculando a Variância e o Desvio Padrão

Desvios em torno da Média das notas de João O problema da soma dos desvios foi resolvido pelos matemáticos:
basta elevar cada desvio ao quadrado antes de somá-los. Um
número ao quadrado é sempre positivo, portanto a soma não se
Desvios anula mais, e a média dos desvios ao quadrado pode ser calculada:
10,0 da média 9,5 9,0
Notas Média Desvios Desvios elevado ao
8,0 7,0 + 2,5 +2,0 (x) 2
( ) (x - ) quadrado (x - )
2
-1,0 3,5 7,0 -3,5 (-3,5) = 12,25
6,0
Notas
-3,5 6,0 6,0 7,0 -1,0 2

(-1,0) = 1
2
4,0 9,5 7,0 +2,5 (2,5) = 6,25
2
3,5 9,0 7,0 +2,0 (2,0) = 4
2,0 x x n=4 - =0  =23,5
0,0 Variância
1º Bim 2º Bim Média 3º Bim 4º Bim Agora, podemos calcular a média dos quadrados dos desvios,
Bimestres
chamada de Variância, representada por S2:
2 2
No gráfico percebemos que o desvio determina o quanto cada S = → 23,5 = 7,8
elemento do conjunto de dados se distancia da média 7,0. No 1º
4-1
Bim. faltam -3,5 para se chegar a Média e no 2º Bim. -1,0. Já nos n-1
3º e 4º Bim. temos +2,5 e +2,0 acima da média, respectivamente. A divisão por n−1 (grau de liberdade) aparece por fornecer um
Transpondo essas informações para uma tabela, temos: melhor resultado do que a divisão por n. Para entender melhor
o grau de liberdade pesquise: distribuição “t de Student”.
Notas Média Desvios Desvio padrão
(x) ( ) (x - )
Mas, se elevamos os desvios ao quadrado para poder calcular sua
3,5 7,0 -3,5 média, não seria correto que agora fizéssemos a raiz quadrada
6,0 7,0 -1,0 dessa média, para desfazer a potenciação? Sim, e o valor dessa raiz
9,5 7,0 2,5 é chamado Desvio padrão, representado por S:
9,0 7,0 2,0
- - =0 Desvio padrão → S= 7,8 = 2,8
Interpretação: O desvio padrão indica que a maioria das notas de
Perceba que a soma dos desvios é igual a zero. Esta
João está concentrada dentro dos limites de 2,8 em torno da
característica não é exclusiva deste exemplo. Ela sempre ocorre e
média 7,0. Ou seja, se concentrando entre 4,2 e 9,8 (veja abaixo).
prende-se ao fato de que a média é o ponto de equilíbrio em um
conjunto de dados.
4,2 -2,8 +2,8 9,8
Como os desvios indicam o grau de variação dos valores em
relação à média, seria interessante poder encontrar um único
número que o representasse. Algo como a média dos desvios. 7,0
Mas, para fazer essa média, precisamos somar os desvios e O entendimento completo da interpretação do desvio padrão
acabamos de ver que essa soma é sempre igual a zero. será estudado em “distribuição Normal”.
Equação da Variância e Desvio padrão

Podemos concluir, então, o uso das equações:

Calculando a Variância e o Desvio padrão das notas de Maria, José e Mário – passo a passo.
Notas de Maria: 6,5 6,5 7,5 7,5
1º Calcular a Média 2º Calcular a Variância 3º Calcular o Desvio padrão
x  x 2
S =  ( x  x) 2
n n 1 S= S2 → 0, 33
2 2 2 2 2
x = 6,5+6,5+7,5+7,5 = 7,0 S = (6,5 – 7,0) + (6,5 – 7,0) + (7,5 – 7,0) + (7,5 – 7,0) = 0,33
S = 0,5
4 4–1
Interpretação: O resultado indica que a maioria das notas de Maria está 6,5 -0,5 +0,5 7,5
concentrada dentro dos limites de 0,5 em torno da Média 7,0. Ou seja,
se concentrando entre 6,5 e 7,5.
7,0
Notas de José: 4,0 9,5 8,5 6,0

x  x 2
S =  ( x  x) 2
n n 1 S= S2 → 6 ,16
2 2 2 2 2
x = 4,0+9,5+8,5+6,5 = 7,0 S = (4,0 – 7,0) + (9,5 – 7,0) + (8,5 – 7,0) + (6,0 – 7,0) = 6,16
S = 2,5
4 4-1
Interpretação: O resultado indica que a maioria das notas de Maria está 4,5 -2,5 +2,5 9,5
concentrada dentro dos limites de 2,5 em torno da Média 7,0. Ou seja,
se concentrando entre 4,5 e 9,5.
7,0
Notas de Mário: 7,0 7,0 7,0 7,0

 ( x  x) 2
x  x 2
S = n 1 S= S2 → S=0
n
2 2 2 2 2
x = 7,0+7,0+7,0+7,0 = 7,0 S = (7,0 – 7,0) + (7,0 – 7,0) + (7,0 – 7,0) + (7,0 – 7,0) = 0
4 4-1
O resultado indica que todas as notas de Mário estão dentro dos limites de 0 em torno da Média 7,0. Ou seja, se concentrando exatamente
na média 7,0. Portanto, sem variação.

COEFICIENTE DE VARIAÇÃO - CV
É a medida relativa do desvio padrão que é expressa sob a forma de porcentagem (%).
Em algumas situações, podemos estar interessados em uma estatística que indique qual é o tamanho do desvio padrão em relação à
média. A melhor forma de representá-la é através do coeficiente de variação por ser expressa na forma de porcentagem.
Equação do Cv: Exemplo: Com a média 7,0 de João e Desvio padrão de 2,8, temos:
Cv = S x 100 Cv = 2,8 x 100 → 40%
x 7,0
Ou seja: Cv = Desvio padrão x 100 O resultado indica que a Média 7,0 de João teve um Desvio padrão em torno de 40%.
Média
Interpretação estatística do Cv:

Cv ≤ 15% = pequena variação em torno da média
15% < Cv < 30% = moderada variação em torno da média
Cv ≥ 30% = grande variação em torno da média
Fazendo a Distribuição de Variabilidade das notas de João, Maria, José e Mário, temos:
Alunos x S Cv (%) Cálculo do Cv (%) Interpretação do Cv

2,8
João 7,0 2,8 40% → /7,0 x 100 Grande variação
0,5
Maria 7,0 0,5 7% → /7,0 x 100 Pequena variação
2,5
José 7,0 2,5 36% → /7,0 x 100 Grande variação
Mário 7,0 0 0% - Nenhuma variação
VANTAGEM DO CV.
O Cv é útil para compararmos a variabilidade de variáveis que têm desvios padrão diferentes e médias diferentes
Exemplo: Suponha que o lote A de peças tenha média de
65 cm de comprimento com desvio padrão de 8 cm; e o Lote A Lote B
lote B tenha média de 105 cm com desvio padrão de 11 Cv = 8 x 100 = 12,3% Cv = 11 x 100 = 10,47%
cm. QUAL LOTE TEM MENOR VARIAÇÃO E É MAIS CONSISTENTE? 65 105
O lote B é mais consistente pois tem menor variação.

LIVROS PUBLICADOS POR
Uanderson Rébula de Oliveira
QUERO Esses ebooks estão disponíveis na livraria Saraiva por
COMPRAR preços bem acessíveis.
OS LIVROS Além disso, você pode imprimir, desenhar,

esquematizar ou usar qualquer leitor pdf,
pois a maioria deles encontra-se
desbloqueado.
Prof. Uanderson Rébula. Doutorando em

Ver amostras Engenharia. Professor universitário. Vivência
de 21 anos em ambiente industrial.
dos livros
uanderson.rebula@yahoo.com.br
http://lattes.cnpq.br/1039175956271626
https://br.linkedin.com/in/uandersonrebula
Prof. MSc. Uanderson Rébula de Oliveira
Uma mensagem do Prof. MSc Uanderson Rébula. CLIQUE NO VÍDEO
CLIQUE AQUI E INSCREVA-SE NO CURSO JÁ
Sumário

Livro PDF - Análise Estatística e Probabilidade - Prof MSC Uanderson Rebula

Enviado por

Direitos autorais:

Formatos disponíveis

Livro PDF - Análise Estatística e Probabilidade - Prof MSC Uanderson Rebula

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Livro PDF - Análise Estatística e Probabilidade - Prof MSC Uanderson Rebula

Enviado por

Direitos autorais:

Formatos disponíveis

Administração

Uanderson Rebula de Oliveira

Uanderson Rebula de Oliveira Análise Estatística

Faça o curso online no Udemy

O foco do Udemy são os conhecimentos práticos e úteis para o mercado de trabalho. Há

Uma mensagem do Prof. MSc Uanderson Rébula. CLIQUE NO VÍDEO

CLIQUE AQUI E INSCREVA-SE NO CURSO JÁ

2 – VARIÁVEIS ALEATÓRIAS E MODELOS PROBABILÍSTICOS

Uanderson Rebula de Oliveira Análise Estatística

Uanderson Rebula de Oliveira Análise Estatística

CONCEITOS BÁSICOS DE PROBABILIDADES

Dois exemplos clássicos (por sua simplicidade) do conceito de Probabilidade são:

Como representar numericamente as chances desses eventos?

EXPERIMENTO Resultados possíveis

EXPERIMENTO ALEATÓRIO Espaço amostral

Uanderson Rebula de Oliveira Análise Estatística

Princípio Fundamental da Contagem (principio multiplicativo)

Notas básicas do Princípio multiplicativo

Como o número de resultados foi obtido por meio de uma multiplicação,

O princípio multiplicativo constitui a ferramenta básica para determinar o nº

Uanderson Rebula de Oliveira Análise Estatística

preta sapato ( pre, ama, sap )

branca sapato ( bra, ama, sap )

Etapa 2-Construção Espaço amostral

Etapa 1-Projeto 6 meses (2,6) = 8 meses

2 meses 7 meses (2,7) = 9 meses

8 meses (2,8) = 10 meses

6 meses (3,6) = 9 meses

8 meses (3,8) = 11 meses

6 meses (4,6) = 10 meses

4 meses 7 meses (4,7) = 11 meses

Uanderson Rebula de Oliveira Análise Estatística

Evento A → {sair número dois} → A={2}.

Evento B → {sair número maior que 4} → B={5,6}.

Evento C → {sair número par} →C={2,4,6}.

Evento D → {sair número menor que 2} → D={1}.

O Diagrama de Venn pode representar graficamente o espaço amostral e o evento.

2) No lançamento de uma moeda, qual a probabilidade de o resultado ser Cara?

Uanderson Rebula de Oliveira Análise Estatística

Quando retiramos uma carta de um baralho de 52 cartas, qual a probabilidade de o resultado:

Interpretação de valores probabilísticos

0 0,5 (50%) 1 (100%) Números que não podem

Probabilidade com Eventos complementares

Probabilidade com Evento complementar

Exemplo. No lançamento de um dado, qual a probabilidade de o resultado:

A={2} →A=1 P(A) = 1 = 0,1666 P( A ) = 1 – P(A)

P(A) = 16,66% P( ) = 83,33%

Uanderson Rebula de Oliveira Análise Estatística

Exemplo 1. Ao lançar um dado, a probabilidade de se tirar o 2 ou 5 é:

Probabilidade com Eventos NÃO mutuamente exclusivos

A e B (Ambos) P(AouB) = P(A) + P(B) – P(A e B)

Então, a probabilidade de lançar um número ímpar ou menor que 3 será:

Jornal a) Leitor dos jornais A ou B? P(A ou B) = P(A) + P(B) – P(A e B)

Uanderson Rebula de Oliveira Análise Estatística

PROBABILIDADE CONDICIONAL E MULTIPLICAÇÃO DE PROBABILIDADES

É a probabilidade do Evento B ocorrer, dado que o evento A já tenha ocorrido.

A probabilidade condicional do Evento B, dado que A ocorreu é denotada por:

A ocorreu (lê-se “probabilidade de B, dado que A ocorreu”)

Ser o 5 O evento A ocorreu e queremos saber o B (dentro de A):