TRABALHO DE ESTATSTICA

NDICE

1.Teoria das Probabilidades.............................................3

2.Conceitos Fundamentais...............................................4
-Experimento Aleatrio................................................4
-Espao Amostral.........................................................4
-Eventos.......................................................................5
-Operaes com Eventos.............................................5
-Eventos Especiais......................................................7
3.Conceitos de Probabilidade...........................................9
-Definio Clssica.......................................................9
-Definio Axiomtica................................................9
-Frequncia Relativa.................................................10
-Probabilidade Geomtrica......................................11
4.Teoremas para clculo de Probabilidades...................12
5. Probabilidade Condicional e Independncia..............13
-Eventos Condicionados.............................................13
-Eventos Independentes.............................................13
-Regra do Produto.....................................................14
6.Variveis Aleatrias....................................................15
-Varivel Aleatria Discreta.......................................15
-Varivel Aleatria Contnua.....................................19
7.Distribuio de Probabilidade de v.a.d e v.a.c............21
-Distribuio Binomial................................................21
-Distribuio de Poisson.............................................24
-Distribuio Hipergeomtrica...................................26
-Distribuio de Bernoulli.........................................29
-Distribuio Uniforme............................................30
-Distribuio Exponencial.......................................31
-Distribuio Normal..............................................33
-Normal Padro......................................................34
.Tabela de distribuio normal padronizada Z...............37
NDICE DE FIGURAS
-Operaes com Eventos.............................................................6
-Probabilidade Geomtrica.......................................................11
-Distribuio Normal Padronizada..........................................36

1.Teoria das Probabilidades

2

Uma probabilidade o valor numrico que

representa a chance, a probabilidade ou a
possibilidade de que um determinado evento venha
a ocorrer.
A probabilidade de um evento ocorrer corresponde
a uma proporo ou frao cujo valor se estende
entre 0 e 1.
Um evento que no apresente nenhuma chance de
ocorrncia (o evento impossvel) tem uma
probabilidade igual a 0 (zero). Um evento cuja
ocorrncia seja garantida (ou seja, evento certo)
apresenta uma probabilidade igual a 1.

2. Conceitos Fundamentais
3

-Experimento Probabilstico ou Aleatrio

Um experimento que pode fornecer diferentes
resultados, muito embora seja repetido toda vez da
mesma maneira, chamado de um experimento
aleatrio.
Exemplo:
Ao lanar um dado uma vez, obtm-se o valor 3.
Caso seja lanado o mesmo dado, da mesma
maneira outra vez, este pode dar um valor diferente
de 3, podendo assumir valores de 1 a 6. De fato,
no h como prever o resultado do dado a partir de
experimentos passados, o que caracteriza um
experimento aleatrio.

-Espao Amostral
Espao amostral a coletnea de todos os eventos
possveis em um experimento. Denota-se por S.
Exemplo:
No caso do anterior do dado, o espao amostral S
= {1,2,3,4,5,6}, pois o dado pode assumir valores
de 1 a 6.

-Eventos
4

Cada resultado possvel de um experimento

chamado de um evento.
Exemplo:
Ainda usando o exemplo do dado, ao lana-lo
existem 6 eventos possveis, pois o dado possui 6
faces.

-Operaes com Eventos

. A unio de dois evento o evento que consiste
em todos os resultados que esto contidos em cada
um dos dois eventos. Denotamos a unio por E1 U
E2.
. A interseo de dois eventos o evento que
consiste em todos os resultados que esto contidos
nos dois eventos, simultaneamente. Denotamos a
interseo por E1 E2.
. O complemento de um evento em um espao
amostral o conjunto dos resultados no espao
amostral que no esto no evento. Denotamos o
complemento do evento E por E.

Imagem 1: unio dos conjuntos A e B

Imagem 2: interseo dos conjuntos A e B

Imagem 3: complementar do conjunto A

-Eventos Especiais
.Evento Impossvel: evento que no faz parte do
espao amostral e, portanto, tem probabilidade de
ocorrer igual a zero.
Exemplo: A probabilidade de ao jogar um dado
obter como resultado o nmero 7 exemplo de
evento impossvel, pois o espao amostral
composto apenas por nmeros de 1 a 6.
.Evento Certo: evento que engloba todo o espao
amostral e que, portanto, tem probilidade de
ocorrer igual a 1.
Exemplo: Ao jogar uma moeda, a probabilidade de
dar cara ou coroa igual a 1, pois so as nicas
alternativas possveis. O que caracteriza um evento
certo.
.Eventos mutuamente exclusivos: So eventos
que no compartilham elementos entre s, ou seja,
eventos cuja interseo nula. Para que um evento
ocorra, o outro, necessariamente, no pode ocorrer.
Exemplo: A probabilidade de, ao jogar uma moeda,
o resultado d cara e coroa zero, pois esses dois
eventos (que d cara e que d coroa) so
mutuamente excludentes.
7

.Evento Elementar: aquele formado por um

nico elemento do espao amostral.
Exemplo: O evento tirar 6 ao jogar um dado
exemplo de evento elementar, porque formado
apenas pelo elemento 6 do espao amostral.
.Eventos Equiprovveis: So eventos que tm a
mesma probabilidade de acontecer.
Exemplo: Dar cara e dar coroa so dois eventos
equiprovveis, pois ambos tm 50% de chance de
ocorrer.

3.Conceitos de Probabilidade
-Definio Clssica de Probabilidade
A probabilidade de sucesso baseada no
conhecimento prvio do processo envolvido. No
caso mais simples, em que cada um dos resultados
est igualmente propenso a ocorrer, a chance de
ocorrncia do evento definida por:
Probabilidade de ocorrncia = X/T
onde,
X = nmero de maneiras em que o evento ocorre
T = nmero total de resultados possveis

-Definio Axiomtica de Probabilidade

Dado um experimento aleatrio E, e S o espao
amostral de um evento A P(A) uma funo
definida em S que associa a cada evento um
nmero real, satisfazendo os seguintes axiomas:
0 < P(A) <1
P(S) = 1
Se A e B forem eventos mutuamente exclusivos, ento:
P(AUB) = P(A)+P(B)

-Frequncia Relativa
Frequncia relativa a razo entre o nmero de
eventos que esto contidos no conjunto de interesse
do experimento e o nmero total de eventos do
espao amostral.
Exemplo: Ao jogar um dado, quero que o nmero
dado seja par, ento:
Frequncia relativa = 3/6
Onde 3 representa o nmero de elementos pares e 6
representa o nmero total de eventos no espao
amostral.

10

-Probabilidade Geomtrica
Consiste em utilizar da representao grfica do
problema no plano cartesiano para resolve-lo, ou
por causa da natureza do problema em s, ou para
facilitar o clculo.
Exemplo:
Dois amigos que pegam o metr para o trabalho na
mesma estao costumam chegar entre 7:00 e 7:20
da manh na estao. Eles ficam no mximo 5
minutos esperando um pelo outro, aps essa espera
eles pegam o metr com ou sem companhia. Qual a
probabilidade deles se encontrarem na estao?
No plano cartesiano de coordenadas (s,t), um
quadrado de lado 20 (minutos) representa todas as
possibilidades de chegadas dos dois amigos na
estao.

Imagem 4: Probabilidade geomtrica

11

A rea cinza (A) formada a partir de duas retas, t

= s+5 e t = s-5, e representa as possibilidades em
que os dois amigos se encontram. Essa
probabilidade dada pela razo entre a rea A e a
rea do quadrado:
[400 (15x15/2 + 15x15/2)] / 400 = 7/16

4.Teoremas para clculo de

Probabilidades
- Se A um conjunto vazio, ento: P(A) = 0
- Se Ac complemento de A, ento: P(Ac) = 1
P(A)
- Se A B, ento = P(A) P(B)
- P(A) P(B) = P(A) + P(B) P(A) P(B)

12

5. Probabilidade condicional e
independncia
-Eventos Condicionados
A probabilidade condicional refere-se
probabilidade de ocorrer um evento A, tendo
ocorrido um evento B.
P(A|B) = P(A e B) / P(A)
Exemplo:
A probabilidade de tirar uma carta de Rei de um
baralho de 1/13. No entanto, se algum retira uma
carta e nos diz que uma figura, ento a
probabilidade da carta ser um Rei 1/3. Ou seja,
P(sair um rei|sair uma figura) = 1/3.

-Eventos Independentes
Quando a realizao ou no realizao de um dos
eventos no afeta a probabilidade da realizao do
outro, e vice-versa.
Exemplo: Ao jogar uma moeda duas vezes, o
resultado obtido em uma jogada no afeta o
resultado da seguinte, e vice-versa.

13

-Regra do Produto
Considere um conjunto finito

um

conjunto de eventos tais que os eventos

condicionais
tenham
probabilidades positivas. Ento temos que

usando a definio da probabilidade condicional

podemos reescrever a igualdade acima como:

Com caso particular temos que, dados dois

eventos e , conclumos que a probabilidade de
ocorrncia simultnea dos eventos e igual a
probabilidade de ocorrncia do evento (ou )
vezes a probabilidade de ocorrncia do evento
(ou ) dado que ocorreu o evento (ou ), ou seja

14

6.Variveis Aleatrias
Varivel aleatria uma funo que transforma um
espao amostral qualquer em um espao amostral
numrico, que ser sempre subconjunto do
conjuntos dos nmeros reais.
-Varivel Aleatria Discreta
Variveis numricas discretas produzem resultados
que advm de um processo de contagem (por
exemplo, o nmero de revistas que voc assina).
.Funo de Probabilidade (Unidimensional)
Seja X uma varivel aleatria discreta e Sx o seu
espao amostral. A funo de probabilidade P(X=x)
ser a funo que associa a cada valor de X a sua
probabilidade de ocorrncia, desde que satisfaa
duas condies:
1- P(X-x) 0, para todo x pertencente a Sx
2- P(X-x) = 1

15

.Funo de Distribuio de Probabilidades

(FDP)
Seja X uma varivel aleatria discreta e Sx o seu
espao amostral. A funo de distribuio, definida
por F(X) uma funo que associa a cada valor de
X a probabilidade P(Xx)
.Valor esperado
A mdia aritmtica, , de uma distribuio o
valor esperado de sua respectiva varivel
aleatria.
= E(X) = XiP(Xi)
Xi = o i-simo resultado para a varivel aleatria, X.
P(Xi) = probabilidade de ocorrncia do i-simo resultado de X.

Propriedades:
1Secumaconstante,ento:
E(c)=c
2SeXumav.a.ecumaconstante,ento:
E(c+X)=c+E(X)

16

3SeXumav.a.ecumaconstante,ento:
E(cX)=cE(X)
4Amdiadosdesviosigualazero.
E(X ) = 0
5 - A mdia dos desvios quadrticos mnima.
E(X- )2 < E(X-c)2 = 0
6 - Se X e Y so duas v.a. independentes, ento:
E(XY) = E(X)E(Y)
7 - Se X e Y so duas v.a., ento:
E(X Y) = E(X) E(Y)
.Varincia
Seja X uma v.a. discreta e Sx o seu espao
amostral. O grau mdio de disperso dos valores de
X em relao a sua mdia conhecido como
varincia que representada por V(X), ou
simplesmente 2, e definida como a mdia dos
quadrados dos desvios em relao a mdia. Sendo
assim, temos:
V(X) = 2 = E(X- )2 = (x- )2p(x)
Propriedades:
17

1 - Se k uma constante, ento:

V(k) = 0
2 - Se X uma v.a. e c uma constante, ento:
V(X+c) = V(X)
3 - Se X uma v.a. e k uma constante, ento:
X(kX) = k2V(X)
4 - Se X e Y so duas v.a. independentes, ento:
V(XY) = V(X) + V(Y)
.Desvio Padro
A partir da varincia podemos obter o desvio
padro, denotado por e definido como a raiz
quadrada da varincia.

18

-Varivel Aleatria Contnua

So contnuas todas as variveis cujo espao
amostral Sx infinito e no numervel. Assim, se
X uma v.a. contnua, ento X pode assumir
qualquer valor num intervalo [a;b] e o conjunto Sx
ser sempre definido como um intervalo.
Variveis numricas contnuas produzem resultados
que advm de um processo de medio (por
exemplo, a sua altura).
.Funo Densidade de Probabilidade
Seja X uma v.a. contnua e Sx o seu espao
amostral. Uma funo f associada a varivel X
denominada funo densidade de probabilidade se
satisfizer duas condies

19

.Funo Distribuio
Seja X uma varivel aleatria continua e Sx o seu
espao amostral. A funo de distribuio, definida
por F(X) ou P(Xx), a funo que associa a cada
valor de x pertencente a Sx a sua probabilidade
acumulada P(Xx). Desta forma, temos:

Sendo Sx = [a,b], temos

F(a) = P(Xa) = 0
F(b) = P(Xb) = 1
.Valor Esperado
Seja X uma v.a. contnua e Sx o seu espao
amostral. O valor mdio de X, representado por
E(X) ou , ser dado por:

Sempre que a funo for par e, portanto, simtrica

f() = 1/2

20

.Varincia
Seja X uma v.a. contnua e Sx o seu espao
amostral. A varincia de X, representada por V(X)
ou 2, ser dada por:

7.Distribuio de Probabilidade de
Variveis Discretas e Contnuas

-Distribuio Binomial
A distribuio binomial utilizada quando a
varivel aleatria de interesse o nmero de
eventos de interesse em uma amostra composta por
n observaes. A distribuio binomial possui
quatro propriedades bsicas:

21

. A amostra consiste em um nmero fixo de observaes.

. Cada observao classificada como uma dentre duas
categorias mutuamente excludentes e coletivamente
exaustivas.
. A probabilidade de uma observao ser classificada
como o evento de interesse, , constante, de observao
para observao. Assim, a probabilidade de uma
observao ser classificada como no sendo o evento de
interesse, 1 - , constante em relao a todas as
observaes.
. O resultado de qualquer observao independente do
resultado de qualquer outra observao. Para assegurar a
independncia, as observaes podem ser selecionadas
aleatriamente, seja a partir de uma populao infinita
sem reposio ou com reposio, seja a partir de uma
populao finita com reposio.

Para o caso do nmero de observaes, n, ser muito

grande, convm usar a frmula a seguir:

em que
P(X = x|n,) = probabilidade em que X = x eventos de
interesse, dados n e
n = nmero de observaes
= probabilidade de um evento de interesse
1 - = probabilidade de no haver um evento de
interesse
x = nmero de eventos de interesse na amostra

22

= o nmero de combinaes de x
eventos de interesse dentre n observaes

Exemplo:
Se a probabilidade de um formulrio de pedidos
etiquetado for 0,1, qual a probabilidade de que
existam trs formulrios de pedidos de compra
etiquetados na amostra de quatro pedidos?

.Mdia Aritimtica
A mdia aritmtica, , da distribuio binomial
igual ao tamanho da amostra, n, multiplicado pela
probabilidade de um evento de interesse, .

Exemplo: Em mdia, no longo prazo, voc espera,

teoricamente, = 4(0,1) = 0,4 formulrio de
pedidos de compra etiquetado em uma amostra
com quatro pedidos de compra.

23

.Desvio Padro

Exemplo: O desvio padro para o nmero de

formulrios de pedidos de compra etiquetados

-Distribuio de Poisson
Exemplos de variveis que seguem a distribuio
de Poisson so: defeitos na superfcie de uma
geladeira nova; o nmero de falhas na rede
informatizada em um determinado dia e o nmero
de pessoas que chegam em um banco. Voc pode
utilizar a distribuio de Poisson para calcular as
probabilidades em situaes como essas, contanto
que sejam verificadas as seguintes propriedades:
. Voc est interessado em contar o nmero de vezes em
que um evento especfico ocorre em uma determinada
rea de oportunidades. A rea de oportunidades
definida por meio do tempo, da extenso, da rea da
superfcie e assim sucessivamente.
24

. A probabilidade de que um evento especfico ocorra em

uma determinada rea de oportunidades a mesma para
todas as reas de oportunidades
. O nmero de eventos que ocorrem em uma determinada
rea de oportunidades independente do nmero de
eventos que ocorrem em qualquer outra rea de
oportunidades.
. A probabilidade de que dois ou mais eventos venha a
ocorrer em uma determinada rea de oportunidades se
aproxima de zero medida que a rea de oportunidades
vai se tornando menor.

.Medidas Descritivas
A distribuio de Poisson possui um parmetro,
chamado , que representa a mdia aritmtica. A
varincia de uma distribuio de Poisson tambm
igual a , e o desvio padro igual a
.
.Clculo da Distribuio de Poisson
A equao a seguir representa a expresso
matemtica correspondente a distribuio de
Poisson para calcular a probabilidade de X eventos,
sabendo-se que so esperados eventos.

sendo
25

P(X = x|) = a probabilidade de que X=x eventos em

uma rea de oportunidades, conhecendo-se
= nmero esperado de eventos
e = constante matemtica
x = nmero de eventos

Exemplo: Sabe-se que o nmero de acidentes de

trabalho, por ms, em uma unidade de produo
segue uma distribuico de Poisson, com uma mdia
aritmtica de 2,5 acidentes de trabalho por ms.
Qual a probabilidade de que em um determinado
ms nenhum acidente de trabalho venha a ocorrer?

A probabilidade de que em um determinado ms nenhum

acidente ocorra de 0,0821 ou 8,21%.

-Distribuio Hipergeomtrica
No que diz respeito distribuio hipergeomtrica,
os dados da amostra so selecionados sem
reposio, a partir de uma populao finita. Por
conseguinte, o resultado de uma observao
dependente dos resultados das observaes
anteriores, ao contrrio da distribuio binomial.
Considere uma populao de tamanho N. Seja A o
nmero total de eventos de interesse na populao.
A distribuio hipergeomtrica ento utilizada
para encontrar a probabilidade de X eventos de
26

interesse em uma amostra de tamanho n,

selecionada sem reposio. A equao a seguir
representa a expresso matemtica para encontrar
X eventos, conhecendo-se n, N e A.
.Clculo da Distribuio Hipergeomtrica

em que
P(X = x|n,N,A) = probabilidade de X eventos de interesse,
conhecendo-se n, N e A
n = tamanho da amostra
N = tamanho da populao
A = nmero de eventos de interesse na populao
N-A = nmero de eventos que no so de interesse na populao

.Mdia Aritmtica

.Desvio Padro

27

Exemplo: Suponha que voc est formando uma

equipe de 8 gerente, de diferentes departamentos de
sua empresa. Sua empresa tem um total de 30
gerentes, e 10 deles so do departamento
financeiro. Se voc vai selecionar aleatoriamente os
membros da equipe, qual a probabilidade de que a
equipe conter 2 gerentes do departamento
financeiro?
Nesse caso, a populao N=30 gerentes dentro da
organizao finita. Alm disso, A = 10 so do
departamento financeiro. Uma equipe de n = 8 membros
est para ser selecionada.

A probabilidade de que a equipe venha a conter dois

membros do departamento financeiro de 0,298 ou
29,8%.

28

-Distribuio de Bernoulli
Uma v.a., X, de Bernoulli aquela que assume
apenas dois valores, 1 se ocorrer sucesso (S) e 0 se
ocorrer fracasso (F), com probabilidade de sucesso.
Sua probabilidade dada por:

.Medidas Descritivas
Mdia = E(X) = p
Var(X) = p(1-p)
Exemplo:
X~Bernoulli (0,9)
P(X=x) = px(1-p)(1-x); x=0;1
P(X=0) = 0,90.(1-0,9)(1-0) = 0,1

29

-Distribuio Uniforme
Na distribuio uniforme, um determinado valor
apresenta a mesma probabilidade de ocorrncia em
qualquer lugar do intervalo entre o menor valor, a,
e o maior valor, b. A equao a seguir define a
funo densidade da probabilidade para a
distribuio uniforme

em que
a = valor mnimo de X
b = valor mximo de X

.Medidas Descritivas

30

-Distribuio Exponencial
A distribuio exponencial amplamente utilizada
na teoria das filas para modelar a extenso do
tempo decorrido entre chegadas em processos tais
como clientes em caixas eletrnicos de bancos.
A distribuio exponencial definida por um nico
parmetro, , a mdia aritmtica do nmero de
chegadas por unidade de tempo. A funo de
densidade da probabilidade para a extenso de
tempo entre chegadas fornecida pela equao a
seguir
em que
e = constante matemtica
= mdia aritmtica do nmero de chegadas por unidade
X = qualquer valor da varivel contnua em que

.Medidas Descritivas

31

Exemplo: Suponha que clientes cheguem a um

caixa eletrnico de um banco a uma taxa de 20 por
hora. Se um cliente acabou de chegar, qual a
probabilidade de que o prximo cliente chegue
dentro do limite de um intervalo de 3 minutos (0,05
hora)?
Para este exemplo, = 20 e X = 0,05, portanto

Portanto, a probabilidade de que um cliente venha a

chegar dentro de 3 minutos 0,6321 ou 63,21%

32

-Distribuio Normal
A distribuio normal a distribuio contnua
mais habitualmente utilizada na estatstica. A
distribuio normal de vital importncia na
estatstica por trs principais razes:
. Inmeras variveis contnuas comuns no mundo dos
negcios possuem distribuies que se assemelham
estreitamente distribuio normal.
. A distribuio normal pode ser utilizada para fazer
aproximaes para vrias distribuies de variveis
discretas.
. A distribuio normal proporciona a base para a
inferncia estatstica clssica em razo de sua relao
com o teorema do limite central.

A distribuio normal possui vrias propriedades

tericas importantes:
. Ela simtrica, e sua mdia aritmtica e mediana so,
consequentemente, iguais.
. Em sua aparncia, tem o formato de um sino.

33

. Sua amplitude interquartil igual a 1,33 do desviopadro. Consequentemente, os 50% dos valores centrais
esto contidos no mbito de um intervalo que tem como
limites dois teros de um desvio-padro abaixo da mdia
aritmtica e dois teros de um desvio-padro acima da
mdia aritmtica.
. Possui uma amplitude infinita

.Funo Densidade da Probabilidade Normal

em que
e = constante matemtica
= constante matemtica
= mdia aritmtica
= desvio-padro
X = qualquer valor da varivel contnua,

-Normal Padro
Encontrar probabilidades utilizando a expresso
matemtica anterior cansativo em termos de
clculo. Uma vez que esto disponveis as tabelas
de probabilidades normais, voc jamais precisa
34

utilizar essa expresso. A primeira etapa para

encontrar probabilidades normais diz respeito a
utilizar a formula de transformao, para
converter qualquer varivel aleatria, X, distribuida
nos moldes de uma distribuio normal, em uma
varivel aleatria normal padronizada, Z. O
valor de Z expressa a diferena entre o valor de X e
a mdia aritmtica, , em unidades de desviopadro.
.Frmula de Transformao

Embora a varivel aleatria, X, tenha mdia

aritmtica e desvio-padro , a varivel aleatria
padronizada, Z, ter sempre mdia aritmtica = 0
e desvio-padro = 1.
Qualquer conjunto de valores distribudos nos
moldes de uma distribuio normal, pode ser
convertido para sua forma padronizada. A partir de
ento, voc pode determinar as probabilidades
utilizando a Tabela de Distribuio Normal
Padronizada Acumulada.
Exemplo: Sabendo que a mdia aritmtica do
tempo de download de uma msica no Itunes
igual a 7s e o desvio-padro igual a 2s, qual a
35

probabilidade de que o tempo de download esteja

entre 5s e 9s?

Consultando a tabela, temos:

Portanto, a probabilidade igual a 0,6826 ou 68,26%,

como de fato mostra a imagem a seguir

Onde vemos que entre -1 e +1 a probabilidade

sempre 68,26%.
36

. Tabela de Distribuio Normal Padronizada

Acumulada

- Bibliografia
.Estatstica Teoria e Aplicaes (Levine - Stephan -Krehbiel Berenson)
.Slides do Curso de Estatstica (Cavallare)

37