Unidade I

ESTATÍSTICA APLICADA

Prof. Mauricio Fanno

Estatística indutiva

 Estatística descritiva
 Dados no passado ou no presente
e em pequena quantidade, portanto, reais e coletáveis.
 Campo de trabalho: amostra.
 Resultados exatos.
 Estatística indutiva
 Dados no futuro ou em grande quantidade, portanto, não
coletáveis e/ou prováveis.
 Campo de trabalho: população.
população
 Resultados prováveis, portanto, dotados de margem de erro.
Revisão da Teoria Elementar das Probabilidades

 Na Estatística Indutiva procura-se, portanto, prever o que é

mais provável de ocorrer e qual a tolerância desta previsão
(erro estatístico)
estatístico).
 Probabilidade é a razão (divisão) entre a quantidade
de resultados que nos são interessantes e a quantidade
total de resultados possíveis para aquela situação.
 Por exemplo: Você joga um dado e ganha o jogo se
sair um número primo. Qual é a probabilidade de vencer?
Revisão da Teoria Elementar das Probabilidades

 Resultados que podem ocorrer ao se jogar um dado: {1; 2; 3;

4; 5; 6}, portanto, seis resultados possíveis.
 Dos resultados possíveis, são números primos: {1; 2; 3; 5},
portanto, quatro resultados que interessam a você.
Logo a probabilidade de você ganhar esse jogo é de:
Logo,
Teoria Elementar da Probabilidade

Esta é a chamada “definição matemática

das probabilidades” e é expressa simbolicamente por:

 Lê-se como: A probabilidade de um evento A

ocorrer é a razão (ou divisão) entre o número de elementos
(ou resultados) favoráveis ao evento A e o número total de
elementos (ou resultados) do experimento aleatório estudado.
Definições básicas

 Experimentos aleatórios: ou fenômenos aleatórios

são aqueles que, mesmo repetidos várias vezes sob as
mesmas condições,
condições apresentam resultados imprevisíveis.
imprevisíveis
 Espaço amostral: é o conjunto S de todos os resultados
possíveis de um experimento aleatório. É também chamado
de conjunto universo.
Evento: é qualquer subconjunto do espaço amostral.
 Evento certo.
 Evento impossível.
Probabilidades – definição matemática

 Esse conceito pode ser expandido para

várias situações, normalmente, ligada a jogos de azar.
 Por exemplo: Qual é a probabilidade de você ganhar
na Mega-sena fazendo um único jogo de seis dezenas?
 O resultado será obtendo o número de resultados que
interessam, no caso 1, porque você fez apenas um jogo,
dividido pelo número de resultados possíveis.
Probabilidades – definição matemática

 Contagem de grandes quantidades: Análise combinatória.

 Para Estatística é importante o cálculo do número
de combinações, ou seja, quantos grupos diferentes
podemos formar com um determinado número de elementos.
Exemplo: Imagine que você e dois amigos decidam jogar tênis
de mesa. Quantos jogos diferentes poderão ser disputados?
Probabilidades – definição matemática

Chamando vocês três de A, B e C;

poderiam ser disputados os jogos:
 A x B; A x C; B x C, ou seja, três jogos
 Observe que o jogo A x B e B x A
é o mesmo,
mesmo não conte duas vezes.
vezes
 A Análise Combinatória nos ensina que
esse cálculo deve ser feito através da formulação:

No caso do jogo de tênis de mesa seria:

Probabilidades – definição matemática

Fatorial é a multiplicação de todos os número

inteiros e positivos de n até a unidade, ou seja:

No caso dos jogos de tênis seria:

Probabilidades – definição matemática

Voltando ao jogo da Mega-sena, temos um total

de 60 dezenas que podem ser combinadas em
dezenas portanto:
resultados de 6 dezenas,

Assim a probabilidade de ganhar na

Mega-sena com um único jogo de seis dezenas é:
Probabilidades – definição matemática

 Observe o exemplo: em uma sala de aula existem 30 alunos,

dos quais 22 são mulheres, um aluno é sorteado. Qual é a
probabilidade de que esse aluno seja um homem?
O quadro abaixo resume estas informações e calcula as
frequências relativas:
Probabilidades – definição matemática

 Observe que a probabilidade de que o aluno seja homem é

de 26,7%, porque a probabilidade é igual à frequência relativa
Portanto, podemos afirmar que:

 Essa é a definição de probabilidade é a mais usada

no ambiente de negócios, pois permite o cálculo a partir
de testes de campo (amostras).
Árvore de decisões

 Sucessão de eventos pode ser

trabalhada com a árvore de decisões.
 Consiste em representar graficamente todas as possibilidades
de resultados dos experimentos aleatórios, de modo a não
se perder nenhum evento e ao mesmo tempo se compreender
a mecânica do experimento.
Exemplo: Uma moeda é jogada duas vezes, em sequência.
Qual é a probabilidade de que saia uma cara e uma coroa?
Árvore de decisões

 Moeda honesta ou não?

 Suponha que tenhamos feito um teste:
Jogamos a moeda 100 vezes e saíram 58 caras.

 Ou seja, a moeda é viciada sendo

mais provável sair cara do que coroa.
Árvore de decisões

Evento Produto: Ideia de obrigação. Expressa pela palavra “e”

 Evento soma: Ideia de alternativa. Expressa pela palavra “ou”.
Portanto, a probabilidade de sair uma cara e uma coroa é de:
0,2496 + 0,2496 = 0,4992 ou 49,92%
Interatividade

A probabilidade de que Antônio esteja vivo daqui a 10 anos

é igual a 80% e de que Paulo o esteja daqui a 10 anos é 70%.
Então a probabilidade de que os dois estejam vivos daqui
Então,
a 10 anos é igual a:
a) 30%
b) 36%
c) 56%
d) 38%
e) 44%
Distribuições de probabilidades

Relação entre as possíveis ocorrências de um experimento

e a probabilidade dessa ocorrência. São divididas em:
 Distribuições de probabilidades discretas,
sendo que a principal é a distribuição binomial.
 Distribuições de probabilidades contínuas,
contínuas
sendo que a principal é a distribuição normal.
Distribuição binomial

Vamos considerar experimentos

que satisfaçam as seguintes condições:
a) O experimento deve ser repetido,
nas mesmas condições, um número finito de vezes (n).
b) As repetições devem ser independentes.
independentes
c) Em cada prova ocorre um dos dois
possíveis resultados: sucesso ou insucesso (fracasso).
d) A probabilidade p do sucesso
e a probabilidade 1 – p do fracasso são constantes.
Distribuição binomial

Resolveremos problemas do tipo: determinar a probabilidade

de se obterem x sucessos em n tentativas. Se a probabilidade
de sucesso é p e do fracasso é 1
1-p,
p a chance de que um evento
se realize exatamente x vezes em um total de n tentativas é
dada pela função:
Distribuição binomial

Exemplo: Um vendedor sabe que, ao sair para fazer

um determinado tipo de venda, tem 30% de probabilidade
de concretizá-la.
concretizá la Em um dia qualquer
qualquer, ele sai para atender
a vinte clientes. Qual é a probabilidade de ele fazer exatamente
oito vendas?
Solução: p = 0,30; n = 20; x = 8,
que se aplicando na fórmula fica:

 Ou seja,
Valor e variância esperados

Veja o exemplo: Em uma certa operação comercial,

um homem pode ter um lucro de R$ 300,00 com a probabilidade
de 60%,
60% ou um prejuízo de R$ 100,00,
100 00 com a probabilidade
de 40%. Em longo prazo qual é o valor esperado para
essa operação?
Valor e variância esperados

Esse valor é o mais provável de acontecer e é dado pela fórmula:

O valor esperado não é uma certeza, é sujeito à variabilidade.

Essa variabilidade pode ser dada pela variância, que tem
a mesma definição e as mesmas características daquela
definida em Estatística Descritiva, e é calculada pela fórmula:
Valor e variância esperados

No exemplo anterior, calculamos E(x) = R$ 140,00,

precisamos agora calcular E(x2):

Logo, teremos:
Interatividade

A probabilidade de um vendedor atingir a meta de vendas

é de 60%. Qual é a probabilidade de que
em uma equipe de cinco vendedores apenas 2 atinjam a meta?
a) 23%
b) 30%
c) 45%
d) 60%
e) 18%
Distribuição normal

 Entre todas as distribuições de probabilidades, a mais

empregada é a Distribuição Normal. A maior parte das
decisões estatísticas em Administração corresponde
à Distribuição Normal ou dela se aproximam.
 O aspecto gráfico da distribuição normal é o de um
sino parametrizado pelas medidas estatísticas da Média
e do Desvio Padrão.
Distribuição normal
Distribuição normal

 A curva recebe o nome de curva de Gauss.

 A área total limitada pela curva e pelo eixo das abscissas
é igual a 1, o que representa a probabilidade de a variável
aleatória X assumir qualquer valor real.
 Como a curva é simétrica em relação à média aritmética
aritmética,
a probabilidade de encontrarmos um valor menor que a
média é de 50%, o mesmo para valores maiores que a média.
Distribuição normal

 Quando temos uma variável aleatória em distribuição

normal, nosso principal interesse é obter a probabilidade
de essa variável aleatória assumir um valor dentro de
um certo intervalo.
Para calcular essa probabilidade,
definimos uma variável reduzida z, dada por:

 Sendo x o valor real; µ a média provável e σ o desvio padrão.

Distribuição normal

 Essa variável reduz a distribuição

em um modelo padrão com média 0 e desvio padrão 1.
 As probabilidades associadas à distribuição
normal padronizada são encontradas em tabelas,
não havendo a necessidade de serem calculadas.
 Observe que o processo permite apenas que
calculemos a probabilidade de ocorrer um valor inferior a xi.
Distribuição normal
Distribuição normal

Exemplo 1: Os salários semanais dos operários industriais

são distribuídos normalmente, em torno da média de R$ 500,
com desvio padrão de R$ 40.
40 Calcule a probabilidade de um
operário ter um salário semanal situado entre R$ 490 e R$ 520.
 Solução: Vamos calcular a probabilidade de um operário
ganhar menos do que R$ 490 e depois de ganhar menos de
R$ 520. Em seguida, subtrairemos a menor probabilidade da
maior,
i obtendo
bt d o resultado
lt d intermediário
i t diá i aos dois
d i valores.
l
Distribuição normal

490  500  10
z1     0 , 25
40 40

520  500 20
z2    0 ,5
40 40

 A probabilidade para z1 é 0,4013 e para z2 é 0,6915

(dados pela tabela).
 A solução é: P (490 < X < 520 ) = 0,6915 - 0,4013 =
0,2902 ou 29,02%
Distribuição normal

 Abaixo vemos a ilustração da curva

normal com destaque para as áreas calculadas.
Distribuição normal

Exemplo 2: Os depósitos efetuados no Banco B,

em um determinado mês, têm distribuição normal com
média R$ 9.000,00
9 000 00 e desvio padrão R$ 1.500,00.
1 500 00 Um depósito
é selecionado ao acaso dentre todos os referentes ao mês
em questão. Qual a probabilidade de que o depósito exceda
R$ 6.000,00?
Solução:
6000  9000
z    2 , 00
1500
 Na tabela, esse valor corresponde a 0,0228 ou 2,28%.
Como quero mais que R$ 6.000,00 e não menos, devemos
tirar o valor calculado de 100%
100%.
Distribuição normal

Assim, a probabilidade procurada é:

 100% - 2,28 = 97,72%
Interatividade

As taxas de retorno no mercado de um determinado

investimento distribuem-se normalmente com média igual
a 5% e desvio padrão igual a 4%
4%. Selecionando ao acaso
uma taxa de retorno, a probabilidade dela ser maior que 6% é:
a) 9,87%
b) 40,13%
c) 59,87%
d) 50,13%
e) 37,25%
Distribuição normal

Veja o seguinte exemplo: Uma turma de alunos de Estatística

fez uma prova na qual a média foi 5,7 e o desvio padrão foi de
1 3 Qual foi a nota máxima dos 10% alunos que apresentaram
1,3.
menor nota?
A resolução deste exercício
é o contrário da resolução dos anteriores:
Distribuição normal

Da tabela, temos:

Como vimos a relação entre z e X é dada por:

Portanto, no caso:

 Temos 10% alunos que tiveram menores notas tiraram 4,0

ou menos, ou então, 10% dos alunos tiraram notas iguais
ou menores que 4
4,0.
0
Distribuição normal

 Usando os dados do exemplo anterior, suponha que

queiramos saber a nota mínima de 20% dos alunos. Que
maior nota tiveram?
Distribuição normal

Na tabela, obtemos o valor de z:

Consequentemente:

 Os 20% alunos que tiveram maior nota na turma tiraram

6,8 ou mais, ou então 20% dos alunos tiraram notas iguais
ou maiores que 66,8.
8
Distribuição normal

 Ainda usando os dados dos exemplos anteriores,

pergunta-se: entre que valores estão as notas dos
38% alunos de desempenho intermediário?
Distribuição normal

30% dos alunos intermediários significa 15% deles com

notas abaixo da média e 15% com notas acima da média,
o que resulta em:
 Alunos com notas menores que a média:
Distribuição normal

Alunos com notas maiores que a média:

 Portanto, os 30% alunos de alunos

intermediários tiraram notas entre 5,2 e 6,2.
Interatividade

Um fabricante de componentes eletrônicos sabe que a vida útil

deles é, normalmente, distribuída com média de 50.000 horas de
uso e desvio padrão de 5.500
5 500 horas.
horas Ele quer dar uma garantia a
essas peças de forma que seja obrigado a substituir, no
máximo, 1,5% da sua produção. Qual a garantia em horas que
ele deve dar á peça?
a) 62.000 horas
b) 42.000 horas
c) 30.000 horas
d) 38.000 horas
e) 50.000 horas
ATÉ A PRÓXIMA!