Otimização II – Fundamentos de Estatística

João Henrique de Oliveira

1
Timóteo, 2018-1
Conceitos Básicos
Experimento: sentido muito específico, diferente do sentido usual em diversas
ciências naturais.
Um experimento é um processo qualquer de observação de algum fenômeno.

• Verificar quais livros (quais títulos)foram comprados por pessoas que saem de
uma livraria;
• Verificar quantos carros passam por um pedágio, em um intervalo de tempo
determinado;
• Verificar quantas pessoas passam pela portaria de um prédio em um certo dia
da semana;
• Verificar quantos pães foram produzidos por uma padaria em uma dada manhã.

Todo experimento, no sentido estatístico leva a um ou mais resultados, numéricos

ou não
2
Conceitos Básicos
Espaço Amostral: dado um experimento, espaço amostral é o conjunto de todos os
possíveis resultados do experimento.

• Nos exemplos anteriores, só a prática nos daria espaço amostral.

• Em ouros casos é possível logicamente determinar o conjunto dos resultados.

Exemplo: Jogar moedas e observar o resultado.

𝑆 = 𝑒𝑠𝑝𝑎ç𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙

Indiquemos cara por K e coroa por C.

𝑆(𝑙𝑎𝑛ç𝑎𝑟 𝑢𝑚𝑎 𝑚𝑜𝑒𝑑𝑎) = (𝐾, 𝐶)

3
Conceitos Básicos
Espaço Amostral: dado um experimento, espaço amostral é o conjunto de todos os
possíveis resultados do experimento.

𝑆 𝑙𝑎𝑛ç𝑎𝑟 𝑑𝑢𝑎𝑠 𝑚𝑜𝑒𝑑𝑎𝑠 = ? ?

4
Eventos e Conceitos Associados
Vamos supor que uma corretora esteja considerando a variação futura de duas
ações, Alfa e Beta. Cada uma das ações pode ter seu preço aumentado (resultado
A), diminuído (resultado D) ou mantido constante (resultado C), dependendo das
oscilações do mercado.

𝑆 𝑝𝑟𝑒ç𝑜 𝑑𝑎𝑠 𝑎çõ𝑒𝑠 𝐴 𝑒 𝐵 = (𝐴𝐴, 𝐴𝐷, 𝐴𝐶, 𝐷𝐴, 𝐷𝐷, 𝐷𝐶, 𝐶𝐴. 𝐶𝐷, 𝐶𝐶)
5
Eventos e Conceitos Associados
Evento: qualquer combinação de resultados tomados de um espaço amostral.

6
Eventos e Conceitos Associados
a) Evento (aumentar o preço da ação Alfa)
𝑋 = 𝑒𝑣𝑒𝑛𝑡𝑜 𝑎𝑢𝑚𝑒𝑛𝑡𝑎𝑟 𝑜 𝑝𝑟𝑒ç𝑜 𝑑𝑎 𝑎çã𝑜 𝐴 = (𝐴𝐴, 𝐴𝐷, 𝐴𝐶)

b) Evento (permanecer constante o preço da ação Beta)

𝑌 = 𝑒𝑣𝑒𝑛𝑡𝑜 permanecer constante o preço da ação B = (𝐴𝐶, 𝐷𝐶, 𝐶𝐶)

c) Evento (aumentar ou diminuir o preço de ambas ações)

𝑍 = 𝑒𝑣𝑒𝑛𝑡𝑜 aumentar ou diminuir o preço de ambas ações
= (𝐴𝐴, 𝐴𝐷, 𝐷𝐴, 𝐷𝐷)

7
Eventos e Conceitos Associados

Eventos mutuamente exclusivos: dois eventos são ditos mutuamente exclusivos,

quando não tem qualquer resultado em comum.

Exemplo:
𝑋 = 𝑒𝑣𝑒𝑛𝑡𝑜 𝑎𝑢𝑚𝑒𝑛𝑡𝑎𝑟 𝑜 𝑝𝑟𝑒ç𝑜 𝑑𝑎 𝑎çã𝑜 𝐴 = (𝐴𝐴, 𝐴𝐷, 𝐴𝐶)
𝑇 = 𝑒𝑣𝑒𝑛𝑡𝑜 𝑎𝑢𝑚𝑒𝑛𝑡𝑎𝑟 𝑜 𝑝𝑟𝑒ç𝑜 𝑑𝑎 𝑎çã𝑜 𝐵 = (𝐴𝐴, 𝐷𝐴, 𝐶𝐴)

Não são mutuamente exclusivos, pois possuem resultado em comum.

8
Eventos e Conceitos Associados

Eventos independentes: dois eventos são ditos independentes quando a

ocorrência de um não interfere na ocorrência de outro.

De outra forma, não estão ligados por causa e efeito ou qualquer outro tipo de
ligação, pelo menos para efeitos práticos, quando é impossível, estabelecer tal
relação.

9
Eventos e Conceitos Associados

Evento intersecção: dado dois eventos quaisquer, denomina-se evento intersecção

(ou simplesmente intersecção) um terceiro evento que tenha resultados que
pertençam simultaneamente aos dois eventos dos quais ele é intersecção.
O símbolo para intersecção é ∩, embora alguns autores prefiram utilizar a palavra
“e”.

Exemplo: 𝑋 = 𝐴𝐴, 𝐴𝐷, 𝐴𝐶 , 𝑇 = (𝐴𝐴, 𝐷𝐴, 𝐶𝐴)

𝑋 ∩ 𝑇 = 𝐴𝐴
• No caso de não haver elementos comuns entre eventos, diz-se que sua
intersecção é o evento vazio, ou conjunto vazio, indicado por ∅.
• A intersecção de três ou mais eventos é o evento que tenha apenas os
resultados comuns a todos eles.

10
Eventos e Conceitos Associados

Evento união: dado dois eventos quaisquer, chama-se evento união, ou

simplesmente união, ao terceiro evento que contém, ao mesmo tempo, todos os
resultados de um e de outro, não somente os comuns, mas todos os resultados
possíveis.
Símbolo pra união é ∪, ou a palavra “ou”.

Exemplo: 𝑋 = 𝐴𝐴, 𝐴𝐷, 𝐴𝐶 , 𝑇 = (𝐴𝐴, 𝐷𝐴, 𝐶𝐴)

𝑋 ∪ 𝑇 = 𝐴𝐴, 𝐴𝐷, 𝐴𝐶, 𝐷𝐴, 𝐶𝐴

11
Eventos e Conceitos Associados

Complemento de um evento: dado um evento qualquer X pertencente ao espaço

amostral S, denomina-se complemento de X todos os resultados de S que não
pertencem a X. O complemento de X ´normalmente representado por X’.

12
Diagramas de Venn
Um Diagrama de Venn usa círculos sobrepostos ou outras formas para ilustrar as
relações lógicas entre dois ou mais conjuntos de itens. Muitas vezes, eles servem
para organizar graficamente as coisas, destacando como os itens são semelhantes e
diferentes. Os Diagramas de Venn, também chamados de Diagramas de Conjuntos
ou Diagramas Lógicos, são amplamente usados em matemática, estatística, lógica,
ensino, idiomas, ciência da computação e negócios.

13
Diagramas de Venn

14
Conceitos Fundamentais de Probabilidade
Probabilidade frequencialista (forma objetiva): diz-se, nesse caso, que a
probabilidade de um evento é a frequência relativa com que esse evento acontece
ao longo do tempo ou após um número suficientemente grande de observações.

Exemplo: Imaginemos que em 500 observações (experimentos), o evento A

aconteceu 100 vezes. Qual a probabilidade de ocorrência do evento A?

100
𝑃 𝐴 = = 0,2 𝑜𝑢 20%
500

15
Conceitos Fundamentais de Probabilidade
De forma geral:

𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑐𝑜𝑟𝑟ê𝑛𝑐𝑖𝑎𝑠 𝑟𝑒𝑎𝑖𝑠 𝑑𝑜 𝑒𝑣𝑒𝑛𝑡𝑜

𝑃 𝑜𝑐𝑜𝑟𝑟ê𝑛𝑐𝑖𝑎 𝑑𝑒 𝑢𝑚 𝑒𝑣𝑒𝑛𝑡𝑜 =
𝑛ú𝑚𝑒𝑟𝑜 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎𝑙 𝑑𝑒 𝑜𝑐𝑜𝑟𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑑𝑜 𝑒𝑣𝑒𝑛𝑡𝑜

O cálculo da probabilidade exige, em primeiro lugar, que o evento tenha ocorrido

um certo número de vezes (em geral, quanto maior, melhor), nas oportunidades
em que de fato poderia ter ocorrido.

Importante: Para utilização de probabilidade em algum tipo de previsão, as

condições para ocorrência dos eventos deve ser mantidos.

16
Conceitos Fundamentais de Probabilidade
Probabilidade subjetiva: existem eventos dos quais não sabemos a história prévia
ou, então, que irão acontecer uma única vez ou poucas vezes, invalidando a forma
frequencial de cálculo da probabilidade. Nesse caso não há outra alternativa que
não seja a de estimar a probabilidade do evento, com base no julgamento de uma
ou mais pessoas. A base para tal julgamento é a experiência e intuição.

Exemplo: um gerente de produto, com base em sua experiência do mercado e dos

hábitos e necessidades dos clientes, pode estimar em 0,7 a probabilidade de que as
vendas anuais de um produto a ser lançado atinjam um dado valor.
Intuição e conhecimento combinam para chegar nesse valor.

17
Conceitos Fundamentais de Probabilidade
Probabilidade lógica (caso especial da probabilidade frequencialista): é obtida por
considerações sobre a natureza do evento, sem auxilio da experiência, intuição ou
frequências.

Exemplo: qual a probabilidade de tirar uma carta de ouros de um baralho

completo?
13
𝑃 𝑜𝑢𝑟𝑜𝑠 = = 0,25 𝑜𝑢 25%
52
De forma geral: se um certo experimento tem n resultados, todos com a mesma
probabilidade, e se m desses resultados definem o evento E, então:
𝑚
𝑃 𝐸 =
𝑛

18
Postulados da Probabilidade

1. Se E é um evento qualquer, tem-se que P(E) deve estar entre 0 e 1, ou seja 0 ≤

𝑃(𝐸) ≤ 1.

2. A soma de todas as probabilidades individuais para os resultados de um

experimente deve ser igual a 1. P(S) = 1, S é espaço amostral.

19
Conceitos Fundamentais de Probabilidade
Lei da Adição: diz respeito a regras para calculo da probabilidade da união de dois
ou mais eventos.

• Lei da adição para eventos mutuamente exclusivos.

𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃(𝐵)
20
Conceitos Fundamentais de Probabilidade
• Lei da adição para eventos mutuamente exclusivos.

Exemplo: Em um lançamento de dados com as faces numeradas de 1 a 6, qual a

chance de aparecer 3 ou 5?

1
𝑃 1 =𝑃 2 =𝑃 3 =𝑃 4 =𝑃 5 =𝑃 6 =
6
No lançamento só uma face fica pra cima. Então aparecer a face 3 e 5 não pode
acontecer simultaneamente, então temos eventos mutuamente exclusivos.
2 1
𝑃 𝑓𝑎𝑐𝑒 3 ∪ 𝑓𝑎𝑐𝑒 5 = 𝑃 𝑓𝑎𝑐𝑒 3 + 𝑃 𝑓𝑎𝑐𝑒 5 = =
6 3

21
Conceitos Fundamentais de Probabilidade
• Lei da adição para eventos não mutuamente exclusivos.

𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴 ∩ 𝐵)

Nota-se que a somarmos P(A) e P(B), estamos contando duas vezes os resultados
comuns, devendo subtrair uma delas.

22
Conceitos Fundamentais de Probabilidade
• Lei da adição para eventos não mutuamente exclusivos.

Exemplo: Em um lançamento de dados com as faces numeradas de 1 a 6, qual a

probabilidade de se3 obter um número par ou número maior que 4?
Chamando de:
𝐴 = 𝑒𝑣𝑒𝑛𝑡𝑜 𝑜𝑏𝑡𝑒𝑟 𝑛ú𝑚𝑒𝑟𝑜 𝑝𝑎𝑟 𝑛𝑜 𝑙𝑎𝑛ç𝑎𝑚𝑒𝑛𝑡𝑜 𝑑𝑒 𝑑𝑎𝑑𝑜𝑠
𝐵 = 𝑒𝑣𝑒𝑛𝑡𝑜(𝑜𝑏𝑡𝑒𝑟 𝑛ú𝑚𝑒𝑟𝑜 𝑚𝑎𝑖𝑜𝑟 𝑞𝑢𝑒 4 𝑛𝑜 𝑙𝑎𝑛ç𝑎𝑚𝑒𝑛𝑡𝑜 𝑑𝑒 𝑑𝑎𝑑𝑜𝑠)

3 1
A: existem 3 números pares. 𝑃 𝐴 = =
6 2
2 1
B: existem 2 números maiores que 4. 𝑃 𝐴 = =
6 3
1
Entre A e B existe um resultado em comum: 6. 𝑃 𝐴 ∩ 𝐵 =
6
2
𝑃 𝐴∪𝐵 =𝑃 𝐴 +𝑃 𝐵 −𝑃 𝐴∩𝐵 = 23
3
Conceitos Fundamentais de Probabilidade
Probabilidade condicional e o Teorema de Bayes.

Queremos saber a probabilidade de ocorrer um evento A, dados que ocorreu o

evento B.

𝑃 𝐴 𝐵 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝐴 𝑐𝑜𝑛𝑑𝑖𝑐𝑖𝑜𝑛𝑎𝑑𝑎 à 𝑜𝑐𝑜𝑟𝑟ê𝑛𝑐𝑖𝑎 𝑑𝑒 𝐵,

𝑜𝑢 𝑃 𝐴 𝑑𝑎𝑑𝑜 𝐵

24
Conceitos Fundamentais de Probabilidade
Probabilidade condicional e o Teorema de Bayes.

𝑃(𝑁 ∩ 𝐴)
𝑃 𝑁 𝐴 =
𝑃(𝐴)

A equação anterior vale para o cálculo de probabilidade condicionada, quaisquer

que sejam os eventos N e A, desde que 𝑃 𝐴 ≠ 0.

Conhecida como o Teorema de Bayes.

25
Conceitos Fundamentais de Probabilidade
Teorema de Bayes para eventos independentes.

Se dois eventos, N e A são independentes, então 𝑃 𝑁 𝐴 = 𝑃(𝑁), já que não terá

importância se A ocorreu ou não. Logo:

𝑃(𝑁 ∩ 𝐴)
𝑃 𝑁 𝐴 = = 𝑃(𝑁)
𝑃(𝐴)

𝑃 𝑁 ∩ 𝐴 = 𝑃 𝑁 .𝑃 𝐴

Equação anterior é conhecida como Lei da Multiplicação, no caso de dois eventos

quaisquer que sejam independentes.

26
Conceitos Fundamentais de Probabilidade
Teorema de Bayes para eventos independentes.

Exemplo: Uma urna contém 7 bolas brancas e 3 bolas azuis, todas idênticas em
tamanho e características. É retirada uma bola e imediatamente reposta na urna. É
retirada então, uma segunda bola. Qual a probabilidade de serem retiradas duas
bolas brancas?

7
• Probabilidade de retirar a primeira bola branca:
10
7
• Probabilidade de retirar a segunda bola branca:
10

27
Conceitos Fundamentais de Probabilidade
Teorema de Bayes para eventos independentes.

Exemplo: Observações.
1. Se não voltássemos com a bola branca: probabilidade da segunda ser branca =
6
. Os eventos seriam dependentes.
9
2. Ao voltarmos com a bola na primeira retirada, os eventos tornam-se
independentes.

Queremos: 𝑃(𝑟𝑒𝑡𝑖𝑟𝑎𝑟 𝑎 𝑝𝑟𝑖𝑚𝑒𝑖𝑟𝑎 𝑏𝑜𝑙𝑎 𝑏𝑎𝑛𝑐𝑎 𝑒 𝑟𝑒𝑡𝑖𝑟𝑎𝑟 𝑎 𝑠𝑒𝑔𝑢𝑛𝑑𝑎 𝑏𝑜𝑙𝑎 𝑏𝑟𝑎𝑛𝑐𝑎)

7 7 49
𝑃 1𝑎 𝑏𝑜𝑙𝑎 𝑏𝑟𝑎𝑛𝑐𝑎 ∩ 2𝑎 𝑏𝑜𝑙𝑎 𝑏𝑟𝑎𝑛𝑐𝑎 = = = 49%
10 10 100

28
Conceitos Fundamentais de Probabilidade
Teorema de Bayes para eventos independentes.

Exemplo: Em três classes do nível médio de um estabelecimento de ensino, sabe-se

que as médias em Matemática são independentes entre si. Chamando de A ao
evento “média da primeira turma maior que 5”, de B ao evento “média da segunda
turma maior que 5” e de C “média da terceira turma maior que 5”, tem-se P(A) =
0,7; P(B) = 0,4 e P(C) = 0,6. Qual a probabilidade de que todas as classes tenham
média maior que 5 em Matemática??

𝑃 𝐴 ∩ 𝐵 ∩ 𝐶 = 𝑃 𝐴 . 𝑃 𝐵 . 𝑃 𝐶 = 0,168

29
Variáveis aleatórias
A variável que é definida pelo experimento recebe o nome de variável aleatória.

• Verificar quais livros (quais títulos)foram comprados por pessoas que saem de
uma livraria; variável: títulos comprados.
• Verificar quantos carros passam por um pedágio, em um intervalo de tempo
determinado; variável: número de carros.
• Verificar quantas pessoas passam pela portaria de um prédio em um certo dia
da semana; variável: número de pessoas.
• Verificar quantos pães foram produzidos por uma padaria em uma dada
manhã; variável: número de pães.

• Variáveis podem ser numéricas ou não.

30
Variáveis aleatórias
Sempre é possível atribuir números diferentes a cada variável aleatória.
Exemplo: Cinco títulos mais vendidos de uma livraria:
 Harry Potter e a Orem da Fênix (1)
 A dieta de South Beach (2)
 Quem ama, educa (3)
 O Senhor dos Anéis (4)
 Tudo valeu a pena (5)
• Esses Números tem apenas função de rótulo. Não é possível realizar cálculos.
• Exemplo: Livro médio não faz sentido!!!

31
Variáveis aleatórias

As variáveis discretas podem ser divididas em: discretas e contínuas.

• Variáveis discretas: assume apenas alguns valores bem determinados em um
intervalo dado.
• Variáveis contínuas: assume infinitos valores em um intervalo dado.

32
Distribuição de probabilidade de uma variável aleatória discreta
Vamos supor que um lote de peças, quando inspecionado, pode apresentar 0, 1 , 2
3, 4 ou 5 defeitos não sendo possível nenhum outro número de defeitos, ou seja,
esses valores esgotam o espaço amostral. Imaginemos ainda que possamos atribuir
a esses valores as seguintes probabilidades:
Número de Defeitos Probabilidade
0 0,10
1 0,25
2 0,15
3 0,20
4 0,20
5 0,10
Total 1,00
33
Distribuição de probabilidade de uma variável aleatória discreta
Ao conjunto de valores de uma variável aleatória discreta e suas respectivas
probabilidades, damos o nome de distribuição discreta de probabilidade.

34
Distribuição de probabilidade de uma variável aleatória discreta

Percebe-se que deve haver um valor médio para o número de defeitos, além de
existir uma certa dispersão dos valores em relação a esse valor médio. Como
calcular tais valores???

35
Distribuição de probabilidade de uma variável aleatória discreta
Valor esperado de uma distribuição discreta de probabilidade.

Também chamada de esperança matemática da distribuição, ou mais simplesmente

média da distribuição, é uma das chamadas medidas de tendência central de uma
distribuição.
𝑛

𝐸 𝑥 = 𝑥1 𝑃 𝑥1 + 𝑥2 𝑃 𝑥2 + 𝑥3 𝑃 𝑥3 + ⋯ + 𝑥𝑛 𝑃 𝑥𝑛 = 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1

Exemplo das peças: E x = 𝑛𝑖=1 𝑥𝑖 𝑃 𝑥𝑖 = 2,45

Número médio de defeitos encontrados 2,45

36
Distribuição de probabilidade de uma variável aleatória discreta
Variância de uma distribuição discreta de probabilidade.

Pelo histograma, nota-se que existe uma dispersão da distribuição, ou seja, o

afastamento maior ou menor em relação à média. Quanto mais próximos entre si
os valores das variáveis aleatórias X, menor a dispersão.

Existem várias formas de associar um número à dispersão, que permite visualizar

melhor a ideia.

• Amplitude: Diferença entre o maior e o menor valor da variável aleatória X na

dispersão. Caso das peças: 5 -(0) = 5.

37
Distribuição de probabilidade de uma variável aleatória discreta
Variância de uma distribuição discreta de probabilidade.

• Variância:
𝑛

𝜎2 = {𝑥𝑖 −𝐸(𝑥)}2 𝑃(𝑥𝑖 )

𝑖=1

Exemplo das peças: 𝜎 2 = 1,3225

Se tirarmos a raiz quadrada da variância, temos o desvio padrão:

𝜎 = 𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 = 1,15

38
Distribuição de probabilidade de uma variável aleatória contínua
Se uma variável aleatória X for contínua, haverá infinitos valores da variável.
Assim é impossível ter um histograma de variável aleatória.
Na representação gráfica de uma variável contínua, temos:
• Nas abscissas a faixa de valores que a variável pode assumir.
• Nas Ordenadas uma função denominada densidade de probabilidade.
Observação:
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑐𝑜𝑟𝑟ê𝑛𝑐𝑖𝑎𝑠 𝑟𝑒𝑎𝑖𝑠 𝑑𝑜 𝑒𝑣𝑒𝑛𝑡𝑜
𝑃 𝑜𝑐𝑜𝑟𝑟ê𝑛𝑐𝑖𝑎 𝑑𝑒 𝑢𝑚 𝑒𝑣𝑒𝑛𝑡𝑜 =
𝑛ú𝑚𝑒𝑟𝑜 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎𝑙 𝑑𝑒 𝑜𝑐𝑜𝑟𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑑𝑜 𝑒𝑣𝑒𝑛𝑡𝑜

𝑛𝑜 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎𝑙 → ∞, a probabilidade associada a cada ponto, tende a zero, por isso

necessita-se de uma função para mostrar a probabilidade.
39
Distribuição de probabilidade de uma variável aleatória contínua
Como a probabilidade de ocorrência de um dado valor de X é zero, trabalha-se
agora com a probabilidade de X estar em um intervalo dado. Essa probabilidade é
dada pela área A da figura abaixo.

𝐴 = 𝑃(𝑥𝑖 ≤ 𝑥 ≤ 𝑥𝑗 )

40
A Distribuição de Poisson
Distribuição discreta.

𝜇𝑘 𝑒 −𝜇
𝑃(𝑘) =
𝑘!
𝑃 𝑘 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑑𝑒 𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑎𝑠𝑠𝑢𝑚𝑖𝑟 𝑜 𝑣𝑎𝑙𝑜𝑟 𝑘 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑒𝑥𝑝𝑜𝑠𝑖çã𝑜;
𝜇 = 𝑣𝑎𝑙𝑜𝑟 𝑚é𝑑𝑖𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑒𝑥𝑝𝑜𝑠𝑖çã𝑜;
𝑒 = 𝑏𝑎𝑠𝑒 𝑑𝑜 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝑙𝑜𝑔𝑎𝑟𝑖𝑡𝑚𝑜𝑠 𝑛𝑎𝑡𝑢𝑟𝑎𝑖𝑠.

41
A Distribuição de Poisson
Vamos supor que em um posto de pedágio, chegam em média 3 carros a cada 10
segundos. Trata-se de um número médio. Podem chegar 0, 3, 5 ou mas a cada 10
segundos. A informação importante para trabalharmos, é saber qual a
probabilidade de chegar 0, 1 ,2, n carros em 10 segundos, dado essa média.
Admitindo-se que a distribuição de probabilidade de chegada dos carros seja dada
pela distribuição de Poisson:

𝑐𝑎𝑟𝑟𝑜𝑠
𝜇 = 𝑣𝑎𝑙𝑜𝑟 𝑚é𝑑𝑖𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑒𝑥𝑝𝑜𝑠𝑖çã𝑜 = 3 ( );
10𝑠𝑒𝑔𝑢𝑛𝑑𝑜𝑠

42
A Distribuição de Poisson

43
A Distribuição Normal
Também conhecida como distribuição de Gauss.

• É em forma de sino;
• É simétrica em relação à média(μ);
• É assintótica ao eixo da variável.

44
A Distribuição Normal

45
A Distribuição Normal

Em princípio para calcular 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏), necessita calcular a área abaixo da curva.
Para facilitar, transforma-se qualquer curva normal. Em normal padronizada.

𝑥−𝜇
𝑍=
𝜎

Essa transformação garante duas

características à curva normal
reduzida: média 0 e desvio padrão
1.

46
A Distribuição Normal
Calculando-se z1 e z2, a área pode ser calculada de acordo com uma tabela
existente.

47
A Distribuição Exponencial
1 −𝑋 ∗
𝑓(𝑋) = ∗ 𝑒 𝜇
𝜇

𝑓 𝑋 = 𝑓𝑢𝑛çã𝑜 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒;

𝜇∗ = é 𝑜 𝑣𝑎𝑙𝑜𝑟 𝑚é𝑑𝑖𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑎𝑙𝑒𝑎𝑡ó𝑟𝑖𝑎;
𝑋 = 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑎𝑙𝑒𝑎𝑡ó𝑟𝑖𝑎;
𝑒 = 𝑏𝑎𝑠𝑒 𝑑𝑜 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝑙𝑜𝑔𝑎𝑟𝑖𝑡𝑚𝑜𝑠 𝑛𝑎𝑡𝑢𝑟𝑎𝑖𝑠.

48
A Distribuição Exponencial
Normalmente, a área sob a curva delimitada por dois pontos quaisquer representa
a probabilidade que a variável aleatória tome valores entre os pontos.

−𝑏
𝑃 𝑋 ≤𝑏 =1−𝑒 𝜇∗

Exemplo: O intervalo médio de chegada entre duas pessoas em uma fila é de 15

segundos. Determinar qual a probabilidade de que duas pessoas consecutivas
cheguem à fila em um intervalo de:
a) No máximo, 30 segundos;
b) No máximo, 5 segundos;
c) Entre 5 e 30 segundos.

49
A Distribuição Exponencial

Exemplo: Temos imediatamente que 𝜇∗= 15 𝑠𝑒𝑔𝑢𝑛𝑑𝑜𝑠.

−30
a) 𝑃 𝑋 ≤ 30 = 1 − 𝑒 15 = 0,8647
−5
b) 𝑃 𝑋 ≤ 5 = 1 − 𝑒 15 = 0, 2835
c) 𝑂 𝑞𝑢𝑒 𝑠𝑒 𝑑𝑒𝑠𝑒𝑗𝑎 é 𝑃 5 ≤ 𝑋 ≤ 30 = 𝑃 𝑋 ≤ 30 − 𝑃 𝑋 ≤ 5 = 0,5812

50
 FIM

João Henrique de Oliveira- joao.holiveira@yahoo.com.br

51