UNIVERSIDADE CATÓLICA DE MOÇAMBIQUE

INSTITUTO DE ENSINO À DISTÂNCIA

EXAME DE ESTATÍSTICA

Nome: Arnaldo Jaime Marcos

Código do Estudante:

Curso: Licenciatura em Gestão Ambiental

Disciplina: Estatística.
1º Ano.

Pemba, Outubro, 2020.

Índice

Introdução...............................................................................................................................1

Actividade 1: Medidas de Tendência Central para dados agrupados e não agrupados..........2

1.1. Conceito....................................................................................................................2

1.2. Média Aritmética......................................................................................................2

1.2.1. Propriedades da Média Aritmética....................................................................3

1.2.2. Vantagens da Média Aritmética........................................................................3

1.2.3. Desvantagens da Média Aritmética..................................................................3

1.2.4. Média Geométrica.............................................................................................3

1.2.5. Média Harmónica..............................................................................................4

1.3. Mediana....................................................................................................................4

1.4. Moda.........................................................................................................................5

Actividade 2: Medidas de Assimetria.....................................................................................8

2.1. Conceito....................................................................................................................8

2.2. Medidas de Assimetria.............................................................................................9

2.3. Curvas de Assimetria: Achatamento ou Curtose....................................................10

Actividade 3: Análise Combinatória e Probabilidades.........................................................11

3.1. Arranjos com Repetição.........................................................................................11

3.2. Arranjos sem Repetição..........................................................................................11

3.3. Permutações............................................................................................................13

3.4. Combinações..........................................................................................................14

Actividade 4: Acontecimentos e Tipos de Acontecimentos.................................................15

4.1. Conceito de Probabilidade......................................................................................15

4.2. Conceito Clássico de Probabilidade.......................................................................15

4.3. Axiomas da Teoria das Probabilidades..................................................................16

 4.4. Teoremas Fundamentais.........................................................................................16

4.5. Operações com Probabilidades..............................................................................19

4.5.1. Teorema da Soma............................................................................................19

4.5.2. Teorema do Produto........................................................................................19

4.5.3. Probabilidade Condicionada...........................................................................19

4.5.4. Teorema de Bayes...........................................................................................19

Considerações Finais.............................................................................................................23

Bibliografia...........................................................................................................................24
Introdução

Neste trabalho pretende-se apresentar os conceitos principais relacionados com as medidas

de Estatística Descritiva e Probabilidades para a análise e interpretação de dados
recolhidos. Em suma, pretende-se desenvolver cada um dos aspectos presentes na definição
de Estatística Descritiva: consiste na recolha, apresentação, análise e interpretação de
dados numéricos através da criação de instrumentos adequados: quadros, gráficos e
indicadores numéricos.

O objectivo deste trabalho é, precisamente, apresentar os métodos estatísticos que

satisfaçam os três aspectos referidos e que se realizam nas diferentes etapas constantes da
definição de Estatística Descritiva: recolha, apresentação e interpretação de dados.

E são estas etapas que definem o método estatístico de resolução de problemas.

1
Actividade 1: Medidas de Tendência Central para dados agrupados e não agrupados.

1.1. Conceito

Medida de tendência central é um valor intermediário da série, ou seja, um valor

compreendido entre o menor e o maior valor da série. Em resumo, a medida de tendência
central procura estabelecer um número no eixo horizontal em torno do qual a série se
concentra (Reis, 2008, p.64).

As principais medidas de tendência central são: Média, Mediana e Moda. A média pode
ainda ser Aritmética, Geométrica e Harmónica.

1.2. Média Aritmética

A média aritmética é a soma de todos os valores observados dividida pelo número de

observações. Fórmulas a utilizar:

 Média da população (dados não agrupados)

∑ Xi X 1+ X 2+ …+ X N
μ= i=1 =
N N

 Média de uma amostra da população (dados não agrupados)

∑ Xi X 1 + X 2 +…+ X n
x́= i=1 =
n n

Fi
 Média da População (dados agrupados) Sendo f i= a frequência relativa de cada
N
valor da variável

μ=
∑ Xi× Fi =
N
∑ Xi × f i
 Média de uma amostra da População (dados agrupados)

x́=
∑ Xi × Fi=
n
∑ Xi × f i

Onde:

2
 xi - valores individuais observados; N - tamanho da população; n - tamanho da amostra.

1.2.1. Propriedades da Média Aritmética

 A média dos desvios dos valores da variável em relação à média é nula:
∑ f i ( X i−μ )=0
 A média do quadrado dos desvios dos valores da variável em relação à média é
mínima:
∑ f i ( X i−μ )2=0 é mínimo

1.2.2. Vantagens da Média Aritmética

 Facilidade de interpretação e cálculo, e, por isso, ser muito utilizada;
 Utiliza toda a informação disponível e pode ser calculada com precisão matemática.

1.2.3. Desvantagens da Média Aritmética

 É influenciada por valores extremos que tomam um peso significativo no cálculo da
média;
 Pode não corresponder a um valor concreto da variável.

1.2.4. Média Geométrica

Quando estamos perante fenómenos cujas as variáveis são proporcionais a um valor inicial
é mais aconselhável utilizar a média geométrica (Mg ou X́ g) que se define da seguinte
maneira:

 Média da geométrica (dados não agrupados)

N
X́ g=
√∏
N

i=1
X i=N√ X 1 × X 2 × X 3 ×… × X N

 Média da geométrica (dados agrupados)

N
X́ g=
√∏
N

i=1
i
N
X Fi = √ X F1 × X F2 × X F3 × … × X FN
1 2 3 N

3
1.2.5. Média Harmónica

Em situações onde a proporcionalidade inversa esteja presente é aconselhável o cálculo da

média harmónica ( M h ou X́ h). Por exemplo, quando estudamos fenómenos como a
velocidade média, o custo médio de bens comprados com uma quantia fixa.

Desta forma, a média harmónica é dada por:

1
X́ h= N

∑ f i × X1
i=1 i

1.3. Mediana

A mediana é o valor central médio depois de ordenar os dados por ordem crescente ou
decrescente de tamanho ou importância. Ou seja, é definida como o valor da variável que
ocupa a posição central na sucessão de observações ou na distribuição de frequências, isto
é, o número de observações para valores que lhe são inferiores deverá ser igual ao número
de observações para valores que lhe são superiores, depois de se colocarem os dados quer
por ordem crescente, quer decrescente de valores.

Cálculo da mediana no caso de uma variável discreta:

N +1
 Se N for ímpar, a mediana será o elemento central de ordem ;
2
N
 Se N for par, a mediana será a média entre os elementos centrais de ordem e
2

N +2
.
2

Cálculo da mediana no caso de uma variável contínua:

No caso de uma variável contínua agrupada em classes, o cálculo da mediana pode ser
assim sumariado:

N
 Calcula-se a ordem . Como a variável é contínua não é necessário diferenciar
2
entre N par e ímpar;

4
  Pelas frequências acumuladas identifica-se a classe que contém a mediana e que
será a classe mediana;
 Calcula-se o valor exacto da mediana através da seguinte fórmula:
N
−cum F ( Me−1 )
2
Me=l i ( Me ) + ×a ( Me )
F ( Me )
Mediana (frequências absolutas)

Quando trabalhamos com frequências relativas a mediana é dada por:

0,5−cum f ( Me −1 )
Me=l i ( Me ) + ×a ( Me )
f ( Me )
Mediana (frequências relativas)

Onde:

l i ( Me ) é o limite inferior da classe mediana; cum F ( Me−1 ) são as frequências acumuladas

anteriores à classe mediana; F ( Me ) é a frequência absoluta da classe mediana; a ( Me ) é a
amplitude da classe mediana.

1.4. Moda

A moda é o valor mais frequente da distribuição ou ainda o valor que mais observações
apresenta no conjunto dos dados. Tal como a mediana, a moda é também uma medida de
posição e torna-se mais fácil de calcular se os dados estiverem ordenados. No caso de
variáveis discretas, o cálculo da moda não tem qualquer dificuldades, enquanto que para as
variáveis contínuas é necessário definir primeiro a classe modal e depois aplicar a seguinte
fórmula:

F ( Mo+1 )
Mo=l i ( Mo ) + × a ( Mo )
F ( Mo−1 )+ F ( Mo+1 )
Moda (frequências absolutas)

f ( Mo+1 )
Mo=l i ( Mo ) + ×a ( Mo )
f ( Mo−1 )+ f ( Mo+1 )
Moda (frequências relativas)

Onde:
5
l i ( Mo ) é o limite inferior da classe modal; F ( Mo−1 ), f ( Mo−1 ) são as frequências absoluta
e relativa, respectivamente, da classe anterior à classe modal; F ( Mo +1 ), f ( Mo +1 )são as
frequências absoluta e relativa, respectivamente, da classe a seguir à classe modal; a ( Mo ) é
a amplitude da classe modal.

A moda pode ser determinada graficamente após a construção do histograma da

distribuição e da identificação da classe modal. Após isto, faz-se a seguinte construção:

Figura 1: Determinação gráfica da Moda

Como vantagens a moda é fácil de calcular e interpretar e não é afectada por valores
extremos, no entanto, não pode ser definida com rigor e o seu valor exacto é muitas vezes
incerto.

Uma distribuição de frequências poderá ter mais do que uma moda e, nesse caso, diz-se
bimodal, trimodal, etc,

Exemplos:

1. Os preços de seis modelos de Camisetes à venda na Loja Intermoda são os

seguintes:

Modelo Preço (Rands)

Simples 4,90
Messi 9,90
Ronaldo 7,60
Suarez 7,60
Tico-Tico 8,40
Dominguez 7,80

Utilizando a fórmula da média aritmética, o preço médio dos vários modelos de

camisetes à venda na loja é de:
6
 N

∑ Xi 4,90+9,90+7,60+7,60+ 8,40+ 7,80

μ= i=1 = =7,70 Rands
N 6

Preço (Rands) Quantidade Preço ×

Modelo do modelo vendida Quantidade
Xi Fi Xi × Fi
Simples 4,90 15 73,50
Messi 9,90 5 49,50
Ronaldo 7,60 10 76,00
Suarez 7,60 8 60,80
Tico-Tico 8,40 6 50,40
Dominguez 7,80 6 46,80
∑ = 50 ∑ = 357,00

Para o cálculo do preço médio deve então ponderar os preços de cada modelo pelas
respectivas quantidades vendidas. Para tal, a fórmula a utilizar será:

μ=
∑ X i × F i = 357,00 =7,14 Rands
N 50
2. Calcule a mediana dos dados discretos

Xi Fi Cum Fi
1 1 1
2 3 4
3 5 9
4 2 11
∑ = 11

N +1
a) Como N = 11 (impar), logo a mediana será de ordem ou seja
2

11+1 12
= =6 ° . Para identificar calculam-se as frequências acumuladas. O
2 2
valor da variável que acumula até seis (6) ocorrências é Xi = 3, logo a Me = 3.
b) Dada a seguinte distribuição,

Xi Fi Cum Fi
82 5 5
85 10 15
87 15 30
89 8 38
90 4 42
∑ = 42

7
 N
Como N = 42 (par), logo a mediana será a média entre os valores de ordem e
2

N +1 42 42+1 43
ou seja =21 ° e = =22 ° . Para identificar calculam-se as
2 2 2 2
frequências acumuladas. Como é o mesmo, o valor da variável para estes dois
elementos, logo a Me = 87.

3. Cálculo de mediana e moda para dados contínuos

Classes Fi Cum Fi
35 – 45 5 5
45 – 55 12 17
55 – 65 18 35
65 – 75 14 49
75 – 85 6 55
85 – 95 3 58
∑ = 58

N 58
1º) Calcula-se a ordem: = =29
2 2

2º) Identifica-se a classe mediana: ¿

3º) Calcula-se o valor exacto da mediana através da seguinte fórmula:

N
−cum F ( Me−1 )
2 29−17
Me=l i ( Me ) + ×a ( Me )=55+ ×10=61,67
F ( Me ) 18

1º) Identifica-se a classe modal: ¿

3º) Calcula-se o valor exacto da moda através da seguinte fórmula:

F ( Mo+1 ) 14
Mo=l i ( Mo ) + × a ( Mo ) =55+ ×10=60,39
F ( Mo−1 )+ F ( Mo+1 ) 12+14

Actividade 2: Medidas de Assimetria

2.1. Conceito

8
O método mais simples para se medir o grau de assimetria de uma distribuição consiste na
comparação de três medidas de tendência central: a média, a mediana e a moda.

Numa distribuição simétrica verifica-se que a média, a mediana e a moda são iguais.
Quando a média ≥ mediana ≥ moda a distribuição é assimétrica positiva ou enviesada à
esquerda. No caso inverso, média ≤ mediana ≤ moda, a distribuição é assimétrica negativa
ou enviesada à direita.

Figura 2: Distribuição Simétrica.

Figura 3: Distribuição Assimétrica Positiva (a); Distribuição Assimétrica Negativa (b).

2.2. Medidas de Assimetria

3 × ( Média−Mediana )
O grau de assimetria pode ser medido da seguinte maneira: G= ,a
Desvio Padrão
divisão pelo desvio padrão permite-nos obter um resultado que não é influenciado pela
dispersão dos dados, mas apenas pelo grau de assimetria.

 Grau de assimetria aplicável para uma população

3 × ( μ−Me )
G=
σ

 Grau de assimetria aplicável para uma amostra

9
 3 × ( X́−Me )
G=
S

Existem ainda outros indicadores quantitativos que nos permitem estimar, com maior
precisão, o grau de assimetria de uma distribuição. Um deles é o coeficiente de Pearson
que mede o grau de assimetria através da comparação da média e da moda:

 Primeiro coeficiente de assimetria de Pearson

μ−Mo
G 1=
σ

 Se G1 = 0 a distribuição é simétrica,
 Se G1 > 0 a distribuição é assimétrica positiva, e
 Se G1 < 0 a distribuição é assimétrica negativa.

Pearson definiu um segundo coeficiente que nos permite calcular o grau de assimetria de
uma distribuição quando não dispomos da média e do desvio padrão, utilizando apenas os
quartis da distribuição:

 Segundo coeficiente de assimetria de Pearson

Q3 +Q1−2 × Me
G 2=
Q3−Q1

2.3. Curvas de Assimetria: Achatamento ou Curtose

Entende-se por Curtose o grau de achatamento de uma distribuição. As medidas de

achatamento dão-nos, assim, uma indicação da intensidade das frequências na vizinhança
dos valores centrais. Como referência ao grau de achatamento podemos ter:

Figura 4: a – Distribuição Leptocúrtica; b – Distribuição Platicúrtica; c - Distribuição Mesocúrtica

a) Curva bastante afilada b) Curva fracamente afilada c) Curva razoavelmente afilada

10
Para medir o grau de achatamento pode ser utilizada a seguinte medida:

Q 3 −Q 1
K=
2 × ( P90 −P 10)

Sendo, Q 3 e Q 1, respectivamente, o terceiro e primeiro quartis; P90 e P10, o 90º e 10º

percentis, respectivamente:

 Se K = 0,263 a distribuição de frequências é Mesocúrtica;

 Se K > 0,263 a distribuição diz-se Platicúrtica;
 Se K < 0,263 a distribuição diz-se Leptocúrtica.

Actividade 3: Análise Combinatória e Probabilidades

3.1. Arranjos com Repetição

O número de arranjos com repetição de n elementos tomados de p a p, que se representa

por❑n A'P=nP , é dado por n P, isto é,

n
❑ A'P=nP

Sendo A={ a1 , a2 , … , an } , qualquer arranjo com repetição de n elementos de A tomados de

p a p é uma sequência de p elementos de A, em que:

 Pode haver elementos repetidos;

 A ordem dos elementos distingue a sequência de outras sequências.

Exemplo: Quantos resultados diferentes é possível obter com 3 lançamentos de uma

moeda? Como num lançamento de uma moeda há 2 resultados possíveis, sair cara ou sair
coroa, tem-se

2
❑ A'3 =23=8

Ao todo, têm-se 8 resultados diferentes.

3.2. Arranjos sem Repetição

11
Com os elementos do conjunto A={ a , b , c , d } quantas sequências de 3 elementos pode-se
formar sem que os elementos se repitam?

Podemos pensar da seguinte maneira:

 O 1º elemento da sequência pode ser uma das quatro letras;

 O 2º elemento da sequência só pode ser uma das três letras restantes, pois uma letra
já foi escolhida;
 O 3º elemento da sequência só pode ser uma das duas letras restantes, pois duas
letras já foram escolhidas.

Em esquema, tem-se:

1ª letra 2ª letra 3ª letra

↓ ↓ ↓

4́ 3́ 2́

Ao todo temos 4×3×2 = 24 sequências. A este número dá-se o nome de arranjos sem
repetição de 4 elementos tomados 3 a 3, e representa-se por ❑4 A3 .

Em geral, conclui-se que ❑n A p=n ( n−1 )( n−2 ) … ( n− p+1 ) com n≥ p

Considerando que n !=n ( n−1 )( n−2 ) … ( n− p+1 ) ( n− p ) !

n! n ( n−1 )( n−2 ) … ( n− p+1 ) ( n−p ) !

tem-se = =n ( n−1 ) ( n−2 ) … ( n− p+1 )=❑n A p
( n− p ) ! ( n− p ) !

n n!
logo vem ❑ A p= comn ≥ p
( n− p ) !

Sendo A={ a1 , a2 , … , an } , qualquer arranjo sem repetição de n elementos de A tomados de

p a p é uma sequência de p elementos de A, em que:

 Não pode haver elementos repetidos;

 A ordem dos elementos distingue a sequência de outras sequências.

Exemplo: Um saco contém 5 bolas numeradas de 1 a 5. De quantas maneiras podemos

extrair:

12
 a) Três bolas com reposição?
Havendo reposição da bola, significa que há sequência com elementos repetidos.

5
❑ A'3 =53=125

Portanto, há 125 maneiras diferentes de extrair as três bolas com reposição.

b) Quatro bolas sem reposição?

Não havendo reposição da bola, significa que não há elementos repetidos nas
sequências.
5 5! 5 × 4 ×3 ×2 ×1 !
A 4= = =120
❑
( 5−4 ) ! 1!
Portanto, há 120 maneiras diferentes de extrair as quatro bolas sem reposição.

3.3. Permutações

As permutações de n elementos são todas as sequências de elementos diferentes que é

possível formar com os n elementos.

Representando por Pn o número de permutações de n elementos, tem-se Pn=❑n A n

n n! n! n!
Como A n= = = =n!
❑
( n−n ) ! 0 ! 1

Então Pn=n!

Sendo A={ a1 , a2 , … , an } , qualquer permutação de n elementos de A é uma sequência de n

elementos de A, em que:

 Não pode haver elementos repetidos;

 A ordem dos elementos da sequência distingue a sequência de outras sequências.

Exemplo: De quantas maneiras diferentes se podem sentar 5 pessoas:

a) numa fila?
Como em qualquer sequência formada pelas 5 pessoas não há elementos repetidos e
interessa a ordem desses elementos, tem-se:
P5=5 !=5 × 4 ×3 ×2 ×1=120
Logo, ao todo há 120 maneiras diferentes de as 5 pessoas se sentarem numa fila.
13
b) à volta de uma mesa?
Como uma das pessoas pode sentar-se em qualquer lugar, as restantes 4 pessoas
podem sentar-se de P4 maneiras diferentes.
𝑷𝟒 P4 =4 !=4 ×3 × 2× 1=24

Logo, ao todo há 24 maneiras diferentes de as 5 pessoas se sentarem à volta de uma

mesa.

14
3.4. Combinações

Com os elementos do conjunto A={ a , b , c , d }quantos subconjuntos de 2 elementos é

possível definir?

4
Verificamos anteriormente que ❑ A 2 dá-nos o número de sequências de 2 elementos
possíveis que é possível formar num conjunto de 4 elementos. Observando que numa
sequência consideramos a ordem dos seus elementos e num conjunto não, e que com os
mesmos 2 elementos têm-se 2 ! sequências diferentes, vem

4!
4
❑A 2 ( 4−2 ) ! 4! 4 × 3× 2!
= = = =6
2! 2! 2!2! 2 ×2 !

Assim, ao todo podemos definir 6 subconjuntos de 2 elementos. A este número chama-se

combinações de 4 elementos 2 a 2 e representa-se por ❑4 A 2 ou ( 42) .

O número de combinações de n elementos p a p, que se representa por ❑nC p ou ( np ), é dada
n n
A A
por ❑nC p= ❑ p ou n = ❑ p com n≥ p
()
p! p p!

n n!
Atendendo que ❑ A p= , a formula anterior poderá escrever-se:
(n−p)!

n!
n
n A❑p (n− p)! n!
❑C p= = =
p! p! p ! ( n−p ) !

Então vem,

n n!
❑C p=¿
p ! ( n− p ) !

A fórmula é válida mesmo no caso em que p = 0 ou p = n.

Sendo A={ a1 , a2 , … , an } , qualquer combinação de n elementos de p a p é um subconjunto

de elementos de A, em que:

15
  Não há elementos repetidos;
 Não interessa a ordem dos elementos.

Exemplo: Numa aula de Matemática estão presentes 18 raparigas e 12 rapazes. Quantos

grupos de alunos se podem formar, considerando que:

a) cada grupo tem 5 alunos?

Como ao todo há 30 alunos, tem-se

30 30!
C5 = =142506
❑
5 ! 25 !

Logo, ao todo podem formar-se 142506 grupos diferentes de 5 alunos.

b) Cada grupo é formado por 3 raparigas e 2 rapazes?

As 3 raparigas podem ser escolhidas de 18❑C3 modos diferentes e os 2 rapazes podem

ser escolhidos de 12
❑ C 2 modos diferentes. Ao todo tem-se

18 18! 12!
C3 × 12❑C2 = × =53856
❑
3 ! 15 ! 2 ! 10 !
Portanto, podem formar-se 53856 grupos diferentes constituídos por 3 raparigas e 2
rapazes.

Actividade 4: Acontecimentos e Tipos de Acontecimentos.

4.1. Conceito de Probabilidade

Meyer (1983, p.18), probabilidade como mede a possibilidade de ocorrência de

determinado acontecimento.

4.2. Conceito Clássico de Probabilidade

Definição: Se a uma experiência aleatória se podem associar N resultados possíveis,

mutuamente exclusivos e igualmente prováveis, e se n A desses resultados tiverem o atributo

nA
A, então a probabilidade de A é a fracção ,
N

nA
P [ A ]=
N
16
Onde: N é o número de resultados possíveis e nA é o número de resultados favoráveis a A, S
espaço amostral (Reis, 2007, p.46).

Definição: Probabilidade de um acontecimento A é o rácio entre o número de resultados

favoráveis ao acontecimento A – que fazem com que o acontecimento se realize, e o
número de resultados possíveis, supondo todos os casos igualmente possíveis, isto é, têm
todos igual probabilidade de se realizarem (Meyer, 1983, p.27).

Exemplo: Consideremos a seguinte experiência, lançamento de um dado com os resultados

elementares equiprováveis: 1, 2, 3, 4, 5, 6. Qual é a probabilidade de obter um 4 ou um 5.

Solução: O espaço amostral é S={1 ,2 , 3 , 4 , 5 , 6 } . Os elementos que compõem o espaço

amostral são equiprováveis. Usando o conceito clássico de probabilidades, avaliamos:

número de resultados favoráveis a obter 4 e 5 2 1

P ( 4 ,5 ) = = =
número de resultados possíveis 6 3

4.3. Axiomas da Teoria das Probabilidades

O cálculo de probabilidade pode ser desenvolvido a partir de três axiomas essências (Reis,
2007, p.51).:

1) P ( A )≥ 0 ∀ A ⊆S
2) P ( S )=1 (S é o acontecimento certo)
3) Se A e B são eventos mutuamente exclusivos definidos em S, ou seja, A ∩ B=∅
⟹ P ( A ∪ B )=P ( A ) + P ( B )

Observa-se que do axioma 3, pode generalizar-se para n acontecimentos mutuamente

exclusivos ficando-se com:

n
P ( ¿ i=1 ¿ n A i )=∑ P ( A i )
i=1

4.4. Teoremas Fundamentais

Com base nos axiomas referidos e possível demostrar diversos teoremas, entre os quais se
destacam os seguintes:

17
Teorema 1: Se ∅ for o conjunto vazio, significa que não possui elementos,
S ∪∅=S, então, P( ∅)=0

Demonstração: Eventos iguais possuem os mesmos elementos e portanto a mesma

probabilidade de ocorrência. Portanto, P( S ∪∅ )=P ( S ). Com relação ao primeiro membro
da igualdade, S e ∅são eventos mutuamente exclusivos. e pelo axioma (3),
P ( S ∪ ∅ ) =P ( S )+ P ( ∅ ). Substituindo na expressão anterior, obtemos:

P ( S ∪ ∅ ) =P ( S ) ⟺ P ( S )+ P ( ∅ )=P ( S ) ⟹ P ( ∅ )=P ( S ) −P ( S ) ⟹ P ( ∅ ) =0

Teorema 2: Se Á for o evento complementar de A, então

P ( Á )=1−P ( A )

Demonstração: A ∪ Á=S .Eventos iguais possuem os mesmos elementos e portanto a

mesma probabilidade de ocorrência: P( A ∪ Á)=P ( S ) .Com relação ao primeiro membro da
igualdade, A e Á são eventos mutuamente exclusivos, portanto, pelo axioma (3),
P( A ∪ Á)=P ( A ) + P( Á). Com relação ao segundo membro, pelo axioma (2), P ( S )=1.
Substituindo estes valores, obtém-se:

P ( A ∪ Á )=P ( S ) ⟺ P ( A ) + P( Á)=1⟹ P ( Á )=1−P ( A )

Teorema 3: Dados dois acontecimentos quaisquer A e B, a probabilidade do acontecimento

diferença B – A obtém-se pela diferença entre a probabilidade de B e a probabilidade da
intersecção de A com B, ou seja,

P ( B− A )=P ( B )−P( A ∩ B) .

Teorema 4: A probabilidade da união de dois acontecimentos quaisquer, A e B, obtém-se

somando as suas probabilidades e deduzindo a probabilidade da sua intersecção, isto é,

P ( A ∪ B ) =P ( A )+ P ( B )−P ( A ∩B ),

sendo A e B acontecimentos quaisquer, P ( A ∪ B ) ≤ P ( A ) + P ( B )

Generalização do teorema 4 a mais de dois acontecimentos

Seja A1, A2, …, An acontecimentos quaisquer definidos em S. Então:

18
 n n−1 n n−2 n −1 n
P ( A 1 ∪ A 2 ∪ A3 ∪… ∪ A n )=P ( ¿ i=1 ¿ n A i) =¿ ∑ P ( A i )−∑ ∑ P ( Ai ∩ A j ) +∑ ∑ ∑ P ( A i ∩ A j ∩ A k ) +…
i=1 i=1 j=i+1 i=1 j =i +1 k= j +1

Para n = 3

3 2 3
P ( A 1 ∪ A 2 ∪ A3 ) =∑ P ( A i )−∑ ∑ P ( Ai ∩ A j ) +(−1 )4 P ( A 1 ∩ A 2 ∩ A3 ) =P ( A 1 ) + P ( A 2 ) + P ( A 3 ) −P ( A 1 ∩ A2 ) −
i=1 i=1 j=i+1

Para n = 4

4 3 4 2 3 4
P ( A 1 ∪ A 2 ∪ A3 ∪ A 4 ) =∑ P ( Ai ) −∑ ∑ P ( A i ∩ A j ) +∑ ∑ ∑ P ( A i ∩ A j ∩ A k ) +(−1 )5 P ( A 1 ∩ A 2 ∩ A 3 ∩ A
i=1 i=1 j=i+ 1 i=1 j=i +1 k= j +1

4.5. Operações com Probabilidades

4.5.1. Teorema da Soma

Se os acontecimentos A1, A2, …, An definem uma partição sobre S então para qualquer
acontecimento B definido em S tem-se que:

n
P ( B )=∑ P ( B / A i ) × P ( A i )=P ( B/ A1 ) × P ( A1 ) + P ( B/ A 2 ) × P ( A 2 ) +…+ P ( B/ An ) × P ( An )
i=1

4.5.2. Teorema do Produto

P ( A ∩ B)
Do conceito de probabilidade condicional P ( A /B )= em que P ( B )> 0 obtém-se o
P (B )
teorema do produto, também conhecido como teorema da multiplicação.

P ( A ∩ B )=P ( A ) × P ( B/ A )

4.5.3. Probabilidade Condicionada

Por definição esta probabilidade e dada por:

P ( A ∩ B)
P ( A /B )=
P (B )

se P ( B )> 0, isto é, a probabilidade de um acontecimento A condicionado pela ocorrência de

outro B é igual ao quociente entre a probabilidade de ambos se realizarem ( A ∩ B ) e a
probabilidade do acontecimento dado (Reis, 2007, p.62).
19
4.5.4. Teorema de Bayes

Se A1, A2, …, An definem uma partição sobre S, então, para B definido em S, com P ( B )> 0
(Reis, 2007, p.80):

P ( A j) × P (B / A j)
P ( A j /B ) = n

∑ P ( B/ Ai ) × P ( Ai )
i=1

para j = 1, 2, …, n

20
Exemplos:

1. Em uma prova de múltipla escolha, cada questão tem 5 alternativas, sendo apenas
uma delas correta. Ao não saber a resposta, o aluno “chuta” aleatoriamente uma
resposta qualquer entre as possíveis escolhas. Levando-se em conta um aluno
mediano, que saiba 60% do conteúdo, qual será a chance de ele acertar uma das 5
questões escolhida aleatoriamente?
Solução:
Este problema consiste em calcular a probabilidade incondicional de um aluno
acertar uma questão qualquer. Isto é, sem saber se ele domina ou não o conteúdo,
qual é a chance de acertar uma questão?
Para resolver este exercício, portanto, aplica-se o Teorema da Probabilidade Total.
Considere os eventos:
A = acertar
B = saber o conteúdo
B́ = não saber o conteúdo e, portanto, “chutar” uma alternativa
Assuma que, se o aluno sabe o conteúdo, ele tem 100% de probabilidade de acertar
a questão considerada. Se ele não domina o assunto, “chutará” uma resposta, com
20% de chance de acertar – pois há 5 alternativas possíveis.
Então, temos:

P ( A )=P ( A / B ) × P ( B ) + P ( A/ B́ ) × P ( B́ )

P ( A )=0,60 × 0,10+0,40 ×0,20=0,68

2. As máquinas A e B são responsáveis por 60% e 40%, respectivamente, da produção

de uma empresa.
Os índices de peças defeituosas na produção destas máquinas valem 3% e 7%
respectivamente. Se uma peça defeituosa foi selecionada da produção desta
empresa, qual é a probabilidade de que tenha sido produzida pela máquina B?
Solução:
Para resolver este exercício, portanto, aplica-se o Teorema de Bayes.
Considere os eventos:
A: peça produzida por A P ( d / A )=3 %=0,03
B: peça produzido por B P ( d /B )=7 %=0,07
21
 d: peça defeituosa P ( A )=60 %
P ( B )=40 %

Queremos a probabilidade P ( B /d )

P ( d /B ) × P ( B )
P ( B /d )=
P ( d / A ) × P ( A ) + P ( d /B ) × P ( B )

Esta é a probabilidade de ser produzida por B dado que é defeituosa!

0,07 ×0,40
P ( B /d )= =0,6087 ou 60,87 %
0,03× 0,60+ P 0,07 ×0,40

A probabilidade de uma peça escolhida ao acaso ser produzida pela máquina B dado
que ela é defeituosa é 60,87%.

3. Uma empresa avalia em 60% a sua probabilidade de ganhar uma concorrência para
o recolhimento do lixo em um bairro A da capital. Se ganhar a concorrência no
bairro A, acredita que tem 90% de probabilidade de ganhar outra concorrência para
o recolhimento do lixo em um bairro B próximo a A.
Determine a probabilidade de a empresa ganhar ambas as concorrências.
Solução:
Para resolver este exercício, portanto, aplica-se o Teorema de Probabilidade
Condicionada.
O que o exercício pede é P ( B ∩ A ). Assim, queremos a probabilidade de ganhar B e
A. Foi dado P ( B / A )=90 % e P ( A )=60 %.

P ( BA )= P (PA( ∩B
A)
)
⟹ 90 %=
P ( A ∩ B)
60 %

P ( B ∩ A )=90 % × 60 %=54 %

22
 4. As pesquisas de opinião apontam que 20% da população é constituída por mulheres
que votam no partido X. Sabendo-se que 56% da população são mulheres, qual é a
probabilidade de que uma mulher selecionada ao acaso na população vote no
partido X?
Solução:
Para resolver este exercício, portanto, aplica-se o Teorema de Probabilidade
Condicionada.
O que o exercício pede é P ( X / M ). Foi dado P ( M ∩ X )=2 0 % e P ( M )=56 %.

P( X ∩ M ) X 20 %
P ( X / M )=
P(M)
⟹P( )=
M 56 %
=0,3571 ou35,71 %

23
Considerações Finais

Conclui-se que:

 Medidas de tendência central é uma indicação do valor central ou médio dos dados
observados. A medida de tendência central procura estabelecer um número no eixo
horizontal em tomo do qua a série se concentra. As principais medidas de tendência
central são: Média, Mediana e Moda.
 Probabilidade é um número associado a um evento, destinado a medir sua
possibilidade de ocorrência.

24
Bibliografia

CHILAÚLE, A., MACHANGO, O., (2015), M12 – Matemática 12ª Classe , 2ª ed.,
Maputo: Texto Editores.

CHILAÚLE, A., MACHANGO, O., (2017), M12 – Matemática 12ª Classe – Letras, 2ª
ed., Maputo: Texto Editores.

DOMINGOS, M. E., FERNANDES, T. T., (1981), Eu e a Matemática: Livro de

Consulta 5, 11º ano Escolaridade, 1ª ed., Porto: Edições ASA.

MEYER, P. L., (1983), Probabilidade: Aplicações à Estatística, 2ª ed., Rio de Janeiro:

LTC – Livros Técnicos e Científicos Editora.

NEVES, M. A. F., VIEIRA, M. T. C., ALVES, A. G., Matemática 11º Ano – Livro de
Texto, Porto: Porto Editora.

REIS, E., MELO, P., ANDRADE, R., CALAPEZ, T., (2007), Estatística Aplicada –
Volume 1, 5ª ed. – Revista, Lisboa: Edições Silabo.

REIS, E., (2008), Estatística Descritiva, 7ª ed. – Revista e Corrigida, Lisboa: Edições
Silabo.

25