Anotações de Probabilidades ULA 2º Ano 2020 Eng Informática

Apostila de Probabilidades – MMXXI Eng.
Informática
APOSTILA DE PROBABILIDADES
ENGENHARIA
INFORMÁTICA
Material Didáctico
Notas de Aula
Bennevithes M. M. Fündanga
Copy Rigth ENGAER PG. CMA Bennevithes Mariano Machado Fündanga (贝丰)
e-mail: bennevithesfu2013@yahoo.com.br; bennevithesfu2017@outlook.com 1
WatsApp +244 993405163
Apostila de Probabilidades – MMXXI Eng. Informática
ULA – Universidade Lusíadas de Angola
Probabilidades - 2º Ano Engenharia Informática

Prof.: EngAer Bennevithes Mariano Machado Fündanga
PALAVRAS INICIAIS
Neste curso é apresentado uma abordagem de Probabilidades, sob o ponto de vista em
Ciências gerais, e os exemplos que resolveremos procurarão abordar casos reais das
diversas áreas da sociedade que servirão de suporte para os encontrados no dia-a-dia de
cada profissional.
No desenvolvimento do curso são abordados os tópicos que constam no programa da

cadeira Probabilidades e alguns casos recorrer ao suporte de ferramentas ou funções que
o Excel disponibiliza.
Como tal, o presente texto representa uma tentativa de incluir num único local os
apontamentos teóricos essenciais a compreensão da matéria de Probabilidades, tal como
ela será ensinada nesse ano letivo. Por isso, não deve ser entendido como um texto
completo, mas sim como uma coleção de resumos teóricos que não dispensam o estudo
mais aprofundado da matéria por um dos textos referenciados na bibliografia indicada
no programa da cadeira.
Vale enfatizar que o facto de muitas coisas parecerem óbvias quando demonstradas por
outros, ficamos com a impressão de que tudo é muito fácil e que saberemos também
fazer as demonstrações com a mesma facilidade. Isto tem trazido para muitos uma
surpresa bastante desagradável na hora de verificar os conhecimentos assimilados.
SUGESTÃO: ESTUDE E FAÇA OS EXERCÍCIOS. TENHA CONSIGO SEMPRE UM DISCIONÁRIO

DE LÍGUA PORTUGUESA ENQUANTO ESTUDA.
SÓ ASSISTIR AS AULAS NÃO BASTA!
WatsApp +244 993405163
NB: O autor da presente apostila não se responsabiliza por eventuais danos mentais causados pela não perceção
dos conteúdos abordados!
Instrumental Matemático
Arredondamento de dados
Muitas vezes, é necessário ou conveniente suprimir unidades inferiores às de determinada

ordem. Esta técnica é denominada arredondamento de dados.
De acordo com as convenções Estatísticas, o arredondamento é feito da seguinte maneira:
1 – Quando o primeiro algarismo a ser abandonado é 0,1,2,3 ou 4, fica inalterado o último

algarismo a permanecer.
Ex: 53,24 passa a 53,2 ; 44,03 passa a 44,0
2 – Quando o primeiro algarismo a ser abandonado é 6,7,8, ou 9, aumenta-se de uma

unidade o algarismo a permanecer.
Ex: 53,87 passa a 53,9 ; 44,08 passa a 44,1 ; 44,99 passa a 45,0
3 – Quando o primeiro algarismo a ser abandonado é 5, há duas soluções:
a) Se ao 5 seguir em qualquer casa um algarismo diferente de zero, aumenta-se uma

unidade ao algarismo a permanecer.
Ex: 2,352 passa a 2,4 ; 25,6501 passa a 25,7 ; 76,250002 passa a 76,3
b) Se o 5 for o último algarismo ou se ao 5 só se seguirem zeros, o último algarismo a ser

conservado só será aumentando de uma unidade se for ímpar.
Exemplos:
• 24,75 passa a 24,8

• 24,65 passa a 24,6
• 24,75000 passa a 24,8
• 24,6500 passa a 24,6
Obs.: Não devemos nunca fazer arredondamentos sucessivos. Exemplo: 17,3452 passa a
17,3 e não para 17,35 e depois para 17,4.
WatsApp +244 993405163
Compensação
Suponhamos os dados abaixo, aos quais aplicamos as regras do arredondamento:
25,32 + 17,85 + 10,44 + 31,17 = 84,78
25,3 + 17,8 + 10,4 + 31,2 = 84,7
Verificamos que houve uma pequena discordância: a soma é exatamente 84,7 quando,
pelo arredondamento, deveria ser 84,8. Entretanto, para a apresentação dos resultados, é
necessário que desapareça tal diferença, o que é possível pela prática do que
denominamos compensação, conservando o mesmo número de casas decimais.
Usamos "descarregar" a diferença na(s) maior(es) parcela(s). Veja:
25,3 + 17,8 + 10,4 + 31,3 = 84,8
Obs.: Se a maior parcela é igual ou maior que o dobro de qualquer outra parcela,
"descarregamos" a diferença apenas na maior parcela.
Exercícios:
1 – Arredonde cada um dos numerais abaixo, conforme a precisão pedida:

a – Para o décimo mais próximo:
• 23,40 =
• 234,7832 =
• 45,09 =
• 48,85002 =
• 120,4500 =
b - Para o centésimo mais próximo:
• 46,727 =
• 123,842 =
• 45,65 =
• 28,255 =
• 37,485 =
c – Para a unidade mais próxima:
• 46,727 =
• 123,842 =
• 45,65 =
• 28,255 =
• 37,485 =
WatsApp +244 993405163
d - Para a dezena mais próxima:
• 42,3 =
• 123,842 =
• 295 =
• 2995,000 =
• 59 =
2 – Arredonde para o centésimo mais próximo e compense, se necessário:
0,060 + 0,119 + 0,223 + 0,313 + 0,164 + 0,091 + 0,030 = 1,000
3 – Arredonde para a unidade mais próxima e compense, se necessário:
4,0 + 7,6 + 12,4 + 27,4 + 11,4 + 8,0 = 70,8
PROBABILIDADE
Introdução
A origem da teoria das probabilidades é comumente associada às questões colocadas por

MÉRÉ (1607-1684) a PASCAL (1623-1662). Todavia, existem autores que sustentam que o
cálculo das probabilidades se iniciou na Itália, com PACCIOLI (1445-1514), CARDANO
(1501-1576), TARTAGLIA (1499-1557) e GALILEO (1564-1642), dentre outros.
Contudo, foi ADOLPHE QUÉTELET (1796 – 1874) o pioneiro na tarefa de mensurar, ou seja,
quantificar uma pequena amostra do universo de interesse da investigação, almejando
inferir sobre toda a população em estudo, baseando-se em análises probabilísticas e
embasando-se em rigorosos métodos científicos.
A teoria das probabilidades, porém, só começa a fazer sentido nas engenharias por volta
de 1930, quando surgem os primeiros trabalhos práticos destinados aos engenheiros. O
primeiro foi executado pelo matemático WILLIAM GOSSET (1876 – 1937), com a aplicação
das probabilidades no Controle de Qualidade em uma fábrica de cervejas.
A teoria das probabilidades é uma importante área da estatística que possibilita ao

profissional no mercado de trabalho calcular percentuais, trabalhar com estimativas e
realizar predições em toda e qualquer área do conhecimento. No que tange às
Engenharias, a probabilidade está presente no controle de processos de produtos e
WatsApp +244 993405163
serviços, permitindo estimar o risco e o acaso de eventos futuros. Também é amplamente
utilizada no que tange ao planejamento de novas técnicas e estratégias de produção e
vendas, dentre outras.
Suponha que você é o engenheiro responsável pela qualidade na linha de produção de

uma grande marca de bebidas. Sabe-se que não é possível “experimentar” todos os
produtos antes de disponibilizá-lo ao mercado, pois ninguém compraria uma bebida já
provada, e que o processo de fabricação é composto por etapas, por interferências dos
funcionários, por equipamentos (que podem estar ou não muito bem regulados), e por
uma série de outros fatores controláveis ou não, como até mesmo uma simples umidade
excessiva no ambiente de fabricação devido ao período chuvoso. No entanto, você pode
suspeitar que um determinado lote, devido à variabilidade inerente ao processo,
apresente um percentual de itens não conformes maior que o permitido pelos órgãos
fiscalizadores.
A teoria das probabilidades vem auxiliá-lo nesse processo de tomada de decisão,

permitindo inferir sobre a população em estudo, ou mesmo sobre eventos que ainda irão
ocorrer, estimando as “chances” de sucesso do mesmo.
O cálculo das probabilidades pertence ao campo da Matemática, entretanto a maioria dos

fenómenos de que trata a Estatística são de natureza aleatória ou probabilística. O
conhecimento dos aspetos fundamentais do cálculo das probabilidades é uma
necessidade essencial para o estudo da Estatística Indutiva ou Inferencial.
A Simbologia que usaremos para as Probabilidades
𝐸𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜 𝑜𝑢 𝐸𝑥𝑝𝑒𝑟𝑖ê𝑛𝑐𝑖𝑎 − 𝛀
𝑻𝒆𝒓𝒎𝒊𝒏𝒐𝒍𝒐𝒈𝒊𝒂𝒔 { 𝐸𝑠𝑝𝑎ç𝑜 𝐴𝑚𝑜𝑠𝑡𝑟𝑎𝑙 − 𝑺
𝐸𝑣𝑒𝑛𝑡𝑜 − 𝑬
"Vamos jogar e aprender"
Experiência 1 - Lançamento de uma moeda ao ar.
Experimenta lançar uma moeda (por exemplo de 100 Kz.) ao ar. O que pode acontecer?
WatsApp +244 993405163
Os resultados possíveis são:
"Como saber se sai cara ou coroa?"
O aparecimento de cara ou coroa depende do "acaso" ou da "sorte" ou do "azar"...
Antes do lançamento realizado não é possível determinar qual dos resultados vai sair.
Estamos em presença de um "fenómeno aleatório" e a experiência diz-se uma

"experiência aleatória".
Experiência 2 - Lançamento de um dado.
WatsApp +244 993405163
Um dado tem três faces azuis, duas amarelas e uma verde, numeradas de 1 a 6, como
mostra a figura abaixo representada:
Se lançares uma vez o dado podes prever qual a face que fica voltada para cima?
WatsApp +244 993405163
Diz-se que esta experiência tem:
6 resultados possíveis
ou
6 casos possíveis
Com estes resultados podem formar-se acontecimentos, como por exemplo:
- O acontecimento A: "sair face azul"
Numa experiência aleatória, chamam-se "casos favoráveis" a um acontecimento, aos

casos em que ocorre o acontecimento.
Logo, o acontecimento A tem 3 casos favoráveis:
, , .
Outros exemplos:
WatsApp +244 993405163
Número de casos
Acontecimentos Casos favoráveis ou resultados
favoráveis
B: "sair face verde" 1
C: "sair 3" 1
D: "sair face preta" - 0
E: "sair um nº natural
, , , , , 6
menor que 7.
F: "sair nº ímpar" , , 3
Olhando, atentamente, para a tabela verificamos que o acontecimento D: "sair face preta"
tem 0 (zero) casos favoráveis, diz-se que D é um "acontecimento impossível". O
acontecimento E: "sair um número natural menor que 7" é um "acontecimento certo"
porque todos os casos possíveis são favoráveis.
Outros exemplos de "experiências aleatórias":
Experiência 3 - Tirar, à sorte uma bola numerada de um saco.
Se tirares à sorte uma bola numerada de um saco contendo bolas

numeradas de 1 a 9, não consegues prever o número que vai sair.
Neste caso, quantos casos possíveis terás?
Isso mesmo, 9 são os casos possíveis!
Experiência 4 - Lançar, simultaneamente, dois dados.
WatsApp +244 993405163
Também nesta situação não é possível prever com segurança qual
o resultado que vai sair.
• ANÁLISE COMBINATÓRIA (TÉCNICAS DE CONTAGEM EM PROBABILIDADE)
O uso das fórmulas de análise combinatória para o cálculo do número de casos favoráveis
e o número de casos possíveis designa-se por técnicas de contagem em probabilidades.
Factorial: n!
Define-se como o fatorial de um número n (n!), sendo este número um inteiro maior do
que 1:
n! = n×(n-1)×... ×1
Assim sendo:
2! = 2×1 = 2
3! = 3×2×1 = 6
4! = 4×3×2×1 = 24
5! = 5×4×3×2×1 = 120
6! = 6×5×4×3×2×1 = 720
E assim sucessivamente.
Note que:
3! = 3×2!
4! = 4×3!
5! = 5×4!
6! = 6×5!
WatsApp +244 993405163
Ou, generalizando:
n! = n×(n-1)! , n>2
Se estendermos esta propriedade para n=2:
2! = 2×1!
1! =
2! = 2
Então, convenientemente definimos:
1! =1
Se continuarmos para n=1:
1! = 1×0!
0! =1
1! = 1
Portanto, temos:
n! = n×(n-1)×... ×1 , n>1
1! = 1
0! = 1
Permutações
Quantidade de maneiras que se pode ordenar um conjunto de objetos.
Permutações simples
Quantidade de maneiras que se pode ordenar n objetos distintos: 𝒂𝟏 , 𝒂𝟐 , … , 𝒂𝒏
𝑃𝑛 = 𝑛!
EXEMPLO
Determinar a quantidade de todas as ordenações possíveis dos números 1,2 e 3.
1,2,3; 1,3,2; 2,1,3; 2,3,1; 3,1,2; 3,2,1
𝑷𝟑 = 𝟑! = 𝟑 × 𝟐 × 𝟏 = 𝟔
Permutações caóticas
WatsApp +244 993405163
Quantidade de permutações dos objetos (𝒂𝟏 , 𝒂𝟐 , … , 𝒂𝒏 ) nas quais nenhum deles ocupa sua
posição original.
𝒏
(−𝟏)𝒊 𝒏!
𝑫𝒏 = 𝒏! ∑ 𝒐𝒖 𝑫𝒏 = 𝒊𝒏𝒕𝒆𝒊𝒓𝒐 𝒎𝒂𝒊𝒔 𝒑𝒓ó𝒙𝒊𝒎𝒐 𝒅𝒆
𝒊! 𝒆
𝒊=𝟎
EXEMPLO
Determinar a quantidade de permutações caóticas dos números 1,2 e 3.
2,3,1 ;e 3,1,2
𝟑
(−𝟏)𝒊 (−𝟏)𝟎 (−𝟏)𝟏 (−𝟏)𝟐 (−𝟏)𝟑 𝟏 𝟏 𝟏 𝟏
𝑫𝟑 = 𝟑! ∑ = 𝟔×[ + + + ]=𝟔×[ − + − ]
𝒊! 𝟎! 𝟏! 𝟐! 𝟑! 𝟏 𝟏 𝟐 𝟔
𝒊=𝟎
𝟐
= 𝟔× =𝟐
𝟔
𝟑!
Ou 𝑫𝟑 = = 𝟐. 𝟐 … ⇒ 𝑫𝟑 = 𝟐
𝒆
Permutações de elementos repetidos (anagramas)

Quantidade de maneiras que se pode ordenar n elementos, nem todos distintos:
𝒏 ,𝒏𝟐 ,…,𝒏𝒌 𝒏!
𝑷𝒏𝟏 =
𝒏𝟏 ! 𝒏𝟐 ! … 𝒏𝒌 !
EXEMPLO
Determinar a quantidade de anagramas que podem ser formados com a palavra ANA:
ANA , AAN , NAA

3! 3×2×1
𝑃32,1 = = =3
2! 1! 2 × 1 × 1
Quantos anagramas são possíveis a partir da palavra “amor”?
AMOR MAOR OAMR RAMO
AMRO MARO OARM RAOM
ARMO MORA OMRA RMOA
WatsApp +244 993405163
AROM MOAR OMAR RMAO
AOMR MRAO ORAM ROAM
AORM MROA ORMA ROMA
Portanto, são possíveis 24 anagramas. Os anagramas são as permutações (“trocas de
lugar”) das letras da palavra. Temos então, no caso P4 (lê-se permutações de 4 elementos)
anagramas.
Se a palavra fosse “castelo”, o exercício acima seria muito mais trabalhoso. Como fazer,
então? Na palavra “amor” temos 4 “espaços” onde podemos colocar as 4 letras.
No 1º espaço podemos colocar qualquer uma das 4 letras. Para cada letra colocada no 1º
espaço, sobram 3 letras para preencher o 2º espaço; uma vez preenchido este espaço,
sobram apenas 2 para o 3º; finalmente, sobrará uma última letra no 4º espaço. Assim para
estes casos como não temos repetição de letras, tomamos 𝑛𝑘 = 0; logo temos:
4! 4 × 3 × 2 × 1
𝑃40 = = = 24
0! 1
Generalizando, quando 𝑛𝑘 = 0:
𝒏!
𝑷𝟎𝒏 = = 𝒏!
𝟎!
Portanto, o total de anagramas da palavra “castelo” é:
𝑃7 = 7! = 7 × 6 × 5 × 4 × 3 × 2 × 1 = 5040
Permutações circulares
Quantidade de maneiras que se pode colocar n objetos distintos, 𝒂𝟏 , 𝒂𝟐 , … , 𝒂𝒏 , em n
lugares (equiespaçados) em torno de um círculo, considerando-se equivalentes as
disposições que possam coincidir por rotação.
𝑃𝐶𝑛 = (𝑛 − 1)!
EXEMPLO
Determinar a quantidade de maneiras que se pode dispor 4 pessoas em uma mesa
redonda.
WatsApp +244 993405163
𝑃𝐶4 = (4 − 1)! = 3! = 6
Arranjos
Quantidade de subgrupos ORDENADOS, com k elementos, que podem ser formados a
partir de um grupo com n elementos distintos.
Arranjos simples: An,k

Utiliza-se um arranjo quando se quer formar grupos a partir de um conjunto maior em
que a ordem é importante. Por exemplo, de um grupo de 5 pessoas, deseja-se montar
uma chapa para uma eleição composta por um presidente, um vice e um tesoureiro.
Há 3 vagas. Para a vaga de presidente, temos 5 opções; escolhido o presidente, temos 4

opções para vice, sobrando 3 opções para tesoureiro. Então o número total de chapas
será dado por A5,3 (lê-se arranjos de 5 elementos, 3 a 3) calculado assim:
𝐴5,3 = 5 × 4 × 3 = 60
Seriam 60 chapas possíveis, portanto. Faltaria, para completar o 5!, multiplicar por 2 e por
1.
Multiplicando e dividindo, temos:
5 × 4 × 3 × 2 × 1 5!
𝐴5,3 = =
2×1 2!
Generalizando, temos:
𝑛!
𝐴𝑛,𝑘 =
(𝑛 − 𝑘)!
Arranjos com repetição (completos)
WatsApp +244 993405163
Quantidade de subgrupos ORDENADOS, com k elementos, podendo ser repetidos, que
podem ser formados a partir de um grupo com n elementos distintos.
𝐴∗𝑛,𝑘 = 𝑛𝑘
EXEMPLO
Dado o conjunto {a1,a2,a3}, os subgrupos ordenados com 2 elementos, com repetição,

que podem ser formados são:
𝑛(𝑆) = 𝐴∗3,2 = 32 = 9
Combinações
Quantidade de subgrupos NÃO ORDENADOS, com k elementos, que podem ser formados
a partir de um grupo com n elementos distintos.
Combinações simples: Cn,k
Quando falamos em combinações, como em arranjos, estamos querendo formar grupos a

partir de um conjunto de elementos, a diferença é que a ordem não importa.
Suponhamos que, no exemplo anterior, a chapa não tenha cargos (é uma chapa para um
conselho, por exemplo), então não importa quem é escolhido primeiro. O total de chapas
possíveis será dado pelo número de arranjos, descontando-se uma vez escolhida a chapa,
trocando-se as posições na mesma (isto é, fazendo permutações) teremos uma chapa
idêntica. Portanto, o número de chapas será dado por C5,3 (lê-se combinações de 5
elementos, 3 a 3) calculado por:
𝐴5,3 5!
𝐶5,3 = = = 10
𝑃3 2! × 3!
Generalizando:
𝑛!
𝐶𝑛,𝑘 =
𝑘! (𝑛 − 𝑘)!
WatsApp +244 993405163
C15,3 = 15! / (15-3)! . 3! = 15 x 14 x 13 x 12! / 12! x 3! = 15 x 14 x 13 / 3 x 2 x 1
Combinações com repetição (completas)
Quantidade de subgrupos ORDENADOS, com k elementos, podendo ser repetidos, que

podem ser formados a partir de um grupo com n elementos distintos.
∗
(𝑛 + 𝑘 − 1)!
𝐶𝑛,𝑘 = 𝐶𝑛+𝑘−1,𝑘 =
𝑘! (𝑛 − 1)!
EXEMPLO
Dado o conjunto {a1,a2,a3}, os subgrupos não ordenados com 2 elementos, com

repetição, que podem ser formados são:
∗
4! 4 × 3 × 2!
𝑛(𝑆) = 𝐶3,2 = 𝐶3+2−1,2 = = =6
2! 2! 2 × 1 × 2!
Retirada de bolas de uma urna

Para contarmos de quantas maneiras podemos retirar uma amostra de n bolas de uma
urna contendo N bolas distinguíveis temos as situações a seguir. Denotaremos esta
quantidade por n(A).
OBS: Amostra ordenada significa que a ordem de retirada das bolas é levada em
consideração, por exemplo, o resultado (b1,b2) é diferente do resultado (b2,b1) devendo,
portanto, os dois serem contados. O mesmo não acontece na amostra não ordenada,
onde apenas um deles é contado. Na amostra com reposição as bolas retiradas são
recolocadas na urna, podendo ser retiradas novamente.
Amostra ordenada com reposição
𝑛(𝐴) = 𝐴∗𝑁,𝑛
EXEMPLO
WatsApp +244 993405163
Retirar uma amostra de 2 bolas, ORDENADA COM REPOSIÇÃO, de uma urna contendo 3
bolas distinguíveis.
𝑛(𝐴) = 𝐴∗3,2 = 32 = 9
Amostra ordenada sem reposição
𝑛(𝐴) = 𝐴𝑁,𝑛
EXEMPLO
Retirar uma amostra de 2 bolas, ORDENADA SEM REPOSIÇÃO, de uma urna contendo 3
bolas distinguíveis.
3!
𝑛(𝐴) = 𝐴3,2 = =6
(3 − 2)!
Amostra não ordenada com reposição

∗
𝑛(𝐴) = 𝐶𝑁,𝑛
EXEMPLO
Retirar uma amostra de 2 bolas, NÃO ORDENADA COM REPOSIÇÃO, de uma urna
contendo 3 bolas distinguíveis.
∗
4!
𝑛(𝐴) = 𝐶3,2 = 𝐶3+2−1,2 = =6
2! 2!
Amostra não ordenada sem reposição
𝑛(𝐴) = 𝐶𝑁,𝑛
WatsApp +244 993405163
EXEMPLO
Retirar uma amostra de 2 bolas, NÃO ORDENADA SEM REPOSIÇÃO, de uma urna contendo
3 bolas distinguíveis.
3!
𝑛(𝐴) = 𝐶3,2 = =3
2! (3 − 2)!
EXEMPLOS DIVERSOS
1- Qual a probabilidade de tirarmos 5 cartas de espadas sem reposição de um baralho de

52 cartas?
Método tradicional: P(5 espadas) = 13/52 . 12/51 . 11/50 . 10/49 . 9/48 = 0,0005...
Técnica de contagem:
P(5 espadas) = C13,5 / C52,5 = (13.12.11.10.9 / 5.4.3.2.1) / (52.51.50.49.48 / 5.4.3.2.1) =

13.12.11.10.9 / 52.51.50.49.48 = 0,0005...
2- De 20 pessoas que se oferecem para doar sangue 15 possuem sangue tipo B. Qual a
probabilidade de, escolhendo-se 3 pessoas desse grupo todas as 3 escolhidas tenham
sangue tipo B?
P (3 sangue B) = C15,3 / C20,3 = (15.14.13 / 3.2.1) / (20.19.18 / 3.2.1) = 15.14.13/20.19.18

= 0,399
3- Qual a probabilidade de retirarmos 2 ases em uma amostra de 5 cartas retiradas de um

baralho de 52 cartas?
P (2 ases) = (C4,2 x C48,3) / C52,5
4- Qual a probabilidade de retirarmos 4 ases em uma amostra de 13 cartas retiradas de

um baralho de 52 cartas?
P (4 ases) = (C4,4 x C48,9) / C52,13 = C48,9 / C52,13
Experimento Aleatório
WatsApp +244 993405163
São fenómenos que, mesmo repetido várias vezes sob condições semelhantes,
apresentam resultados imprevisíveis. O resultado depende do acaso.
Exemplo:
Da afirmação "é provável que o meu time ganhe a partida hoje" pode
resultar:
- que ele ganhe - que ele perca - que ele empate
Este resultado pode ter três possibilidades.
Espaço Amostral – 𝑺
É o conjunto universo ou o conjunto de resultados possíveis de um experimento aleatório.
No experimento aleatório "lançamento de uma moeda" temos o espaço amostral {cara,

coroa}.
No experimento aleatório "lançamento de um dado" temos o espaço amostral {1, 2, 3, 4,

5, 6}.
No experimento aleatório "dois lançamentos sucessivos de uma moeda" temos o espaço

amostral:
{(ca,ca) , (co,co) , (ca,co) , (co,ca)}
Obs.: cada elemento do espaço amostral que corresponde a um resultado recebe o nome
de ponto amostral. No primeiro exemplo: cara pertence ao espaço amostral {cara,
coroa}.
Eventos – 𝑬
É qualquer subconjunto do espaço amostral de um experimento aleatório.
Se considerarmos S como espaço amostral e E como evento: Assim, qualquer que seja E,
se 𝑬 ⊂ 𝑺 (E está contido em S), então E é um evento de S.
Se E = S, E é chamado de evento certo.
Se 𝑬 ⊂ 𝑺 e E é um conjunto unitário, E é chamado de evento elementar.
WatsApp +244 993405163
Se E = Ø, E é chamado de evento impossível.
Por exemplo, na experiência 3, lançar dois dados:
A= {pelo menos uma face é número par: todos os pares sombreados}
B= {as duas faces têm o mesmo valor: (1,1), (2,2), (3,3), (4,4), (5,5), (6,6)}
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Operações com eventos: Sejam A e B dois eventos associados a um espaço amostral
União A  B: implica na ocorrência Intersecção A  B: quando os dois

de pelo menos um dos eventos evento ocorrem simultaneamente
 
A  A 
B
Complemento de A (Ac) ou 𝐴̅: Diferença A-B: quando ocorre

ocorre quando não ocorre A A mas não ocorre B
 
A A A 
̅ ou Ac
𝑨
WatsApp +244 993405163
Diferença simétrica A  B: Eventos mutuamente exclusivos:
ocorre apenas um dos dois eventos quando a intersecção deles é o evento
impossível
 
A  A 
Evento seguro {Ω}: ocorre sempre

Evento impossível {𝜙}: nunca ocorre
EXERCÍCIOS
1- No lançamento de um dado temos S = {1,2,3,4,5,6}. Formule os eventos definidos pelas
sentenças:
A) Obter um número par na face superior do dado: A = {2,4,6} onde A C S.
B) Obter um número menor ou igual a 6 na face superior: B = {1,2,3,4,5,6}, onde B = S,

logo B é um evento certo de S.
C) Obter o número 4 na face superior: C = {4}, logo C é um evento elementar de S.
D) Obter um número maior que 6 na face superior: D = Ø, logo D é um evento impossível

de S.
2- No lançamento de duas moedas (uma de 10 centavos e outra de 5 centavos)
a) Qual é o espaço amostral?
b) Formule os eventos definidos pelas sentenças:
• Obter uma cara:
• Obter pelo menos uma cara:
• Obter apenas uma cara:
WatsApp +244 993405163
• Obter no máximo duas caras:
• Obter uma cara e uma coroa:
• Obter uma cara ou uma coroa:
Conceito de Probabilidade
Considere-se o seguinte caso prático:
"Concurso da Roda da Sorte"
O Asdrubal ganha um automóvel se "sair vermelho".
Qual é a probabilidade do Asdrubal ganhar o prémio?
A roda da sorte representada na figura está dividida em 8 sectores iguais com igual
possibilidade de saírem.
Há 8 sectores na roda e apenas 2 são vermelhos, ou seja, há 8 casos possíveis e 2

favoráveis.
Como há 2 "casos favoráveis" à saída do vermelho em "8 casos possíveis", diz-se que, a
probabilidade de "sair vermelho" é de 2 em 8, isto é, 2/8.
Escreve-se:
WatsApp +244 993405163
Logo, a probabilidade do Asdrubal ganhar o prémio é 1/4.
E qual será a probabilidade do Asdrubal perder?
Neste caso há 6 casos favoráveis à "saída do amarelo" (pois saindo o amarelo o Asdrubal
perde) em 8 casos possíveis, isto é, 6/8.
Escreve-se:
Este exemplo sugere a seguinte definição de probabilidade:
A probabilidade de realização de um acontecimento A é igual ao quociente entre o número

de casos favoráveis à sua realização e o número total de casos possíveis, desde que estes
sejam igualmente prováveis.
𝑛
𝑃(𝐴) =
𝑝
Esta fórmula é conhecida por Lei de Laplace.
A probabilidade pode ser resumida como o quociente do que se “quer” pelo que se “tem”.
Na qual primeiro determina-se o que é possível “ter” e depois retira o que se “quer do que
se tem”, não podendo “querer mais do que tem”, ou seja:
Existem duas restrições à aplicação da definição da probabilidade clássica: (1) todos os

eventos possíveis devem ter a mesma probabilidade de ocorrência, ou seja, os eventos
WatsApp +244 993405163
devem ser equiprováveis e (2) deve-se ter um número finito de eventos possíveis.
"Frequência Relativa e Probabilidade"
Recordar que: Frequência relativa de um acontecimento é o quociente entre a frequência

absoluta (número de vezes que esse acontecimento se verifica) e o número
total de observações.
Para um grande número de experiências a frequência relativa de um acontecimento é um

valor aproximado da sua probabilidade. Isto confirma a "Lei dos Grandes Números ou
Probabilidade Frequencista".
OBS: Quando todos os elementos do Espaço amostral têm a mesma chance de acontecer,
o espaço amostral é chamado de conjunto equiprovável; e pode-se determinar a
probabilidade de um acontecimento:
• Previamente (antes de realizar a experiência), aplicando-lhe a Lei de Laplace;
• Empiricamente (realizando a experiência), aplicando-lhe a Lei dos Grandes

Números ou Probabilidade Frequencista.
EXEMPLOS:
1- No lançamento de uma moeda qual a probabilidade de obter cara em um evento A?
S = {ca, co} = 2 A = {ca} = 1 P(A) = 1/2 = 0,5 = 50%
2- No lançamento de um dado qual a probabilidade de obter um número par em um

evento A?
S = {1,2,3,4,5,6} = 6 A = {2,4,6} = 3 P(A) = 3/6 = 0,5 = 50%
3- No lançamento de um dado qual a probabilidade de obter um número menor ou igual a

6 em um evento A?
S = {1,2,3,4,5,6} = 6 A = {1,2,3,4,5,6} = 6 P(A) = 6/6 = 1,0 = 100%
Obs.: a probabilidade de todo evento certo = 1 ou 100%.
WatsApp +244 993405163
4- No lançamento de um dado qual a probabilidade de obter um número maior que 6 em
um evento A?
S = {1,2,3,4,5,6} = 6 A={}=0 P(A) = 0/6 = 0 = 0%
Obs.: a probabilidade de todo evento impossível = 0 ou 0%
Eventos Complementares
Sabemos que um evento pode ocorrer ou não. Sendo p a probabilidade de que ele ocorra
(sucesso) e q a probabilidade de que ele não ocorra (insucesso), para um mesmo evento
existe sempre a relação:
𝒑+𝒒=𝟏
Obs.: Numa distribuição de probabilidades o somatório das probabilidades atribuídas a

cada evento elementar é igual a 1 onde 𝒑𝟏 + 𝒑𝟐 + 𝒑𝟑 + ⋯ + 𝒑𝒏 = 𝟏.
Exemplos:
1- Sabemos que a probabilidade de tirar o nº 4 no lançamento de um dado é p = 1/6. logo,

a probabilidade de não tirar o nº 4 no lançamento de um dado: q = 1 - p ou q = 1 - 1/6 =
5/6.
2- Calcular a probabilidade de um piloto de automóveis vencer uma dada corrida, onde as

suas "chances", segundo os entendidos, são de "3 para 2". Calcule também a
probabilidade de ele perder:
O termo "3 para 2" significa: De cada 5 corridas ele ganha 3 e perde 2. Então p = 3/5
(ganhar) e q = 2/5 (perder).
3- Um dado foi fabricado de tal forma que num lançamento a probabilidade de ocorrer
um número par é o dobro da probabilidade de ocorrer número ímpar na face superior,
sendo que os três números pares ocorrem com igual probabilidade, bem como os três
números ímpares. Determine a probabilidade de ocorrência de cada evento elementar:
4- Seja S = {a,b,c,d} . Consideremos a seguinte distribuição de probabilidades: P(a) = 1/8;

P(b) = 1/8; P(c) = 1/4 e P(d) = x . Calcule o valor de x:
WatsApp +244 993405163
5- As chances de um time de futebol T ganhar o campeonato que está disputando são de
"5 para 2". Determinar a probabilidade de T ganhar e a probabilidade de T perder:
6- Três cavalos C1, C2 e C3 disputam um páreo, onde só se premiará o vencedor. Um

conhecedor dos 3 cavalos afirma que as "chances" de C1 vencer são o dobro das de C2, e
que C2 tem o triplo das "chances" de C3. Calcule as probabilidades de cada cavalo vencer
o páreo:
Regra do Produto
Sejam A e B dois eventos quaisquer contidos em S, então:
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵) ∙ 𝑃(𝐴⁄𝐵 ) ou 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵⁄𝐴)
Exemplo:
Duas bolas são retiradas de uma urna que contém 2 bolas brancas, 3 pretas e 4 verdes.
Qual a probabilidade de que ambas:
a) Sejam verdes? b) Sejam brancas? c) Sejam da mesma cor?

4 3 1
a) 𝑃(𝑉 ∩ 𝑉) = 𝑃(𝑉) ∙ 𝑃(𝑉 ⁄𝑉 ) = 9 ∙ 8 = 6
b) - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
c) - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Eventos Independentes
Intuitivamente se A e B são independentes é porque:
P (A/B) = P (A) e P (B/A) = P (B)
Quando a realização ou não realização de um dos eventos não afeta a probabilidade da

realização do outro e vice-versa.
Exemplo: Quando lançamos dois dados, o resultado obtido em um deles independente do

resultado obtido no outro. Então qual seria a probabilidade de obtermos,
simultaneamente, o nº 4 no primeiro dado e o nº 3 no segundo dado?
WatsApp +244 993405163
Assim, sendo P1 a probabilidade de realização do primeiro evento e P2 a probabilidade de
realização do segundo evento, a probabilidade de que tais eventos se realizem
simultaneamente é dada pela fórmula:
𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨) ∙ 𝑷(𝑩)
P1 = P(4 dado1) = 1/6 P2 = P(3 dado2) = 1/6
P total = P (4 dado1) x P (3 dado2) = 1/6 x 1/6 = 1/36
Eventos Mutuamente Exclusivos

Dois ou mais eventos são mutuamente exclusivos quando a realização de um exclui a
realização do(s) outro(s). Assim, no lançamento de uma moeda, o evento "tirar cara" e o
evento "tirar coroa" são mutuamente exclusivos, já que, ao se realizar um deles, o outro
não se realiza.
Se dois eventos são mutuamente exclusivos, a probabilidade de que um ou outro se

realize é igual à soma das probabilidades de que cada um deles se realize:
𝑷(𝟏 ∪ 𝟐) = 𝑷(𝟏 𝒐𝒖 𝟐) = 𝑷(𝟏) + 𝑷(𝟐)
Exemplo: No lançamento de um dado qual a probabilidade de se tirar o nº 3 ou o nº 4?
Os dois eventos são mutuamente exclusivos então: P = 1/6 + 1/6 = 2/6 = 1/3
Obs.: Na probabilidade da união de dois eventos A e B, quando há elementos comuns,

devemos excluir as probabilidades dos elementos comuns a A e B (elementos de A n B)
para não serem computadas duas vezes. Assim 𝑷(𝑨 ∪ 𝑩) = 𝑷(𝑨) + 𝑷(𝑩) − 𝑷(𝑨 ∩ 𝑩)
Exemplo: Retirando-se uma carta de um baralho de 52 cartas, qual a probabilidade da

carta retirada ser ou um ÁS ou uma carta de COPAS?
P(ÁS ∪ Copas) = P(ÁS) + P(Copas) - P(ÁS ∩ Copas) = 4/52 + 13/52 - 1/52 = 16/52
Importante
1 – Três eventos A, B, e C serão independentes, se todas as 4 proposições abaixo forem

satisfeitas:
a) P (A B C) = P (A). P (B). P (C)
WatsApp +244 993405163
b) P (A  B) = P (A). P (B)
c) P (A  C) = P (A). P (C)
d) P (B  C) = P (B). P (C)
2 – Se A e B são mutuamente exclusivos, então A e B são dependentes, pois se A ocorre, B

não ocorre, isto é, a ocorrência de um evento condiciona a não-ocorrência do outro.
Probabilidade Condicional
Seja A e B são dois eventos, tais que A  S e B  S, a probabilidade de B ocorrer, depois de
A ter acontecido é definida por: P (B/A), ou seja, é chamada probabilidade condicional de
B. Neste caso os eventos são dependentes e definidos pela fórmula:
𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨 𝒆 𝑩) = 𝑷(𝑨) × 𝑷(𝑩⁄𝑨)
Exemplo: Duas cartas são retiradas de um baralho sem haver reposição. Qual a
probabilidade de ambas serem COPAS?
P (Copas1 e Copas2) = P(Copas1) x P(Copas2/Copas1) = 13/52 x 12/51 = 0,0588 = 5,88 %
P(Copas1) = 13/52
P(Copas2/Copas1) = 12/51
Obs.: No exemplo anterior se a 1ª carta retirada voltasse ao baralho o experimento seria

do tipo com reposição e seria um evento independente. O resultado seria:
P(Copas1) x P(Copas2) = 13/52 x 13/52 = 0,625 = 6,25 %
Espaço amostral do baralho de 52 cartas:
Carta pretas = 26
Paus = 13 (ás, 2, 3, 4, 5, 6, 7, 8, 9, 10, valete, dama, rei)
Espadas = 13 (ás, 2, 3, 4, 5, 6, 7, 8, 9, 10, valete, dama, rei)
Cartas vermelhas = 26
Ouros = 13 (ás, 2, 3, 4, 5, 6, 7, 8, 9, 10, valete, dama, rei)
Copas = 13 (ás, 2, 3, 4, 5, 6, 7, 8, 9, 10, valete, dama, rei)
WatsApp +244 993405163
Generalizando, podemos usar as seguintes fórmulas:
P( A  B) P( B  A)
P( A / B) = , P (B)  0 e P( B / A) = , P (A)  0
P( B) P( A)
Exemplo 1:
Sendo P (A) = 1/3 P (B) =3/4 e P (A  B) = 11/12, calcular P (A/B).
P( A  B)
Como P( A / B) = , devemos calcular P (AB) = P (A) + P (B) − P (A  B) →
P( B)
Daí, P (A  B) = 1/6. Logo P (A/B) =2/9
Exemplo 2:
O quadro abaixo se refere à distribuição de alunos presentes numa reunião, classificados

por sexo e por curso:
Curso RH EI Total
Sexo
H 40 60 100
M 70 80 150
Total 110 140 250
Sorteia-se ao acaso um estudante da população de 250 alunos.
a) Qual é a probabilidade de ser mulher?
Como o espaço amostral é composto de 250 alunos, dos quais apenas 150 satisfazem
ao evento, então: P (M) = 150/250
b) Qual a probabilidade de o aluno sorteado ser mulher, sabendo que ela estuda
Engenharia Informática (EI)?
Nesse caso o espaço amostral ficou reduzido a 140 estudantes que estudam
economia, dos quais apenas 80 são mulheres, então:
WatsApp +244 993405163
𝑃(𝑀 ∩ 𝐸𝐼) 80⁄250 40

𝑃(𝑀⁄𝐸𝐼 ) = = =
𝑃(𝐸𝐼) 150⁄250 75
c) Qual a probabilidade de o aluno sorteado ser homem, sabendo que ele estuda Recursos
Humanos (RH)?
EXERCÍCIOS
1- Qual a probabilidade de sair o ÁS de ouros quando retiramos 1 carta de um baralho de

52 cartas?
2- Qual a probabilidade de sair o um REI quando retiramos 1 carta de um baralho de 52

cartas?
3- Em um lote de 12 peças, 4 sã defeituosas. Sendo retirada uma peça, calcule: a) a

probabilidade de essa peça ser defeituosa. b) a probabilidade de essa peça não ser
defeituosa.
4- De dois baralhos de 52 cartas retiram-se, simultaneamente, uma carta do primeiro

baralho e uma carta do segundo. Qual a probabilidade de a carta do primeiro baralho ser
um REI e a do segundo ser o 5 de paus?
5- Uma urna A contém: 3 bolas brancas, 4 pretas, 2 verdes; uma urna B contém: 5 bolas
brancas, 2 pretas, 1 verde; uma urna C contém: 2 bolas brancas, 3 pretas, 4 verdes. Uma
bola é retirada de cada urna. Qual é a probabilidade de as três bolas retiradas da 1ª, 2ª e
3ª urnas serem, respetivamente, branca, preta e verde?
6- De um baralho de 52 cartas retiram-se, ao acaso, duas cartas sem reposição. Qual é a

probabilidade de a primeira carta ser o ÁS de paus e a segunda ser o REI de paus?
7- Qual a probabilidade de sair uma figura (rei ou dama ou valete) quando retiramos uma
carta de um baralho de 52 carta?
8- São dados dois baralhos de 52 cartas. Tiramos, ao mesmo tempo, uma carta do
primeiro baralho e uma carta do segundo. Qual a probabilidade de tirarmos uma DAMA e
um REI, não necessariamente nessa ordem?
WatsApp +244 993405163
9- Duas cartas são retiradas de um baralho sem haver reposição. Qual a probabilidade de
ambas serem COPAS ou ESPADAS?
10- Duas bolas são retiradas (sem reposição) de uma urna que contém 2 bolas brancas e 3
bolas pretas. Qual a probabilidade de que a 1ª seja branca e a 2ª seja preta?
11- Duas bolas são retiradas (com reposição) de uma urna que contém 2 bolas brancas e
3 bolas pretas. Qual a probabilidade de que a 1ª seja branca e a 2ª seja preta?
12- Duas bolas são retiradas (sem reposição) de uma urna que contém 2 bolas brancas e 3
bolas pretas e 5 bolas verdes. a) Qual a probabilidade de que ambas sejam verdes? b)
Qual a probabilidade de que ambas sejam da mesma cor?
DISTRIBUIÇÃO DE PROBABILIDADES
Variáveis aleatórias
Ao descrever um espaço amostral (S) associado a um experimento () não se especifica
que um resultado individual necessariamente, seja um número. Contudo, em muitas
situações experimentais, estaremos interessados na mensuração de alguma coisa e no seu
registo como um número.
Definição: Seja () um experimento aleatório e seja (S) um espaço amostral associado ao
experimento. Uma função de X, que associe a cada elemento s  S um número real x(s), é
denominada variável aleatória.
FIGURA 1 - Representação de uma variável aleatória
WatsApp +244 993405163
Uma variável X será discreta (V.A.D.) se o número de valores de x(s) for finito ou infinito
numerável. Caso encontrarmos x(s) em forma de intervalo ou um conjunto de intervalos,
teremos uma variável aleatória contínua (V.A.C.).
Função de Probabilidade
A probabilidade de que uma variável aleatória "X" assuma o valor "x" é uma função de
probabilidade, representada por P(X = x) ou P(x).
Função de Probabilidade de uma V.A.D.
A função de probabilidade para uma variável aleatória discreta é chamada de função de

probabilidade no ponto, ou seja, é o conjunto de pares (xi; P(xi)), i = 1, 2, ..., n, ...,
conforme mostra a FIGURA 2.
FIGURA 2 - Distribuição de probabilidade de uma V.A.D.
Para cada possível resultado de x teremos:

0  P(X)  1;

 P(X ) = 1
i =1
i
Função de Distribuição Acumulada para V.A.D.
Seja X uma variável aleatória discreta.
WatsApp +244 993405163
Define-se Função de Repartição da Variável aleatória X, no ponto xi, como sendo a
probabilidade de que X assuma um valor menor ou igual a xi, isto é:
F(X) = P( X  xi )
Propriedades:
㈠ F(X) =  P( x )
xi  x
i
㈡ F(−) = 0
㈢ F(+) = 1
㈣ P(a  x  b) = F(b) − F(a )
㈤ P(a  x  b) = F(b) − F(a) + P( X = a)
㈥ P(a  x  b) = F(b) − F(a) − P( X = b)
lim F(X) = F( Xo )
㈦ F(X) é contínua à direita  x→ x 0
㈧ F(X) é descontínua à esquerda, nos pontos em que a probabilidade é diferente

de zero.
lim F(X)  F( Xo ), para P(X = xo )  0
x→ x 0
㈨ A função é não decrescente, isto é, F(b)  F(a) para b > a, pois:

P(a < X ≤ b) = F(b) – F(a) ≥0
Esperança Matemática de V.A.D.
Definição: Seja X uma V.A.D., com valores possíveis x1, x2, ..., xn,... ; Seja P(xi) = P(X = xi), i
= 1, 2, ..., n, ... . Então, o valor esperado de X (ou Esperança Matemática de X), denotado
por E(X) é definido como
WatsApp +244 993405163

E(X) =  x i P(x i )
i =1
 
se a série E(X) =  x i P(x i ) convergir absolutamente, isto é, se  |x | P(x )   , este
i i
i =1 i =1
número é também denominado o valor médio de X, ou expectância de X.
Variância de uma V.A.D.
Definição: Seja X uma V.A.D.. Define-se a variância de X, denotada por V(X) ou 2x, da
seguinte maneira:

V(X) =  ( x i − E(X)) .P(x i ) ou V(X) = E(X2 ) − E(X)
2 2
i =1

onde E(X 2 ) =  x 2i P(x i ) e a raiz quadrada positiva de V(X) é denominada o desvio-
i =1
padrão de X, e denotado por x.
Função de Probabilidade de uma V.A.C.
No instante em que X é definida sobre um espaço amostral contínuo, a função de

probabilidade será contínua, onde a curva limitada pela área em relação aos valores de x
será igual a 1.
FIGURA 3 - Distribuição de probabilidade de uma V.A.C.
Se quisermos calcular a probabilidade de X assumir um valor x entre "a" e "b" devemos

calcular:
WatsApp +244 993405163
b
P(a  x  b) =  f(x) dx
a
Pelo fato de que a área representa probabilidade, e a mesma tem valores numéricos
positivos, logo a função precisa estar inteiramente acima do eixo das abscissas (x).
Definição: A função f(x) é uma Função Densidade de Probabilidade (f.d.p.) para uma V.A.C.
X, definida nos reais quando
f (x)  0 para todo x  Rx;
+
−
f(x) dx = 1 ;
b
Para quaisquer a, b, com -∞ < a < b < +∞, teremos P(a  x  b) =  f(x) dx .
a
b
Além disso, para a < b em Rx  P(a < x < b) =  a
f ( x)dx
Função de Distribuição Acumulada para V.A.C.
Seja X uma variável aleatória contínua.
Define-se Função de Repartição da Variável aleatória X, no ponto xi, como sendo:

x
F(X) =
 f (x) dx
−
 P(a  x  b) = P(a  x  b) = P(a  x  b) = P(a  x  b)
Esperança Matemática de uma V.A.C.
Definição: Seja X uma V.A.C. com f.d.p. f(x). O valor esperado de X é definido como:
+
E(X) =  x.f(x) dx
-
pode acontecer que esta integral imprópria não convirja.

+
Consequentemente, diremos que E(X) existirá se, e somente se, −
| x | f(x) for finita.
WatsApp +244 993405163
Variância de uma V.A.C.
Definição: Seja X uma V.A.C. de uma função distribuição de probabilidade (f.d.p.). A

variância de X é:
+
V(X) = 
−
( x − E(X)) f(x) dx ou V(X) = E(X2 ) −
2
E(X)
2
onde
+
E(X 2 ) =  x 2 f(x) dx
−
Exemplos:
✓ Variável Aleatória Discreta
Seja X o lançamento de duas moedas e descrever o experimento em função da obtenção

do número de caras:
i) determinar a função de probabilidade e represente graficamente;
ii) construir a função de repartição e represente graficamente;
iii) Use as propriedades para determinar:
a) P(0 < x < 2); b) P(0  x  1); c) P(0 < x  2); d) F(1); e) F(2)
iv) E(X) e V(X)
i) Representação gráfica
0,6
0,5
0,4
0,3
0,2
0,1
0
0 1 2
ii) Representação gráfica
WatsApp +244 993405163
F(x) = 0 se x<0
F(X) = 1/4 se 0  x < 1
F(X) = 3/4 se 1  x < 2
F(X) = 1 se x  2
iii)
a) P(0  x  2) = F (2) − F (0) − P( X = 2) = 1 −

1 1 2 1
− = =
4 4 4 2
b) P(0  x  1) = F(1) − F(0) + P( X = 0) = 4 − 4 + 4 = 4
3 1 1 3
c) P(0  x  2) = F(2) − F(0) = 1 − 4 = 4

1 3
d) F(1) = 3/4 e) F(2) = 1
iv) Esperança Matemática


1 2 1
E(X) =  x i P(x i ) = 0 . 4 + 1 . 4 + 2 . 4 = 1
i =1
Variância

1 2 2 1 6 3
E(X 2 ) =  x 2i P(x i ) = 0 . 4 + 1 . 4 + 2 . 4 = 4 =
2 2
i =1 2
6 4 2
V(X) = E(X2 ) − E(X) = 4 − 4 = 4 = 0.5
2
✓ Variável Aleatória Contínua
Seja X uma variável aleatória contínua:

2x, para 0  x  1
f (x) = 
 0, para qualquer outro valor
i) Represente graficamente função densidade de probabilidade;
ii) Determinar a função de repartição e represente graficamente;
WatsApp +244 993405163
1 3 1 
P   x   P   x  1
iii) Determine  4 4 e 4 
iv) E(X) e V(X)
Resolução;
i)
ii)
x
para x<0  F(X) =  0 dx = 0
−
x
− 0
x
para 0  x < 1  F(X) =  0 dx +  2x dx = 0 + x 2  
x
0 = x2
para x  1
x
−
1
0 1
+
 F(X) =  0 dx +  2x dx +  0 dx = 0 + x 2   1
0 + 0 =1
Representação gráfica
3 3
 
2 2

1 3  3  1 8
iii) P  x   = 14 2 x dx = x2 41 =   −   = = 0,5
4 4  4  4 16
4 4
WatsApp +244 993405163
 
1 1 1
  
2 31 2
iv) E(X) = x f(x) dx = x 2x dx = 2 x 2 f(x) dx = x =
0 0 0 3 0 3
 
1 1 1
  
2 41 1
E(X 2 ) = x 2 f(x) dx = x 2 2x dx = 2 x 3 f(x) dx = x =
0 0 0 4 0 2
logo,
2
1  2 9−8 1
V(X) = E(X2 ) −  E(X) =
2
−  = =
2  3  18 18
Exercícios
1) Admita que a variável X tome valore 1, 2 e 3 com probabilidades 1/3, 1/6 e 1/2
respectivamente.
a) Determine sua função de repartição e represente graficamente.
b) Calcule usando as propriedades:
b.1) a) P(1 < x < 3); b) P(1  x  2); c) P(1 < x  3); d) F(1); e) F(2)
c) E(X) e V(X)
2) No lançamento simultâneo de dois dados, considere as seguintes variáveis
aleatórias:
X = número de pontos obtidos no 1o dado.
Y = número de pontos obtidos no 2o dado.
a) Construir a distribuição de probabilidade através de uma tabela e gráfico das
seguinte variáveis:
i) W = X - Y
ii) A = 2 Y
iii) Z = X . Y
b) Construir a função de repartição das Variáveis W, A e Z
c) Aplicar as propriedades e determinar:
i) P (-3 < W  3) v) P (Z = 3)
ii) P (0  W  4) vi) P (A  11)

WatsApp +244 993405163
iii) P (A > 6) vii) P (20  Z  35)
iv) P (Z  5.5) viii) P 3,5 < Z < 34)

d) Determine E(W), E(A), E(Z), V(W), V(A) e V(Z)
3) Uma variável aleatória discreta tem a distribuição de probabilidade dada por:
P( X) =
K
x para x = 1, 3, 5 e 7
a) calcule o valor de k b) Calcular P(X=5)

c) E(X) d) V(X)
4) Seja Z a variável aleatória correspondente ao número de pontos de uma peça de
dominó.
a) Construir a tabela e traçar o gráfico P(Z).
b) Determinar F(Z) e traçar o gráfico.
c) Calcular P(2 Z < 6).

d) Calcular F(8).
e) E(Z) e V(Z).
5) Seja f ( x ) =  2 (1 − x ), 0  x  1 ,
3 2
 0, caso contrário
i) Ache a função de repartição e esboce o gráfico.

ii) Determine E(X) e V(X).
 1
6) Seja f ( x ) =  2 x, 0  x  2 ,
0, caso contrário
i) Ache a função de repartição e esboce o gráfico.

ii) P(1< x < 1,5).
iii) E(X) e V(X).
7) Uma variável aleatória X tem a seguinte f.d.p.:
WatsApp +244 993405163
x<0 f(x) = 0
0x<2 f(x) = k
2x<4 f(x) = k(x - 1)
x4 f(x) = 0
a) Represente graficamente f(x).
b) Determine k.
c) Determine F(X) e faça o gráfico
d) E(X) e V(X)
6x (1 − x ), 0  x  1
8) A função de probabilidade de uma V.A.C. X é f ( x ) = 
 0, caso contrário
a) Determine F(X) e represente graficamente.
 1
b) Calcule P x  2 
c) E(X) e V(X)
9) Uma variável aleatória X tem a seguinte f.d.p.:
f(x) = 0 x<0
f(x) = Ax 0  x < 500
f(x) = A(100 - x) 500  x < 1000
f(x) = 0 x  1000
a) Determine o valor de A.
b) P (250  x  750).
10) Dada a função de repartição:
F(X) = 0 para x < -1
x +1
F(X) = 2
para -1  x < 1
F(X) = 1 para x  1
 1 1
a) Calcule: P − 2  x  2  , b) P(X = 0)
WatsApp +244 993405163
Após termos visto as definições de V.A.D. e V.A.C., citaremos as principais distribuições de
probabilidade relacionadas a estas variáveis.
Distribuições Discretas de Probabilidade
Distribuição Binomial
O termo "Binomial" é utilizado quando uma variável aleatória esta agrupada em duas
classes ou categorias. As categorias devem ser mutuamente excludentes, de modo a
deixar bem claro a qual categoria pertence determinada observação; e as classes devem
ser coletivamente exaustivas, de forma que nenhum outro resultado fora delas é possível.
Sejam, "p" probabilidades de sucesso e “q” probabilidades de falha, ou seja p + q = 1.
A probabilidade de x sucessos em n tentativas é dado por px e de (n - x) falhas em (n - x)

tentativas é dado por qn-x, onde o número de vezes em que pode ocorrer x sucessos e (n-
x) falhas é dado por:
n n!
C n, x =   =
 x  x! (n − x)!
logo, a probabilidade de ocorrer x sucessos com n tentativas será
n
P(X = x) =  p x q n − x
x
Propriedades necessárias para haver uma utilização da Distribuição Binomial:
㈠ Número de tentativas fixas;
㈡ Cada tentativa deve resultar numa falha ou sucesso;
㈢ As probabilidades de sucesso devem ser iguais para todas as tentativas;
㈣ Todas as tentativas devem ser independentes.
Esperança Matemática de Distribuição Binomial

E(X) = n . p
Variância de uma Distribuição Binomial
WatsApp +244 993405163
V(X) = n. p.q
Distribuição de Poisson
Quando numa distribuição binomial o tamanho "n" das observações for muito grande e a
probabilidade "p" de sucesso for muito pequena, a probabilidade x de ocorrência de um
determinado número de observações segue uma Distribuição de Poisson.
A aplicação da distribuição segue algumas restrições:
✓ Somente a chance afeta o aparecimento do evento, contando-se apenas com a sua

ocorrência, ou seja, a probabilidade de sucesso "p".
✓ Uma vez não conhecido o número total de eventos, a distribuição não pode ser
aplicada.
Esperança Matemática da Distribuição de Poisson
E(x) = 
Variância da Distribuição de Poisson
V(X) = 
Exercícios
1) Admitindo-se o nascimento de meninos e meninas sejam iguais, calcular a

probabilidade de um casal com 6 filhos ter:
a) 4 filhos e 2 filhas b) 3 filhos e 3 filhas
2) Em 320 famílias com 4 crianças cada uma, quantas se esperaria que tivessem:
a) nenhuma menina; b) 3 meninos c) 4 meninos
3) Um time X tem 2/3 de probabilidade de vitória sempre que joga. Se X jogar 5
partidas, calcule a probabilidade de:
a) X vencer exatamente 3 partidas;
b) X vencer ao menos uma partida;
c) X vencer mais da metade das partidas;
d) X perder todas as partidas;
WatsApp +244 993405163
4) A probabilidade de um atirador acertar um alvo é 1/3. Se ele atirar 6 vezes, qual a
probabilidade de:
a) acertar exatamente 2 tiros; b) não acertar nenhum tiro.
5) Num teste de certo/errado, com 100 perguntas, qual a probabilidade de um aluno,
respondendo as questões ao acaso, acertar 70% das perguntas?
6) Se 5% das lâmpadas de certa marca são defeituosas, achar a probabilidade de que,
numa amostra de 100 lâmpadas, escolhidas ao acaso, tenhamos:
a) nenhuma defeituosa (use binomial e poisson)
b) 3 defeituosas;
c) mais do que uma boa;
7) Uma fábrica de pneus verificou que ao testar seus pneus nas pistas, havia em média
um estouro de pneu a cada 5.000 km.
a) qual a probabilidade que num teste de 3.000 km haja no máximo um pneu
estourado?
b) Qual a probabilidade de um carro andar 8.000 km sem estourar nenhum pneu?
8) Certo posto de bombeiros recebe em média 3 chamadas por dia. Calcular a
probabilidade de:
a) receber 4 chamadas num dia;
b) receber 3 ou mais chamadas num dia;
c) 22 chamadas numa semana.
9) A média de chamadas telefônicas em uma hora é 3. Qual a probabilidade:
a) receber exatamente 3 chamadas numa hora;
b) receber 4 ou mais chamadas em 90 minutos;
c) 75 chamas num dia;
10) Na pintura de paredes aparecem defeitos em média na proporção de 1 defeito por
metro quadrado. Qual a probabilidade de aparecerem 3 defeitos numa parede 2 x 2
m?
WatsApp +244 993405163
11) Suponha que haja em média 2 suicídios por ano numa população de 50.000 hab.
Em uma cidade de 100.000 habitantes, encontre a probabilidade de que um dado
ano tenha havido: a) nenhum suicídio; b) 1 suicídio; c) 2 ou mais suicídios.
12) Suponha 400 erros de impressão distribuídos aleatoriamente em um livro de 500
páginas. Encontre a probabilidade de que uma dada página contenha:
a) nenhum erro;
b) 100 erros em 200 páginas.
Distribuições Contínuas de Probabilidade
Distribuição Uniforme ou Retangular
É uma distribuição de probabilidade usada para variáveis aleatórias contínuas, definida num
intervalo a, b , e sua função densidade de probabilidade é dada por:
 1
 se a  x  b
f(x) =  b − a .
 0 se x < a ou x > b
FIGURA 4 - Representação de uma Distribuição Uniforme
Esperança Matemática da Distribuição Uniforme
(b + a)
E(X) =
2
Variância da Distribuição Uniforme
WatsApp +244 993405163
(b − a) 2
V(X) =
12
Distribuição Normal ou Gaussiana
É um modelo de distribuição contínua de probabilidade, usado tanto para variáveis

aleatórias discretas como contínuas.
Uma variável aleatória X, que tome todos os valores reais - < x < + tem distribuição
normal quando sua função densidade de probabilidade (f.d.p.) for da forma:
2
1  x − 
1 −  
2  
f(x) = e ,−  x < +
2 
Os parâmetros  e  seguem as seguintes condições:
− <  < +  e  > 0 .
Propriedades da Distribuição Normal
a) O aspecto gráfico da função f(x) tem:
✓ Semelhança de um sino, unimodal e simétrico em relação a média .

✓ A especificação da média  e do desvio padrão  é completamente
evidenciado.
✓ A área total da curva equivale a 100%.
✓ A área total da curva equivale a 100%.
FIGURA 5 - Distribuição Normal em função da  e 
Esperança Matemática da Distribuição Normal
WatsApp +244 993405163
E(X) = 
Variância da Distribuição Normal
V(X) = ²
Distribuição Normal Padronizada
Tem como objetivo solucionar a complexidade da f(x) através da mudança de variável. f(z).
FIGURA 6 - Complemento da Distribuição Normal Padronizada
x−
Fazendo z = e z ~ N(0,1) temos que

z2
1 −
2
f(z) = e ,
2
com E(z) = 0 e VAR(z) = 1. onde:
z = número de desvios padrões a contar da média
x = valor arbitrário
 = média da distribuição normal
 = desvio padrão da distribuição normal
Estas probabilidades estão tabeladas e este caso particular é chamado de Forma Padrão
da Distribuição Normal.
Distribuição “t” de Student
WatsApp +244 993405163
Trata-se de um modelo de distribuição contínua que se assemelha à distribuição normal
padrão, N ~ (0,1). Ë utilizada para inferências estatísticas, particularmente, quando se tem
amostras com tamanhos inferiores a 30 elementos.
A distribuição t também possui parâmetros denominado "grau de liberdade - ". A média

da distribuição é zero e sua variância é dada por:
  ( )
VAR t  =  2 t  =

−2
, para  > 2.
A distribuição t é simétrica em relação a sua média.
Exercícios
1) As alturas dos alunos de uma determinada escola são normalmente distribuídas

com média 1,60 m e desvio padrão 0,30 m. Encontre a probabilidade de um aluno
escolhido ao acaso medir:
a) entre 1,50 e 1,80 m b) mais que 1,75 m
c) menos que 1,48 m d) entre 1,54 e 1,58 m
e) menos que 1,70 m f) exatamente 1,83 m
2) A duração de certo componente eletrônico tem média 850 dias e desvio padrão 45
dias. Qual a probabilidade do componente durar:
a) entre 700 e 1000 dias b) menos que 750 dias c) mais que 850 dias
d) Qual deve ser o número de dias necessários para que tenhamos de repor 5% dos
componentes. (R = 776 dias)
3) Um produto pesa, em média, 10 g, com desvio padrão de 2 g. É embalado em

caixas com 50 unidades. Sabe-se que as caixas vazias pesam 500 g, com desvio-
padrão de 25 g. Admitindo-se uma distribuição normal dos pesos e independência
entre as variáveis dos pesos do produto e da caixa, calcule a probabilidade de uma
caixa cheia pesar mais de 1050 g.
(R = 0.04093)
WatsApp +244 993405163
4) Em uma distribuição normal 28% dos elementos são superiores a 34 e 12%
inferiores a 19. Encontrar a média e a variância da distribuição. (R =
X = 29. 03, S2 = 73. 44 )
5) Suponha que a duração de vida de dois equipamentos E1 e E2 tenham

respectivamente distribuições N(45 ; 9) e N(40 ; 36). Se o equipamento tiver que
ser usado por período de 45 horas, qual deles deve ser preferido? (R = E1)
6) A precipitação pluviométrica média em certa cidade, no mês de dezembro, é de 8,9

cm. Admitindo a distribuição normal com desvio padrão de 2,5 cm, determinar a
probabilidade de que, no mês de dezembro próximo, a precipitação seja (a)
inferior a 1,6 cm, (b) superior a 5 cm mas não superior a 7,5 cm, (c) superior a 12
cm.
7) Em uma grande empresa, o departamento de manutenção tem instruções para

substituir as lâmpadas antes que se queimem (não esperar que queimem para então
substituí-las). Os registros indicam que a duração das lâmpadas tem distribuição
N(900 ; 75) (horas). Quando devem ser substituídas as lâmpadas de modo que no
máximo 10% delas queimem antes de serem trocadas? (R = 889 horas)
8) Os registros indicam que o tempo médio para se fazer um teste é

aproximadamente N(80 ; 20) (min.). Determinar:
a) a percentagem de candidatos que levam menos de 60 min ?
b) se o tempo concedido é de 1h, que percentagem não conseguirá terminar o teste ?
9) A profundidade dos poços artesianos em um determinado local é uma variável

aleatória N(20 ; 3) (metros). Se X é a profundidade de determinado poço,
determinar (a) P(X < 15), (b) P(18 < X < 23), (c) P (X > 25).
10) Certa máquina de empacotar determinado produto oferece variações de peso com
desvio padrão de 20 g. Em quanto deve ser regulado o peso médio do pacote para
que apenas 10% tenham menos que 400 g? Calcule a probabilidade de um pacote
sair com mais de 450 g. [R = a)  = 425.6 b) 0.11123 )]
WatsApp +244 993405163
ESTIMAÇÃO E TESTES DE HIPÓTESES
É um processo de indução, na qual usamos dados extraídos de uma amostra para produzir
inferência sobre a população. Esta inferência só será válida se a amostra for significativa.
Tipos de Estimações de Parâmetros

i) Estimação Pontual
ii) Estimação Intervalar
Estimação Pontual
É usada quando a partir da amostra procura-se obter um único valor de certo parâmetro
populacional, ou seja, obter estimativas a partir dos valores amostrais.
a) Estatísticas
Seja (X1, X2, ..., Xn) uma amostra aleatória e (x1 ,x2, ..., xn) os valores tomados pela
amostra; então y = H(x1 ,x2, ..., xn) é uma estatística.
Principais estatísticas:
✓ Média Amostral
✓ Proporção Amostral
✓ Variância Amostral
Estimação Intervalar
Uma outra maneira de se calcular uma estimativa de um parâmetro desconhecido, é
construir um intervalo de confiança para esse parâmetro com uma probabilidade de 1− 
(nível de confiança) de que o intervalo contenha o verdadeiro parâmetro. Dessa maneira
 será o nível de significância, isto é, o erro que se estará cometendo ao afirmar que o
parâmetro está entre o limite inferior e o superior calculado.
Intervalo de confiança para a média () com a variância (  ) conhecida ou

2
desconhecida
WatsApp +244 993405163
e (n > 30 → Z)
(
Seja X ~ N , 2 )
Como já vimos anteriormente, x (média amostral) tem distribuição normal de média  e

desvio padrão ,ou seja:
n
 2 
X ~ N ; 
 n
X−
Portanto, z = tem distribuição N (0,1)
 n
Então,
( )
P − z 2  z  + z 2 = 1 − 
 x− 
P − z  2   + z 2  = 1 − 
  n 
   
P − z  2 − X    + z 2 − X = 1 − 
 n n 
   
P X − z  2    X + z 2  = 1 −  (Pop. Infinita)
 n n
Para caso de populações finitas usa-se a seguinte fórmula:
WatsApp +244 993405163
  N −n  N −n 
P X − z 2    X + z 2  = 1 −  (Pop. Finita)
 n N −1 n N − 1 
Obs.: Os níveis de confiança mais usados são:

1 −  = 90%  z  2 =  1, 64
1 −  = 95%  z  2 =  1, 96 1 −  = 85%  z 2 =  1,44
1 −  = 99%  z  2 =  2,58
Ex.: Seja X a duração da vida de uma peça de equipamento tal que  = 5 horas. Admita
que 100 peças foram ensaiadas fornecendo uma duração de vida média de 500 horas e
que se deseja obter um intervalo de 95% para a verdadeira média populacional. R = P
(499,02 ó  ó 500,98) = 95%.
Obs.: Podemos dizer que 95% das vezes, o intervalo acima contém a verdadeira
média populacional. Isto não é o mesmo que afirmar que 95% é a probabilidade do
parâmetro  cair dentro do intervalo, o que constituirá um erro, pois  é um
parâmetro (número) e ele está ou não no intervalo.
Intervalo de confiança para a média () com a variância (  ) conhecida ou

2
desconhecida
e ( n  30)
Neste caso precisa-se calcular a estimativa S (desvio padrão amostral) a partir dos dados,
lembrando que:
n
 (x − x)
2
i
S2 = i =1
onde n -1 = graus de liberdade
n −1
 2 
X ~ N ; 
 n
WatsApp +244 993405163
−
X−
Portanto, z = tem distribuição N (0,1)
/ n
Vamos considerar a variável aleatória:
−
X − X−  z N (0,1)
t= = . = =
S n / n S S S
 
Esta distribuição é conhecida como distribuição "t" de Student, no caso com ( = n -
1) graus de liberdade
O gráfico da função densidade da variável "t" é simétrico e tem a forma da normal, porém

menos "achatada" sua média vale 0 e a variância em que  é o grau de liberdade (
−2
  2)
X−
t  , 2 =
S n
Então,
( )
P − t  , 2  t  + t  , 2 = 1 − 
 s s 
P X − t  ,  2    X + t ,  2  = 1 −  (Pop. Infinita)
 n n
WatsApp +244 993405163
𝑆 𝑁−𝑛 𝑆 𝑁−𝑛
𝑃 (𝑋̄ − 𝑡𝜙,𝛼/2 √ ≤ 𝜇 ≤ 𝑋̄ + 𝑡𝜙,𝛼/2 √ ) = 1 − 𝛼 (Pop. Finita)
√𝑛 𝑁−1 √𝑛 𝑁−1
Ex.: A seguinte amostra: 9, 8, 12, 7, 9, 6, 11, 6, 10, 9 foi extraída de uma população
aproximadamente normal. Construir um intervalo de confiança para com um nível de
95%.
n n
x  (x − x)
2
i i
X= i =1
= 8,7 S2 = i =1
4 S2
n n −1
 = 10 -1 = 9  = 5%
t  , 2 = t 9 ,2.5% = 2,262
R = P(7,27    10,13) = 95%
Obs. Quando n30 e  for desconhecido poderemos usar S como uma boa estimativa de .
Esta estimação será melhor quanto maior for o tamanho da amostra.
Intervalo de Confiança para Proporções
Sendo p o estimador de , onde p segue uma distribuição normal, logo:
 p . q 
p ~ N  p ;  (pop. infinita)
 n 
 p . q  N - n  
p ~ N p ;   (pop. finita)
 n  N -1  
 p̂.q̂
p −   p̂ =
logo Z = onde  n
 p  p̂ = =
X característica
 n número de elementos da amostra
P(ˆp − Z  2  ˆp    ˆp + Z  2  ˆp ) = 1 −  (Pop. Infinita)
WatsApp +244 993405163
 N−n N−n
P p − Z 2  p    p + Z 2  p  = 1 −  (Pop. Finita)
 N −1 N −1 
Ex.: Uma centena de componentes eletrônicos foram ensaiados e 93 deles funcionaram

mais que 500 horas. Determine um intervalo de confiânça de 95% para a verdadeira
proporção populacional sabendo que os mesmos foram retirados de uma população de
1000 componentes.
Intervalo de Confiança para Variância
Como o estimador de  é S pode-se considerar que

2 2 ( n − 1)S2 tem distribuição Qui -
2
quadrado, ou seja:
S2
X 2n−1 ~ Z ,
2
logo o intervalo será:
2inf = 2  2sup = 2

1− ;  ;
2 2
Assim temos:
 ( n − 1)S2 ( n − 1)S2 
P 2
 
2
 = 1− 
 X sup X 2inf 
WatsApp +244 993405163
Ex.: A seguinte amostra: 9, 8, 12, 7, 9, 6, 11, 6, 10, 9 foi extraída de uma população
aproximadamente normal. Construir um intervalo de confiança para 2 com um nível de
95%.
Intervalo de Confiança para a diferença Entre duas Médias:
Usualmente comparamos as médias de duas populações formando sua diferença:
1 −  2
Uma estimativa pontual desta diferença correspondente:
X1 − X 2
a) Variâncias Conhecidas
𝜇1 − 𝜇2 = (𝑋̄1 − 𝑋̄2 ) ± 𝑍𝛼⁄2 . (Erro Padrão)
Erro Padrão?
VAR (X1 − X 2 ) = (+ 1) VAR X1 + (− 1) VAR X 2

2 2
12  22
= +
n1 n 2
12  22
logo o erro padrão = +
n1 n 2
 12  22 12  22 
P ( X1 − X2 ) − Z 2 +  (1 −  2 )  ( X1 − X2 ) + Z 2 +  = 1− 
 n1 n 2 n1 n 2 
Obs.: se 1 e  2 são conhecidas e tem um valor em comum, logo:
1 1
Erro Padrão:  +
n1 n 2
Ex.: Seja duas classes muito grande com desvios padrões 1 = 1, 21 e  2 = 2,13. Extraída
uma amostra de 25 alunos da classe 1 obteve-se uma nota média de 7,8, e da classe 2 foi
extraída uma amostra de 20 alunos obteve-se uma nota média de 6,0. Construir um
WatsApp +244 993405163
intervalo de 95% de confiança para a verdadeira diferença das médias populacionais. R =
(LI=0,753; LS=2,847)
b) Variâncias Desconhecidas
Em geral conhecemos duas variâncias populacionais ( 12 e  22 ). Se as mesmas são

desconhecidas o melhor que podemos fazer é estimá-las por meio de variâncias amostrais
S12 e S22 .
Como as amostras serão pequenas, introduziremos uma fonte de erro compensada pela
distribuição "t":
 S2 S2 S2 S2 
P ( X1 − X2 ) − t  2 1 + 2  1 −  2  ( X1 − X2 ) + t  2 1 + 2  onde  = n1 + n 2 − 2
 n1 n 2 n1 n 2 
Obs.: Se as variâncias populacionais são desconhecidas mas as estimativas são iguais,

poderemos usar para o Erro Padrão o seguinte critério:
1 1
Erro Padrão: SC + onde Sc é o desvio padrão conjunto
n1 n2
SC =
( n1 − 1)S12 + ( n2 − 1)S22
n1 + n 2 − 2
Ex1.: De uma turma (1) foi extraída uma amostra de 6 alunos com as seguintes alturas:
150, 152, 153, 160, 161, 163. De uma segunda turma foi extraída uma amostra de 8 alunos
com as seguintes alturas: 165, 166, 167, 172, 178, 180, 182, 190. Contruir um intervalo de
95% de confiança para a verdadeira diferença entre as médias populacionais.
Ex2.: De uma máquina foi extraída uma amostra de 8 peças, com os seguintes diâmetros:
54, 56, 58, 60, 60, 62, 63, 65. De uma segunda máquina foi extraída uma amostra de 10
peças, com os seguintes diâmetros: 75, 75, 76, 77, 78, 78, 79, 80, 80, 82. Construir um
intervalo de 99% de confiança para a diferença entre as médias populacionais, supondo
que as máquinas foram construídas pelo mesmo fabricante.
WatsApp +244 993405163
Intervalo de Confiança para a Diferença entre duas Proporções
 p q p q p q p q 
P ( p 1 − p 2 ) − Z 2 1 1 + 2 2  1 −  2  ( p 1 − p 2 ) + Z 2 1 1 + 2 2  = 1 − 
 n1 n2 n1 n2 
Ex.: Em uma pesquisa realizada pelo Instituto Gallup constatou que 500 estudantes
entrevistados com menos de 18 anos, 50% acreditam na possibilidade de se verificar uma
modificação na América, e que dos 100 estudantes com mais de 24 anos, 69% acreditam
nessa modificação. Construir um intervalo de confiança para a diferença entre as
proporções destas subpopulações usando =5%. R=(LI=0,0893, LS=0,2905)
Exercícios
1) Ao se realizar uma contagem de eritrócitos em 144 mulheres encontrou-se em

média 5,35 milhões e desvio padrão 0,4413 milhões de glóbulos vermelhos.
Determine os limites de confiança de 99% para a média populacional.
2) Um conjunto de 12 animais de experiência receberam uma dieta especial

durante 3 semanas e produziram os seguintes aumentos de peso (g): 30, 22,
32, 26, 24, 40, 34, 36, 32, 33, 28 e 30. Determine um intervalo de 90% de
confiança para a média.
R  X =30.58, S = 5.09,LI = 27.942, LS = 33.218
3) Construa um intervalo de 95 % de confiança para um dos seguintes casos:
Média  Tamanho da
Amostral Amostra
a) 16,0 2,0 16
b) 37,5 3,0 36
c) 2,1 0,5 25
d) 0,6 0,1 100
WatsApp +244 993405163
4) Numa tentativa de melhor o esquema de atendimento, um médico procurou
estimar o tempo médio que gasta com cada paciente. Uma amostra aleatória
de 49 pacientes, colhida num período de 3 semanas, acusou uma média de 30
min., com desvio padrão de 7 min. Construa um intervalo de 95% de confiança
para o verdadeiro tempo médio de consulta.
5) Solicitou-se a 100 estudantes de um colégio que anotasse suas despesas com

alimentação e bebidas no período de uma semana. Há 500 estudantes no
colégio. O resultado foi uma despesa de $40,00 com um desvio padrão de
$10,00. Construa um intervalo de 95% de confiança para a verdadeira média.
6) Uma amostra aleatória de 100 fregueses da parte da manhã de um

supermercado revelou que apenas 10 não incluem leite em suas compras.
a) qual seria a estimativa percentual dos fregueses que compram leite pela parte
da manhã. ( = 5%). R  LI = 84.12%, LS = 95.88%
b) construir um intervalo de 90% de confiança para a verdadeira proporção dos
fregueses que não compram leite pela manhã. R  LI = 5.08%, LS = 14.92%
7) Uma amostra aleatória de 40 homens trabalhando num grande projeto de

construção revelou que 6 não estavam usando capacetes protetores. Construa
um intervalo de 98% de confiança para a verdadeira proporção dos que não
estão usando capacetes neste projeto. R   P = 0.056, LI = 0.02, LS = 0.28
8) De 48 pessoas escolhidas aleatoriamente de uma longa fila de espera de um

cinema, 25% acharam que o filme principal continha demasiada violência.
a) qual deveria ser o tamanho da fila, a partir do qual se pudesse desprezar o
fator de correção finita;
b) construa um intervalo de 98% de confiança para a verdadeira proporção, se há
100 pessoas na fila;
c) construa um intervalo de 98% de confiança para a verdadeira proporção, se há
500 pessoas na fila.
WatsApp +244 993405163
9) Em uma fábrica, colhida uma amostra (n = 30) de certa peça, obtiveram-se as
seguintes medidas para os diâmetros:
10 11 11 11 12 12 12 12 13 13
13 13 13 13 13 13 13 13 13 13
14 14 14 14 14 15 15 15 16 16
a) estimar a média e a variância; R  13,13 e 2,05

b) construir um intervalo de confiança para a média, sendo  = 5%.
(LI = 12.536 e LS = 13.664)
c) construir um intervalo de 95 % de confiança para a média, supondo que a
amostra tenha sido retirada de uma população de 100 peças, sendo  = 5%. (LI
= 12.581 e LS = 13.579)
d) Construir um intervalo de confiânça para a variância populacional, sendo  =
5%. (LI = 1.3003 e LS = 3.704)
10) Supondo populações normais, contruir um intervalo de confiança para a

média e para a variância ao nível de significância de 90% para as amostras.
a) 2 3 4 5 5 6 6 7 8 8 9 n = 11
b) 12 12 15 15 16 16 17 18 20 22 22 23 n = 12
c) 25 25 27 28 30 33 34 35 36 n=9
11) Sendo X uma população tal que X ~ N(;  2 ) em que  e ² são

desconhecidos. Uma amostra de tamanho 15 forneceu os seguintes valores
X i = 8,7 , e X 2
i = 27,3 . Determinar um intervalo de confiança de 95%
para  e ² , supondo:
X 
2
 X −  n i 
2
X
i
X= e S2 =
i
n n −1
WatsApp +244 993405163
12) Dados os seguintes conjuntos de medias, determinar um intervalo de 99% de

confiança para a variância populacional e para a média populacional.
0.0105; 0,0193; 0,0152; 0,0229; 0,0244; 0,0190; 0,0208; 0,0253; 0,0276
R  X =O.0206, LI = 0.01467, LS = 0.026653;

S = 0.0053, LI = 0.00001, LS = 0.000167
13) O tempo de reação a uma injeção intravenosa é em média de 2.1 min., com desvio
padrão de 0.1 min., para grupos de 20 pacientes. Construa um intervalo de confiança
de 90 % para o tempo médio para toda a população dos pacientes submetidos ao
tratamento.
14) Uma firma esta convertendo as máquinas que aluga para uma versão mais moderna.
Até agora foram convertidas 40 máquinas. O tempo médio de conversão foi de 24
horas com desvio padrão de 3 horas. a) Determine um intervalo de confiança de 99
% para o tempo médio de conversão. b) Para uma amostra de 60 máquinas, como
ficaria o intervalo de confiança de 99 % para o tempo médio de conversão
15) Seis dentre 48 terminais telefônicos dão respostas de ocupado. Uma firma possui
800 terminais. Construir um intervalo de confiança de 95 % para a proporção dos
terminas da firma que apresentam sinal de ocupado. R  LI = 3.4%, LS = 21.6%
16) Uma amostra de 50 bicicletas de um estoque de 400 bicicletas, acusou 7 com pneus
vazios. a) Estime o número de bicicletas com pneus vazios: b) Construa um intervalo
de 99 % confiança para a população das bicicletas com pneus vazios.
R  a) 56; b) LI = 0.021 LS = 0.258
17) A média salarial semanal para uma amostra de n = 30 empregados em uma grande
firma é X = 180,00 com desvio padrão S = 14,00. Construa um intervalo de
confiança de 99 % para a média salarial dos funcionários.
18) Uma empresa de pesquisa de mercado faz contato com uma amostra de 100 homens
em uma grande comunidade e verifica que uma proporção de 0.40 na amostra
prefere lâminas de barbear fabricadas por seu cliente em vez de qualquer outra marca.
Determinar o intervalo de confiança de 95 % para a proporção de todos os homens
na comunidade que preferem a lâmina do cliente.
19) Uma pequena fábrica comprou um lote de 200 pequenas peças eletrônicas de um
saldo de estoque de uma grande firma. Para uma amostra aleatória de 50 peças,
constatou-se que 5 eram defeituosas. Estimar a proporção de todas as peças que são
defeituosas no carregamento utilizando um intervalo de confiança de 99 %.
WatsApp +244 993405163
20) Duas amostras de plantas foram cultivadas com dois fertilizantes diferentes. A
primeira amostra oriunda de 200 sementes, acusou altura média de 10,9 cm e desvio
padrão 2,0 cm. A segunda amostra, de 100 sementes, acusou uma altura média de
10,5 cm com desvio padrão de 5,0 cm. Construir um intervalo de confiança entre as
alturas médias das populações ao nível de 95% de confiança.
21) Uma amostra aleatória de 120 trabalhadores de uma grande fábrica leva em média
22,0 min. para executar determinado serviço, com S2 de 4 min2. Em uma segunda
fábrica, para executar a mesma tarefa, uma amostra aleatória de 120 operários, gasta
em média 19,0 min com S2 de 10 min2. Construir um intervalo de 99% de confiança
entre as médias das populações.
22) Extraíram-se amostras independentes de adultos brancos e pretos, que acusaram os

seguintes tempos (em anos) de escolaridade.
Branco 8 18 10 10 14
Preto 9 12 5 10 14 12 6
Construir um intervalo de 95% de confiança para:
a) a média da população branca, e a média da população preta;

b) a diferença entre as médias entre brancos e pretos
23) Em uma amostra aleatória de cinco pessoas, foi medida a capacidade toráxica antes e
após determinado tratamento, obtendo-se os dados a seguir. Construir um intervalo
de 95% de confiança para a diferença entre as médias antes e depois do tratamento.
Capacidade Toráxica
Pessoa Antes (X) Após (Y)
A 2750 2850
B 2360 2380
C 2950 2930
D 2830 2860
E 2250 2320
24) Extraída duas amostras de professores homens e mulheres, obteve-se os seguintes

resultados quantos aos salários em milhares de dólares: Construir um intervalo de
95% de confiança para:
Homens Mulheres
n1 = 25 n2 = 5
X1 = 16,0 X 2 = 11,0
S12 = 16 S22 = 10
WatsApp +244 993405163
a) a média da diferença entre os salários;

b) a média do salário dos homens;
c) a média do salário das mulheres.
25) Em uma pesquisa efetuada em com 1650 americanos foram consultados sobre o
seguinte tema: "A mulher grávida pode procurar um médico e interromper a gravidez,
a qualquer momento durante os três primeiros meses. É a favor ou contra esta
decisão?" Uma semana mais tarde foram consultados 1650 americanos foram
consultados sobre o mesmo assunto , exceto que a pergunta "a favor do aborto, ao
invés de "interromper a gravidez". As respostas foram as seguintes:
Resposta
Pergunta A favor Contra Sem opinião
"Interromper a gravidez" 46% 39% 15%
"A favor do aborto" 41% 49% 10%
a) Seja 1 a proporção dos votantes a favor do 1o caso (interromper) e 2 a proporção

dos votantes a favor do 2o caso (aborto). Construir um intervalo de 95% de confiança
para a diferença 1 - 2. R = LI = 0.01628, LS = 0.08379
b) Repetir a (a) para os votantes que não tiveram opinião. R = LI = 0.0275, LS = 0.0725
26) Numa pesquisa sobre intenção do comprador brasileiro. 30 famílias de uma amostra
aleatória de 150 declararam ser uma intenção comprar um carro novo dentro de um
ano. Uma outra amostra de 160 famílias 25 declararam a mesma intenção. Construir
um intervalo de 99% de confiança para as diferenças entre as proporções.
R = LI = 0.0727, LS = 0.1527
Teste de Significância
Trata-se de uma técnica para se fazer inferência estatística. Ou seja, a partir de um teste
de hipóteses, realizado com os dados amostrais, pode-se inferir sobre a população.
No caso da inferência através de Intervalo de confiança, busca-se "cercar" o parâmetro

populacional desconhecido. Aqui formula-se uma hipótese quanto ao valor do parâmetro
populacional, e pelos elementos amostrais faz-se um teste que indicará a ACEITAÇÃO ou
REJEIÇÃO da hipótese formulada.
Principais Conceitos
WatsApp +244 993405163
Hipótese Estatística
Trata-se de uma suposição quanto ao valor de um parâmetro populacional, ou quanto à

natureza da distribuição de uma variável populacional.
São exemplos de hipóteses estatísticas:
a) A altura média da população brasileira é 1,65 m, isto é: H:  = 1,65 m;
b) A variância populacional dos salários vale $ 5002, isto é, H: 2 = 5002 ;
c) A proporção de paulistas fumantes é 25%, ou seja, H: p = 0.25
d) A distribuição dos pesos dos alunos da nossa faculdade é normal.
Teste de Hipótese
É uma regra de decisão para aceitar ou rejeitar uma hipótese estatística com base nos
elementos amostrais.
Tipos de Hipóteses
Designa-se por Ho, chamada hipótese nula, a hipóteses estatística a ser testada, e por H1
a hipótese alternativa. A hipótese nula expressa uma igualdade, enquanto que a hipótese
alternativa é dada por uma desigualdade ( , < , >).
Exemplos:
H 0 :  =  0

 H 1:    0 Teste Bicaudal ou Bilateral
H 0 :  =  0

 H 1:    0 Teste Unilateral Direito
WatsApp +244 993405163
H 0 :  =  0

 H 1:    0 Teste Unilateral Esquerdo
Tipos de erros
Há dois tipos de erro ao testar uma hipótese estatística. Pode-se rejeitar uma hipóteses
quando ela é, de fato verdadeira, ou aceitar uma hipóteses quando ela é, de fato, falsa. A
rejeição de uma hipótese verdadeira é chamada "erro tipo I". A aceitação de uma hipótese
falsa constitui um "erro tipo II".
As probabilidades desses dois tipos de erros são designadas, respectivamente, por  e .
A probabilidade  do erro do tipo I é denominada "nível de significância" do teste.
Os possíveis erros e acertos de um teste estão sintetizados abaixo:
Realidade
Ho verdadeira Ho falsa
Aceitar Ho Decisão correta (1 - ) Erro Tipo II ()
Decisão
Rejeitar Ho Erro Tipo I () Decisão Correta (1 - )
Observe que o erro tipo I só poderá acontecer se for rejeitado Ho e o erro tipo II quando
for aceito Ho.
Teste de significância
O teste de Significância considera somente erros do tipo , pois são os mais usados em
pesquisas educacionais, socioeconómicas. . .
WatsApp +244 993405163
O procedimento para realização dos testes de significância é resumido nos seguintes
passo:
(1) Enunciar as hipóteses H0 e H1;

(2) fixar o limite do erro , e identificar a variável do teste;
(3) com o auxílio das tabelas estatísticas, considerando  e a variável do teste,
determinar as RR (região de rejeição) e RA (região de aceitação) para Ho;
(4) com os elementos amostrais, calcular o valor da variável do teste;
(5) concluir pela aceitação ou rejeição do H0 pela comparação do valor calculado no
passo (4) com RA e RR.
Teste de significância para a média

1. Enunciar as hipóteses:
   0 (a)

H0 :  = 0 H1:    0 (b)
   (c)
 0
2. Fixar . Admitindo:
➢ Se a variância populacional 2 for conhecida, a variável teste será "Z"

(n>30);
➢ Se a variância populacional 2 for desconhecida, a variável teste será "t"
de Student com  = n -1 (n  30).
3. Com o auxílio das tabelas "Z" e "t" determinar as regiões RA e RR;
(a) (b) (c)
4. Calcular o valor da variável:
WatsApp +244 993405163
X − 0 X − 0
Zcal = t cal =
 S
n n
onde: X = média amostral

 0 = valor da hipótese nula
5. Conclusão para a situação ( a )

➢ Se − Z   Zcal  + Z  ou − t   t cal  + t  , não se pode rejeitar Ho.
2 2 2 2
➢ Se Zcal  − Z  ou Zcal  + Z  ou t cal  − t  ou t cal  + t  , rejeita-se Ho.

2 2 2 2
OBS.: Para qualquer tipo de teste de significância devemos considerar:

- Se a variável teste (calculada) cair dentro da região de aceitação
(RA) não se pode rejeitar Ho;
- Se a variável teste (calculada) cair fora da região de aceitação
(RA) rejeita-se Ho.
Ex.: Os dois registros dos últimos anos de um colégio, atestam para os calouros admitidos
uma nota média de 115 pontos (teste vocacional). Para testar a hipótese de que a média
de uma nova turma é a mesma, tirou-se, ao acaso, uma amostra de 20 notas, obtendo-se
média 118 e desvio padrão 20. Admitir  = 5%, para efetuar o teste. (R = aceita-se Ho)
Teste de significância para a proporção

  p 0 (a)

Ho :  = po H 1:   p 0 (b)
   p (c)
 0
2. Fixar . Escolhendo a variável normal padrão "Z";
3. Com o auxílio da tabela "Z" determinar as regiões RA e RR;
WatsApp +244 993405163
(a) (b) (c)

f − p0 X
Z cal = onde f =
p0 . q0 n
n
onde: f = frequência relativa do evento na amostral
X = característica dentro da amostra
po = valor da hipótese nula
5. Conclusão para a situação (a)
➢ Se − Z   Zcal  + Z  , não se pode rejeitar Ho.

2 2
➢ Se Zcal  − Z  ou Zcal  + Z  , rejeita-se Ho.

2 2
Ex.: As condições de mortalidade de uma região são tais que a proporção de nascidos que
sobrevivem até 60 anos é de 0,6. Testar essa hipótese ao nível de 2%, se em 1000
nascimentos amostrados aleatoriamente, verificou-se 530 sobreviventes até 60 anos. (R =
rejeita-se Ho)
Teste de significância para a variância

 2   20 (a)

Ho : 2 =  20 H 1:  2   20 (b)
 2   2 (c)
 0
2. Fixar . Escolhendo a variável qui-quadrado com  = n -1.
WatsApp +244 993405163
3. Com o auxílio da tabela "2" determinar as regiões RA e RR;
(a) (b) (c)
Para ( a ) temos: 2inf = 2  2sup = 2

1− ;  ;
2 2
Para ( b ) temos:  2sup = 2 ; 
Para ( c ) temos:  2inf = 12−; 
( n − 1)S2
 2cal =
 20
onde: S2 = variância amostral
02 = valor da hipótese nula
5. Conclusão para a situação (a)
➢ Se  2inf   cal   2sup , não se pode rejeitar Ho.

➢ Se  2cal   2inf ou  2cal   2sup , rejeita-se Ho.
Ex.: Para testar a hipótese de que a variância de uma população é 25, tirou-se uma
amostra de 25 elementos obtendo-se S2 = 18,3. Admitindo-se  = 5%, efetuar o teste de
significância unicaudal a esquerda. (R = aceita-se Ho)
Teste de significância para igualdade de duas médias
WatsApp +244 993405163
1o caso) Se as variâncias populacionais 2 forem conhecidas e supostamente iguais,
independentes e normais, a variável teste será "Z" (n1 + n 2 > 30) ;
1   2
Ho : 1 = 2 ou 1 - 2 = d H 1: 
1 −  2  d
onde d é a diferença admitida entre as duas médias.
Zcal =
(X
1 − X2 ) − d
12  22
+
n1 n 2
5. Conclusão:
Optar pela aceitação ou rejeição de Ho.
Ex.: Um fabricante de pneus faz dois tipos. Para o tipo A,  = 2500 Km, e para o tipo B,  =
3000 Km. Um taxi testou 50 pneus do tipo A e 40 pneus do tipo B, obtendo 24000 Km e
26000 Km de duração média dos respectivos tipos. Adotando um risco de 4% e que existe
uma diferença admitida de 200 Km entre as marcas, testar a hipótese de que a vida média
dos dois tipos é a mesma.
(R = rejeita-se Ho)
2o caso) Se as variâncias populacionais 2 forem desconhecidas, independentes e normais,

a variável teste será "t" (n1 + n 2  30) com  = n1 + n2 -2;
a) As estimativas diferentes
WatsApp +244 993405163
1   2
Ho : 1 = 2 ou 1 - 2 = d H 1: 
1 −  2  d
2. Fixar . Escolhendo a variável "t" de Student;
3. Com o auxílio da tabela "t" determinar as regiões RA e RR;
t cal =
(X
1 − X2 ) − d
S12 S22
+
n1 n 2
5. Conclusões:
Ex.: Dois tipos de pneus foram testados sob as mesmas condições meteorológicas. O tipo
A fabricado pela fabrica A, registrou uma média de 80.000 km rodados com desvio padrão
de 5.000 km. em 6 carros amostradas. O tipo B fabricado pela fábrica B, registrou uma
média de 88.000 km com desvio padrão de 6.500 km em 12 carros amostradas. Adotando
 = 5% testar a hipótese da igualdade das médias.
b) As estimativas iguais
1   2
Ho : 1 = 2 ou 1 - 2 = d H 1: 
1 −  2  d
2. Fixar . Escolhendo a variável "t" de Student;
3. Com o auxílio da tabela "t" determinar as regiões RA e RR;
WatsApp +244 993405163
t cal =
(X 1 − X2 )− d ( n1 − 1)S12 + ( n2 − 1)S22
onde SC =
Sc .
1
+
1 n1 + n 2 − 2
n1 n 2
5. Conclusões:
Ex.: Dois tipos de tintas foram testados sob as mesmas condições meteorológicas. O tipo A
registrou uma média de 80 min para secagem com desvio padrão de 5 min. em cinco
partes amostradas. O tipo B, uma média de 83 min com desvio padrão de 4 min. em 6
partes amostradas. Adotando  = 5% testar a hipótese da igualdade das médias. (R = aceita-
se Ho)
Teste de significância para igualdade de duas proporções

H o : 1 =  2 H 1 : 1   2
p 1 − p 2 X1 X X + X2
Zcal = onde p 1 = , p 2 = 2 , p 1−2 = 1
p 1−2 . q 1−2 n1 n2 n1 + n 2
n
5. Conclusões:
Ex.: Deseja-se testar se são iguais as proporções de homens e mulheres que leem revista e
se lembram do determinado anúncio. São os seguintes os resultados da amostra aleatória
independente de homens e mulheres: Admita  = 10%.
WatsApp +244 993405163
Homens Mulheres
X1 = 70 X2 = 50
n1 = 200 n2 = 200
Teste de significância para igualdade de duas variâncias

H 0 : 12 =  22 H1: 12   22
2. Fixar . Escolhendo a variável "F" com 1 = n1 - 1 graus de liberdade no

numerador, e 2 = n2 - 1 graus de liberdade no denominador.
3. Com o auxílio da tabela "F" determinar as regiões RA e RR;
Fsup = F / 2(1 , 2 )
Fi nf = F1− / 2 (1 ,  2 ) =
1
F / 2 ( 2 , 1 )
S12
Fcal =
S22
5. Conclusões:
Ex.: Dois programas de treinamento de funcionários foram efetuados. Os 21 funcionários

treinados no programa antigo apresentaram uma variância de 146 pontos em sua taxa de
erro. No novo programa, 11 funcionários apresentaram uma variância de 200. Sendo  =
10%, pode-se concluir que a variância é diferente para os dois programas?
Exercícios
WatsApp +244 993405163
1) O crescimento da indústria da lagosta na Flórida nos últimos 20 anos tornou esse
estado americano o 2o mais lucrativo centro industrial de pesca. Espera-se que
uma recente medida tomada pelo governo das Bahamas, que proibiu os pescadores
norte americanos de jogarem suas redes na plataforma continental desse país.
Produza uma redução na quantidade de Kg de lagosta que chega aos Estados
Unidos. De acordo com índices passados, cada rede traz em média 14 Kg de
lagosta. Uma amostra de 20 barcos pesqueiros, recolhida após a vigência da nova
lei, indicou os seguintes resultados, em Kg (Use  = 5%)
7.89 13.29 17.96 15.6 8.89

15.28 16.87 19.68 18.91 12.47
10.93 9.57 5.53 11.57 10.02
8.57 17.96 10.79 19.59 11.06
Estes dados mostram evidências suficientes de estar ocorrendo um decréscimo na

quantidade média de lagostas pescadas por barco, que chega aos Estados Unidos,
depois do decreto do governo das Bahamas? Teste considerando  = 5%.
(bilateral)
2) Os resíduos industriais jogados nos rios, muitas vezes, absorvem oxigênio,

reduzindo assim o conteúdo do oxigênio necessário à respiração dos peixes e
outras formas de vida aquática. Uma lei estadual exige um mínimo de 5 p.p.m.
(Partes por milhão) de oxigênio dissolvido, a fim de que o conteúdo de oxigênio
seja suficiente para manter a vida aquática. Seis amostras de água retiradas de um
rio, durante a maré baixa, revelaram os índices (em partes por milhão) de oxigênio
dissolvido:
4.9 5.1 4.9 5.5 5.0 4.7
Estes dados são evidência para afirmar que o conteúdo de oxigênio é menor que 5
partes por milhão? Teste considerando  = 5% e  = 1%.
3) A Debug Company vende um repelente de insetos que alega ser eficiente pelo
prazo de 400 horas no mínimo. Uma análise de 90 itens aleatoriamente
inspecionados acusou uma média de eficiência de 380 horas.
a) Teste a afirmativa da companhia, contra a alternativa que a duração é inferior a 400

horas, ao nível de 1%, seu desvio padrão é de 60 horas.
b) Repita o teste, considerando um desvio padrão populacional de 90 horas.
4) Ao final de 90 dias de um dieta alimentar envolvendo 32 pessoas, constatou-se o

seguinte ganhos médio de peso 40 g, e desvio padrão de 1,378g.
WatsApp +244 993405163
a) Supondo que o ganho de peso médio dessas pessoas é de 45 g, teste a hipótese para
 = 5%, se esse valor é o mesmo (bilateral)
b) Supondo que a variância dessas pessoas é de 1.8 g2, teste a hipótese para  = 5%,
se esse valor é o mesmo (bilateral).
5) Uma pesquisa feita alega que 15% dos pessoas de uma determinada região sofrem
de cegueira aos 70 anos. Numa amostra aleatória de 60 pessoas acima de 70 anos
constatou-se que 12 pessoas eram cegas. Teste a alegação para  = 5% contra p >
15%.
6) A tabela abaixo mostra a quantidade de pessoas que obtiveram o melhor efeito

perante a aplicação de duas drogas:
Droga A Droga B
Sexo muscular intravenosa muscular Total
Masculino 21 10 22 53
Feminino 20 12 25 57
Total 41 22 47 110
a) Testar a hipótese de que a proporção de homens submetidos a droga A é de 35%,

sendo  = 3%.
b) Testar a hipótese de que a proporção dos adultos que tiveram melhor resultado nas
aplicações musculares é de 85%, usando  = 2%.
c) Testar a hipótese de que a proporção de mulheres é de 50%, usando  = 5%.
d) Testar a hipótese de que a proporção de pessoas submetidos a droga A é de 65%,
usando  = 4%.
7) Um processo de fabricação de arame de aço dá um produto com resistência média

de 200 psi. O desvio padrão é de 20 psi. O engenheiro de controle de qualidade
deseja elaborar um teste que indique se houve ou não variação na média do
processo, usando uma amostra de 25 arames obteve-se uma média de 285 psi. Use
um nível de significância de 5%. Suponha normal a população das resistências.
8) A DeBug Company vende um repelente para insetos que alega ser eficiente pelo
prazo de 400 horas no mínimo. Uma análise de 9 itens escolhidos aleatoriamente
acusou uma média de eficiência de 380 horas. a) Teste a alegação da companhia,
contra a alternativa que a duração é inferior a 400 horas no mínimo ao nível de
1%, e o desvio padrão amostral é de 60 horas. b) Repitas o item (a) sabendo que o
desvio padrão populacional é de 90 horas.
9) Um laboratório de Análises Clínicas realizou um teste de impurezas em 9 porções

de um determinado composto. Os valores obtidos foram: 10,32; 10,44; 10;56;
10,.60; 10,63; 10,67; 10,7; 10.73; 10,75 mg. a) estimar a média e a variância de
WatsApp +244 993405163
impurezas entre as porções. b) Testar a hipótese de que a média de impureza é de
10.4, usando  = 5%. c) Testar a hipótese de que a variância é um usando  =
5%.
10) Uma experiência tem mostrado que 40% dos estudantes de uma Universidade
reprovam em pelo menos 5 disciplinas cursada na faculdade. Se 40 de 90
estudantes fossem reprovados em mais de 5 disciplinas, poderíamos concluir
quanto a proporção populacional, usando  = 1%.
11) Para verificar a eficácia de uma nova droga foram injetados doses em 72 ratos,
obtendo-se a seguinte tabela:
Sexo Tamanho da Amostra Variância

Machos 41 43.2
Fêmeas 31 29.5
Testar a igualdade das duas variâncias usando  = 10%.
12) Sendo
Amostra 1 n1 = 60 X 1 = 5.71 12 = 43

Amostra 2 n2 = 35 X 2 = 4.12 22 = 28
a) Testar a igualdade das duas médias usando  = 4%.

b) Testar a igualdade das duas variâncias usando  = 5%
WatsApp +244 993405163
13) Na tabela abaixo estão registrados os índices de vendas em 6 supermercados para
os produtos concorrentes da marca A e marca B. Testar a hipótese de que a
diferença das médias no índice de vendas entre as marcas é zero, usando  = 5%.
Supermercado Marca A Marca B

1 14 4
2 20 16
3 2 28
4 11 9
5 5 31
6 12 10
14) Da população feminina extraiu-se uma amostra resultando:
Renda (em $1000) 10 |--- 25 25 |--- 40 40 |--- 55 55 |--- 70 70 |---85

No de mulheres 7 12 10 6 4
da população masculina retirou-se uma amostra resultando:
Renda (em $1000) 10 |--- 25 25 |--- 40 40 |--- 55 55 |--- 70 70 |---85

No de homens 8 15 12 7 3
a) Testar ao nível de 10% a hipótese de que a diferença entre a renda média dos
homens e das mulheres valha $ 5000.
b) Testar ao nível de 5% a hipótese de que a diferença entre as variâncias valha 0.
15) Uma empresa de pesquisa de opinião seleciona, aleatoriamente, 300 eleitores de

São Paulo e 400 do Rio de Janeiro, e pergunta a cada um se votará ou não num
determinado candidato nas próximas eleições. 75 eleitores de SP e 120 do RJ
responderam afirmativo. Há diferença entre as proporções de eleitores favoráveis
ao candidato naqueles dois estados? use  = 5%.
16) Estão em teste dois processos para fechar latas de comestíveis. Numa seqüência
de 1000 latas, o processo 1 gera 50 rejeições, enquanto o processo 2 acusa 200
rejeições. Pode ao nível de 5%, concluir que os dois processos sejam diferentes?
WatsApp +244 993405163
Notas de Probabilidades – MMXXI Eng. Informática
REGRESSÃO E CORRELAÇÃO
Introdução
Muitas vezes é de interesse estudar-se um elemento em relação a dois ou mais
atributos ou variáveis simultaneamente.
Nesses casos presume-se que pelo menos duas observações são feitas sobre cada
elemento da amostra. A amostra consistirá, então, de pares de valores, um valor para
cada uma das variáveis, designadas, X e Y. Um indivíduo “i” qualquer apresenta o par
de valores (Xi ; Yi).
Objetivo visado quando se registra pares de valores (observações) em uma amostra, é

o estudo das relações entre as variáveis X e Y.
Para a análise de regressão interessam principalmente os casos em que a variação de

um atributo é sensivelmente dependente do outro atributo.
O problema consiste em estabelecer a função matemática que melhor exprime a

relação existente entre as duas variáveis. Simbolicamente a relação é expressa por
uma equação de regressão e graficamente por uma curva de regressão.
Definição
Constitui uma tentativa de estabelecer uma equação matemática linear que descreva
o relacionamento entre duas variáveis (uma dependente e outra independente).
A equação de regressão tem por finalidade ESTIMAR valores de uma variável, com
base em valores conhecidos da outra.
Ex.: Peso x Idade; Vendas x Lucro; Nota x Horas de Estudo
Modelo de Regressão
ŷi =  x i +  + i
ŷ i  valor estimado (variável dependente);
x i  variável independente;
  coeficiente de regressão (coeficiente angular);
  coeficiente linear;
Copy Rigth ENGAER PG. CMA Bennevithes Mariano Machado Fündanga

WatsApp +244 993405163
 i  resíduo.
Pressuposições
Na regressão, os valores de "y" são estimados com base em valores dados ou
conhecidos de "x", logo a variável "y" é chamada variável dependente, e "x" variável
independente.
a. A relação entre X e Y é linear (os acréscimos em X produzem acréscimos

proporcionais em Y e a razão de crescimento é constante).
b. Os valores de X são fixados arbitrariamente (X não é uma variável
aleatória).
c. Y é uma variável aleatória que depende entre outras coisas dos valores
de X.
d. i é o erro aleatório, portanto uma variável aleatória com distribuição
normal, com média zero e variância 2. [ i ~ N (0, 2)]. i representa a
variação de Y que não é explicada pela variável independente X.
e. Os erros são considerados independentes.
Ex.: Vendas (x 1000) X Lucro (x100)

Obs. 1 2 3 4 5 6 7 8
Vendas 201 225 305 380 560 600 685 735
Lucro 17 20 21 23 25 24 27 27
Gráfico (Diagrama de Dispersão)

Tem como finalidade ajudar na decisão se uma reta descreve adequadamente ou não
o conjunto de dados.
28
26
24
Lucro
22
20
18
16
150 250 350 450 550 650 750 850
Vendas

WatsApp +244 993405163
Pelo gráfico podemos observar que a possível reta de regressão terá um coeficiente de
regressão (coeficiente linear) positivo.
Método para estimação dos parâmetros  e 
As estimativas dos parâmetros  e  dadas por “a” e “b”, serão obtidas a partir de uma
amostra de n pares de valores (xi, yi) que correspondem a n pontos no diagrama de
dispersão. Exemplo:
O método mais usado para ajustar uma linha reta para um conjunto de pontos
(x1 , y1 ), ..., (x n , y n ) é o Método de Mínimos Quadrados:
O método dos mínimos quadrados consiste em adotar como estimativa dos

parâmetros os valores que minimizem a soma dos quadrados dos desvios.
Características
㈠ A soma dos desvios verticais dos pontos em relação a reta é zero;
㈡ A soma dos quadrados desses desvios é mínima.
Os valores de "a" e "b" da reta de regressão y = a x + b serão:
n n n
n xy −  x y
S xy
a= i=1 i =1 i =1
2
= b = y−a x
n
 n  S xx
n x 2 −   x
i=1  i =1 
Para cada par de valores (xi , yi) podemos estabelecer o desvio:
e i = y i − ŷ i = y i − (a + bx i )
Para facilitar os cálculos da reta de regressão, acrescentamos três novas colunas na

tabela dada.

WatsApp +244 993405163
Vendas Lucro
Obs. Xi Yi X i2 Yi2 X i .Yi
1 201 17 40401 289 3417
2 225 20 50625 400 4500
3 305 21 93025 441 6405
4 380 23 144400 529 8740
5 560 25 313600 625 14000
6 600 24 360000 576 14400
7 685 27 469225 729 18495
8 735 27 540225 729 19845
 3691 184 2011501 4318 89802
n n n
n x i yi −  x i  yi
8(89802) − (3691)(184)
a= i =1 i =1 i =1
= = 0,0159
8(2011501) − (3691)
2 2
n
 n

n  x i2 −   x i 
i =1  i=1 
b = y − a x = 23 - (0,159)(461,38) = 15,66
ŷ = 0,0159 x + 15,66
Saída do Software Statistica
28
26
24
y = 15,66 + 0,0159 x
Lucro
22
20
18
16
150 250 350 450 550 650 750 850
Vendas
Partindo da reta de regressão podemos afirmar que para uma venda de 400 mil
podemos obter um lucro de y = ( 0. 0159) (400.000) + 15.66 = 22 mil .

WatsApp +244 993405163
Saídas do Software Statistica
Obs.: Para qualquer tipo de equação de regressão devemos ter muito cuidado para
não extrapolar valores para fora do âmbito dos dados. O perigo da extrapolação para
fora dos dados amostrais, é que a mesma relação possa não mais ser verificada.
Decomposição da variância Total

A dispersão da variação aleatória “y” pode ser medida através da soma dos quadrados
dos desvios em relação a sua média y . Essa soma de quadrados será denominada
Soma de Quadrados Total (SQTotal).
n
SQTotal =  (y i − y )
2
i =1
A SQTotal pode ser decomposta da seguinte forma:

n n n
 (y i − y ) =  (ŷ i − y ) +  (y i − ŷ i )
2 2 2
i =1 i =1 i =1
Essa relação mostra que a variação dos valores de Y em torno de sua média pode ser
n
 (ŷ − y ) que é explicada pela regressão e outra

2
dividida em duas partes: uma i
i =1
 (y − ŷ i ) , devido ao fato de que nem todos os pontos estão sobre a reta de

2
i
i =1
regressão, que é a parte “não explicada” pela regressão ou variação residual.
Assim:
SQ. Total = SQRegressão + SQResíduo
SQRegress~ao
A estatística definida por r 2 = , e denominado coeficiente de
SQTotal
determinação, indica a proporção ou percentagem da variação de Y que é “explicada”
pela regressão.

WatsApp +244 993405163
Note que 0  r2  1.
Fórmulas para cálculo:

2
n
 n 
n
SQTotal =  (y i − y ) = n  y −   y i  ,
2 2
i
i =1 i =1  i=1 
com (n - 1) graus de liberdade.

n
 n n
 n
 ( yˆ i − y ) = a n  x i y i −  xi  yi  ,
2
SQ Regressão =
i =1  i =1 i =1 i =1 
com 1 grau de liberdade.
Análise de Variância da Regressão
A Soma de Quadrados da Regressão (SQRegressão), segue uma distribuição de 2 (qui-

quadrado) com (1) grau de liberdade, enquanto que a Soma de Quadrados do Resíduo
(SQResíduos) segue a mesma distribuição, porém com (n - 2) graus de liberdade.
Portanto, o quociente
SQRegress~
a o/1 QMRegress~ ao
= ,
SQResiduo/n - 2 QMResiduo
segue uma distribuição F de Snedecor com 1 e (n - 2) graus de liberdade.
Esse fato nos permite empregar a distribuição F de Snedecor para testar a significância
da regressão, através da chamada Análise de Variância, sintetizada no quadro abaixo:
Análise de Variância
Causas de Variação G.L. SQ QM F
Regressão 1 SQRegressão SQRegress~
ao QMRegress~
ao
1 QMResiduo
Resíduo n-2 SQResíduo SQResíduo ---
n-2
Total n-1 SQTotal --- ---
onde QM representa Quadrado Médio e é obtido pela divisão da Soma de Quadrados
pelos respectivos graus de liberdade.
Para testar a significância da regressão, formula-se as seguintes hipóteses:
H0: =0 contra H1: 0, onde  representa o coeficiente de regressão paramétrico.

WatsApp +244 993405163
Se o valor de F, calculado a partir do quadro anterior, superar o valor teórico de F com

1 e (n - 2) graus de liberdade, para o nível de significância , rejeita-se H0 e conclui-se
que a regressão é significativa.
Se Fcalc. > F [1,(n-2)], rejeita-se H0.
Para o exemplo anterior:

Vendas Lucro
Obs. Xi Yi X i2 Yi2 X i .Yi
1 201 17 40401 289 3417
2 225 20 50625 400 4500
3 305 21 93025 441 6405
4 380 23 144400 529 8740
5 560 25 313600 625 14000
6 600 24 360000 576 14400
7 685 27 469225 729 18495
8 735 27 540225 729 19845
 3691 184 2011501 4318 89802
ŷ i = 0,0159 x i + 15,66
 n n n

a o = a n  x i y i −  x i  y i 
SQRegress~
 i=1 i =1 i =1 
a o = 0,01598(89802 ) − (3691)(184) = 624,42

SQRegress ~
2
n
 n 
SQTotal = n  y i2 −   y i 
i =1  i=1 
SQTotal = 8(4318) - (184)2 = 688,00
Causas de Variação G.L. SQ QM F
Regressão 1 624,42 624,42000 58,93
Resíduo 6 63,58 10,59587 ---
Total 7 688,00 --- ---
H0:  = 0 e H1:   0
Comparando o Fcalc. = 58,93 com o Ftab. = F0,05 (1,6) = 5,99
Conclui-se que a regressão de y sobre x segundo o modelo ŷ i = 0,0159 x i + 15,66 é

significativa ao nível de significância de 5%. Uma vez estabelecida e testada a equação

WatsApp +244 993405163
de regressão, a mesma pode ser usada para explicar o relacionamento entre as

variáveis e também para fazer previsões dos valores de Y para valores fixados de X.
Coeficiente de Determinação (r²)

É o grau em que as predições baseadas na equação de regressão superam as predições
baseadas em y , ou ainda é a proporção entre a variância explicada pela variância total.
Variância Total = soma dos desvios ao quadrado

2
n n
 n

 (y i − y ) = n  y i2 −   y i 
2
VT = SQTotal = ,
i =1 i =1  i=1 
Variância Não-explicada = soma de quadrados dos desvios em relação a reta y

n
 (y − ŷ i )
2
VÑE = i
i =1
Para facilitar os cálculos usaremos:
2
 n n n

 n  xy −  x y 
 i =1 i =1  COVxy2
r =
2 i =1
=
 n 2  n  2   n 2  n  2  S xx .S yy
n  x −   x   n  y −   y  
 i =1  i =1    i =1  i =1  
r =
2 8(89802) - (3691)(184)2 = 0.908
8(2011501) - (3691) 8(4318) - (184) 
2 2
O valor de r² varia de 0 a 1, logo o fato de r² = 0.908 (no exemplo), indica que

aproximadamente 91% da variação do lucro estão relacionados com a variação das
vendas, em outras palavras 9% da variação dos lucros não são explicados pelas vendas.

WatsApp +244 993405163
Coeficiente de Correlação (r)

Tem como objetivo encontrar o grau de relação entre duas variáveis, ou seja, um
coeficiente de correlação.
Esta é a forma mais comum de análise, envolvendo dados contínuos, conhecido como
"r de Pearson".
Características do “r”
㈠ Pode assumir valores positivos (+) como negativos (-), é semelhante ao coeficiente
de regressão de uma reta ajustada num diagrama de dispersão;
㈡ A magnitude de “r” indica quão próximos da "reta" estão os pontos individuais;
㈢ quando o r se aproxima de +1 indica pouca dispersão, e uma correlação muito forte

e positiva;
㈣ quando o r se aproxima de "zero" indica muita dispersão, e uma ausência de

relacionamento;
㈤ quando o r se aproxima de -1 indica pouca dispersão, e uma correlação muito forte

e negativa.
valor de r
-0,5 0 +0,5
-1 +1
Negativa Negativa Negativa Positiva Positiva Positiva
forte moderada fraca fraca moderada forte
Medidas de Correlação

WatsApp +244 993405163
Tratamento Qualitativo (correlação momento produto)
Relação entre as variáveis, mediante a observação do diagrama de dispersão.
Tratamento Quantitativo
É o estabelecimento das medidas de correlação.
O valor de "r" pode ser enganoso, na realidade, uma estatística mais significante é o r²
(coeficiente de determinação), que dá o valor percentual da variação de uma variável
explicativa em relação a outra variável.
 n n n

 n  xy −  x  y 
r=  i =1 i =1 i =1 
=
S xy
 n 2  n   n 2  n  S xx .S yy
 
n x −      
x  n y −  y  
 i=1  i =1   i=1 i =1  
Logo podemos observar que o coeficiente de determinação nos dá uma base intuitiva
para a análise de correlação.
No exemplo temos r = 0.953
Saída do Software Statistica

LUCRO = 15,660 + ,01591 * VENDAS
Correlação: r = ,95295
28
26
24
Lucro
22
20
18
16 Regression
150 250 350 450 550 650 750 850 95% confid.
Vendas
Exercícios
Para os dados abaixo:
a) Construa um diagrama de dispersão;

b) Determine a reta de regressão;
c) Faça uma análise de variância do modelo;

WatsApp +244 993405163
d) Calcule o Coeficiente de Explicação;

e) Calcule o Coeficiente de Correlação de Pearson;
f) Interprete os resultados obtidos.
X = 1o Exame e Y = 2o Exame
Aluno 1 2 3 4 5 6 7 8 9 10
Exame 1 82 84 86 83 88 87 85 83 86 85
Exame 2 92 91 90 92 87 86 89 90 92 90
R = y = −0. 79 x +157.25; r² = 53.29%; r = -0.73
X = horas de estudo e Y = Nota da Prova
Aluno 1 2 3 4 5 6 7 8
Horas 2 4 5 5 6 8 9 10
Nota 1 3 6 6 8 7 8 10
R = y = 0. 98 x + 0.12 ; r² = 82.99%; r = +0.911
X = Seguro (x 1000 ) e Y = Renda (x100)
Indivíduo 1 2 3 4 5 6 7 8
Seguro 20 16 34 23 27 32 18 22
Renda 64 61 84 70 88 92 72 77
R = y = 1.50 x + 40.08 ; r² = 74.3%; r = +0.86
X = Peso do Pai (kg) e Y = Peso do Filho (kg)
Indivíduo 1 2 3 4 5 6 7 8 9 10
Peso Pai 65 63 67 64 68 62 70 66 68 67
Peso Filho 68 66 68 65 69 66 68 65 71 67
R = y = 0. 48 x + 35.48; r² = 40.58%; r = +0.637
…/…

WatsApp +244 993405163
REFERÊNCIAS BIBLIOGRÁFICAS
ANDERSON, SWEENEY, WILLIAMS, CAMM, COCHRAN; South-Western (2014).

Statistics for Business and Economics 12th ed. Cengage Learning USA.
RONALD E. WALPOLE, RAYMOND H. MYERS, SHARON L. MYERS, KEING YE;

Pearson Prentice Hall (2009). Probabilidade & Estatística para engenharia e ciências
18ª ed. Pearson Education São Paulo Brazil.
DOUGLAS C. MONTGOMERY, GEORGE S. RUNGER; Academic Press (2014).

Estatística Aplicada e Probabilidade para Engenheiros. LTC.
BRÁULIO R. M. COUTO, JONAÍNA G.N. OLIVEIRA, OCTÁVIO A. TORES,

REINALDO C. MORAIS; Grupo Ănima Educação (2015). Estatística e
Probabilidades. EAD Belo Horizonte.
ALBRIGHT, WINSTON, ZAPPE; South-Western (2011). Data Analysis and Decision

Making 4th ed. Cengage Learning USA.
RUI C. GUIMARÃES, JOSÉ A. S. CABRAL; McGraw Hill (2007). Estatística 2ª ed.

Portugal.
COSTA NETO, P.L.O.; CYMBALISTA, M. (1994). Probabilidades. São Paulo: Edgard

Blucher.
AUGUSTO CESAR DE OLIVEIRA MORGADO et all.; Coleção do Professor de

Matemática. Análise Combinatória e Probabilidade. Sociedade Brasileira de Matemática.
FONSECA, J.S.; MARTINS, G.A. (1993). Curso de estatística. 4a ed. São Paulo: Atlas.
LAPONNI, Juan Carlos (1997). Estatística usando o Excel. São Paulo: Lapponi
Treinamento e Editora.
MILONE, G.; ANGELINI, F. (1995). Estatística aplicada. São Paulo: Atlas.
SNEDECOR, G. W.; COCHRAM, W. G. (1989). Statistical Methods. 8rd ed. Iowa: Iowa
State University Press, 1989.
WONNACOTT, T.H.; WONNACOTT, R. J. (1990). Introductory Statistics. New York.

John wiley & Sons;

WatsApp +244 993405163

Anotações de Probabilidades ULA 2º Ano 2020 Eng Informática

Enviado por

Dados do documento

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

Anotações de Probabilidades ULA 2º Ano 2020 Eng Informática

Enviado por

Direitos autorais:

Formatos disponíveis

Apostila de Probabilidades – MMXXI Eng.

ULA – Universidade Lusíadas de Angola

Probabilidades - 2º Ano Engenharia Informática

No desenvolvimento do curso são abordados os tópicos que constam no programa da

SUGESTÃO: ESTUDE E FAÇA OS EXERCÍCIOS. TENHA CONSIGO SEMPRE UM DISCIONÁRIO

Muitas vezes, é necessário ou conveniente suprimir unidades inferiores às de determinada

De acordo com as convenções Estatísticas, o arredondamento é feito da seguinte maneira:

1 – Quando o primeiro algarismo a ser abandonado é 0,1,2,3 ou 4, fica inalterado o último

Ex: 53,24 passa a 53,2 ; 44,03 passa a 44,0

2 – Quando o primeiro algarismo a ser abandonado é 6,7,8, ou 9, aumenta-se de uma

3 – Quando o primeiro algarismo a ser abandonado é 5, há duas soluções:

a) Se ao 5 seguir em qualquer casa um algarismo diferente de zero, aumenta-se uma

b) Se o 5 for o último algarismo ou se ao 5 só se seguirem zeros, o último algarismo a ser

• 24,75 passa a 24,8

Suponhamos os dados abaixo, aos quais aplicamos as regras do arredondamento:

25,32 + 17,85 + 10,44 + 31,17 = 84,78

25,3 + 17,8 + 10,4 + 31,2 = 84,7

Usamos "descarregar" a diferença na(s) maior(es) parcela(s). Veja:

25,3 + 17,8 + 10,4 + 31,3 = 84,8

1 – Arredonde cada um dos numerais abaixo, conforme a precisão pedida:

A origem da teoria das probabilidades é comumente associada às questões colocadas por

A teoria das probabilidades é uma importante área da estatística que possibilita ao

Suponha que você é o engenheiro responsável pela qualidade na linha de produção de

A teoria das probabilidades vem auxiliá-lo nesse processo de tomada de decisão,

O cálculo das probabilidades pertence ao campo da Matemática, entretanto a maioria dos

A Simbologia que usaremos para as Probabilidades

"Vamos jogar e aprender"

Experiência 1 - Lançamento de uma moeda ao ar.

Os resultados possíveis são:

"Como saber se sai cara ou coroa?"

O aparecimento de cara ou coroa depende do "acaso" ou da "sorte" ou do "azar"...

Estamos em presença de um "fenómeno aleatório" e a experiência diz-se uma

Experiência 2 - Lançamento de um dado.

Com estes resultados podem formar-se acontecimentos, como por exemplo:

- O acontecimento A: "sair face azul"

Numa experiência aleatória, chamam-se "casos favoráveis" a um acontecimento, aos

Logo, o acontecimento A tem 3 casos favoráveis:

B: "sair face verde" 1

D: "sair face preta" - 0

Outros exemplos de "experiências aleatórias":

Experiência 3 - Tirar, à sorte uma bola numerada de um saco.

Se tirares à sorte uma bola numerada de um saco contendo bolas

Neste caso, quantos casos possíveis terás?

Isso mesmo, 9 são os casos possíveis!

Experiência 4 - Lançar, simultaneamente, dois dados.

• ANÁLISE COMBINATÓRIA (TÉCNICAS DE CONTAGEM EM PROBABILIDADE)

Se estendermos esta propriedade para n=2:

1,2,3; 1,3,2; 2,1,3; 2,3,1; 3,1,2; 3,2,1

Permutações de elementos repetidos (anagramas)

ANA , AAN , NAA

Arranjos simples: An,k

Há 3 vagas. Para a vaga de presidente, temos 5 opções; escolhido o presidente, temos 4

Multiplicando e dividindo, temos:

Arranjos com repetição (completos)

Dado o conjunto {a1,a2,a3}, os subgrupos ordenados com 2 elementos, com repetição,

Combinações simples: Cn,k

Quando falamos em combinações, como em arranjos, estamos querendo formar grupos a

Combinações com repetição (completas)

Quantidade de subgrupos ORDENADOS, com k elementos, podendo ser repetidos, que

Dado o conjunto {a1,a2,a3}, os subgrupos não ordenados com 2 elementos, com

Retirada de bolas de uma urna

Amostra ordenada com reposição

Amostra ordenada sem reposição

Amostra não ordenada com reposição