UNIVERSIDADE AGOSTINHO NETO

FACULDADE DE ECONOMIA
TRABALHO DE ESTATÍSTICA

PROBABILIDADE

Luanda, Dezembro/2021
Grupo Nº: 07
Turma: Sala Magna - Noite
Período: Noite

Docente:
___________________

PROBABILIDADE

Trabalho apresentado a Faculdade de Economia da

Universidade Agostinho Neto, como requisito
parcial para avaliação da 2ª parcelar na cadeira de
Estatística.

Orientador: Prof. Dr.

2
Lista dos Integrantes
Grupo: 07
Ano: 2021
Turma: Magna – Noite

Nº de Estudante Nome Discente

Adilson Prata Ivo
Pedro Simão Massocolo
Olímpia Tobias Mauricio
Carlos Miranda
Francisco Pascoal João
Sebastião Taba
Abraão Nicodemos Candido
Anges Mikola
Loide Bunsa Viegas
Graça dos Santos

3
 EPÍGRAFE

“O mais importante é resolver os problemas do Povo”

Agostinho Neto

4
 DEDICATÓRIA

A todos que trabalham Incansavelmente para a Paz no

mundo e pelo sucesso Do sistema de ensino dos países
Africanos, latinos e asiáticos!

5
 AGRADECIMENTOS

A Deus pela dadiva da vida e O dom insaciável do saber!

6
 RESUMO

Este estudo consiste em explorar probabilidade com suas diferentes abordagens e

introduzir, no ensino médio, conceitos de probabilidade subjetiva e teoria da decisão.
Tem por objetivo salientar a importância do ensino de probabilidade, tópico utilizado
em diversas áreas, como medicina, engenharia, administração entre outras. Sabe-se que
este tema, infelizmente, é pouco visto no ensino fundamental e médio.

Os livros didáticos e apostilas, na maioria das vezes, apresentam somente probabilidade

clássica. A abordagem da probabilidade subjetiva e da teoria da decisão é feita através
de atividades práticas, levando os alunos à reflexão e novos questionamentos.
Propõe-se também interdisciplinaridade com outras áreas do conhecimento. É um
trabalho inovador e desafiador, já que probabilidade subjetiva e teoria da decisão não
são assuntos do currículo de Matemática para o ensino médio. Espera-se que este
material sirva de apoio para professores que acreditam que devem ir além dos conteúdos
propostos pelo currículo comum e valorizam a formação integral de seus alunos.

Palavras – chave: Árvore da Decisão, Probabilidade, Probabilidade Subjetiva, Teoria

da Decisão, Teoria da Utilidade.

7
8
 ÍNDICE

Problema.......................................................................................................................11
Hipóteses ......................................................................................................................11
Objectivos.....................................................................................................................11
Objetivo Geral: .............................................................................................................11
Objectivos Específicos: ............................................................................................... 12
1 Introdução ................................................................................................................ 13
2 Probabilidade – Motivação ...................................................................................... 14
2.1 Amostragem ..................................................................................................... 14
2.2 Experiência Aleatória ....................................................................................... 14
3 Acontecimento ......................................................................................................... 15
3.1 Álgebra De Acontecimentos ............................................................................ 16
3.2 Álgebra De Acontecimentos: Propriedades ..................................................... 16
3.3 Acontecimentos Mutuamente Exclusivos ........................................................ 16
3.4 Conceitos Que Envolvem As Probabilidades! ................................................. 17
3.4.1 Conceito De Experimento ............................................................................ 17
3.4.2 Experimento Determinístico ........................................................................ 17
3.4.3 Experimento Aleatório ................................................................................. 18
4 Critério De Laplace .................................................................................................. 18
4.1 Probabilidade De Laplace ................................................................................ 19
5 Probabilidades .......................................................................................................... 19
6 Axiomas Das Probabilidades ................................................................................... 20
7 Teorema Da Probabilidade Condicionada ............................................................... 21
8 Análise Combinatória .............................................................................................. 21
8.1 Qual É A Função Da Análise Combinatória? ................................................... 22
9 Tecnicas De Contagem ............................................................................................ 22
10 Tipos De Agrupamentos ...................................................................................... 23
10.1 Permutação ....................................................................................................... 23
10.2 Arranjo ............................................................................................................. 24
10.3 Combinação ..................................................................................................... 25
11 Análise Combinatória E Probabilidade ............................................................... 25
12 Variáveis Aleatórias ............................................................................................. 26
12.1 Conceitos E Definições .................................................................................... 26
13 Probabilidade Frequentista .................................................................................. 27
14 Probabilidade Subjetiva ....................................................................................... 28
15 Regra Da Probabilidade Total .............................................................................. 31

9
16 Teorema De Bayes ............................................................................................... 32
16.1 Aplicando O Teorema De Bayes ...................................................................... 34
17 Interdependência .................................................................................................. 36
18 Conclusão ............................................................................................................ 38
19 Bibliografia .......................................................................................................... 39

10
 PROBLEMA

―Formular o problema consiste em dizer de maneira explícita, clara,

compreensível e operacional, qual a dificuldade com qual nos defrontamos e que
pretendemos resolver, limitando o seu campo e apresentando as suas características‖.
(Rudio, 1980).

O nosso problema baseia-se na seguinte questão:

 Será que a Probabilidade oferece grandes oportunidades para o

progresso humano?

HIPÓTESES

De acordo com Marconi e Lakato, (2013, p.126), a hipótese pode ser definida
como sendo ―um enunciado geral de relações entre variáveis (factos e fenómenos),
formulando soluções provisórias para um problema‖. Assim sendo, como hipóteses do
presente trabalho, tem-se:

A probabilidade que se associa aos números e chances de determinados

resultados acontecerem, de modo que, quanto maior esse número, maior a chance desse
resultado ocorrer. Existe um ―menor número‖, que representa a impossibilidade do
resultado, e um maior número, que representa a certeza de determinado resultado

OBJECTIVOS

Segundo Marconi e Lakatos, (2003, p.157), definem que ―o objectivo torna

explícito o problema, aumentando os conhecimentos sobre determinado assunto‖.

OBJETIVO GERAL:

Compreender que a probabilidade serve para obter estimativas matemáticas da

possibilidade de certos eventos acontecerem ao acaso, proporcionando ferramentas para
desenvolver modelos matemáticos que ajudam a prever o comportamento de fenómenos
do nosso cotidiano de trabalho

11
 OBJECTIVOS ESPECÍFICOS:

• Compreender as noções de acontecimento certo, provável e impossível

• Compreender a noção de probabilidade de um acontecimento através da

realização de experiências repetidas.

• Compreender a probabilidade através da noção de percentagem

• Avaliar a ―honestidade‖ de jogos.

• Mobilizar o raciocínio proporcional para calcular a probabilidade de

acontecimentos simples equiprováveis.

• Tomar decisões a partir da análise de dados

12
 1 INTRODUÇÃO

O estudo das probabilidades começou com os jogos de azar, como o lançamento de

dados, os jogos de roleta, de cartas, etc. A intenção, claro, era dimensionar, de alguma
forma, a chance de sucesso sobre cada aposta feita. Sendo assim, caberia ao jogador
arriscar mais naquelas situações em que a probabilidade de ganho fosse maior.

Atualmente, o estudo das probabilidades está em todas as áreas, e, também, no

nosso dia-a-dia. Qual a probabilidade de o Brasil ser campeão da Copa do Mundo? Qual
a probabilidade de a inflação anual alcançar um percentual superior a 6%? Qual a
probabilidade de chover hoje na sua cidade?

Evidentemente, todos esses acontecimentos possuem um resultado incerto. Caso

contrário, não falaríamos em probabilidade. Porém, apesar de serem imprevisíveis, é
possível dimensionar a chance de acontecer, tendo como base, entre outras
possibilidades, dados de observações anteriores.

Por exemplo, são poucas as ocorrências de tornados no Brasil. Sendo assim, qual a
probabilidade de acontecer um tornado no próximo mês no Estado de São Paulo? Para
responder isso, é necessário realizar um levantamento dos acontecimentos anteriores,
bem como analisar outros fatores que podem interferir nessa avaliação. Dessa forma,
dado que ocorreram 205 tornados entre 1990 e 2010, qual a chance de ocorrer esse
fenômeno no próximo mês?

A teoria das probabilidades é quem dará a resposta.

Assim, em resumo, podemos dizer que por meio da teoria das probabilidades é
possível quantificar a ocorrência de um evento incerto, ou seja, de resultado
imprevisível.

13
 2 PROBABILIDADE – MOTIVAÇÃO

Objectivo: caracterizar uma população (através de parâmetros de localização,

dispersão, …)

Não sendo possível estudar todos os elementos da população, recolhe-se uma amostra
aleatória:

 Qualquer elemento da população deve ter igual oportunidade de ser incluído na

amostra – representatividade.
 A selecção de um elemento não deve influenciar a selecção de outro qualquer
elemento - independência.

2.1 AMOSTRAGEM

Inferência
Com base na amostra estimam-se as
características
(desconhecidas) da população

Parâmetros Estimativas
µ, o, ... C

O estudo da probabilidade permite quantificar a incerteza associada às

estimativas, proporcionando ferramentas para desenvolver modelos matemáticos que
ajudam a prever o comportamento de fenómenos nos quais interfere o acaso.

2.2 EXPERIÊNCIA ALEATÓRIA

Ao contrário de experiências como seja "lançar uma pedra do cimo de uma torre e
verificar qual o seu percurso" a que se dá o nome de deterministas, uma vez que
produzem sempre o mesmo resultado que, assim sendo, se pode facilmente prever, uma
experiência aleatória apenas permite ter uma expectativa da realização de diversos
acontecimentos. Ao conjunto de todos os resultados possíveis numa experiência
aleatória costuma dar-se o nome de universo, conjunto de resultados ou espaço
amostral. Por exemplo, considerando a experiência "lançamento de um dado e

14
observação dos pontos contidos na face voltada para cima", o conjunto de resultados
será 1, 2, 3, 4, 5, 6. Aos resultados - ou acontecimentos - "sair pontuação 1", "sair
pontuação 2", etc., dá-se o nome de acontecimentos elementares ou eventos. Os
acontecimentos dizem-se elementares quando são indecomponíveis, isto é, quando
ocorrem de uma única forma. Um outro resultado que se poderia considerar a propósito
da mesma experiência seria, por exemplo, "sair número par". Este resultado pode
ocorrer de três formas diferentes: saindo pontuação 2, 4 ou 6, sendo designado por
acontecimento composto. Diz-se, neste caso, que os acontecimentos elementares "sair
2", "sair 4" e "sair 6" são favoráveis ao acontecimento "sair número par".

Um acontecimento é tanto mais provável quanto maior for a razão entre o número
de acontecimentos elementares favoráveis (também designados "casos favoráveis") e o
número de casos possíveis. No exemplo indicado, pode dizer-se que a probabilidade de
obter pontuação par (P(A)) quando se efetua o lançamento de um dado é de três casos
favoráveis em seis possíveis, ou seja, P(A) = 3/6 = 0,5 = 50%.

Relativamente a uma experiência aleatória, a probabilidade de qualquer

acontecimento situa-se sempre entre dois casos extremos: acontecimento certo, que é
aquele que ocorre sempre e cuja probabilidade é, portanto, 1 ou 100% (por exemplo, o
acontecimento "sair pontuação inferior a 7" no lançamento de um dado é certo) e
acontecimento impossível, que é aquele que nunca pode ocorrer e cuja probabilidade é,
nesse caso, zero (por exemplo, o acontecimento "sair pontuação negativa no lançamento
de um dado").

3 ACONTECIMENTO

Acontecimento: é uma colecção de resultados possíveis – é um subconjunto do espaço

de resultados.
– Os acontecimentos são os objectos aos quais se atribui probabilidade
O acontecimento A realiza-se se o resultado da experiência aleatória for um
elemento de A
– Ø é o acontecimento impossível
– certo
Exemplo (continuação) – Acontecimentos:

A – ocorre face par

A={2,4,6}
$ – ocorre soma par
B
C – lâmpada funde em menos de 2400h
C=[0,24[

15
3.1 Álgebra de acontecimentos

 A subacontecimento de B, A B a realização de A implica a realização de B.

 A união com B, A B: é o acontecimento que se realiza quando pelo menos um
deles se realiza.
 A intersecção com B, A B: é o acontecimento que se realiza quando
ambos se realizam.
 Diferença entre A e B, A – B: é o acontecimento que se realiza quando A se
realiza sem que se realize B ( A— B= AnB).
 Complementar de A, A=▲— A : é o acontecimento que se realiza quando A
não se realiza.

3.2 Álgebra de acontecimentos: Propriedades

 Comutativa: A5B= B5 A ; AnB= Bn A

 Associativa: A5( B5C )=( A
5B
)5C An( BnC )=( AnB )nC
 Distributiva: An( B5C )=( AnB )5( A
n
C
)
A5( BnC )=( A5B )n( A
5
C
)

3.3 Acontecimentos mutuamente exclusivos

A e B são acontecimentos mutuamente exclusivos se e só se a realização de um

implica a não realização do outro, isto é,
AnB=œ

Exemplo (continuação):

A – ocorre face par, A1 A1={2,4,6} ocorre face ímpar, A A={1,3,5}

16
3.4 CONCEITOS QUE ENVOLVEM AS PROBABILIDADES!

3.4.1 Conceito de Experimento

Podemos conceituar o experimento, genericamente, como uma observação ou

realização de certa actividade, com o objectivo de alcançar um determinado resultado.

A depender do experimento, esse resultado pode ser previamente conhecido, ou

então, imprevisível. Quanto ao primeiro caso, em que os resultados são conhecidos,
dizemos que os experimentos são determinísticos. A Física e a Química possuem
diversos exemplos de experimentos determinísticos. Entre eles, pode-se citar a força da
gravidade: se jogarmos uma bola de vôlei para cima, é certo que, em condições normais,
essa bola sofrerá a acção da gravidade e cairá em direcção ao chão. Se esse

Experimento for repetido diversas vezes, o resultado será conhecido, ou seja, a

bola cairá no chão em todos os experimentos.

3.4.2 Experimento determinístico

Quanto à segunda hipótese, em que os resultados são imprevisíveis,

dizemos que os experimentos são aleatórios. Nesses casos, o resultado varia de
um experimento para outro, dificultando, pois, a sua previsão. São exemplos de
experimentos aleatórios:

 Jogar um dado e observar o número mostrado na face de cima;

 Jogar uma moeda e observar o resultado, se cara ou coroa;
 Contar o número de peças defeituosas na produção diária de um
equipamento;
 Selecionar 20 pessoas de uma cidade e contar o número de pessoas que
ganham acima de R$ 1.000,00 por mês.

17
3.4.3 Experimento Aleatório

O estudo das probabilidades, portanto, se atém aos experimentos

aleatórios, haja vista que os resultados são desconhecidos. Sendo assim, serão
esses os experimentos explorados na presente aula.

Importante destacar, por fim, algumas características relativas à análise

dos resultados de um experimento aleatório:
O experimento pode ser repetido indefinidamente sob as mesmas
condições e o resultado continuará a ser incerto;
Apesar de não se conhecer o resultado previamente, é possível
estabelecer os possíveis resultados para o experimento;
Se o experimento for repetido diversas vezes, haverá uma estabilidade
da relação entre o número de sucessos (ocorrência de um resultado
esperado) e o número de repetições do experimento.

4 CRITÉRIO DE LAPLACE

Usa todos os dados da matriz de decisão. Como não são conhecidas as

probabilidades dos estados da natureza, estas são supostas iguais, por falta de razão para
supô-las diferentes. Por esse 60 motivo, o critério de Laplace é algumas vezes referido
como ―critério ou método da razão insuficiente‖.

A probabilidade associada a cada estado da natureza é sempre igual à unidade

dividida pelo número de estados da natureza. Após assumir probabilidades iguais,
calcula-se o valor esperado para cada alternativa, escolhendo-se a que conduzir ao
melhor valor esperado.

Considerando o problema dos cupcakes, segundo o critério de Laplace, a

probabilidade atribuída a cada estado da natureza pelo critério de Laplace é de 1/3,
tendo em vista que existem 3 estados danatureza. Os valores serão:

18
 A melhor alternativa segundo este critério, destacada em negrito, é a com maior
valor, ou seja, a alternativa de se comprar 100 cupcakes.

4.1 PROBABILIDADE DE LAPLACE

Segundo Laplace (1812) – se numa experiência aleatória os resultados

possíveis são igualmente prováveis, a probabilidade de um acontecimento A é

P ( A )=nº de resultados favoráveis a A

nº de resultados possíveis
Exemplo (continuação) – Probabilidade de acontecimentos
A – ocorre face par A={2,4,6} P (A)

5 PROBABILIDADES

Estabelecidos esses conceitos iniciais, podemos definir probabilidade de

um evento como a relação entre o número de vezes que um evento ocorre no
experimento e o número de vezes que o experimento é realizado.
Porém, para chegarmos ao resultado preciso da probabilidade, é
necessário realizar o experimento por diversas vezes, até que haja uma
estabilização entre o número de ocorrências do evento e o número de vezes que o
experimento ocorreu. Ou seja, ocorre uma quantificação mais precisa a respeito
da possibilidade do evento incerto.
Assim, se jogarmos uma moeda para o alto, o resultado pode ser ―cara‖ ou
―coroa‖. Se fizermos o lançamento dez vezes, não necessariamente, o número de
resultados ―cara‖ vai ser igual a 5, ou 50% do número de lançamentos.
Porém, se efetuarmos o mesmo experimento por 100.000 vezes, a
tendência é que o número de resultados ―cara‖ represente um número muito
próximo a 50% do total de lançamentos.
Assim, caso o experimento seja repetido por diversas vezes, a
probabilidade de um evento tende a ser, portanto, a razão entre o número de
elementos desse evento, e o número de elementos do espaço amostral.

19
 6 AXIOMAS DAS PROBABILIDADES

Axiomas são postulados básicos sobre uma ciência. No caso do estudo das
probabilidades, temos três axiomas.
 Considerando P(A) como a probabilidade de ocorrência de um evento A,
pertencente a um espaço amostral S, então:
Axioma 1: A probabilidade de um evento A ocorrer é quantificada por um
número situado entre 0 e 1, para todo evento A pertencente ao espaço amostral S.
Ou seja, 0 ≤ P(A) ≤ 1, ∀A ∈ S.
Ou seja, a probabilidade sempre estará entre o número “0” (evento
impossível de ocorrer) e o número “1” (evento que ocorre com certeza).

Axioma 2: A probabilidade de ocorrer o evento espaço amostral S é

igual a 1.
Ou seja, P(S) = 1.
Suponhamos o lançamento de um dado comum, de seis faces. Desejamos
saber a probabilidade de ocorrer o evento do espaço amostral, ou seja, que o
resultado do lançamento esteja no conjunto {1, 2, 3, 4, 5, 6}. Logicamente, a
probabilidade de ocorrência desse evento é igual a 1, ou 100%, já que, em todo
lançamento, o resultado será um dos elementos do espaço amostral. É um evento
certo.

Axioma 3: Sejam A e B eventos pertencentes ao espaço amostral S. Se a

interseção entre os eventos A e B é um conjunto vazio, então a probabilidade de
ocorrência do evento A ∪ B é igual à probabilidade deocorrência do evento A,
somada à probabilidade de ocorrência do evento B.
Se A, B ∈ S e A ∩B = ∅, então, P(A ∪ B) = P(A) + P(B).
Por exemplo, no lançamento de um dado comum, o evento A é
representado pelo conjunto {2}, e o evento B, pelo conjunto {3}. Como A e B
pertencem ao espaço amostral, ou seja, ao conjunto {1, 2, 3, 4, 5, 6}, e A ∩B = ∅,
então P(A ∪ B) = P(A) + P(B) = 1/6 + 1/6 = 0,33, onde A ∪ B = {2, 3}.

20
 7 TEOREMA DA PROBABILIDADE CONDICIONADA

Dado o espaço amostral S, e os eventos A e B, tal que ambos pertencem a S.

Denomina-se probabilidade condicionada, a probabilidade de um evento A, dado a
ocorrência de um evento B.

Em outras palavras, ocorre uma redução do espaço amostral, de S para B. Assim,

supondo-se a ocorrência de B, calcula-se a probabilidade de A.

Essa situação é representada pela expressão P(A|B), e pode ser representada

graficamente por:

O teorema da probabilidade condicionada permite calcular P(A|B) pela expressão:

8 ANÁLISE COMBINATÓRIA

A análise combinatória é a área da Matemática que tem como função estudar a

quantidade de agrupamentos que podem ser formados a partir de um conjunto de
valores. O foco é o estudo dos tipos de agrupamento, que são resolvidos pelo princípio
fundamental da contagem. Esses agrupamentos são a permutação, a combinação e o
arranjo. Cada tipo tem aplicações específicas, e o que determina qual deve ser usado é a
situação em que se encontram e o objetivo da contagem.

Esse ramo da Matemática também exige domínio de uma operação específica, que
é o fatorial de um número, representado pelo símbolo de exclamação – ―!‖. Calcular o
fatorial de um número é encontrar o produto desse número pelos seus antecessores. Vale
dizer também que o cálculo dos agrupamentos é de grande importância para a área de
probabilidade, o que torna a análise combinatória um pré-requisito para quem deseja
dominá-la a fundo.

21
 A análise combinatória estuda possibilidades e combinações, como os possíveis
resultados de um dado.

8.1 QUAL É A FUNÇÃO DA ANÁLISE COMBINATÓRIA?

Como o nome sugere, a análise combinatória tem como função analisar e contar
todas as combinações possíveis. Os agrupamentos estão constantemente presentes no
nosso dia a dia e prever essas combinações é fundamental para a tomada de decisões.

Você já se perguntou quantos resultados podem ser obtidos na loteria? Ou a

quantidade de senhas possíveis para que a sua senha de banco seja segura? A
combinação faz parte do nosso cotidiano, desde objetos simples, como a placa de um
carro – que deve ser única por estado –, o Cadastro de Pessoa Física (CPF), que é único
por cidadão, até as decisões mais complexas, como algoritmos de programação,
investimentos em bolsas etc. Além disso, a análise combinatória dá suporte para outras
áreas de conhecimento e para estudos mais aprofundados na própria matemática.

9 TECNICAS DE CONTAGEM

Podemos fazer permutações e combinações. Permutações são os arranjos de

elementos em que se tem em conta a ordem com que são tomados. Com a permutação
sabemos de quantas formas podemos obter uma amostra de tamanho n, de uma
população com tamanho N.

Combinações são arranjos que não consideram a ordem dos elementos. Se

queremos ter amostras sem repetição, temos:

também pode ser denotado por C(n; k) ou

Podemos fazer combinações com elementos repetidos, também. Nesse caso, Cr (n; k) =
C (m + k � 1; k).

22
 Suponha que temos uma população com N = 6 elementos e queremos sortear
amostras de tamanho 2. Vamos considerar as seguintes maneiras de sorteio:

1. Com ordem e repetição

2. Com ordem e sem repetição
3. Sem ordem e com repetição
4. Sem ordem e sem repetição
5. Só repetição

10 TIPOS DE AGRUPAMENTOS

Os agrupamentos estudados na análise combinatória são a permutação,

combinação e arranjo. Cada um deles é empregado em uma situação e possui métodos
específicos para ser calculado. O que deve ficar claro é quando devemos escolher o
agrupamento e como realizar o cálculo.

10.1 PERMUTAÇÃO

Conhecemos como permutação os agrupamentos ordenados de todos os

elementos de um conjunto. Permutar é trocar de posição, formando uma nova ordem.

A permutação de um conjunto com n elementos é calculada por:

P = n!

Aplicações: problemas que envolvem anagramas, filas, posições.

Lembre-se de que, para ser permutação, todos os elementos do conjunto devem ser
utilizados. Além disso, a ordem dos elementos é importante.

Exemplo

Quantos anagramas existem na palavra AMOR?

Anagrama nada mais é do que a troca de posição entre as letras da palavra,

formando novas palavras, que podem fazer sentido ou não na nossa língua. Esse
problema é uma permutação porque estamos calculando todos os agrupamentos
possíveis ao mudar a ordem de todos os elementos do conjunto.

23
10.2 ARRANJO

Entendemos como arranjos os agrupamentos ordenados formados por parte dos

elementos de um conjunto. Dado um conjunto de n elementos, queremos saber quantos
agrupamentos ordenados podemos formar com p elementos, sendo p sempre menor que
n. Perceba a diferença entre o arranjo e a permutação – em ambos a ordem é importante,
mas na permutação agrupamos todos os elementos do conjunto, já no arranjo agrupamos
apenas parte desses elementos.

Exemplo

O conselho de uma escola organizou-se para escolher os ocupantes dos cargos

administrativos mais importantes. Esses cargos seriam escolhidos a partir de votação de
todos os membros do conselho. Os cargos da instituição são diretor, secretário e
coordenador financeiro. Em cada voto será colocado o trio que ocupará cada um dos
cargos. Sabendo que há 5 candidatos possíveis para cada uma das vagas, o número de
comissões administrativas possíveis é?

Analisando o problema:

Ao analisar situações-problema que envolvem análise combinatória, é

importante identificar o agrupamento. Perceba que será feita uma escolha de 3 entre 5
possibilidades. Note também que a ordem é importante. Por exemplo, o voto para Aline,
Brenda e Cláudio não é o mesmo que o voto para Cláudio, Aline e Brenda – nesse caso,
já que são atribuídas funções para cada um deles, por mais que a comissão seja formada
pelos mesmos três candidatos, a ordem é importante, o que torna essa questão um
problema de arranjo.

Resolução:

n=5ep=3

Logo queremos calcular:

24
10.3 COMBINAÇÃO

A combinação é um agrupamento que está ligado a subconjuntos de um conjunto.

Entendemos como combinação de n, tomados de p em p, a contagem de todos os
subconjuntos possíveis com p elementos de n. A diferença entre a combinação e o
arranjo é que, na combinação, a ordem não é importante, então os conjuntos {A,B,C} e
{C,A,B} são os mesmos conjuntos.

Para calcular a combinação, utilizamos a fórmula:

Exemplo

Para a organização da colação de grau, os estudantes decidiram montar uma

comissão de formatura. Sabendo que havia 30 formandos e que somente 2 alunos
seriam escolhidos, a quantidade de comissões possíveis será?

Analisando o problema:

Ao analisar situações-problema que envolvem análise combinatória, é

importante identificar o agrupamento. Perceba que será feita uma escolha de 2 entre 30
possibilidades. Além disso, é possível perceber que a ordem não é importante, pois se a
comissão for composta por {Robson, Kleyton} ou {Kleyton, Robson}, por exemplo,
não haverá diferença alguma. Como a ordem não importa e estamos escolhendo
subconjuntos de um conjunto de 30 possibilidades, esse problema deve ser resolvido por
combinação.

11 ANÁLISE COMBINATÓRIA E PROBABILIDADE

Probabilidade é uma importantíssima área da Matemática e determina a chance

de um evento ocorrer. Estamos cercados por probabilidade nas lotéricas, nos jogos de
dados, cartas, entre várias outras situações. Para estudarmos probabilidade a fundo, é
fundamental o domínio dos conceitos da análise combinatória, pois a probabilidade de
um evento acontecer é a razão entre a contagem de todos os casos favoráveis sob a
contagem de todos os casos possíveis.

Assim, problemas que envolvem probabilidade podem também necessariamente

envolver uma situação de análise combinatória. Percebemos, então, que a análise
combinatória é um pré-requisito para o aprendizado da probabilidade, oferecendo
ferramentas importantes para a contagem tanto dos casos favoráveis como dos casos
possíveis.

Exemplo

Em uma turma de Inglês, será sorteada para três estudantes uma viagem com
tudo pago para a cidade de Caldas Novas. Sabendo que no curso há 12 alunos e que 5

25
são meninos, qual é a probabilidade de a dupla sorteada ser composta por duas
meninas?

Resolução

Para calcular a probabilidade, precisamos antes contar todas os trios possíveis e

também calcular todos os trios formadas por duas meninas. Como a ordem não é
importante, podemos usar combinação.

1º passo – Todos os trios possíveis

n= 12 (todos os alunos)

p = 3 (quantidade de alunos a serem escolhidos)

2º passo – Todos os trios formados por duas meninas

n = 12 – 5→ n = 7 (total de meninas)

p=3 (quantidade de alunos a serem escolhidos)

3º passo - Cálculo da probabilidade

12 VARIÁVEIS ALEATÓRIAS

Neste capítulo serão estudados o conceito de variável aleatória, sua

classificação: discreta e contínua; os tipos de distribuição de probabilidade: função de
probabilidade, função de distribuição e densidade de probabilidade; e os conceitos de
esperança e variância para cada tipo de variável aleatória apresentada.

12.1 CONCEITOS E DEFINIÇÕES

Definição 4.1 (Variável aleatória). Seja E um experimento aleatório e (,F,P) o

espaço de probabilidade associado a E. Então uma função X : ! R, que associa a cada
elemento de ! 2 um número real é uma variável aleatória se,

Observação 4.1. A função X deve ser unívoca, isto é, para cada ! 2 deve haver
apenas um X(!) associado. Entretanto, diferentes valores de ! podem levar a um mesmo
valor de X.

Exemplo. Considere o seguinte experimento: selecionar uma peça em uma linha

de produção e observar se a peça é boa ou ruim. Nestas condições, segue que = fb, r g
em que b=boa e r=ruim.

26
Consideremos a seguinte variável aleatória,

13 PROBABILIDADE FREQUENTISTA

Dado um evento aleatório, desejamos atribuir um número que represente a

chance de ocorrência se o experimento fosse realizado. A maneira dita frequentista de
determinar a probabilidade de um evento consiste em repetir o experimento aleatório,
muitas vezes, anotando a frequência com que o evento ocorre.

Denotemos por n(A) o número de vezes em que o evento A ocorre em n

repetições do experimento. A razão fn,A =na/n 𝑛 (𝐴)/𝑛 é denominada frequência
relativa de A nas n repetições do experimento.

Se for possível repetir o experimento um grande número de vezes, nas mesmas

condições, de modo que as repetições sucessivas não dependam dos resultados
anteriores, observa-se que a frequência relativa de ocorrências do evento A tende a uma
constante p.

Desta forma, o conceito frequentista estabelece o cálculo de probabilidades por

meio de observações sucessivas de um experimento aleatório. A probabilidade pode ser
estimada de maneira experimental ou mental e encontrada quando o número de
experimentações for repetido por muitas vezes.

A probabilidade de ocorrência do evento A é definida como o limite das

frequências relativas de a quando o total de repetições, n, cresce.

27
 No século XVIII, o naturalista francês Conde de Buffon (1707-1788), realizou
4048 lançamentos de uma moeda resultando em 2048 caras. No início do século, por
volta de 1900, o inglês

Karl Pearson (1857-1936), realizou 24000 lançamentos de uma moeda, obtendo

12012 caras. Percebese que a frequência é muito próxima de ½, que é a probabilidade
que esperaríamos de obter cara ao lançar uma moeda balanceada.

Exemplo 3. Tomemos o lançamento de dois dados balanceados, observando a

face voltada para cima.

Consideremos o espaço amostral Ω, que consiste de todos os pares ordenados

obtidos dessa forma.

Definamos os eventos.

A = ―A diferença em módulo entre os valores dos pares ordenados obtidos no

lançamento dos dois dados é igual a 1 ou 2‖.

B = ―A diferença em módulo entre os valores dos pares ordenados obtidos no

lançamento dos dois dados é igual a 0, 3, 4 ou 5‖.

Na Tabela 1 representamos as diferenças entre os valores obtidos nos lançamentos dos

dois dados, em módulo.

14 PROBABILIDADE SUBJETIVA

Para o estudo do tema probabilidade subjetiva nos basearemos em [22], [23],

[28] e [36].

A abordagem frequentista de probabilidade aplica-se a fenômenos ou processos

com o requisito de que possam ser repetidos, pelo menos conceitualmente, sob as
mesmas condições. Entretanto, muitas situações importantes não podem ser concebidas
satisfazendo à estrutura de repetições sob condições semelhantes. Por exemplo, ao nos
depararmos com perguntas como: qual é a probabilidade de que a economia de nosso
país esteja melhor no ano seguinte? Qual é a probabilidade de que eu obtenha sucesso
em minha entrevista para um novo emprego? Até mesmo diante de situações
corriqueiras, devo levar um casaco ao sair de casa durante a noite num dia de verão, mas
com ventos propícios a chuva?

Problemas como esses não podem ser solucionados pela abordagem clássica
nem pela abordagem frequentista de probabilidade. São problemas abordados pela
interpretação subjetiva de probabilidade.

A abordabem subjetivista de probabilidade pode ser aplicada quando nos

deparamos com problemas envolvendo incerteza, nos quais temos uma decisão a ser
tomada. Em tais situações sabemos que ao decidir não podemos determinar com

28
exatidão todas as implicações da decisão tomada, mas ao usar o conceito de
probabilidade, podemos expressar em termos quantitativos a incerteza na situação.

Quando usamos a probabilidade deste modo, dizemos que esta expressa o grau
de credibilidade racional. É interpretada como uma medida do grau de convicção, de
informação, ou como a quantificação do ponto de vista de um indivíduo em particular.

Por James Bernoulli em sua obra Ars Conjectandi [28]:

 O conhecimento que um indivíduo tem em um dado momento à sua disposição,

às vezes é insuficiente para obter certeza acerca da ocorrência ou não ocorrência
de um possível evento. Sendo assim, o indivíduo pode apenas obter um grau de
confiança a respeito do conjunto total de possibilidades apresentadas. O grau de
confiança depende do conhecimento que o indivíduo tem a sua disposição,
portanto, pode variar de uma pessoa para outra.

 A arte da estimativa consiste em estimar com maior precisão possível, os valores

corretos das probabilidades a respeito do conhecimento que se dispõe dos
diferentes eventos e obter o máximo de sucesso possível.

 O grau de confiança atribuído à probabilidade depende dos argumentos que

temos a favor ou contra o evento.

 O peso de um argumento depende do número de casos em que ele se faz válido,

contando que há casos em que pode ocorrer igual probabilidade.
 Exceto nos casos simples de jogos de azar, raras vezes podemos dizer se os
diferentes casos são igualmente prováveis ou não, então, poucas vezes podemos
atribuir probabilidades corretas a priori.

As ideias de Bernoulli não são subjetivistas, mas não se pode negar que há um
grau de subjetivismo nestas.

Também escreveu trabalhos nessa área o matemático italiano Bruno de Finetti

(1906 – 1985).

Finetti foi o primeiro a tentar axiomatizar a teoria da subjetividade em seus

trabalhos publicados em 1931 e 1937. Desde o início do século, alguns filósofos tem
tentado estabelecer teses em que as probabilidades atribuídas a uma pessoa aos
possíveis eventos de um experimento aleatório são necessariamente de natureza
subjetiva.

A teoria subjetivista começou a ser aplicada mais geralmente com o trabalho de

Leonard J.

Savage (1917 – 1971), matemático e estatístico estadounidense. Sua obra ―Os

Fundamentos da

Estatística‖, publicada em 1954 trata de forma completa da teoria da subjetividade.

29
 Bruno de Finetti e L. J Savage, no estudo do subjetivismo, propõem uma noção
de probabilidade pessoal ou subjetiva onde é possível usar as técnicas estatísticas aceitas
até então, propondo métodos de obtenção de probabilidades pessoais aproximadas
através das ideias da teoria da decisão estatística.

Sendo assim os métodos teóricos de tomada de decisões proporcionam uma nova

base para atribuir uma probabilidade pessoal.

Bruno de Finetti afirma que não há necessidade de supor que a probabilidade de

algum evento tem um único valor determinado. Seu ponto de vista filosófico é de que a
probabilidade expressa a informação de um indivíduo. O trabalho detalhado deste autor
é parte importante para o desenvolvimento da probabilidade subjetiva como uma
quantificação da incerteza. A probabilidade subjetiva representa até que ponto uma
pessoa coerente crê que uma afirmação é certa, baseada em informações disponíveis que
possui até aquele momento. Para que o indivíduo seja coerente requer-se que cada
avaliação feita seja consistente com cada uma das avaliações restantes relacionadas, tal
que não existam contradições entre elas. Estas restrições de coerência asseguram o
cumprimento dos axiomas convencionais de probabilidade.

Para Savage, a probabilidade subjetiva mede a confiança que um indivíduo

particular tem na verdade de uma proposição, ou pode expressar a opinião de uma
pessoa tal como se vê refletida no seu comportamento real ou potencial.

Na prática, a probabilidade subjetiva surge diante de situações do cotidiano. Por

exemplo, toda vez que temos que decidir se devemos ou não levar o guarda-chuva, dado
que o serviço meteorológico prevê chuva durante o dia, estamos usando probabilidade
subjetiva. Diante de decisões, sejam estas importantes em nossa vida ou simplesmente
rotineiras, o processo decisório se faz presente.

Sendo assim, a probabilidade subjetiva, expressa pela opinião pessoal, pressupõe

a racionalidade das pessoas, bem como leva em consideração fatores não facilmente
mensuráveis em termos objetivos: intuição, experiência, vivência, conhecimento e a
interação destes fatores.

Neste trabalho, aplicamos o conceito subjetivista nos experimentos ―As médias

podem não ser significativas?‖, ―Sorte ou azar?‖, ―Ciência forense e probabilidade‖ e
―Qual a melhor decisão?‖, respectivamente nas seções 6.2, 6.3, 6.4 e 6.5. No Capítulo 5
apresentamos aspectos da teoria da decisão de forma mais detalhada.

30
 15 REGRA DA PROBABILIDADE TOTAL

A regra da probabilidade total tem diversas aplicações envolvendo a tomada de

decisão. Resulta diretamente da definição de probabilidade condicional e das
propriedades vistas para a probabilidade.

Exemplo 10. Um piloto de fórmula I tem probabilidade de 0,5 vencer

determinada corrida, quando esta se realiza sob chuva. Caso não chova durante a
corrida, sua probabilidade de vitória é de 0,25. Se o serviço meteorológico estimar em
0,3 a probabilidade de que chova durante a corrida, qual é a probabilidade deste ganhar
a corrida?

Resolução. Definimos os eventos G ―ganhar a corrida‖, C ―chover‖ e N ―não chover‖.

Temos as seguintes informações:

 Probabilidade de ganhar a corrida em dia de chuva P(G│C) = 0,5;

 Probabilidade de ganhar a corrida em dia sem chuva P(G│N) = 0,25;
 Probabilidade de chuva P(C) = 0,3, logo a probabilidade de não chover é P(N) =
0,7;
 Queremos a chance de o piloto ganhar a corrida com ou sem chuva: P(G) = P(G
∩ C) + P( G ∩ N).
Temos que:

 P(G) = P(G│C)P(C) + P(G│N)P(N).

 P(G) = (0,5)(0,3) + (0,25)(0,70)
 P(G) = 0,325 ou 32,5%.

Considerando A1, A2,...,An uma partição do espaço amostral Ω e seja B um

evento qualquer em Ω, como mostra a Figura 9.

Figura - Partição de um espaço amostral.

31
Como a união de todos os Ai‟s resulta no espaço amostral, segue que B = (A1∩B) U
(A2∩B) U ... U(An∩ B).

O fato de alguns destes termos serem o conjunto vazio não invalida o resultado, uma
vez que A

U Ø = A. Por definição de partição, os Ai‟s, com i = 1, 2, ..., n , são mutuamente

exclusivos dois a dois, logo os eventos Ai ∩ B também o são. Então, pela probabilidade
de eventos mutuamente exclusivos, podemos escrever P(B) = P[(A1 ∩ B) U (A2 ∩ B)
U ... (An ∩ B)] = P(A1 ∩ B) + P(A2 ∩ B) + ... + P(An ∩B).

Pela regra do produto, temos

P(B) = P(A1)P(B│A1) + P(A2)P(B│A2) + … + P(An)P(B│An).

Este resultado é conhecido como regra da probabilidade total.

Definição 7. Seja A1, A2, ..., An uma partição do espaço amostral Ω e seja B um evento
qualquer em Ω.

Então

Como visto, a probabilidade P(Ai) é denominada probabilidade „a priori‟ do evento Ai,

com i = 1, 2,..., n. Suponha que B tenha ocorrido. Usando esta informação podemos
calcular a probabilidade „a posteriori‟ do evento Ai, ou seja, calcular P(Ai│B). Por
definição, de acordo com a probabilidade condicional, temos que

P(Ai │B) =.

Usando a regra do produto e a regra da probabilidade total

Este resultado é conhecido como teorema de Bayes, descreveremos sobre ele na

próxima secção e daremos alguns exemplos para facilitar a compreensão.

16 TEOREMA DE BAYES

Os conceitos sobre teorema de Bayes estão apresentados em [1], [8], [9], [10], [21] e
[31].

O teorema de Bayes permite calcular as probabilidades dos vários eventos A1, A2, ...,
An que podem ser a causa da ocorrência do evento B. Devido a isto, o teorema de Bayes
é também conhecido como teorema da probabilidade das causas.

32
Definição 8. Seja A1, A2, ..., An uma partição do espaço amostral Ω e seja B um evento
não vazio em Ω. Então

Dessa forma estamos calculando a probabilidade P(Ai│B) como sendo a probabilidade

de ocorrer o evento Ai sabendo que o evento B já ocorreu. O número P(Ai) é
denominado probabilidade a priori do evento Ai e P(Ai│B) é denominado a posteriori
do evento Ai.

Demonstração. Da definição de probabilidade condicional temos

O numerador da expressão (I) pode ser reescrito pela regra do produto, condicionado à
Ai, isto é P(Ai ∩ B) = P( B ∩ Ai) = P(B│Ai) P(Ai).

Para completar a demonstração, podemos escrever o denominador da expressão (I) da

seguinte forma:

Exemplo 11. Suponha que numa população qualquer a cada 1000 pessoas consultadas,
6 pessoas possuem a doença X. Cientistas já descobriram que, se alguém tem essa
doença, existem 92% de probabilidade de que um exame de sangue dê positivo para X e
8% de chances de que dê negativo.

Descobriram também que, se alguém não tem a doença X, existem 0,5% de

probabilidade de que o exame de sangue dê positivo para X. Suponha também que ao
escolher uma pessoa dessa população ao acaso e realizar nela um exame de sangue
obtenho positivo. Qual é a probabilidade de que essa pessoa tenha de fato a doença?

Resolução. Sejam os eventos T ― tem a doença X‖ O ―positivo para a doença X‖.

Os eventos complementares são T ―não tem a doença X‖ O ―negativo para a doença X‖.
Sabemos que
P(T) = 0,006 P(O) = 0,92
P(T ) = 0,994 P(O ) = 0,08.

Podemos representar o problema através do diagrama conhecido como árvore

das probabilidades, conforme Figura 10. Neste diagrama, primeiro estabelecemos se a
pessoa é ou não 41 portadora da doença X, temos assim dois ramos. De cada um desses
ramos emanam mais dois ramos, que apresentam as probabilidades de o exame dar
positivo para a doença X ou dar negativo para a doença X. No final de cada um dos
quatro ramos formados temos as probabilidades correspondentes a cada um dos eventos,
ter a doença e o teste dar positivo, ter a doença e o teste dar negativo, não ter a doença e

33
o teste dar positivo e, não ter a doença e o teste dar negativo. O cálculo destas
probabilidades é feito através da regra do produto.

Figura - Árvore das probabilidades.

Observando a Figura 10, podemos responder facilmente à pergunta do problema:

se escolho uma pessoa ao acaso e obtenho positivo para a doença X, qual a
probabilidade de que ela tenha de fato a doença X?

As probabilidades para positivo em relação à doença X são 0,00552 para quem tem a
doença X e
0,00497 para quem não tem a doença X.

16.1 Aplicando o teorema de Bayes

Exemplo. Duas caixas idênticas enumeradas com os números 1e 2 possuem bolinhas

em seu interior. As bolinhas também são idênticas em relação ao formato e diferem
externamente entre si apenas pela cor. A caixa 1 possui 10 bolinhas vermelhas e 2
bolinhas pretas. A caixa 2 possui 8 bolinhas vermelhas e 4 bolinhas pretas.

Escolhendo-se aleatoriamente uma das caixas e sorteando-se uma das bolas, qual é a
probabilidade de sortearmos uma bola preta? Sabendo-se que a bola sorteada é da cor
preta, qual é a probabilidade de que tenha sido retirada da caixa 2?

Resolução. Consideremos os eventos, A ―sortear caixa 1‖, B ―sortear caixa 2‖, V

―sortear bola
vermelha‖ e P ―sortear bola preta‖.

34
A árvore das probabilidades para o problema está representada pela Figura 11.

A primeira ramificação da árvore indica a probabilidade de retirada de cada uma

das caixas, como são duas caixas temos a probabilidade de ½ para cada uma delas. Do
ramo da caixa 1, indicado pelo evento A emanam dois ramos com as probabilidades de
se sortearem bolas vermelhas e pretas contidas nessa urna. Temos 10 bolas vermelhas e
2 bolas pretas, então as probabilidades de retirada de bola vermelha e retirada de bola
preta da urna 1 são dadas, respectivamente por 5/12 e 1/12

Do ramo da caixa 2, também emanam dois ramos com as probabilidades das

retiradas de bolas vermelhas e pretas desta urna, indicadas, respectivamente por
1/3 e 1/6
A soma das probabilidades, em cada ramificação, é sempre igual a um.

Para responder a primeira pergunta, qual é a probabilidade de retirarmos bola preta,

basta aplicarmos a regra da probabilidade total.

A probabilidade de retirarmos bola preta é igual a 0,25.

Para responder a segunda pergunta, sabendo que a bola retirada é da cor preta,
qual a probabilidade de que a caixa escolhida seja a de número 2, usamos o teorema de
Bayes.

35
 17 INTERDEPENDÊNCIA

A interdependência é reconhecida como uma das características fundamentais

para a existência e funcionamento dos grupos. Em geral na literatura, a interdependência
nos grupos e equipas surge conceptualmente associada às condições de realização do
trabalho, sendo a interdependência de tarefa e a interdependência de resultados as duas
variáveis mais estudadas.

Na presente dissertação, numa perspetiva sociotécnica e dinâmica, tanto a

interdependência de realização do trabalho de equipa, como a interdependência
socioafetiva são estudadas em equipas em diferentes fases da sua vida, pretendendo-se
perceber a forma como ambas se relacionam com a eficácia das equipas.

No primeiro estudo empírico, com uma amostra de 319 elementos de diferentes

equipas organizacionais, pretendeu-se, tendo por base a revisão de literatura realizada,
construir uma medida para avaliar a interdependência socioafetiva entre os membros de
uma equipa. Os resultados obtidos apontam para a natureza multidimensional do
constructo, tendo sido identificadas as seguintes três dimensões: proximidade
emocional, emocionalidade no trabalho e expressão aberta.

A medida desenvolvida, a Escala de Interdependência Socioafetiva Intragrupal,

mostrou ser válida e consistente na avaliação do constructo de interdependência
socioafetiva nos grupos de trabalho, tendo sido depois validada no segundo estudo
empírico. No segundo estudo, que envolveu 98 equipas de trabalho com funções de
gestão, coordenação ou controlo, pertencentes a 41 organizações de diferentes setores
(10 da indústria, 4 do comércio e 27 de serviços), testou-se empiricamente ao nível
grupal o modelo hipotético que previa que: (1) a interdependência socioafetiva fosse
mediadora da relação entre variáveis de interdependência de realização do trabalho em
equipa (tarefa, resultados e funções), medidas através de indicadores de densidade da
rede social, e a eficácia grupal (satisfação e desempenho grupal); (2) o desenvolvimento
grupal fosse moderador da associação entre interdependência de realização do trabalho
em equipa e interdependência socioafetiva, por um lado, e entre interdependência de
realização do trabalho em equipa e eficácia grupal, por outro, e ainda entre a
interdependência socioafetiva e a eficácia grupal. Em primeiro lugar, os principais
resultados confirmam o papel mediador da interdependência socioafetiva, considerando
todas as suas dimensões, na associação entre interdependência de funções e satisfação
grupal, por um lado, e desempenho grupal, por outro.

Verificou-se igualmente a existência de efeitos mediadores da emocionalidade

no trabalho na relação entre interdependência de tarefa e satisfação grupal e entre
interdependência de resultados e satisfação grupal. Em geral, estes resultados apontam
para diferentes efeitos mediadores de cada uma das três variáveis de interdependência
socioafetiva estudadas. Em segundo lugar, o estudo do papel moderador do
desenvolvimento grupal mostrou alguns efeitos significativos que, de modo geral,
apontam para a existência de diferenças entre o segundo (Reenquadramento) e o quarto

36
(Realização) estádios de desenvolvimento grupal, definidos segundo o modelo
integrado de desenvolvimento grupal (Miguez & Lourenço, 2001). Em particular,
observaram-se efeitos de interação significativos entre o desenvolvimento grupal e a
interdependência de resultados na satisfação grupal e entre o desenvolvimento grupal e
a proximidade emocional na satisfação grupal, apresentando ambos os efeitos maior
magnitude no Estádio 2 comparativamente ao Estádio 4.

No final, tendo por base a revisão de literatura realizada e os resultados obtidos,

são discutidas as principais implicações teóricas, metodológicas e práticas da
investigação, em torno das temáticas da interdependência, do desenvolvimento e da
eficácia no contexto dos grupos de trabalho, com especial destaque para o papel da
interdependência socioafetiva. Termina-se com a indicação dos contributos e limitações
do estudo e de sugestões para investigações posteriores.

37
 18 CONCLUSÃO

Até o advento da teoria da medida o campo de probabilidade foi principalmente

uma coleção de problemas de azar e de métodos ad hoc para resolvê-los. O interesse de
matemáticos nestes problemas remonta a Pascal e Fermat no século 17. No entanto, não
havia nenhuma teoria geral, nem boas de_nições fundamentais em que se basearem.
Esta é uma das principais realizações do século 20 e é inteiramente devido ao
desenvolvimento da teoria da medida.

O uso de uma medida para descrever a probabilidade foi feita por E. Borel na
virada do século. Em 1920-1923 N. Wiener construiu uma medida sobre o espaço de
curvas contínuas para representar a probabilidade que descreve o movimento de
partículas suspensas num _uido conhecido como movimento Browniano. Este
fenômeno tinha sido objeto de estudo por físicos há algum tempo e de tratamentos
matemáticos por A. Einstein e por M. Smoluchowski por volta de 1905. A ideia de usar
uma medida em um espaço tão complicado para descrever um fenômeno físico abriu
totalmente novas perspectivas. Esta medida, agora referida como medida de Wiener,
eventualmente, levou ao estabelecimento de uma teoria geral da probabilidade e de
processos estocásticos nas próximas duas décadas.

38
 19 BIBLIOGRAFIA

Murteira, B., Ribeiro, C.S., Silva, J.A. e Pimenta C. (2010). Introdução à Estatística.
Escolar Editora.

Neves, M. (2009) Introdução à Estatística e Probabilidade. Apontamentos de apoio às

aulas.

– Teoria da Probabilidade: www.isa.utl.pt/dm/estat/estat/seb2.pdf

Pestana, D.D. e Velosa, S.F. (2002) Introdução à Probabilidade e à Estatística, vol.I,
Fundação Caloustre Gulbenkian, Lisboa.

Mark (https://mathover_ow.net/users/7392/mark). Demystifying the Caratheodory

Approach to Measurability. MathOver_ow. URL:https://mathover_ow.net/q/34029
(version: 2010-07-31).

Charalambos D Aliprantis e Kim Border. In_nite Dimensional Analysis: A Hitchhiker’s

Guide.

Springer Science & Business Media, 2006.

Robert Ash. Real Analysis and Probability. Vol. 6. Academic Press, 1972, p. 70.
Robert G Bartle. The elements of integration and Lebesgue measure. John Wiley &
Sons, 2014.

Andrej Bauer. Why do roots of polynomials tend to have absolute value close to 1?
MathOver- _ow https://mathoverflow.net/q/182412. 2014.

Heinz Bauer e R... B. Burckel. Probability theory and elements of measure theory.
Academic Press London, 1981.

V Bentkus et al. Limit theorems of probability theory. Springer Science & Business
Media, 2013.

Patrick Billingsley. Convergence of probability measures. John Wiley & Sons, 2013.

39