INSTITUTO SUPERIOR DE CIÊNCIAS E EDUCAÇÃO A DISTÂNCIA

Departamento de Ciências de Educação

Curso de Licenciatura em Comunicação Aplicada em Jornalismo e Marketing

Probabilidade (Noções): distribuições bidimensionais e noção intuitiva e frequencista

das probabilidades

Alberto Domingos Pio: 96220508, Turma A

Mecanhelas-Niassa, Março, 2022

 i

INSTITUTO SUPERIOR DE CIÊNCIAS E EDUCAÇÃO A DISTÂNCIA

Departamento de Ciências de Educação

Curso de Licenciatura em Comunicação Aplicada em Jornalismo e Marketing

Probabilidade (Noções): distribuições bidimensionais e noção intuitiva e frequencista

das probabilidades

Trabalho de Campo a ser submetido na

Coordenação do Curso de Licenciatura em
Comunicação Aplicada em Jornalismo e
Marketing da UnISCED.
O Tutor
Dra Delfina Nombora

Alberto Domingos Pio: 96220508, Turma A

Mecanhelas-Niassa, Março, 2022

Índice

Introdução.............................................................................................................................. 3

1. Probabilidades (Noções): distribuições bidimensionais e noção intuitiva e frequencista das

probabilidades ........................................................................................................................ 4

1.1. Distribuições Bidimensionais .......................................................................................... 4

1.1.1. Diagrama de dispersão: tratamento (análise) qualitativo ............................................... 5

1.1.1.1. Modelo de regressão ................................................................................................ 10

1.1.2. Correlação entre duas variáveis: tratamento (análise) quantitativo .............................. 12

1.1.2.1. Coeficiente de correlação linear de Pearson ............................................................. 12

1.1.2.2. Importância do estudo da correlação linear .............................................................. 14

1.2. Noção intuítiva e frequencista das probabilidades .......................................................... 14

1.2.1. Definição intuitita ou clássica de probabilidade ou Lei de Laplace ou ainda definição

apriori .................................................................................................................................. 15

1.2.1.1. Limitações da definição clássica das probabilidades ................................................ 15

1.2.2. Definição frequencista de probabilidades .................................................................... 16

1.2.3. Axiomatização do conceito de probabilidade ou definição axiomática ........................ 16

Conclusão ............................................................................................................................ 21

Referências bibliográficas .................................................................................................... 22

ii
Introdução
A Teoria das Probabilidades é o ramo da Matemática que estuda e desenvolve modelos que
podem ser utilizados para estudar experimentos ou fenómenos aleatórios. O estudo e
compreensão das probabilidades é útil porque ajuda a desenvolver estratégias. Assim alguns
motoristas parecem demonstrar uma tendência para correr a grandes velocidades se acham
que há pouco risco de serem apanhados, os investidores sentem-se mais inclinados a aplicar
seu dinheiro se as chances de lucros são boas, carregaremos capa ou guarda-chuva se houver
grande probabilidade de chuva; uma empresa pode sentir-se inclinada a negociar se houver
forte ameaça de greve; mais inclinado a investir num novo equipamento se há boa chance de
ganhar dinheiro; ou a contratar um novo funcionário que pareça promissor.

Actualmente, existem cinco visões ou definições de Probabilidade (Clássica, frequentista,

geométrica, subjectiva e axiomática). Neste trabalho, nos limitaremos a duas dessas visões, a
visão clássica e a visão frequentista, com maior incidência para a definição clássica já que os
exercícios aqui patentes foram resolvidos mediante a expressão de definição clássica/Laplace.

Duas séries estatísticas também podem ser estudadas para compreender a relação entre suas
variáveis, e neste trabalho vamos aprender isso.

O presente trabalho da cadeira de Estatística Aplicada intitulado: “Probabilidades (Noções):

distribuições bidimensionais e noção intuitiva e frequencista das probabilidades” constitui o
trabalho de campo orientado no âmbito curricular de formação no ISCED – 2022, curso de
Licenciatura em Comunicação Aplicada em Jornalismo e Marketing, 1º semestre do 1º ano.

Este trabalho pretende: em Geral, compreender a aplicação das distribuições bidimensionais e

da noção intuitiva e frequencista das probabilidades na resolução de problemas do nosso dia-
a-dia; objectivo que se concretiza nos seguintes objectivos específicos: Caracterizar as
distribuições Bidimensionais (correlação e regressão); Diferenciar a noção intuítiva da
frequencista das probabilidades (Lei dos Grandes números e Axiomas de probabilidade) e
Aplicar as distribuições Bidimensionais (correlação e regressão) e a noção intuítiva e
frequencista das probabilidades (Lei dos Grandes números e Axiomas de probabilidade) na
resolução de problemas do dia-a-dia.

A metodologia empregada na elaboração e pesquisa deste trabalho foi a consulta

bibliográfica.

3
1. Probabilidades (Noções): distribuições bidimensionais e noção intuitiva e frequencista
das probabilidades
1.1. Distribuições Bidimensionais
As distribuições estatísticas envolvendo o estudo da relação entre duas variáveis chamam-se
distribuições bidimensionais. A análise de regressão é a parte da estatística que investiga a
relação entre duas ou mais variáveis relacionadas de maneira não-determinística.

Exemplos:
a) O tráfego nas ruas que dão acesso a uma escola e o número de alunos que chegam
atrasados a essa escola.
b) O número de televisores vendido por uma loja de uma cidade e o número de
passageiros que viajam nos transportes públicos dessa cidade.
c) O número de pessoas que vivem num prédio e o custo da electricidade de todos os
andares do prédio.
d) O número de flores de um jardim e o número de abelhas no mesmo jardim.
e) O número de horas de estudo da disciplina de Matemática e a nota em Matemática.
 Variáveis
Variável: características ou itens de interesse de cada elemento de uma população ou
amostra. Também chamada parâmetro, posicionamento, condição... (Kazmier, 1982, p.99)

Exemplo: velocidade x consumo combustível.

 Correlação entre duas variáveis

Duas variáveis estão relacionadas se a mudança de uma provoca a mudança na outra.

Segundo Bussab e Morettin (2010), “a correlação pode ser classificada em negativa, nula e
positiva” (p.134).
a) Correlação positiva – as variáveis evoluem em geral no mesmo sentido: a um
aumento dos valores de uma variável, corresponde também um aumento nos valores
da outra variável.
Exemplo: altura e o peso das pessoas.

b) Correlação negativa – as variáveis evoluem em sentido contrário quando uma

aumenta a outra tende a diminuir: a um aumento dos valores de uma variável,
corresponde a uma diminuição dos valores da outra.

4
Exemplo: intensidade da chuva e a temperatura do ar.

c) Correlação nula – não há influência de uma variável na outra, ou seja, há ausência de

qualquer relação entre dois fenómenos, essas variáveis são denominadas
independentes.
Exemplo: a idade do pai e a nota de desenho de cada aluno.
A análise da correlação pode ser qualitativa ou quantitativa.
 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.

1.1.1. Diagrama de dispersão: tratamento (análise) qualitativo

Um dos primeiros passos que pode ser dado na análise da relação entre duas variáveis, é a
construção do diagrama de dispersão. O diagrama de dispersão é um gráfico de pontos. Ele
permite ver se existe alguma relação entre as variáveis, identificando a equação que a
descreve adequadamente (Macie & Manhique, s.d., p.76).
 Análise do diagrama de dispersão
A relação entre as variáveis pode ser positiva (a um aumento dos valores de uma variável,
corresponde também um aumento nos valores da outra variável) ou negativa (a um aumento
dos valores de uma variável, corresponde a uma diminuição dos valores da outra).

Os aspectos que seguem são relevantes na análise dos Diagramas:

 DIRECÇÃO (crescente, decrescente).
 FORMA (linear, não-linear, aglomerados).
 PONTOS DISCREPANTES (Kazmier, 1982).

5
Quanto maior a correlação, mais próxima de uma recta a 45º ou 135º será a distribuição.

 Vantagens e desvantagens do diagrama de dispersão

O diagrama de dispersão apresenta vantagens consideráveis ao permitir identificar de
imediato certos atributos da relação entre variáveis.

Todavia, este tipo de gráfico apresenta, em algumas circunstâncias, certos inconvenientes.

Quando há observações que se repetem, o diagrama de dispersão não realça a frequência com
que aparecem tais observações e, tudo se passa em termos gráficos, como se não houvesse
repetições, pois, a representação gráfica de qualquer deles localiza-se no mesmo ponto.

A análise gráfica da relação entre variáveis é importante, mas os olhos nem sempre são um
bom juiz da intensidade de uma relação linear (Kazmier, 1982, p.111).

Os diagramas a seguir ilustram precisamente os mesmos dados, mas o gráfico inferior é

menor em um campo mais amplo (escala diferente).

Nossos olhos podem ser enganados por uma mudança de escalas, ou pela quantidade de
espaço em branco em torno do aglomerado dos pontos. Deve-se, então, utilizar uma medida
numérica para suplementar o gráfico: Coeficiente de Correlação Linear (r) que veremos ao
longo deste trabalho, na dianteira.

 Construção (esboço) do diagrama de dispersão

Constrói-se o diagrama de dispersão, fazendo corresponder através de pontos o valor de X i

ao valor correspondente de Yi , isto é, os valores de X i e Yi são considerados como pares

ordenados e, cada par representa um ponto no plano (Bussab & Morettin, 2010, p.140).

Assim,
6
  No eixo “x” são representados os valores da variável que é alterada por uma
modificação no processo (variável independente);

Geralmente uma possível causa de um problema.

 No eixo “y” são representados os valores da variável que pode mudar de
acordo com a mudança da variável em “x” (variável dependente);
Geralmente um indicador de qualidade ou efeito gerado por uma causa.
Os valores correspondentes de X i e Yi podem ser apresentados em tabelas de frequências,
simples ou de dupla entrada.

Exemplo:

Numa turma da 12ª classe, as classificações internas e as obtidas no exame nacional, na

disciplina de Matemática, tiveram a seguinte distribuição:
Número do aluno Classificação interna Exame Nacional
1 12 11
2 10 9
3 13 14
4 12 12
5 11 10
6 10 11
7 15 16
8 16 15

7
 a) Organize a informação da tabela através de um diagrama de dispersão ou nuvem de
pontos.
b) À medida que a classificação interna aumenta (valores de x), o que acontece à
classificação de exame (valores de Y) ?
c) Determine as médias da classificação interna e da classificação de exame e designe-as,
respectivamente, por 𝑥, 𝑦. Represente o ponto (centro de gravidade) no referencial.
d) Trace duas rectas paralelas aos eixos coordenados e que passem pelo centro de
gravidade. Em que quadrantes se situam os pontos desta distribuição?
e) Trace uma recta que passe pelo centro de gravidade e se aproxime o mais possível dos
pontos representados no referencial.

Resposta:

a) A nuvem de pontos correspondente as classificações internas e as obtidas no exame

nacional, na disciplina de Matemática numa turma da 12ª classe é:

b) Olhando a nuvem de pontos acima vê-se que à medida que a classificação interna aumenta
(valores de x), classificação de exame (valores de Y) também aumenta (a correlação é linear
positiva).

c) Média da classificação interna (𝑥)

8
 8𝑥 10+10+11+12+12+13+15+16 99
1 𝑖
𝑥= = = = 12,375
𝑛 8 8

Média da classificação de exame (𝑦)

8𝑦 9+10+11+11+12+14+15+16 98
1 𝑖
𝑦= = = = 12,25
𝑛 8 8

Representando o ponto (centro de gravidade) no referencial vem:

d) Traçando duas rectas paralelas aos eixos coordenados e que passem pelo centro de
gravidade, tem-se:

9
Olhando a figura resultante, nota-se que os pontos desta distribuição situam-se no 1º e 3º
quadrantes.

e) Traçando uma recta que passe pelo centro de gravidade e se aproxime o mais possível dos
pontos representados no referencial, tem-se:

1.1.1.1. Modelo de regressão

Segundo Kazmier (1982), “constitui uma tentativa de estabelecer uma equação matemática
linear que descreva o relacionamento entre duas variáveis (uma dependente e outra
independente)” (p.125).

A equação de regressão tem por finalidade ESTIMAR valores de uma variável, com base em
valores conhecidos da outra.

O modelo regressão é dado por:

ŷi   x i +    i

Onde:
ŷi  valor estimado (variável dependente);
x i  variável independente;
  coeficiente de regressão (coeficiente angular);

10
  coeficiente linear;
 i  resíduo.
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.

Os valores de “a” e “b” da recta de regressão ŷ  a x + b serão:

n n n
n  xy   x  y
Sxy
a i =1 i 1 i 1
2
 e b  ya x
n
 n  Sxx
n x    x 
2

i =1  i 1 
Para cada par de valores (xi , yi) podemos estabelecer o desvio:
ei  yi  yˆ i  yi  (a  bxi ) ( Bussab & Morettin, 2010, p.165)

Exemplo: Determine o modelo de regressão linear para a relação Vendas (x 1000) X Lucro
(x100) abaixo:
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

Resolução:
Para facilitar os cálculos da recta de regressão, acrescentamos três novas colunas na tabela
dada.
Obs. Vendas (Xi) Lucro (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

11
 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)(46 1,38) = 15,66

ŷ  0,0159 x + 15,66

1.1.2. Correlação entre duas variáveis: tratamento (análise) quantitativo

Duas variáveis estão relacionadas se a mudança de uma provoca a mudança na outra.

Exemplo: velocidade x consumo combustível.

Tem como objectivo 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”.

Quando uma delas está, de alguma forma, relacionada com a outra, isto é, quando a alteração
no valor de uma variável (dita independente) provoca alterações no valor da outra variável
(dita dependente) ( Bussab & Morettin, 2010, p.165).

1.1.2.1. Coeficiente de correlação linear de Pearson

O coeficiente de correlação linear é uma medida descritiva que avalia o tipo e a intensidade
(magnitude) de uma relação. Representa-se por letra rxy . A sua expressão matemática é:
n

S xy  x i  x  y i  y 
rxy   i 1
(Lopes, 2005, p.97)
SxSy n n

 x  x     yi  y 
2 2
i
i 1 i 1

O coeficiente de correlação varia entre -1 a +1. Valores próximos dos extremos indicam uma
associação forte entre as variáveis. Alguns autores convencionam que:
 0  rxy  0,2 ou  0,2  rxy  0 Associação muito baixa;

 0,2  rxy  0,4 ou  0,4  rxy  0 ,2 Associação baixa;

 0,4  rxy  0,7 ou  0,7  rxy  0 ,4 Associação moderada;

 0,7  rxy  0,9 ou  0,9  rxy  0 ,7 Associação forte

 0,9  rxy  1 ou  1  rxy  0 ,9 Associação muito forte

12
  Se rxy for igual a -1 ou +1 diz-se que a relação é perfeita.

Esquematicamente:
valor de r
-0,5 0 +0,5
-1 +1
Negativa Negativa Negativa Positiva Positiva Positiva
forte moderada fraca fraca moderada forte

0
Exemplo:
Considere que o gerente de uma loja está interessado em analisar a relação entre o número de
anúncios mostrados durante o fim-de-semana na televisão local e as vendas na loja durante a
semana seguinte. Para isso, ele recolhe os seguintes dados:
Número de anúncios 2 5 1 3 4 1 5 3 4 2
Volume de vendas (US$) 50 57 41 54 54 38 63 48 59 46
Calcule o coeficiente de correlação linear para avaliar o tipo e a intensidade (magnitude) da
relação entre o número de anúncios e o volume de vendas.

Resolução:
n n

 xi 30
y i
510
x i 1
 3 e y i 1
  51 ,
n 10 n 10

 xi  x   yi  y  xi  x  yi  y   x i  x 2  y i  y 2
-1 -1 1 1 1
2 6 12 4 36
-2 -10 20 4 100
0 3 0 0 9
1 3 3 1 9
-2 -13 26 4 169
2 12 24 4 144
0 -3 0 0 9
1 8 8 1 64
-1 -5 5 1 25
Total 99 20 566

13
 n

 x i  x  y i  y 
99 99
rxy  i 1
   0.93
n n
20  566 106 .4
 x  x  y  y
2 2
i i
i 1 i 1

Trata-se de correlação positiva muito forte, cujo diagrama de dispersão para a relação número
de anúncios e volume de vendas correspondente é:

Portanto, o gráfico mostra uma tendência crescente, a relação entre as duas variáveis é
positiva.

1.1.2.2. Importância do estudo da correlação linear

Uma das grandes contribuições da estatística para ampliar o entendimento humano sobre os
fenómenos observados é a capacidade de medir a relação entre diferentes variáveis. Os
coeficientes de correlação auxiliam os pesquisadores a mensurar essa relação. Portanto, a
correlação é usada em estatística como indicador para estudar o relacionamento entre duas
variáveis (Lopes, 2005, p.98).

1.2. Noção intuítiva e frequencista das probabilidades

Existem várias (cinco) definições básicas de probabilidade: uma frequencista, clássica ou de
Laplace e a definição axiomática. Porém, todas formas de definição chegam ao mesmo
conceito e resultado. A diferença reside apenas nas abordagens ou via de definição.

14
1.2.1. Definição intuitita ou clássica de probabilidade ou Lei de Laplace ou ainda
definição apriori
Segundo Lopes (2005) “o cálculo de probabilidades é um conjunto de técnicas matemáticas
que visa determinar as chances de ocorrência de eventos regidos pelas leis do acaso” (p.67).

“Na forma clássica, a probabilidade P de um evento E é dada por:

𝐧ú𝐦𝐞𝐫𝐨 𝐝𝐞 𝐜𝐚𝐬𝐨𝐬 𝐟𝐚𝐯𝐨𝐫𝐚𝐯𝐞𝐢𝐬 𝐚 𝐄 𝑬
𝑷 𝑬 = =
𝐧ú𝐦𝐞𝐫𝐨𝐝𝐞 𝐜𝐚𝐬𝐨𝐬 𝐩𝐨𝐬𝐬í𝐯𝐞𝐢𝐬 𝒏

Onde:
Os «casos favoráveis a E»/os elementos de E (# E designa o número de elementos de E);
𝒏 – resultados possíveis incompatíveis e equiprováveis do experimento.
𝑃 𝐸 – probabilidade do evento E”. (Vunga, s.d., p.91).

Dicas:
 Caso favorável é aquilo que se pretende verificar, é a “parte”, e aparece na
pergunta (nas alíneas);
 Casos possíveis correspondem ao espaço amostral, ao total dos casos.

1.2.1.1. Limitações da definição clássica das probabilidades

A definição clássica de probabilidades tem algumas limitações tais como:
 Só pode ser aplicada se o número de resultados possíveis da experiência aleatória for
finito;
 Só pode ser aplicada se os resultados forem igualmente prováveis (Bussab & Morettin,
2010, p.432).

Esta definição também não permite dar resposta às seguintes questões:

 Qual é a probabilidade de uma fábrica produzir num dia 20 unidades;
 Qual é a probabilidade de sair uma face no lançamento de uma moeda não honesta
(equilibrada);
 Qual é a probabilidade de uma pessoa seleccionada ao acaso ser hipertensa?
 Qual é a probabilidade de uma peça que sai de uma linha de produção ser defeituosa?

15
1.2.2. Definição frequencista de probabilidades
Define-se probabilidade - definição frequencista - de um acontecimento A e representa-se
por P(A), como sendo o valor obtido para a frequência relativa com que se observou A, num
grande número de realizações da experiência aleatória.

Portanto, ao número a volta do qual estabiliza a frequência relativa de um acontecimento,

quando o número de repetições da experiência cresce consideravelmente, chama-se
probabilidade do acontecimento.

O conceito frequencista de probabilidade, em que interpretamos a probabilidade de um

acontecimento da forma anteriormente considerada, não nos permite obter valores exactos
para a probabilidade. No caso da moeda, poderíamos continuar a lançar indefinidamente a
moeda, que nunca obteríamos o valor exacto para a probabilidade da saída de cara.

1.2.3. Axiomatização do conceito de probabilidade ou definição axiomática

Seja S o espaço amostral e P(S) o conjunto das suas partes. Chama-se probabilidade a toda
aplicação p do conjunto P(S) no conjunto [0, 1] de números reais, que verifica os seguintes
axiomas:
 Axioma 1: A probabilidade de qualquer acontecimento A do conjunto P(S) é o
número compreendido entre 0 e 1.
0  P( A)  1 , com A  S

P(A) será igual a 0 quando for um evento impossível.

Exemplo: A probabilidade de ocorrência de uma face voltada para cima mostrar cara e coroa
0
no lançamento de uma moeda é impossível. P   0
6
P(A) será igual a 1 quando for um evento certo.
 Axioma 2: A probabilidade do acontecimento certo é 1 (P(S)=1).
n( S )
De facto, se A é um evento certo, então A  S  S , logo, A=S, assim, P( A)   1.
n( S )
Assim, dependendo do valor da probabilidade pode-se tirar conclusões acerca das chances ou
possibilidades do evento ocorrer ou não. A figura abaixo ilustra como se deve tirar essas
pequenas conclusões, ou seja, a relação entre números e as possibilidades de ocorrência do
fenómeno.
Figura: Valores Possíveis para Probabilidades

16
 Fonte: Chistine (2006, p.123)
Observação: De salientar que as expressões provável e improvável podem ser substituídas
por muito provável e pouco provável, respectivamente. Dai que se dada uma expressão ou a
natureza de ocorrência de um fenómeno aleatório pode-se estimar ou associar um número
entre 0 e 1 que caracterize a sua forma de ocorrência.

 Axioma 3: se A  B representa a ocorrência de A ou de B ou de ambas, então:

P A  B  P A  PB  P A  B

Esta regra pode ser alargada para a reunião de três acontecimentos:

P A  B  C   P A  PB  PC   P A  B  P A  C   PB  C   P A  B  C 
Em particular, para eventos mutuamente exclusivos (disjuntos),
P A  B  P A  PB porque P A  B  0
Se A1 , A2 ,..., An são n eventos mutuamente exclusivos, que tem probabilidades P1 , P2 ,..., Pn ,

respectivamente, a probabilidade de ocorrência de todos eventos é: P  P1  p2  ...  Pn

(Macie & Manhique, s.d.).

Destes axiomas deduz-se o seguinte teorema:

Teorema 1: se A é um evento complementar de A, então P A  P A  1 ou 

P A  1  P( A) .
Exemplos:

17
1. Uma urna contém uma ficha para cada anagrama da palavra CARRO. Escolhendo uma
ficha ao acaso, determine a probabilidade de que:
a) O anagrama comece com C.
b) O anagrama comece com R e termine com C.

Resposta:
Seja A – o evento “a ficha escolhida tem anagrama que começa com C”, e; B o evento “a
ficha escolhida tem anagrama que começa com R e termine com C”
A palavra CARRO tem 5 letras, sendo uma repetida (a letra R aparece 2 vezes na palavra).
𝑃 5! 5∙4∙3∙2!
Portanto, casos possíveis: 𝑃5 = 2! = = 60
2 2!

a) Casos favoráveis:

𝑃
Portanto, 𝑃2 ∙ 2 ∙ 𝑃4 = 2 ∙ 𝑃4 = 2 ∙ 4! = 2 ∙ 24 = 48 casos favoráveis. Logo:
2

48
𝑝 𝐴 = = 0,8 = 80%
60
b) Casos favoráveis:

6
Portanto, 𝑃3 = 3! = 6 casos favoráveis. Logo: 𝑝 𝐵 = 60 = 0,10 = 10%

18
2. De um baralho de 52 cartas, tiram-se 2 delas sem reposição. Determine a probabilidade dos
seguintes eventos:

a) As duas cartas serem “reis”;

b) As duas cartas serem de “espada”;

c) Termos um “rei” e um “oito”.

Resposta:

a) Existem C252  1326 maneiras de se tirar 2 das 52 cartas. E existem 𝐶24 = 6 maneiras de se
retirar 2 das 4 cartas de reis, logo:

P (E) = 6/1326 = 0,0045. O mesmo podia ser conseguido através do seguinte raciocínio:

Na primeira retirada o baralho tinha 52 cartas e 4 reis e na segunda, admitindo-se que se tenha
tirado uma na primeira, então tinha 51 cartas no seu todo e 3 reis que restavam. Assim, a
probabilidade pedida podia também ser determinada assim:

4 3 12
𝑃 𝐸 = 52 ∙ 51 = 2652 = 0,0045

b) Existem C252  1326 maneiras de se tirar 2 das 52 cartas. E existem C213  78 maneiras de se
retirar 2 das 13 cartas de espadas, logo:
78 3
P 
1326 51
16
c) Casos favoráveis: 4 ∙ 4 = 16 e casos possíveis: 52 ∙ 51 = 2652. Assim: 𝑃 𝐸 = 2652 =

0,006.

3. Em uma bolsa há 20 fichas numeradas de 1 a 20. Tira-se uma ficha que em seguida é
recolocada na bolsa, logo após retira-se a outra ficha.

Qual é a probabilidade de se tirar duas vezes a mesma ficha?

Resposta:

Esquema representativo:

19
Seja E o evento “uma ficha é tirada duas vezes”.

Pedido: 𝑃 𝐸 = ?

Resolução:

Como há 20 fichas, e não se especificou a ficha que foi retirada e recolocada na bolsa, então
trata-se de probabilidade de evento união. Ora, o processo de retirada é com reposição e a
retirada da segunda não depende da retirada da primeira ficha. Assim, a probabilidade pedida
é dada por:

1 1 20 20 ÷4 5
𝑃 𝐸 = 20 ∙ 20 ∙ 20 = 400 = 400 ÷4 = 100 = 5% .

20
Conclusão
Conclui-se que a probabilidade pode ser conceituada na perspectiva frequencista, intuitiva
(clássica ou a priori) entre outras. A frequencista baseia-se na frequência relativa em que a
quantificação depende da aproximação do quociente da frequência absoluta da observação
pelo número total de observações numa dada experiencia. Já a maneira clássica a de Laplace
entende que a probabilidade é dada pela razão entre os casos favoráveis a um evento pelo
número de resultados possíveis desse experimento.

Na resolução de problemas é ideal esquematizar os dados, se este envolve algo geométrico, ou

seja, quando contem algo representável no espaço. Essa técnica facilita a visualizar a o
problema, e o pedido fica compreensível. Através do trabalho ficou evidente que a definição
frequencista de probabilidade é ideal quando se pretende realizar experiencias, porém caso se
queira calcular a probabilidade é aconselhável usar a expressão da definição clássica ou lei de
Laplace que refere que a probabilidade num espaço de acontecimentos é determinada pela
razão dos casos favoráveis pelos resultados possíveis do experimento.

Aprendeu-se que além de estudar uma variável isoladamente, pode-se estudar duas em
simultâneo. No estudo de uma distribuição bidimensional, procura-se saber se existe alguma
relação entre as duas variáveis. Um gráfico de dispersão é uma representação gráfica da
associação entre pares de dados, onde cada par se torna um ponto do gráfico de dispersão. O
objectivo é representar a distribuição dada através de uma nuvem/diagrama de pontos para
facilitar a visualização do comportamento da distribuição que estiver em análise.

O outro aspecto que merece destaque é que os dois principais usos para a regressão são
previsão e optimização. Além de também, no caso de empresas, ajudar os gerentes a prever
coisas como a demanda futura por seus produtos, a análise de regressão ajuda a ajustar os
processos de fabricação e entrega.

Estuda-se a relação linear entre duas variáveis quantitativas, sob dois pontos de vista:
explicitando a forma dessa relação: regressão ou, quantificando a força ou o grau dessa
relação: correlação. As técnicas de análise de correlação e regressão estão muito ligadas.

21
Referências bibliográficas
Bussab, W.O. & Morettin, P.A. (2010). Estatística Básica (6ª Ed.). Edição Revisada. Editora
Saraiva.
Kazmier, L. J. (1982). Estatística aplicada à economia e administração. Tradução de Carlos
Augusto Crusius, São Paulo: McGraw-Hill do Brasil.
Lopes, F. P. (2005). Estatística Descritiva e Inferencial, Faculdade de Economia,
Universidade de Coimbra.

Macie, J. M. & Manhique, C. M. (s.d). Estatística Educacional: Ensino Básico.

Universidade Pedagógica-Ensino à Distância.
Vunga, H. M. (s.d.). Estatística: Manual de Tronco Comum. Instituto Superior de Ciências e
Educação a Distância -ISCED. Sofala: Beira.

22