Manual Módulo A7 - Matemática

lOMoARcPSD|28182267
Manual - Modulo 7
Profissional (Escola Secundária Padre António Vieira)
A Studocu não é patrocinada ou endossada por alguma faculdade ou universidade

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)
lOMoARcPSD|28182267
Disciplina: Matemática
Módulo A7 – Probabilidades
Professora: Cláudia Silva

lOMoARcPSD|28182267
Matemática
Mód. A7 – Probabilidades
1. Fenómenos Aleatórios
1.1. Experiências aleatórias e experiências deterministas
Ao lançar um dado sobre a mesa, é impossível prever a face que fica voltada para cima.
Trata-se de uma experiência aleatória.
Uma experiência aleatória é caracterizada pela impossibilidade de se prever o seu

resultado. Este só será conhecido depois de realizada a experiência. Diz-se que o
resultado depende da sorte ou do acaso. No entanto, apesar de não se poder prever o
resultado de uma experiência aleatória, é conhecido o conjunto de resultados possíveis.
É fácil encontrar experiências aleatórias no futebol, no tempo, no jogo,…
Ao lançar uma pedra ao ar, sabendo a velocidade com que foi lançada, pode determinar-
se a altura máxima que a pedra atingirá. Trata-se de uma experiência determinista.
Uma experiência determinista é caracterizada pela possibilidade de se prever o seu

resultado, uma vez que este se repetirá desde que se repita a experiência nas mesmas
condições.
É fácil encontrar experiências deterministas em Física, Economia, Biologia,…
A teoria das probabilidades ocupa-se do estudo das leis que regem os fenómenos cujo
resultado depende do acaso. Por isso, só as experiências aleatórias interessam ao
estudo das probabilidades.

lOMoARcPSD|28182267
Matemática
Espaço amostral. Acontecimentos aleatórios
Consideremos a experiência aleatória “lançamento de um dado de faces numeradas de 1

a 6”.
E = {1, 2, 3, 4, 5, 6} é o espaço amostral desta experiência desta experiência,

ou seja, o conjunto dos resultados ou casos possíveis.
Os acontecimentos
A: “Sair o número 3” ou apenas {3}
B: “Sair número par” ou apenas {2, 4, 6}
C: “Sair múltiplo de 7” ou 
São acontecimentos aleatórios.
O acontecimento A = {3} é um acontecimento elementar.
O acontecimento B = {2, 4, 6} é um acontecimento composto.
O acontecimento C =  é um acontecimento impossível.
O conjunto E (o espaço amostral) é o acontecimento certo.
Exercícios:
1. Observa a roleta da sorte representada na figura. Considera a experiência de rodar o

ponteiro e anotar o número que sai.
1.1. Define o conjunto de resultados.
1.2. Classifica cada um dos acontecimentos:

1.2.1. A: “Sair múltiplo de 8”
1.2.2. B: “Sair número par”
1.2.3. C: “Sair número primo”
1.2.4. D: “Sair 9”
1.2.5. E: “Não sair 9”

lOMoARcPSD|28182267
Matemática
2. Lançam-se dois dados.
2.1. Relativamente a esta experiência

aleatória, define:
2.1.1. um acontecimento elementar
2.1.2. um acontecimento composto
2.1.3. um acontecimento impossível
2.1.4. um acontecimento certo
2.2. Representa em extensão os seguintes acontecimentos:

A: “A soma dos números saídos é superior a 9”
B: “Um dos números saídos é o quadrado do outro.”
1.2. Contagem de acontecimentos. Diagramas de Venn. Diagrama de árvore. Tabela

de dupla entrada
A descrição de todos os resultados possíveis, associados a uma experiência ou a uma

sucessão de experiências pode, por vezes, ser facilitada, utilizando algumas técnicas
auxiliares.
Existem diversos métodos que facilitam essa contagem:
 Diagrama de Venn;
 Tabelas de dupla entrada;
 Árvores de contagem.
No que diz respeito à árvore de probabilidades, esta é uma representação utilizada para
representar todos os resultados possíveis, quando procuramos descrever uma sequência de
experiências. Para construir uma árvore de probabilidades, procede-se da forma seguinte:
4

lOMoARcPSD|28182267
Matemática
· Representa-se por um ponto o nó da árvore;
· Do nó da árvore saem tantos ramos – ramos primários, quantos os acontecimentos

elementares, associados à primeira experiência;
· No extremo de cada ramo indica-se o acontecimento respectivo e por cima a sua

probabilidade;
· O extremo de cada ramo funciona agora como nó para a segunda experiência aleatória, de
onde saem novos ramos - ramos secundários, mas em que as probabilidades registadas,
são as probabilidades condicionais ao acontecimento, que funciona como nó para estes
ramos;
· Repete-se o processo, até atingirmos a última experiência aleatória da sequência.

lOMoARcPSD|28182267
Matemática
Exemplo 1
Os alunos de uma escola profissional resolveram dinamizar uma rádio na escola e, para tal,
realizaram um estudo sobre as preferências radiofónicas da população estudantil.
Um inquérito feito aos alunos revelou que 52% ouvem regularmente a emissora A, 51%
ouvem a emissora B e que 24% ouvem ambas as emissoras.
De seguida, e para elaborar uma grelha de programação que agradasse à população
estudantil, auxiliaram-se num diagrama de Venn e numa tabela de dupla entrada.
Diagrama de Venn
P(A) = 52%
P(B) = 51%
P(A∩B) = 24%
Dos dados do problema decorre que:
P(A\B) = p(A∩ B ) = 52% - 24% = 28%
P(B\A) = p(B∩ A ) = 51% - 24% = 27%
Usando os valores calculados anteriormente pode-se construir a seguinte tabela de dupla

entrada:

lOMoARcPSD|28182267
Matemática
Exemplo 2
Se lançarmos uma moeda equilibrada ao ar duas vezes, podemos encontrar o espaço de

resultados recorrendo, por exemplo, a um diagrama de árvore ou a uma tabela de dupla
entrada.
Seja V: verso e F: face.
Assim, um modelo de probabilidade pode ser:
Exemplo 3
A árvore de probabilidade do exemplo 13, terá o seguinte aspecto:

lOMoARcPSD|28182267
Matemática
Exercícios:
3. Numa determinada cidade portuguesa, 48% dos habitantes falam inglês, 15% falam
francês e 8% ambas as línguas.
Calcula a percentagem de que um habitante da referida cidade, escolhido ao acaso,
3.1. Não fale qualquer das línguas.
3.2. Fale apenas francês
3.3. Fale francês ou inglês.
4. Como resultado de um inquérito feito a 85 alunos de uma escola, verificou-se que apenas
50 têm actividades extracurriculares. Desses 50, 32% dedicam-se à musica, 86%
praticam natação e 18% têm as duas actividades. Escolhendo ao acaso um dos alunos
inquiridos, calcula a percentagem desse alunos:
4.1. Não ter qualquer actividade extracurricular.
4.2. Ter as duas actividades extracurriculares.
4.3. Ter apenas uma das referidas actividades.
5. Observa a ementa de um restaurante.

Quantas refeições diferentes é possível fazer neste restaurante,
incluindo uma entrada, um prato e uma sobremesa?
6. Um teste tem três questões de verdadeiro ou falso. Quantas hipóteses há para responder
às três questões do teste?
7. O Nuno tem para vestir, hoje, 2 pares de calças, 3 t-shirts e 2 pares de ténis. De quantas
formas diferentes pode o Nuno vestir-se?
8. A Ana e a Cristina combinaram encontrar-se num centro comercial, para comprarem

roupa para a passagem de ano. Contudo, esqueceram-se do nome da loja onde se iriam
8

lOMoARcPSD|28182267
Matemática
encontrar. No centro comercial havia 4 lojas de roupa para festas. Admite que as duas
amigas chegaram à hora combinada e cada uma se dirigiu para uma das quatro lojas.
8.1. Determina o número de possibilidades que elas têm de não se encontrarem.
8.2. Quantas possibilidades há de se encontrarem?
9. Num saco temos três fichas numeradas de 1 a 3.

A:”Extrair sucessivamente duas fichas, repondo a 1ª ficha antes da 2ª extracção”
B: “Extrair sucessivamente duas fichas, sem reposição”
9.1. Constrói um diagrama de árvore para indicar todos os casos possíveis de A e de B.
9.2. Relativamente à experiência A define os acontecimentos:
C: ”Extrair dois números ímpares”
D: “Extrair um múltiplo de 3”
9.3. Relativamente à experiência B define os acontecimentos:
E: “Extrair o número 2”
F: “Não sair o número 3”

lOMoARcPSD|28182267
Matemática
1.3. Operações com acontecimentos
Ao lançar um dado, de quantas formas podemos ganhar se o objectivo do jogo for “sair
número ímpar ou primo”?
Temos
E= {1, 2, 3, 4, 5, 6}
A = “Sair número ímpar”
B = “Sair número primo”
C = “Sair número ímpar ou primo”
Então A= {1, 3, 5}, B = {2, 3, 5} e C = {1, 2, 3, 5}. Podemos constatar que A  B  C .

Ganhamos se sair 1 ou 2 ou 3 ou 5.
Dados dois acontecimentos A e B da mesma experiência aleatória, chama-se

acontecimento reunião de A e B ao acontecimento que se realiza quando se realiza A
ou B. Representa-se por A  B .
De quantas formas podemos ganhar no lançamento de um dado, se o objectivo do jogo

for “sair número ímpar ou primo”?
Temos A = {1, 3, 5} e B = {2, 3, 5}. Ganhamos se sair um dos números do conjunto D =
{3, 5}. D é a intersecção de A com B: D  A  B .
Dados dois acontecimentos A e B da mesma experiência aleatória, chama-se

acontecimento intersecção de A e B ao acontecimento que se realiza quando se
realizam simultaneamente A e B. Representa-se por A  B .
10

lOMoARcPSD|28182267
Matemática
1.4. Acontecimentos compatíveis e acontecimentos incompatíveis
Considerando ainda a experiência do acontecimento do dado, os acontecimentos
A: “Sair número ímpar”, B = {2, 3, 5} e P:”Sair número par maior que dois”
{1, 3, 5} {4, 6}
São tais que A  P   . Então os acontecimentos A e P são incompatíveis.

Como A  B não é vazio, A e B são compatíveis.
A  P   então A e P são incompatíveis.

A  B   então A e B são compatíveis.
1.5. Acontecimentos contrários
Consideremos os acontecimentos:
A: “Sair número ímpar” e G:”Sair número par”

{1, 3, 5} {2, 4, 6}
Tem-se A  G   , logo A e G são incompatíveis. Para além

disso, A  G  E , logo G é o complementar de A.
Diz-se que A e A são acontecimentos contrários. Quando um

se realiza, não se realiza o outro. A é formado por todos os elementos do espaço
amostral que não pertencem a A.
11

lOMoARcPSD|28182267
Matemática
Exercícios:
10. Num saco há 3 bolas (verde, amarela e preta). Retiram-se, com reposição, 2 bolas.
Considera os acontecimentos:
A = ”Sair uma bola verde”
B = “Sair bola verde ou amarela”
C = “Sair pelo menos uma vez bola preta”
D = “Não sair bola preta”
E = “Sair uma bola verde e outra amarela”
10.1. Define os acontecimentos:

A
B
C
D
E
A∩B
C∩D
CUD
C∩E
CUE
10.2. Indica, se possível, dois acontecimentos contrários e dois acontecimentos

incompatíveis.
12

lOMoARcPSD|28182267
Matemática
2. Argumento de Simetria e Regra de Laplace

2.1. Argumento de simetria
Voltemos novamente à experiência do lançamento do dado. Admitindo que o dado foi bem
construído, isto é, é homogéneo e simétrico, é razoável admitir que os resultados que
constituem o espaço de resultados associado à experiência, em número de 6, tenham igual
possibilidade de sair, pelo que atribuímos a cada um a probabilidade 1/6. Vejamos ainda
outros exemplos.
Exemplo 3
Considera um saco onde coloca 10 bolas, idênticas ao tacto, numeradas de 0 a 9. Um

modelo apropriado para a experiência aleatória que consiste em retirar uma bola e verificar o
número é o seguinte:
Resultado 0 1 2 3 4 5 6 7 8 9
Probabilidade 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
Exemplo 4
Consideremos uma caixa de Smarties com 100 pastilhas, das quais 30 são vermelhas, 20
castanhas, 20 amarelas, 10 verdes, 10 cor de laranja e 10 roxas. Um modelo apropriado
para a experiência que consiste em retirar uma pastilha e verificar a cor é:
Cor Vermelha Castanha Amarela Verde Laranja Roxa

Probabilidade 30/100 20/100 20/100 10/100 10/100 10/100
Já que admitimos que qualquer uma das pastilhas tem igual probabilidade de sair, ou seja
1/100.
13

lOMoARcPSD|28182267
Matemática
Nas duas situações anteriores podemos admitir que estamos na situação da experiência do
lançamento do dado homogéneo e simétrico, mas respectivamente com 10 ou 100 faces.
Neste último caso, o dado teria 30 faces vermelhas, 20 castanhas, 20 amarelas, 10 verdes,
10 laranja e 10 roxas.
2.2. Regra de Laplace
A primeira definição que se conhece de probabilidade foi enunciada por Pierre Simon
Laplace (1749 – 1827).
Esta definição só pode ser aplicada quando os conhecimentos elementares são

igualmente prováveis (equiprováveis).
Assim, não podemos calcular a probabilidade de uma carica ficar voltada para cima
usando a lei de Laplace.
Neste e em muitos casos teríamos de recorrer à experiência. No caso de lançamento de

dados, de extracção de bolas, de lançamento de moedas, de extracção de cartas de um
baralho e em todas as situações em que os acontecimentos elementares são
equiprováveis podemos calcular a probabilidade sem recurso à experiência usando a
definição clássica de probabilidade, também conhecida como regra de Laplace.
Lei de Laplace
(definição clássica de probabilidade)
A probabilidade de um acontecimento A é o quociente entre o número de casos
favoráveis ao acontecimento e o número de casos possíveis.
Número de casos favoráveis ao acontecime nto A
p(A) 
Número de casos possíveis
14

lOMoARcPSD|28182267
Matemática
Exemplo 5
Qual a probabilidade de um casal de 4 filhos ter uma só rapariga? Admite que

a probabilidade de nascer rapaz é igual à probabilidade de nascer rapariga,
ou seja 1/2.
Consideremos o espaço de resultados associado ao fenómeno aleatório que

consiste em verificar o sexo dos 4 filhos que um casal tem:
S = {(MMMM), (MMMF), (MMFM), (MMFF), (MFMM), (MFMF), (MFFM), (MFFF), (FMMM),

(FMMF), (FMFM), (FMFF), (FFMM), (FFMF), (FFFM), (FFFF)}
Os acontecimentos anteriores são todos equiprováveis, sendo a probabilidade de cada um

igual a 1/16. Então o acontecimento "o casal de 4 filhos só tem uma filha"é constituído por 4
resultados do espaço de resultados, pelo que a probabilidade pretendida é 4/16.
15

lOMoARcPSD|28182267
Matemática
Nota histórica
(Statistics, 1991)
No século XVII, os jogadores italianos costumavam fazer apostas sobre o
número total de pintas obtidas no lançamento de 3 dados. Acreditavam que a
possibilidade de obter um total de 9 era igual à possibilidade de obter um
total de 10. Por exemplo, diziam que uma combinação possível para dar um
total de 9 seria uma pinta num dos dados, duas pintas num outro dado, seis pintas no
terceiro dado.
Abreviando o resultado anterior para "1 2 6", todas as combinações para dar o 9 são:
126 135 14 4 234 225 333
Analogamente, obtinham 6 combinações para o 10:
145 136 226 235 244 334
Assim, os jogadores argumentavam que o 9 e o 10 deveriam ter a mesma possibilidade de

se verificarem. Contudo, a experiência mostrava que o 10 aparecia com uma frequência um
pouco superior ao 9. Pediram a Galileu que os ajudasse nesta contradição, tendo este
realizado o seguinte raciocínio:
Pinte-se um dos dados de branco, o outro de cinzento e o outro de preto. De quantas

maneiras se podem apresentar os três dados depois de lançados?
O dado branco pode apresentar 6 possibilidades diferentes. Para cada uma destas
possibilidades o dado cinzento pode apresentar 6 possibilidades, obtendo-se 6 X 6
possibilidades para os dois dados. Correspondendo a cada uma destas possibilidades, o
dado preto pode apresentar 6 possibilidades obtendo-se no total 6 X 6 X 6 = 216
possibilidades. Galileu listou todas as 216 maneiras de 3 dados se apresentarem depois de
lançados. Depois percorreu a lista e verificou que havia 25 maneiras de obter um total de 9 e
27 maneiras de obter um total de 10.
16

lOMoARcPSD|28182267
Matemática
Triplos para o Nº de maneiras de Triplos para o Nº de maneiras de

9 obter o triplo 10 obter o triplo
1 2 6 6 1 4 5 6
1 3 5 6 1 3 6 6
1 4 4 3 2 2 6 3
2 3 4 6 2 3 5 6
2 2 5 3 2 4 4 3
3 3 3 1 3 3 4 3
Total 25 Total 27
O raciocínio dos jogadores não entrava em linha de conta com as diferentes maneiras como
os dados se podiam apresentar. Por exemplo o triplo 3 3 3, que dá o 9, corresponde
unicamente a uma forma de os dados se apresentarem, mas o triplo 3 3 4 que dá o 10,
corresponde a 3 maneiras diferentes: pelo que o raciocínio dos jogadores deve ser corrigido
de acordo com a tabela anterior.
Exercícios
11. De uma caixa com 4 bolas verdes, três vermelhas e três azuis, retirou-se aleatoriamente
uma bola.
11.1. Determina a probabilidade de:
11.1.1. a bola ser vermelha
11.1.2. a bola não ser verde. Apresenta o resultado sob a forma de fracção
irredutível e em percentagem.
12. Extraiu-se uma carta de um baralho de 52 cartas. Determina a probabilidade de obter:

12.1. uma carta de copas
12.2. um rei
12.3. a dama de ouros
17

lOMoARcPSD|28182267
Matemática
13. Lançou-se um dado perfeito com as faces numeradas de 1 a 6. Determina a

probabilidade de obter:
13.1. um número par
13.2. um múltiplo de 3
13.3. um número primo
14. Baralharam-se as 28 peças do jogo de dominó e retirou-se ao

acaso uma delas. Calcula a probabilidade de obter:
14.1. 6 pontos
14.2. 6 ou 7 pontos
14.3. um nº de pontos inferior a 4
14.4. um nº de pontos superior a 12
15. Numas termas estão 200 pessoas a fazer tratamento. Um inquérito a que responderam
deu o seguinte resultado:
Homem Mulher
Tem peso a mais 60 110
Não tem peso a mais 20 10
Encontrou-se ao acaso uma dessas pessoas. Determina a probabilidade de que:

15.1. seja homem
15.2. seja mulher
15.3. tenha peso a mais
15.4. seja mulher e não tenha peso a mais
18

lOMoARcPSD|28182267
Matemática
3. Modelos de probabilidade em espaços finitos. Variáveis quantitativas. Função

massa de probabilidade ou distribuição de probabilidade.
3.1. Modelos de probabilidade em espaços finitos
Do mesmo modo que se podem utilizar modelos matemáticos para exprimir relações entre
dados e é exemplo disso a recta de regressão que exprime a relação linear existente entre
duas variáveis, também é possível encontrar modelos apropriados para descrever os
fenómenos aleatórios.
Vamos admitir, para já, que pretendemos estudar um fenómeno aleatório cujo espaço de
resultados tenha um número finito de resultados. A construção de um modelo para este
fenómeno compreende duas fases:
- Descrição de todos os resultados do espaço de resultados ou espaço amostra;
- Atribuição de uma probabilidade a cada um dos resultados do espaço de resultados.
A escolha deste conjunto de números pode ser feita de forma a obtermos um conjunto de
números consistentes com a nossa intuição sobre os valores que iríamos obter para as
frequências relativas dos resultados obtidos, se repetíssemos o fenómeno um número
suficientemente grande de vezes.
Ao definir um modelo de probabilidade associado a um fenómeno aleatório, com espaço de

resultados S = {E1 , E2 , E3 ,...}, existem algumas regras básicas e intuitivas que devem ser
satisfeitas para todos os modelos.
Com base na noção intuitiva de probabilidade e nas propriedades das frequências relativas,
Kolmogorov (1902-1987) construiu uma definição mais rigorosa de probabilidade.
19

lOMoARcPSD|28182267
Matemática
Regra 1 - A probabilidade de qualquer resultado ou acontecimento elementar, nunca pode

ser negativa,
P(Ei) 0 para i=1, 2, ...
Regra 2 - A probabilidade total dos acontecimentos elementares é 1
P(S) = P(E1) + P(E2) + ... = 1
Regra 3 – p(AUB) = p(A) + p(B), se A e B são incompatíveis.
Probabilidade de um acontecimento - define-se probabilidade de um acontecimento como

sendo a soma das probabilidades dos acontecimentos elementares que o compõem.
Exemplo 6
Quando se lançam duas moedas e se verificam as faces que ficam voltadas para cima,
constitui um modelo de probabilidade associado à experiência, o seguinte:
Resultado (Face, Face) (Face, Coroa) (Coroa, Face) (Coroa, Coroa)
Probabilidade 0.25 0.25 0.25 0.25
O mesmo não acontece com a tabela seguinte, que não constitui um modelo de
probabilidade para a mesma experiência:
Resultado (Face, Face) (Face, Coroa) (Coroa, Face) (Coroa, Coroa)
Probabilidade 0.30 0.20 0.30 0.30
Porquê?
20

lOMoARcPSD|28182267
Matemática
Exemplo 7
Constrói um modelo apropriado para descrever o fenómeno aleatório que consiste em lançar
um dado equilibrado e observar a face que fica virada para cima:
Face 1 2 3 4 5 6
Probabilidade 1/6 1/6 1/6 1/6 1/6 1/6
Se o dado é equilibrado acreditamos que num lançamento não existe nenhuma face
privilegiada relativamente às outras, pelo que um modelo apropriado atribui igual
probabilidade a cada uma das faces.
Exemplo 8
Seja A o acontecimento "saída de face par no lançamento do dado do exemplo anterior".
Calcule P(A).
A = {2, 4, 6}
P(A) = 1/6 + 1/6 + 1/6

= 3/6 = 1/2
21

lOMoARcPSD|28182267
Matemática
Exercícios
16. As caixas de Smarties contêm pastilhas de várias cores. Com base

no que o fabricante diz, temos a seguinte tabela, para as
probabilidades de obter uma pastilha de cada uma das seguintes
cores, quando seleccionada ao acaso:
Cor Verde Vermelha Amarela Castanha Laranja Roxa

Probabilidade 0,3 0,2 0,2 0,1 0,1 ?
16.1. Qual será o valor da probabilidade para a cor roxa, de forma a obter um modelo de
probabilidade?
16.2. Se seleccionares uma pastilha da caixa, calcula a probabilidade da sua cor ser:
16.2.1. Verde ou vermelha
16.2.2. Verde, vermelha ou amarela
16.2.3. Não ser laranja
16.2.4. Ser lilás
16.2.5. Ser verde, ou vermelha, ou amarela, ou castanha, ou laranja ou roxa
22

lOMoARcPSD|28182267
Matemática
3.2. Propriedades da probabilidade de um acontecimento

o A probabilidade de um acontecimento qualquer varia entre 0 e 1
0  p ( A)  1
o A probabilidade do acontecimento certo é 1

p( E )  1
o A probabilidade da reunião de dois acontecimentos A e

B incompatíveis é igual à soma das probabilidades de
cada um deles:
p ( A  B )  p ( A)  p ( B )
o A probabilidade do acontecimento contrário de outro

acontecimento A obtém-se subtraindo a 1 a
probabilidade de A
p ( A)  1  p ( A)
o A probabilidade de um acontecimento impossível é zero

p ( )  0
o Se A e B são dois acontecimentos compatíveis então:

p ( A  B )  p ( A)  p ( B )  p ( A  B )
o Se A e B são dois acontecimentos independentes, isto é, a ocorrência de A

não interfere na probabilidade de B ocorrer, então:
p ( A  B )  p ( A)  p ( B )
o As igualdades A  B  A  B e A  B  A  B são chamadas Leis de De

Morgan.
23

lOMoARcPSD|28182267
Matemática
Exercícios
17. Quais das seguintes afirmações são necessariamente falsas?

17.1. A probabilidade de um acontecimento A é -1.
118
17.2. A probabilidade de um acontecimento B é .
119
17.3. A probabilidade de um acontecimento A é 0 e a de um acontecimento B é 1,1.
18. Extrai-se uma carta de um baralho de 40 cartas. Sejam X, Y e Z os acontecimentos:

X: “extrair uma carta de ouros”
Y: “extrair uma carta de copas”
Z: “extrair um Ás”
Determina as probabilidades:
18.1. p ( X )
18.2. p ( X  Z )
18.3. p ( X  Y )
18.4. p (Y  Z )
19. No espaço amostral S, acerca dos acontecimentos A e B, sabe-se que:
19.1. Determina p(A) e p(B).

19.2. Verifica que os acontecimentos A e B são incompatíveis.
19.3. Calcula p (B ) .
24

lOMoARcPSD|28182267
Matemática
3.3. Variável Aleatória
Uma variável aleatória é uma variável cujo valor é um resultado numérico associado ao
resultado de uma experiência aleatória.
As variáveis aleatórias representam-se por letras maiúsculas, por exemplo, X, Y ou Z.
As variáveis aleatórias podem ser discretas ou contínuas.
Uma variável aleatória X é discreta se toma um número finito de valores ou um número

infinito numerável.
Exemplo 9
Seja Y a variável aleatória que representa o número de pontos que se obtém quando se
lança um dado com as faces numeradas de 1 a 6.
Os valores possíveis da variável são:
1, 2, 3, 4, 5 e 6
A variável aleatória Y é uma variável discreta.
Uma variável aleatória Z é contínua se toma todos os valores de um intervalo ou reunião de

intervalos.
Exemplo 10
Considere-se a população de bebés nascidos em Portugal em 2006.

A função que a cada bebé faz corresponder a sua altura é uma variável aleatória contínua.
A variável pode tomar todos os valores do intervalo [a, b], sendo a a altura do bebé mais
baixo e b a altura do bebé mais alto.
25

lOMoARcPSD|28182267
Matemática
Exercícios
20. Indica os valores que pode tomar cada uma das seguintes variáveis aleatórias:
20.1. A variável X que representa o número de V (versos) no lançamento de duas
moedas de 1 €.
20.2. A variável Y que representa a soma dos pontos dos dois dados com a forma de
octaedro com as faces numeradas de 1 a 8.
3.4. Distribuição de probabilidades de uma variável aleatória discreta
À distribuição de probabilidades também se chama função massa de probabilidade ou

modelo de probabilidade.
Exemplo 11
Se lançarmos uma moeda ao ar 3 vezes e observarmos a face voltada para cima, o espaço
de resultados S é:
S = {(FFF), (FFV), (FVF), (FVV), (VFF), (VFV), (VVF), (VVV)}
Seja X a variável aleatória que a cada resultado faz corresponder o número de vezes que sai
face (F).
X pode tomar 4 valores: 0, 1, 2 ou 3.
Considere-se também a função que a cada valor de X faz corresponder a probabilidade

dos acontecimentos associados a esse valor.
O modelo da probabilidade desta função pode representar-se na tabela:

26

lOMoARcPSD|28182267
Matemática
X = xi 0 1 2 3
P(X = xi) 1 3 3 1
8 8 8 8
Também podemos representar a função pelo gráfico:
A esta função chama-se distribuição de probabilidade da variável aleatória X ou função

massa de probabilidade da variável aleatória X.
Exercícios:
21. Temos dois sacos e em cada um três bolas numeradas de 1 a 3. Considera a experiência
aleatória que consiste em retirar uma bola de cada saco e tomar nota dos números
obtidos.
21.1. Define o espaço amostral.
21.2. Seja Y a variável aleatória que representa a soma dos números obtidos. Define, por
uma tabela e por um gráfico, a distribuição de probabilidades da variável Y.
22. A tabela seguinte representa a distribuição de probabilidades de uma variável aleatória

discreta.
X = xi 1 3 5 7 9 11
P(X = xi) 1 1 1 1 1
a
12 6 4 4 12
22.1. Determina o valor de a.
22.2. Representa graficamente a distribuição de probabilidades.
27

lOMoARcPSD|28182267
Matemática
3.5. Lei dos Grandes Números
Lei dos grandes números: O número à volta do qual se aproxima a frequência relativa
de um acontecimento quando o número de repetições da experiência cresce
consideravelmente é um valor aproximado da probabilidade do acontecimento.
A Lei dos Grandes Números é chamada de "o primeiro teorema fundamental de

probabilidade". Foi derivado da análise de jogos de azar - sorteio de bilhetes de lotaria ou
lançamento de dados são regidos por probabilidade. Por exemplo, um dado não viciado
de 6 lados pode aparecer 1, 2, 3, 4, 5 ou 6 pontos numa única jogada e se esses pontos
são contados como números, é possível calcular o valor "médio" de uma jogada.
Nós sabemos que em muitos lances, um lance em seis resultara em um "1". Do mesmo
modo, um lance em seis resultará em "2" e assim vai em todos os 6 lances possíveis.
Contando os resultados numericamente, obtemos:
Obviamente, não existe um lado do dado com 3,5 pontos, logo nenhum lance irá resultar
no valor de "3.5". Mas depois de um grande número de lances são registrados, o
resultado médio de todos eles irá se aproximar de 3,5.
Portanto, em cada jogada do dado, o nº de vezes que ocorre cada dos resultados
possíveis ("1", "2", "3", "4", "5" ou "6") aproxima-se de 1/6 do número total de lances.
3.6. Distribuição de frequências VS distribuição de probabilidade
Supõe que temos um dado com as faces numeradas de 1 a 6, mas desconhecemos se é

ou não equilibrado.
28

lOMoARcPSD|28182267
Matemática
Para saber se é equilibrado, lançamos o dado 1500 vezes e anotamos o número que sai
em cada lançamento.
Considera que obtivemos os seguintes valores:
xi 1 2 3 4 5 6 Total
fi 233 261 255 245 248 258 1500
fri 0,155 0,174 0,170 0,164 0,165 0,172 1
Graficamente obtemos:
Observando este gráfico e tendo em consideração a lei dos grandes números ou

aproximação frequencista de probabilidade, que consiste em interpretar as frequências
relativas como valores aproximados da probabilidade quando a dimensão da amostra é
suficientemente grande, somos conduzidos à ideia de que o dado em questão pode ser
equilibrado.
No caso do dado ser equilibrado, a distribuição de probabilidades para a variável

aleatória X que representa o número de pontos que se obtém quando se lança o dado
pode ser representado pela tabela:
X = xi 1 2 3 4 5 6
P(X = xi) 1 1 1 1 1 1
6 6 6 6 6 6
E pelo gráfico:
29

lOMoARcPSD|28182267
Matemática
4. Probabilidade condicional. Acontecimentos independentes
O conceito de probabilidade condicional tem a ver com o facto de, por vezes, quando
pretendemos calcular a probabilidade de determinados acontecimentos, já dispormos de
alguma informação sobre o resultado da experiência. Esta informação faz com que, em vez
de estarmos a trabalhar no espaço de resultados S, associado à experiência, se passe a
trabalhar num espaço mais restrito S’ de S.
Exemplo 12
Considere a experiência aleatória que consiste em lançar três moedas equilibradas.

Representando por F a saída de face e por C a saída de coroa, o espaço de resultados é
constituído pelos resultados apresentados no seguinte esquema:
Seja A o acontecimento "saída de 2 faces". Então, como o espaço

de resultados é constituído por resultados igualmente prováveis,
P (A)=3/8.
Supõe agora, que dispões da informação de que no último lançamento saiu face. Qual a
probabilidade do acontecimento A?
Na figura ao lado apresentamos o espaço de resultados

condicional S’ e o acontecimento A. Então, condicional a que no
último lançamento saiu face, vem que P(A) = 2/4, ou seja, 1/2.
30

lOMoARcPSD|28182267
Matemática
Repare-se que esta probabilidade não é mais do que a frequência relativa de A, condicional
ao espaço de resultados S’ e podemos escrever
Para distinguir esta probabilidade, da não condicional, utilizamos a notação

P(A | S’).
Seja S um espaço de resultados e P uma probabilidade nesse espaço. Dados os

acontecimentos A e B, com P(B) > 0, define-se probabilidade condicional de A sabendo
que B ocorreu e representa-se por P(A|B), como sendo
Regra do produto
A partir da definição de probabilidade condicional, podemos calcular a probabilidade da
ocorrência simultânea de acontecimentos, chamada regra do produto:
P(AÇB) = P(A).P(B|A) ou P(AÇB) = P(B).P(A|B)
conforme se dá primeiro a ocorrência de A ou B.
Acontecimentos independentes
Dois acontecimentos A e B são independentes se e só se
P(AÇB) = P(A).P(B)
Nota - Seria mais intuitivo dizer que o acontecimento A é independente do acontecimento B,

se a probabilidade de A se dar for a mesma, independentemente de B se dar ou não, isto é a
ocorrência de B não influencia a probabilidade de A se dar:
P(A|B) = P(A)
31

lOMoARcPSD|28182267
Matemática
No entanto, para definir a probabilidade condicional exigimos que P(B) > 0, pelo que para
evitar estas restrições, utilizamos a definição inicialmente considerada.
Exemplo 13 (Graça Martins et al, Probabilidades e Combinatória, DES, Ministério da

Educação, 1999):
Numa linha de produção de uma fábrica de componentes electrónicas 1% das componentes

são defeituosas. Desenvolveu-se um teste, não completamente fiável, já que em 90% dos
casos detecta que a componente é defeituosa, quando ela é efectivamente defeituosa,
enquanto que em 99% dos casos detecta que a componente é boa, quando ela é boa. Qual
a probabilidade de uma componente escolhida ao acaso ser defeituosa, quando o teste
indica que ela é defeituosa?
Resolução:
De acordo com o enunciado,

P(defeituosa)=0.01;
P(teste indica defeituosa | defeituosa)=0.90;
P(teste indica não defeituosa | não defeituosa)=0.99.
Pretende-se P(defeituosa | teste indica defeituosa)?
P(defeituosa  o teste indica defeituosa)

P(defeituosa teste indica defeituosa)  
P(teste indica defeituosa)
P(teste indica defeituosa defeituosa)
 P(defeituosa) 
P(teste indica defeituosa)
Por outro lado

P (teste indica defeituosa) =
32

lOMoARcPSD|28182267
Matemática
= P (defeituosa)  P (teste indica defeituosa|defeituosa) + P (não defeituosa)  P (teste

indica defeituosa|não defeituosa)
0.01  0.90
Então P (defeituosa|teste indica defeituosa)   0.476
0.01  0.90  0.99  0.01
Exemplo 14
O caso da falácia do Procurador
Com alguma frequência, dados os acontecimentos A e B, faz-se confusão com as

probabilidades P(B|A) e PA|B), identificando-as. É aliás conhecida a "falácia do Procurador".
Em análise forense (Graça Martins et al, Probabilidades e Combinatória, DES, Ministério da
Educação, 1999), por exemplo, há interesse em considerar duas probabilidades condicionais
relacionadas com a evidência fornecida pela análise do ADN. Por um lado, interessa
considerar a probabilidade do perfil do ADN do réu coincidir com o das amostras recolhidas
no local do crime (A), dado que o réu está inocente (B). A outra probabilidade, de interesse
em tribunal, é a de o réu estar inocente (B) dado que o perfil do seu ADN coincide com o do
encontrado no local do crime (A). A "falácia do Procurador" consiste em confundir estas duas
probabilidades. Usa a primeira probabilidade, que em geral é extremamente pequena (1 em
3 milhões, digamos) como se fosse a segunda e daí infere que a probabilidade do réu ser
culpado é praticamente 1, pedindo portanto a acusação com base nessa evidência! No
entanto P(A) é também muito pequena, podendo acontecer que se tenha, por exemplo, P(A)
= 0.000004. Neste caso, viria
valor este que pode ser bastante elevado, favorecendo claramente a inocência do réu.
33

lOMoARcPSD|28182267
Matemática
Exercícios
23. Um dado cúbico é lançado e é registado o resultado do seu lançamento.

23.1. Se sair par, qual a probabilidade de sair 6?
23.2. Se sair impar, qual a probabilidade de sair maior que 3?
23.3. Qual a probabilidade de a pontuação ser ímpar, sabendo que saiu maior que 3?
23.4. Se for maior que 2, qual a probabilidade de ser menor que 5?
24. Ao retirar uma carta de um baralho de 52 cartas, observa-se que ela é uma figura. Qual a
probabilidade de que seja o rei de copas?
25. Numa clínica são tratadas três doenças A, B e C. Dos casos tratados nesta clínica, 60%
são da doença A, 30% da doença B e os restantes 10% da doença C. A probabilidade de
cura de cada uma das doenças nesta clínica é:
o Doença A: 50%
o Doença B: 80%
o Doença C: 90%
Sugestão: Constrói um diagrama de árvore
25.1. Qual a probabilidade de cura nesta clínica?
25.2. O doente P saiu curado da clínica. Qual a probabilidade de ele ter sido internado
com a doença A?
25.3. O doente Q foi internado com a doença B. Qual a probabilidade de sair curado?
26. Numa fábrica, verificou-se que a percentagem de peças defeituosas em 4 lotes, A, B, C e

D, era de 2%, 1%, 4% e 3%, respectivamente. Escolhe-se, ao acaso, um lote e desse
lote uma peça.
26.1. Qual a probabilidade de que a peça seja defeituosa?
26.2. Qual a probabilidade de ter sido escolhido o lote A, sabendo que a peça escolhida é
defeituosa?
26.3. A peça saída era perfeita. Qual a probabilidade de a caixa escolhida ter sido a D?
34

lOMoARcPSD|28182267
Matemática
5. Distribuição de probabilidades contínua. Modelo Normal
Depois de estudarmos as variáveis aleatórias discretas, vamos agora estudar variáveis

aleatórias contínuas e o modelo Normal.
Exemplo 15
Vamos supor que se determinou o peso de 100 alunos escolhidos ao acaso entre os 2000
que frequentam uma escola secundária, tendo sido os resultados agrupados em classes de
4 Kg de amplitude, conforme a seguinte tabela:
Classes [44, 48[ [48, 52[ [52, 56[ [56, 60[ [60, 64[ [64, 68[ [68, 72[
fi 6 9 19 35 18 8 5
fri 0,06 0,09 0,19 0,35 0,18 0,8 0,5
Marca da
Classe 46 50 54 58 62 66 70
Os valores da média e do desvio-padrão são, respectivamente, 57,76 e 5,71.

O Polígono de frequências pode ser representado por:
35

lOMoARcPSD|28182267
Matemática
Se o estudo se alargasse aos 2000 alunos da escola e se fosse diminuindo a amplitude das
classes para 2kg, 1kg, 0,5kg, …, a linha poligonal aproximar-se-ia cada vez mais de uma
linha curva como a que mostra o gráfico seguinte:
Considerando os dados da tabela, temos

x    57,76  5,71
 52,05
x    57,76  5,71
 63,47
Considerando as frequências como valores aproximados das probabilidades, tem-se

aproximadamente uma curva de probabilidades. A percentagem de alunos com peso no
 
intervalo x   ; x   é cerca de 69%.
Curva Normal ou curva de Gauss é uma curva em forma de sino que representa uma
distribuição de probabilidades contínua, simétrica, cujo máximo é a imagem da média e
cujos pontos de inflexão se situam de ambos os lados da média, ficando as suas abcissas a
uma distância de x igual ao desvio-padrão.
36

lOMoARcPSD|28182267
Matemática
5.1. Características da curva Normal
Por ser uma distribuição de probabilidades, a área

sob uma curva normal qualquer é 1.
A curva em um máximo para x  x.
Tem a forma de um sino.
È simétrica e contínua.
Tem pontos de inflexão em x  e x  .
A área sob a curva
- no intervalo x   ; x    é 0,6826, o que corresponde a 68,26%.
- no intervalo x  2 ; x  2  é 0,9544, o que corresponde a 95,44%.
E quando os valores pedidos não correspondem aos valores dos intervalos x   ; x    

 
ou x  2 ; x  2 ?
Nesse caso, é possível transformar a variável aleatória X~N(μ, σ) na variável Z~N(0, 1).
Essa transformação segue a seguinte mudança de variável:
X 
Z

Realizar esta mudança de variável é equivalente, em termos gráficos, a transformar a
curva da distribuição N(μ, σ) na curva da distribuição de N(0, 1) aplicando uma translação
e uma dilatação/contracção (na horizontal e/ou na vertical).
É possível determinar os valores de p(Z ≤ a), recorrendo à calculadora ou à tabela

normal standard (da última página).
37

lOMoARcPSD|28182267
Matemática
Exercícios
27. A distribuição dos pesos dos soldados de um quartel segue uma distribuição Normal com
  64 e   10 (em kg).
Determina a percentagem de soldados que pesam:
27.1. mais de 64 kg
27.2. entre 54kg e 74kg
27.3. menos do que 54kg.
28. Em psicologia chama-se Quociente de Inteligência (QI) ao quociente entre a idade

mental e a idade real vezes 100.
Sabe-se que a distribuição do QI de 3000 alunos segue uma distribuição Normal de valor
médio 100 e desvio-padrão 20.
Determina:
28.1. o nº de alunos com QI compreendido entre 80 e 120
28.2. o nº de alunos com QI superior a 100.
29. Considera que o peso das crianças de um infantário obedece a uma distribuição N(11, 1).
29.1. compreendido entre 10kg e 12kg
29.2. compreendido entre 9kg e 13kg
29.3. superior a 13kg
29.4. compreendido entre 10kg e 13kg.
30. O tempo que um electricista de automóveis demora a reparar o alternador de um carro

segue uma distribuição N(25, 10). Que percentagem de arranjos ocorrem entre os 20 e
os 40 minutos?
31. A temperatura máxima durante o dia numa determinada cidade no mês de Julho segue
uma distribuição normal de média 24ºC e desvio-padrão 4ºC. Calcula o número de dias
desse mês que se espera que a temperatura máxima esteja entre 22ºC e 27ºC.
38

lOMoARcPSD|28182267
Matemática
39

Manual Módulo A7 - Matemática

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

Manual Módulo A7 - Matemática

Enviado por

Direitos autorais:

Formatos disponíveis

lOMoARcPSD|28182267

Profissional (Escola Secundária Padre António Vieira)

A Studocu não é patrocinada ou endossada por alguma faculdade ou universidade

Professora: Cláudia Silva

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)

1.1. Experiências aleatórias e experiências deterministas

Uma experiência aleatória é caracterizada pela impossibilidade de se prever o seu

É fácil encontrar experiências aleatórias no futebol, no tempo, no jogo,…

Uma experiência determinista é caracterizada pela possibilidade de se prever o seu

É fácil encontrar experiências deterministas em Física, Economia, Biologia,…

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)

Espaço amostral. Acontecimentos aleatórios

Consideremos a experiência aleatória “lançamento de um dado de faces numeradas de 1

E = {1, 2, 3, 4, 5, 6} é o espaço amostral desta experiência desta experiência,

1. Observa a roleta da sorte representada na figura. Considera a experiência de rodar o

1.1. Define o conjunto de resultados.

1.2. Classifica cada um dos acontecimentos:

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)

2. Lançam-se dois dados.

2.1. Relativamente a esta experiência

2.2. Representa em extensão os seguintes acontecimentos:

1.2. Contagem de acontecimentos. Diagramas de Venn. Diagrama de árvore. Tabela

A descrição de todos os resultados possíveis, associados a uma experiência ou a uma

Existem diversos métodos que facilitam essa contagem:

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)

· Representa-se por um ponto o nó da árvore;

· Do nó da árvore saem tantos ramos – ramos primários, quantos os acontecimentos

· No extremo de cada ramo indica-se o acontecimento respectivo e por cima a sua

· Repete-se o processo, até atingirmos a última experiência aleatória da sequência.

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)

Usando os valores calculados anteriormente pode-se construir a seguinte tabela de dupla

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)

Se lançarmos uma moeda equilibrada ao ar duas vezes, podemos encontrar o espaço de

Seja V: verso e F: face.

Assim, um modelo de probabilidade pode ser:

A árvore de probabilidade do exemplo 13, terá o seguinte aspecto:

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)

5. Observa a ementa de um restaurante.

8. A Ana e a Cristina combinaram encontrar-se num centro comercial, para comprarem

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)

9. Num saco temos três fichas numeradas de 1 a 3.

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)

1.3. Operações com acontecimentos

Então A= {1, 3, 5}, B = {2, 3, 5} e C = {1, 2, 3, 5}. Podemos constatar que A  B  C .

Dados dois acontecimentos A e B da mesma experiência aleatória, chama-se

De quantas formas podemos ganhar no lançamento de um dado, se o objectivo do jogo

Dados dois acontecimentos A e B da mesma experiência aleatória, chama-se

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)

1.4. Acontecimentos compatíveis e acontecimentos incompatíveis

Considerando ainda a experiência do acontecimento do dado, os acontecimentos

São tais que A  P   . Então os acontecimentos A e P são incompatíveis.

A  P   então A e P são incompatíveis.

1.5. Acontecimentos contrários

A: “Sair número ímpar” e G:”Sair número par”

Tem-se A  G   , logo A e G são incompatíveis. Para além

Diz-se que A e A são acontecimentos contrários. Quando um

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)

10.1. Define os acontecimentos:

10.2. Indica, se possível, dois acontecimentos contrários e dois acontecimentos

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)

2. Argumento de Simetria e Regra de Laplace

Considera um saco onde coloca 10 bolas, idênticas ao tacto, numeradas de 0 a 9. Um

Cor Vermelha Castanha Amarela Verde Laranja Roxa

Descarregado por Ricardo milos (Gemeosx4@sapo.Pt)