Apontamentos Estatística Aplicada 2020

Apontamentos de Estatística seleccionados pelo PhD.
Abílio Eduardo – ISCED Benguela/2020 1
Estatística Aplicada
APRESENTAÇÃO DA DISCIPLINA
A disciplina Estatística Aplicada proporcionará uma visão geral aos estudantes,

dos problemas do estudo, problemas demográficos e sociológicos; grau de sanidade
contribuindo para a mobilização geral, serviços meteorológicos, na agricultura, na
biologia (medicinas e farmácias); estudo económico e financeiro.
Permite a tomadas de decisões, quer pelo estado, quer pelas diferentes
organizações sociais e profissionais.
A necessidade de formação estatística para todos no sentido de promover uma
participação esclarecida e crítica justifica-se, pois, voluntariamente, ou
involuntariamente, por vezes os resultados, estatísticos favorecem certos grupos
sociais em prejuízos dos outros. A este respeito, com base nos mesmos estudos, os
membros dos governos e os dirigentes sindicais, podem sustentar opiniões díspares
acerca do desemprego e não se pense que tais disparidades resultam sempre de um
uso distorcido da estatística, pois essas discrepâncias podem resultar da consideração
de certos aspectos em detrimento de outros, de acordo com interesse dos
interlocutores.
PROGRAMA
Dados Gerais do Programa da Cadeira

Curso: Todas as epecialidades, excepto Matemática, Física e Química
Licenciatura em: Ciências da Educação
O título da cadeira; Estatística Aplicada.
Ano: 2º.
Tipo de disciplina: Semestral ___x___; Anual ___
• 3 horas/s (1htp+2hp)
• Carga horária total: 45 horas
• Aulas teóricas: 15
• Aulas práticas: 25
• Aulas teórico-práticas: 5
• Total: 45 h
• Ano: 2014
Docente: Lic. Abílio Eduardo. //Assistente da UKB//
José César
Apontamentos de Estatística seleccionados pelo PhD. Abílio Eduardo – ISCED Benguela/2020 2
PROGRAMA
Introdução: Fundamentação da disciplina.

A Disciplina Estatística está, é leccionada no 2º semestre do 2º ano de todos os
cursos ministrados pelos ISCED do país com excepção de curso de matemática que
tem a disciplina de probabilidade e estatística. Constitui uma das ferramentas básicas
instrumentais do ponto de vista metodológico para realizar em investigações científicas.
Nela se articulam de forma lógica os conteúdos teóricos e as actividades
vinculadas directamente com a prática da investigação que se desenvolve ao longo dos
diferentes anos em que se ministram as especialidades em que se formam os
estudantes.
Esta disciplina em seu conjunto, permite dotar aos alunos das vias, formas e
métodos de estudo e acesso à realidade social, histórica, assim como, dos
instrumentos básicos para a colecta, organização, análise e interpretação dos dados e
a apresentação dos resultados.
Objectivos Educativos da Disciplina:
Contribuir para que os estudantes:
1. Adquiram uma formação teórica-metodológica geral que lhes sirva como

orientação para sua actividade prático-investigativa e como profissionais.
2. Consolidem sua concepção científica do mundo através da apreciação crítica
dos elementos teóricos, metodológicos e práticos adquiridos no processo da realização da
investigação científica.
3. Dotar o estudante de instrumentos teóricos e práticos da estatística para a
tomada de decisões e suporte às análises dos resultados quantitativos e qualitativos de
pesquisas empíricas analíticas
4. Proporcionar a nível científico uma sólida formação em Estatística Aplicada;
5. Analisar, interpretar e avaliar estudos de natureza estatística;
6. Assimilem criticamente as contribuições das diferentes perspectivas teóricas e
históricas no desenvolvimento da metodologia da investigação científica.
Objectivos Instrutivos da Disciplina:
Que os estudantes sejam capazes de:
1. Compreender os conceitos básicos e regras de Estatística;

2. Aprofundar a objectividade dos conhecimentos de Estatística em Educação
3. Elaborar técnicas, instrumentos teóricos e práticos através para a colecta da
informação, organizá-la, analisá-la e interpretá-la da para a tomada de decisões
4. Realizar as análises de resultados quantitativos e qualitativos de pesquisas
José César
empíricas analíticas
5. Conhecer e avaliar a aplicação dos diferentes métodos e técnicas de investigação

para a colecta de dados, de acordo com as características e o nível de
complexidade do objecto de investigação.
6. Fortalecer o conhecimento a respeito dos diferentes métodos de recolha análise e
apresentação de dados da realidade social histórica e sobre as perspectivas
metodológicas quantitativa e qualitativa para o planeamento e realização dos
processos de investigação social.
PROGRAMA TEMÁTICO
A-SINTÉTICO:
UNIDADE I: Parte teórico-prática
UNIDADE II: Parte prática
PROGRAMA ANALÍTICO
Sistema de conteúdo ou conhecimentos fundamentais.

PARTE I: Capítulo I – Este tema comporta a estatística descritiva. O seu tratamento
será feito em conferências e trabalho em grupos segundo o grau de complexidade dos
assuntos. Assim devem ser tratados os seguintes temas:
1.1 – Definição da estatística descritiva e estatística inferencial. População e
amostra. Variáveis discretas e contínuas
1.2 – Apresentação dos dados: Distribuição das frequências da variável aleatória
discreta com dados isolados. Diagrama de barras e polígonos de frequência
1.3 – Distribuição das frequências da variável aleatória discreta com dados
agrupados. Diagrama de áreas – histogramas
1.3 – Medidas de posição
1.3.1 – Medidas de tendência central: média, mediana, moda, quartis e percentis.
Relação entre a média mediana e moda
1.3.2 – Variância e Desvio médio Padrão
Capítulo II: - Elementos da Teoria das Probabilidades:

2.1 Introdução, nota histórica, importância da estatística. Experiência aleatória.
Espaço de resultado e acontecimentos
2.2 – Regras básicas da Probabilidade. Álgebra dos acontecimentos
2.3 – Definições de probabilidades: clássica e frequencista.
2.4 – Noções de análise combinatória simples. Conceito de factorial. Arranjos e
Combinações
2.5 – Teorema do Produto das Probabilidades: Produto dos acontecimentos e
Probabilidade condicional
2.6 - Acontecimentos independentes, mutuamente. exclusivos Probabilidade de que
ocorra pelo menos um acontecimento. Fórmula da probabilidade Total. Fórmula de
Bayes
2.7 – Problemas gerais e estimação de um parâmetro
2.8 – Distribuições discretas de Probabilidades (Binomial, Hipergeométrica e de
Poisson);
2.9 – Distribuições contínuas de Probabilidades (Normal e Exponencial) e Comparação
de variâncias ou de desvio-padrões;
2.10 – Distribuição de Amostragem - Comparação do valor de duas amostras
José César
2.11 – Testes de Hipóteses
PARTE II: Teórico-prática

- Problemas gerais
- Estatística Descritiva: essência, distribuição de frequências, medidas de localização,
de dispersão, de assimetria e achatamento; - Correcção e Regressão simples;
- Probabilidades
- Problemas gerais e estimação de um parâmetro – Distribuições discretas de
Probabilidades (Binomial, Hipergeométrica e de Poisson);
- Distribuições contínuas de Probabilidades (Normal e Exponencial) e Comparação de
variâncias ou de desvio-padrões;
- Distribuição de Amostragem - Comparação do valor de duas amostras
- Testes de Hipóteses - Teste T de Stundent
PARTE III: prática

Trabalho Prático:- Aulas práticas – Laboratório de Matemática: determinar as formas
de aplicabilidade da estatística; elaboração de frequências, medidas; determinar as
probabilidades; distribuição de Amostragens e elaboração de testes; - Exercitar todos
os itens do programa e resolução de exercícios práticos. Estão reservadas: uma hora
teórico-prática e duas horas práticas.
Sistema de Valores
 Sentido de responsabilidade
 Participação / Cooperação
 Autonomia
 Espírito crítico
 Persistência
 Justiça
 Honestidade
Sistema de Habilidade
 Demonstrar por método estatístico a veracidade dos factos

Precisa –se de :
 Diferenciar conceitos.
 Conhecer as operações elementar.
 Identificar os Axiomas,propriedades e teoremas
 Analisar a decorrencia dentro de um conjunto dados.
SISTEMA DE AVALIAÇÂO:
Provas de frequência e exames teórico-práticos; Classificação das aulas práticas.
BIBLIOGRAFIA:
BARROSO, Mário e Outros, Exercícios de estatística Descritiva para as Ciências

Sociais, Ed, Sílabo, Lisboa, 2003.
CAMPBELL, D.T. & Stanley, J.C. (1979). Delineamentos experimentais e quase
experimentais de pesquisa . S. Paulo: EPU.
José César
FOODY, W. (2001) Como perguntar. Teoria e prática da construção de perguntas em

entrevistas e questionários. Oeiras: Celta.
GHIGLIONE, r. & Matalon, B. (2001). o Inquérito. Teoria e prática. Oeiras: Celta.
GUIMARÃES, Rui Campos Cabral, José Sarsfield, Estatística, Editora McGraw-Hill,
Portugal, 1997.
HILL, M. M. & Hill, A. (2000). Investigação por questionário. Lisboa: Edições Sílabo.
KINNEAR, P. & Gray, C. (2004). SPSS 12 made simple. New York: Psychology Press.
LIMA, Yolanda e Baptista, António Manuel (1991). Métodos quantitativos. Editorial o
Livro.
MARTINEZ, Luís Frutuoso e Aristides Isidro Ferreira. (2010) Análise de dados com
SPSS . Primeiros passos. Escolar Editora. 3ª Edição. Lisboa, MORALES, Esteban
Egaña (2010). La Estadística. Herramienta fundamental en la investigación
pedagógica. Editorial Escolar. 2ª Edición corrigida y aumentada. Habana, Cuba
MAROCO, J. & Bispo, R. (2003). Estatística aplicada às ciências sociais e humanas.
Lisboa: Climepsi.
MAROCO, J. (2003). Análise estatística, com utilização do SPSS. Lisboa: Edições
Sílabo.
MOORE, D. S. The basic pratice of statistcs . New York: Freeman.
MOREIRA, J. (2004). Questionários: Teoria e prática: Coimbra: Almedina.
MURTEIRA, Bento e Outros (2002)., Introdução à Estatística, McGraw-Hill, Portugal,
MURTEIRA, B. Blac, GHJ, (1983).Estatística Descritiva, Ed. McGraw Hill,.
NEVES, Maria A.F. e Fernandes, José António (1995). Métodos quantitativos. Porto
Editora.
SUDMAN, & Bradburn, N. M. (1982). Asking questions. Apractical guide to
questionnaire design. San Francisco:Jossey-Bass
TUCKMAN, B. W. (2000). Manual de investigação em educação . Como conceber e
realizar o processo de investigação em educação.. Lisboa: Fundação Calouste
Gulbenkian.
REIS, E. (1996) Estatística Descritiva, Editora Sílaba, Lisboa, 3ª- edição
SANTOS, Fernando Borja (1996). Sebenta de Matemáticas Gerais. Estatística. Plâtano
Editora. 7ª Edição Lisboa
WONNACOTT, T.H., Wonnacott, R. J. (1997). Fundamentos de estatística, Livro
Técnico e Científicos Editora AS, Rio de Janeiro.
José César
CAPÍTULO 0 – INTRODUÇÃO
0.1 – Breve introdução histórica
Não se conhece com exactidão as origens da Estatística. O certo porém, é que

as suas origens remontam há muitos anos da nossa história. Ainda há indícios de que
por voltas do ano 3000 A.C. já se fazia sensos na Babilónia e no Egipto com o
propósito de cobrar impostos e para fim militares
A palavra ESTATÍSTICA derivada do termo latino “STATUS” que significa, para
uns, ESTADO (País) e para outros ESTADO DAS COISAS e parece ter sido
introduzida na Alemanha, em 1748, por Achenwall. Em espanhol escreve-se
ESTADÍSTICA, palavra mais próxima de Estado.
Apesar da sua origem remota, foi apenas no século XVII que a estatística
começou a ser uma disciplina autónoma. Para essa autonomia, muito contribuiu a
acção do alemão Hermannn Conring (1606 – 1681), ao introduzir o seu estudo na
universidade de Helmsterdt que foi continuado por Achenwal (1719 – 1772) e por
Schloze (1735 – 1809) no sentido diferente da escola alemã eminentemente qualitativa.
Surge, também no século XVII, a escola Inglesa com John Graunt (1620- 1674) que faz
um estado analítico sobre facto demográficos (registo de nascimento, casamento,
mortos) tendo tirado conclusões sobre a periodicidade dos caracteres sobre a
periodicidade dos caracteres registados e William Petty (1623- 162 87) que utilizou pela
primeira vez as tabelas dos relativos.
Data do século XVII o início do estudo sistemático dos problemas ligados aos
fenómenos aleatórios, começando a ser manifesta a necessidade de instrumentos
matemáticos, aptos a analisar este tipo de fenómenos, em todas as ciências que põem
o problema do tratamento e interpretação de um grande número de dados. Pode datar-
se dos fins do século XIX o desenvolvimento da estatística matemática e suas
aplicações, com F. Galton (1822-1911), K. Pearson (1857-1936) e W. S. Gosset (1876-
1936), conhecido sob o pseudónimo de Student, sendo lícito afirmar-se que a
introdução sistemática dos métodos estatísticos na investigação experimental se fica a
dever, fundamentalmente, aos trabalhos de K. Pearson e R. A. Fisher (1890-1962).
A estatística para adquirir o estatuto de disciplina científica não puramente
ideográfica ou descritiva, teve que esperar pelo desenvolvimento do cálculo das
probabilidades, que lhe viria a fornecer a linguagem e o aparelho conceptual permitindo
a formulação de conclusões com base em regras indutivas.
José César
Outros, também, que contribuíram para esse desenvolvimento foram Halley

(1662-1742), Bernouli que enunciou a lei dos grandes números, Bayes que apresentou
a teoria dos fenómenos condicionados, Laplace (1749-1827) que apresentou a teoria
das probabilidades, Gauss que apresentou o estudo analítico relacionados com os
grandes números relacionando-os com a distribuição numérica das frequências,
Quetelet que também faz o estudo demográfico.
0.2 – IMPORTANCIA
Nos nossos dias, a estatística assume uma importância decisiva a diversos
níveis, o que é confirmado pelo destaque e pela frequência com que os seus estudos
surgem nos meios de comunicação social. Diariamente, a partir de jornais, revistas,
rádio e televisão, somos confrontados com tabelas, gráficos, sondagens, etc. que
traduz resultados de estudos estatísticos.
A importância da estatística pode ser vista através da sua utilização ao nível do
estado, organizações sociais e profissionais, do cidadão comum e ao nível científico.
Ao nível do estado, hoje em dia quase todas as decisões importantes que se
tomam são acompanhadas de estudos estatísticos e, o mesmo se pode dizer
relativamente à justificação da adequação ou não das políticas seguidas pelos
diferentes governos. Quase todos os países possuem organismos oficiais destinados à
realização de estudos estatísticos. Isto prova o grau de importância que os países
atribuem a estatística.
No que respeita as organizações sociais e profissionais, tem-se vindo a assistir a
um aumento do uso de estatística. Relativamente as organizações sociais – sindicatos,
empresas, Organizações sociais, etc, todas elas conduzem a acção recorrendo mais
ou menos à estatística. Por exemplo, uma empresa quando lança um novo produto,
indaga os potenciais compradores acerca do mesmo produto. Nas organizações
sociais destaca-se o aparecimento recente e o grande incremento de empresas e
profissões ligadas a publicidade e técnica de marketing nas quais a estatística
desempenha um papel central.
Presentemente a estatística abrange todos os campos da nossa vida, a sua
utilização deve obedecer as regras muito preciosas.
A estatística é aplicada nos problemas do estudo, problemas demográficos e
sociológicos; grau de sanidade contribuindo para a mobilização geral, serviços
meteorológicos, na agricultura, na biologia (medicinas e farmácias); estudo económico
e financeiro.
José César
No nível do cidadão comum, a importância da estatística resulta imediatamente

nas implicações das decisões tomadas, quer pelo estado, quer pelas diferentes
organizações sociais e profissionais.
A necessidade de formação estatística para todos no sentido de promover uma
participação esclarecida e crítica justifica-se, pois, voluntariamente, ou
involuntariamente, por vezes os resultados, estatísticos favorecem certos grupos
sociais em prejuízos dos outros. A este respeito, com base nos mesmos estudos, os
membros dos governos e os dirigentes sindicais, podem sustentar opiniões díspares
acerca do desemprego e não se pense que tais disparidades resultam sempre de um
uso distorcido da estatística, pois essas discrepâncias podem resultar da consideração
de certos aspectos em detrimento de outros, de acordo com interesse dos
interlocutores.
Para além das questões de políticas governamentais, e das decisões ao nível
das organizações, o cidadão comum é “bombardeado” com informações relacionados
com a cultura e com o desporto cuja compreensão exige igualmente conhecimento de
estatísticas. No caso do futebol é frequente a televisão apresenta uma síntese relativa
a certos aspectos do jogo durante o intervalo e no fim do jogo.
Nas áreas económicas e de gestão de empresas, a estatística pode ser utilizada
com três objectivos.
1. Descrever e compreender as relações entre diferentes características que
têm uma população
2. Tomar decisões mais correctas e
3. Fazer face a mudanças
Na gestão de empresas, a tomada de decisão é crucial e faz parte do dia-a-dia
de qualquer gestor. As consequências dessas decisões são muito importantes para
que possam basear-se apenas intuição. A estatística permite a extracção de
conclusões válidas.
A estatística fornece aos gestores instrumentos para que possam tomar
decisões com alguma confiança mesmo quando a quantidade de informação disponível
é pequena e as situações futuras são de elevada incerteza.
A estatística é também responsável pelo desenvolvimento científico em geral.
Para além da sua aplicabilidade nas ciências naturais, na medicina e na economia, a
estatística constitui um suporte de cientificidade para as ciências humanas e sociais. E
assim que ciências como a sociologia, historia, pedagogia, psicologia, têm beneficiado
José César
de consideráveis desenvolvimento e aumento de credibilidade pública com a utilização

de métodos estatísticos.
Portanto, a estatística é um ramo das ciências matemáticas com um conjunto de
princípios e métodos próprios orientados a recolha crítica, análise e apresentação de
dados, permitindo a tomada de decisões.
CAPÍTULO # 1: CONCEITOS BÁSICOS DE ESTATÍSTICA DESCRITIVA
1.1 Definições e objecto da estatística. Tipos de Estatística

Estatística é a ciência que investiga os processos de obtenção, organização e
análise de dados sobre uma população, e os métodos de tirar conclusões ou fazer
predições com base nesses dados.
Este conceito tem um significado mais amplo do que aquele que usualmente se
dá à palavra "estatística", isto é, o resultado de contagens sobre a ocorrência de
determinados eventos e a sua representação através de gráficos e tabelas, como,
por exemplo, as estatísticas de ocorrência de chuvas numa certa época do ano; as
estatísticas sobre os ganhadores de prêmios de loteria; as estatísticas de renda média
por região etc. Portantanto podemos definir a ESTATISTICA como sendo o estudo das
características comuns dos elementos de um conjunto. É um ramo da matemática
aplicada que fornece métodos para a colecta, organização descrição e interpretação de
dados para a utilização dos mesmos na tomada de decisão.
O que é a Estatística?
A Estatística é a ciência que provê de métodos que permitem recolher, organizar,
resumir, apresentar e analisar dados relativos a um conjunto de individuos ou
observações e que permitem extrair conclusões válidas e tomar decisões lógicas
baseadas em tais análises.“Che J. 2008”
Objecto da Estatística: A Recolha, Compilação, Análise e Interpretação de

dados
Para melhor se atingir este objecto da estatística subdivide-se a mesma em duas
componentes ou dois tipos
No primeiro se agrupam todas aquelas técnicas associadas justamente com o
processamento ou tratamento de conjuntos de dados (Estatística Descritiva) e no
segundo se agrupam aquelas que permitem tomar decisões mediante as conclusões a
José César
que se chegam quando se analisam características numéricas do fenómeno que se

estuda (Estatística Inferecial).
A Estatística Descritiva – tem por finalidade descrever certas propriedades relativas a
um conjunto de dados. Descreve e interpreta factos actuais ou passados.
Depois de efectuadas as observações ficamos na posse de um conjunto caótico de
dados, o que, naturalmente, dificulta a obtenção de conclusões. É perante essa
“desordem” de dados que a estatística descritiva revela a importância e interesse das
suas técnicas, ao permitir classificar esses dados e fornecendo características
sumárias de tais dados.
O objectivo essencial da Estatística Descritiva é a de descrever conjuntos de dados
numéricos; Tal descrição permite pôr de manifesto as propriedades do conjunto, o qual
se pode expressar de forma gráfica ou analítica.
A Estatística Inferencial estende as conclusões extraídas da amostra à

população e postular modelos que se ajustem aos dados.
Em geral, este conceito mais popular de estatística corresponde somente à
organização e descrição dos dados relativos a um determinado experimento ou
situação e não trata da análise e interpretação desses dados.
Estatistica Indutiva (Inferencial) – Com base na análise de um conjunto
limitado de dados (amostra) caracterizar o todo a partir do qual tais dados foram
obtidos (população). Procura aferir propriedades estatísticas a partir de propriedades
verificadas na amostra. Com base no cálculo faz previsões para o futuro.
Portanto, a Estatística Descritiva, é a parte da Estatística que se preocupa com
a organização e descrição de dados experimentais. Além da Estatística Descritiva há a
Estatística Indutiva ou Estatística Inferencial que consiste, fundamentalmente, das
técnicas de análise e interpretação dos dados.
José César
POPULAÇAO ESTATISTICA (N) é o conjunto de seres (humanos ou não) sobre o

qual incide o estudo feito ou a fazer que tenha fazer pelo menos uma característica
comum. Por outras palavras, população é o conjunto de todos os elementos relativos a
um determinado fenómeno, que possuem pelo menos uma característica comum. A
população é o conjunto universo, podendo ser finita ou infinita. Em suma, População é
qualquer conjunto de elementos que tenha uma ou mais propriedades comuns
definidas pelo investigador, pudendo ser desde toda la realidade, até um grupo muito
reduzido de fenómenos
AMOSTRA é o subconjunto representativo da população que se pretende estudar.
Os termos POPULAÇÃO e AMOSTRA são frequentemente utilizados para se

fazer referência, indistintamente, aos objectos sobre os quais incide a análise
estatística e aos dados que medem a característica que é analisada.
Os conceitos POPULAÇÃO e AMOSTRA são definidos em função de uma dada
análise estatística e, em particular do seu objectivo. Se este se modificar, altera-se
também a população e o conjunto de amostras que a partir dela se podem obter.
A partir de um conjunto restrito de dados, chamado de amostra, organizado e
descrito pela Estatística Descritiva, a Estatística Indutiva procura fazer inferências ou,
em outras palavras, tirar conclusões sobre a natureza desses dados e estender essas
conclusões a conjuntos maiores de dados, chamados de populações.
É evidente que, para que a Estatística Indutiva possa deduzir conclusões
válidas, é necessário que se tomem alguns cuidados para a escolha da amostra a ser
utilizada. Esses cuidados, mais propriamente chamados de critérios, são estabelecidos
por uma técnica chamada de amostragem.
Contudo, para permitir que a Estatística Indutiva proporcione conclusões válidas
não basta utilizar as técnicas de organização e descrição dos dados da Estatística
Descritiva e as técnicas correctas de amostragem. Fica ainda faltando uma última
José César
ferramenta que é o cálculo de probabilidades. O cálculo de probabilidades é um

conjunto de técnicas matemáticas que visa determinar as chances de ocorrência de
eventos regidos pelas leis do acaso.
Amostragem é o processo de retirada de informações das “n” elementos
amostrais, no qual deve-se seguir um método criterioso e adequado (tipos de
amostragem).
Métodos ou Técnicas de amostragem
MÉTODOS DE AMOSTRAGEM
PROBABILÍSTICAS NÃO PROBABILÍSTICAS
Amostragem simples aleatória Amostragem acidental
Amostragem sistemática Amostragem intencional
Amostragem estratificada Amostragem por quotas
Amostragem por conglomerado Outras
a) Técnicas probabilísticas:
Garantem que cada uma das unidades da população tenha a mesma
probabilidade estatística de pertencer à amostra, ou seja, que se baseiam no suposto
de equiprobabilidade, e nestes casos a amostra se considera autoponderada, e os
resultados são representativos.
Na amostragem aleatória simples, a cada elemento ou unidade da população
se assigna um número único, e a partir deste listado se faz um sorteio ou se utiliza uma
tabela de números aleatórios, seleccionando os casos até chegar ao tamanho desejado
da amostra. Este procedimento é longo e cansativo, sobretudo quando a população é
grande.
A amostragem sistemática constitui uma variante do procedimento anterior,
mas rápido e fácil de aplicar. Se divide o número de elementos da população entre o
número de sujeitos que se deseja que integrem a amostra. O resultado nos oferece o
intervalo que devemos utilizar, por exemplo:
População = 500:10 Muestra 50
Deste modo, se escolherá sistemáticamente a cada décimo sujeito da população

(lista) até chegar à quantidade desejada. O primer caso deve tomar-se da lista por
sorteio.
A amostragem extratificada permite assegurar e aumentar a
representatividade da amuestra a nivel de certos subconjuntos da população estudada.
Se divide a população em extractos, por exemplo, idade e sexo, e se obtem
aleatoriamente uma muestra separada de cada extrato, a través de um dos
procedimentos antes descritos.
Amostragem por conglomerados, em vez de seleccionar indivíduos, se
escolhem conglomerados, ou seja, grandes grupos de elementos que podem incluir,
por exemplo, grupos de pessoas pertecentes a escolas, hospitais, áreas geográficas,
municipios, organizações, etc. Estes conglomerados são seleccionados aleatoriamente
José César
e se procede a estudar cada um dos elementos que os integram. Se, por exemplo, se
pretende investigar o desenvolvimeto da lenguagem infantil nas zonas rurais, se parte
de uma lista de todas as zonas existentes, se selecciona a mostra que abarcará tais
zonas (conglomerados) e finalmente se procede a estudar a cada uma das pessoas
das zonas escolhidas. Um procedimento mais complexo pode incluir a selecção
inicial dos conglomerados, sua extratificação no suposto caso de que sejam grupos de
grande tamanho (ou se o estudo o requer) e posteriormente se determina a amostra
dentro de cada estrato pelos procedimentos antes mencionados.
b) Técnicas não probabilísticas:

São aquelas que não asseguram a probabilidade que tem cada unidade da
população de ser incluida na amostra. Portanto, não se obtem nestes casos a
equiprobabilidade nem a representatividade da amostra. Com estes procedimentos se
pode representar determinados elementos da população. Contudo, as vezes
constituiem a única forma possível de recolectar dados devido às dificuldades e os
custos das técnicas probabilísticas.
Na amostragem accidental se incluei na amostra todos os elementos ou casos
disponiveis, seleccionándo-os arbitrariamente até chegar à quantidade desejada. A
amostragem accidental ou deliberado permite seleccionar explícitamente certo tipo
de elementos ou casos que o investigador considera mais representativos, típicos ou
com possibilidades de oferecer maior quantidade de informação. Os casos se
seleccionam a partir de uma população dada, até chegar à quantidade estimada como
necessária.
A amostragem por quotas se emprega quando se conhecem as características
específicas da população, tratando de incluir todos os indicadores representativos a
estudar. Desta forma se incorporam à muestra todas aquelas pessoas que se
considera pertecem às categorías do objecto de estudo, fixando uma quota para cada
subgrupo.
VOLUME – (da População ou Amostra) – Numero de objectos desta. Conforme
o volume, a população pode ser finita ou infinita.
UNIDADE ESTATISTICA ou INDIVIDUO – Cada elemento do conjunto que se
estuda.Portanto, as unidades de estudo são os elementos, fenómenos, sujeitos ou
processos que integram a poblação, por exemplo: individuos, grupos de pessoas,
factos, procesos, casos, etc.
As unidades que conforman a populación se determinan em função da natureza
da investigação e do disenho teórico adoptado, tendo muito em conta o objectivo
consciente a alcançar.
Por exemplo, se o objectivo consiste em desenvolver estrategias de intervenção
na saúde da comunidade, com vista a melhorar os conhecimentos e actitudes dos
conjuges acerca da planificação familiar, a unidade de estudio pode ser o par. Mas se
se trata de intervir nesta problemática abarcando a toda la população femenina,
independientemente del estado civil, aquí la unidade seríaa mulher.
ATRIBUTO ESTATÍSTICO – Propriedade dos indivíduos que foi ou vai ser
estudado. De acordo com o tipo, o atributo pode ser qualitativo ou quantitativo.
CENSO é a colecta exaustiva de informações das “n” unidades populacionais.
José César
DADO ESTATÍSTICO é qualquer característica que possa ser observada ou

medida de alguma maneira.
VARIÁVEL é a propriedade que se deseja observar para se tirar algum tipo de
conclusão. Geralmente, as variáveis para o estudo são seleccionadas por processos de
amostragem. Por outras palavras, As variáveis constituem as características que
interessa descrever na população. A distinção do tipo de variável pode ser muito útil,
sobretudo no processo de organização dos dados. Em primeira insistência, ao falar das
variáveis, ou dos dados ou observações correspondentes a estas
Os símbolos utilizados para representar as variáveis são as letras maiúsculas do
alfabeto, tais como, X, Y, Z, …etc, que podem assumir qualquer valor de um conjunto
de dados aos que se representam por letras minúsculas do alfabeto, tais como, x, y, z,
….
Classificação de variáveis e escalas de medição

A distinção do tipo de variável pode ser muito útil, sobretudo no processo de
organização dos dados. Em primeira insistência, ao falar das variáveis, ou dos dados
ou observações correspondentes a estas, se podem diferenciar atendendo à natureza
destes dados ou à escala da sua medição. Assim, quanto à natureza destes dados
temos: variáveis qualitativas e variáveis quantitativas.
As variáveis qualitativas também chamadas atributos ou ainda chamadas
variáveis categóricas são aquelas características de uma população que, como indica
o seu nome, se referem a qualidades. Seus diferentes valores são chamados
Categorias.
Exemplos das mesmas são: sexo (com duas categorias: feminino e masculino),
cor, estado civil, nível de escolaridade, qualidade (boa, regular, mal), etc. Esta podem
ser
As variáveis Qualitativas (ou atributos): são características de uma população
que não podem ser medidas. Estas podem ser.
 Nominal: são utilizado símbolos ou números para representar determinado tipo
de dados, mostrando assim, a qual grupo ou categoria eles pertencem.
Para caracterizar el comportamentos de variáveis nominais, usa-se a
moda que trataremos no capítulo seguinte
 Ordinal (ou por posto): quando uma classificação for dividida por categorias
ordenadas em graus convencionadas, havendo uma relação entre as
categorias do tipo “maior que”, “menor que”, “igual a”, os dados por postos
consistem de valores relativos atribuídos para denotar a ordem de
primeiro, segundo, e assim sucessivamente. Para caracterizar el
José César
comportamentos de variáveis ordinais, usa-se a mediana que trataremos

no capítulo seguinte.
As variáveis quantitativas são aquelas que, também como indica o seu nome,
se referem a quantidades, a valores numéricos com os quais (números) é possível
realizar operações aritméticas. São variáveis que podem assumir somente valores
inteiros num conjunto de valores. É gerada pelo processo de contagem como o
número de veículos que passa num posto de gasolina, o número de estudantes nesta
sala de aulas.
Exemplos destes são: custos, ingressos, estaturas, pesos, temperaturas,
quantidade de peças defeituosas, número de filhos, etc.
Cabe destacar que, ainda é comum em muitas investigações codificar os valores que
tomam diferentes variáveis qualitativas com números (por exemplo: 0 = não, 1 = sim),
esta codificação não altera o carácter qualitativo da variável.
Por outra parte, entre as variáveis quantitativas se podem distinguir, como se
viu, dois tipos: discretas e contínuas. Se chamam variáveis discretas as que tomam
valores pontuais, isolados, dentro de seu intervalo de definição, como é o caso
daquelas que representam resultados de contagens.
Se conhecem como variáveis contínuas as que dentro do seu intervalo ou sub-
intervalos de definição podem tomar qualquer valor real, estando geralmente
vinculadas a quantidades expressas em alguma unidade de medida (de tempo,
distancia, área, massa, moeda, etc.).
Com relação ao carácter discreto ou contínuo é bom ter presente que o mesmo
vem dado pela própria natureza da variável, e não pelo facto de que esta se expresse
com ou sem cifras decimais. Essa última questão depende de outras coisas, como as
unidades de medida utilizadas, a precisão desejada ou os costumes ao expressar uma
magnitude.
O tipo de variável está, além disso, directamente vinculado com o que foi dado
numerar, tipo de escala de medição da variável, que é uma classificação associada
ao tipo de operações que se pode efectuar com a variável em questão.
As escalas de medição, em ordem de complexidade, são: nominal, ordinal, de
intervalo e de razão; delas as duas primeiras estão associadas a variáveis qualitativas
e as duas últimas a variáveis quantitativas.
Na escala nominal, os valores dos dados representam categorias ou atributos
sen uma ordem intrínseca: por exemplo: sexo, nacionalidade, categoria laboral, cor,
verdadeiro/falso, etc. Uma variável em escala nominal só permite classificar. Para
José César
caracterizar el comportamentos de variáveis nominais, usa-se a moda que trataremos

no capítulo mais adiante.
Na escala ordinal quando uma classificação for dividida por categorias
ordenadas em graus convencionadas, havendo uma relação entre as categorias do tipo
“maior que”, “menor que”, “igual a”, os dados por postos consistem de valores relativos
atribuídos para denotar a ordem de primeiro, segundo, e assim sucessivamente.
Para caracterizar el comportamentos de variáveis ordinais, usa-se a mediana
que trataremos no capítulo mais adiante. Por exemplo, a qualidade (baixa, média, alta),
o estado de opinião (totalmente de acordo, maioritariamente de acordo,
maioritariamente em desacordo, totalmente em desacordo), resultado de um teste
(bem, regular, mal), o nível de satisfação (muito insatisfeito, insatisfeito, satisfeito, muito
satisfeito), etc. Uma variável em escala ordinal permite, além de classificar, ordenar.
Na escala de intervalo os valores dos dados representam quantidades
numéricas para as quais o zero está definido arbitrariamente; este último implica que
ainda que um valor seja múltiplo de outro por um factor dado, não por isso pode dizer-
se que a variável correspondente é maior ou menor proporcionalmente nesse mesmo
factor.
Este tipo de escala aparece associada principalmente a magnitudes físicas e
químicas como temperaturas, energias, potenciais, etc. Por exemplo, a temperatura se
mede em escalas em que o zero está escolhido de forma arbitraria, pois não
representa a ausência de temperatura, se não uma temperatura em particular – a de
congelação da água na escala Celsius, a de congelação de álcool na escala
Fahrenheit-; assim, se os valores de temperatura ambiente reportados em duas
cidades são de 15ºC e 30ºC, isso não quer dizer que há o dobro de temperatura na
segunda cidade, senão tão-somente que há 15ºC mais.
Na escala de razão ou de proporção os valores dos dados representam
quantidades numéricas para as quais o valor zero indica a ausência da característica
medida.
Então, o facto de que multiplicar um valor da variável por um factor dado, k, dá
como resultado um valor k vezes maior; quer dizer, se estabelece o sentido da
proporção. Por exemplo, um preço nulo para um produto ou serviço indica que não há
que pagar nada, e um preço duplo do outro indica que há que pagar o dobro. O mesmo
pode dizer-se de qualquer outra variável monetária, e de variáveis associadas à
medição de pesos, distâncias, áreas, volumes, etc. Uma variável em escala de razão
José César
permite classificar – quantitativamente-, ordenar, somar e diminuir, e multiplicar ou

dividir.
PARÁMETROS são medidas populacionais que se usam quando se investiga a
população em sua totalidade.
ESTIMATIVA: É o valor aproximado do Parâmetro e é calculado com o uso da
amostra.
SÉRIES ESTATÍSTICAS.
Uma série estatística é um conjunto de dados ordenados segundo uma
característica comum, as quais posteriormente para se fazer análises e inferências. As
séries podem ser:
 Séries Temporais ou Cronológicas: É a série cujos dados estão dispostos em
correspondência com o tempo, ou seja, ainda que varie o tempo, o facto e o local
permanecem constantes.
Ex. Produção de milho numa determinada fazenda agrícola desde 1976 a

1980
Anos Produção em toneladas
1976 9702
1977 9332
1978 9304
1979 9608
1980 10562
 Série Territoriais ou Geográfica: É a série cujos dados estão dispostos em

correspondência com o local, ou seja, varia o local permanece constante a época
e o facto
Ex. População rural num determinado município
Região População
Norte 3037
Nordeste 17568
Sudeste 42810
Sul 11878
Centro – oeste 5115
Total 80408
 Série Específica ou Qualitativa: é a série cujos dados estão dispostos

em correspondência com a espécie ou qualidade, ou seja, varia o facto e
permanece constante a época e o local
José César
Ex. População rural e urbana num determinado município
Localização População
Rural 80408
Urbana 38566
Total 118974
 Série Mista ou Composta: é a combinação entre duas ou mais séries

constituindo novas séries denominadas COMPOSTAS e apresentadas
em tabelas de dupla entrada. O nome da série mista surge de acordo com
a combinação de pelo menos dois elementos
Local Época = série geográfica temporal
Anos REGIÕES
N NE SE S CO
1940 406 3381 7232 1591 271
1950 581 4745 10721 2313 424
1960 958 7517 17461 4361 1007
1970 1624 11753 28965 7303 2437
1980 3037 17567 42810 11878 5115
1.2 – REGRAS DE ARREDONDAMENTO

As regras de arredondamento aplicam-se aos algarismos decimais situados na
posição seguinte ao número de algarismos decimais que se queira transformar, ou
seja, se tivermos um número de três algarismos decimais e quisermos arredondar
para duas, aplicar-se-ão as seguintes regras:
 1ª Se o primeiro algarismo após aquele que se arredonda for de 0 a 4,
conservamos o algarismo a ser arredondado e desprezamos os seguintes
(Arredondamento por defeito). Ex: 7,34856 (para décimos)→7,3

 2ª Se o primeiro algarismo após aquele que se arredonda for de 6 a 9,
acrescenta-se uma unidade no algarismo a ser arredondado e desprezamos os
seguintes (arredondamento por excesso). Ex: 7,37856 (para décimos)→7,4
 3ª Se o primeiro algarismo após aquele que se arredonda for 5, seguido
de zeros, conservamos o algarismo se ele for par ou aumentamos uma unidade se
ele for ímpar. Ex: 7,2500 (para décimos)→7,2 ou Ex: 7,3500 (para décimos)→7,4
 Se o 5 for seguido de outros algarismos dos quais, pelo menos um é
diferente de zero, arredonda-se sempre por excesso. Ex: 7,2502 (para décimos)→7,3
ou Ex: 7,3504 (para décimos)→7,4
 4ª Quando, arredondarmos uma série de parcelas, e a soma ficar
alterada, devemos fazer um novo arredondamento por excesso ou por defeito na maior
José César
parcela do conjunto, de modo que a soma fique inalterada. Ex:

17,4%+18,4%+12,3%+29,7%+22,2%=100% arredondar para inteiro ficaria:
17%+18%+12%+30%+22%=99%, como a soma é diferente daquela que se teria se se
trabalhasse com os reais valores obtidos sem ser arredondados, então deve-se
arredondar de novo a maior parcela entre todas (por excesso ou por defeito) conforme
a conveniência de não alterar o resultado. Assim, ficaria:
17%+18%+12%+31%+22%=100%. Na prática arredonda-se o resultado final.
1.4 – MÉTODOS ESTATÍSTICOS

Para o estudo de qualquer atributo (qualitativo ou quantitativo) deve se seguir
uma determinada metodologia a que se denomina Métodos Estatísticos
Define-se como METODO ESTATÍSTICO o conjunto de operações a efectuar
para recolher os dados, analisá-los, sua apresentação e ordenação.
1.4.1 – Fases do Método Estatístico
Assim, constituem fases do método estatístico as seguintes:

1.4.1.1 Recolha de dados: A recolha deve obedecer um trabalho cuidadoso, de
forma a garantir a sua exactidão Esta fase pressupõe:
a) – Definição do Problema: Saber exactamente aquilo que se pretende
pesquisar. Definir o problema consiste na:
 Formulação correcta do problema
 Examinar outros levantamentos realizados no mesmo campo
(revisão da literatura) Saber exactamente o que se pretende,
pesquisar definindo variáveis, população, hipóteses, etc.
b) – Planificação: Consiste em determinar o procedimento necessário para
resolver o problema. Como levantar as informações? Que dados deverão ser obtidos?
Qual levantamento a ser utilizado (método)? Que tipos de levantamento (por senso
(completo) ou por amostragem (parcial)? Que custos? Que cronograma a seguir, que
instrumentos a utilizar, que meios logísticos são necessários etc.
c) Colecta, Recolha, ou levantamento de dados: Consiste na obtenção
dos dados referentes ao trabalho que desejamos fazer. A pode colecta ser directa
(directamente da fonte ou indirecta, isto é, através de outras fontes). Ainda a recolha
pode ser feita directamente pela própria pessoa (primária) ou se basear no registo de
terceiros (secundária). É nessa fase que se utilizam os diferentes métodos de
pesquisa. A recolha deve obedecer um trabalho cuidadoso, de forma a garantir a sua
exactidão.
José César
Exemplo 1.1: Considerando o conjunto de todos os trabalhadores de uma empresa e

suponhamos que se pretende saber se existem mais homens ou mulheres, qual é a
idade média, o número de empregados, por grupos etários, a média das alturas o seu
grau de habilitações e estados civil, assim teríamos:
Admitamos que há 800 empregados.
. Registamos, todos os empregos.
. Numa primeira coluna, registamos o sexo colocando as letras M ou F.
. Na terceira coluna indicamos a idade escrevendo os anos completos.
Tabela 1
Nº ordem Nome Sexo Idade Salário Altura Habilit Estado civil
M F C S D V
1 Teodoro X 25
2 Mariana x 23
Exemplo 1.2: Exercício Introdutório 1: Consideremos os resultados de uma

prova onde participaram 50 alunos tendo-se verificado o seguinte:
8 10 9 12 8 14 11 11 14 10
11 12 11 9 9 10 9 13 9 10
9 13 8 12 10 11 12 8 13 12
8 11 12 10 11 8 10 9 14 11
10 8 14 12 11 9 13 11 12 10
a) Identifica a população.
b) Indica o seu volume.
c) Indica o carácter em estudo nessa população
d) Fazer a tabulação (distribuição) das classificações
1.4.1.2 Análise de dados: É uma fase do trabalho estatístico mais importante e

delicada. Está ligada essencialmente ao cálculo de medidas e coeficientes cuja
finalidade principal é descrever o fenómeno. É nessa fase em que se identificam as
relações, se testam as hipóteses e se definem os modelos com ajuda de métodos
apropriados. Após a recolha de dados deve ser feita uma análise cuidadosa. É nessa
fase em que se identificam as relações, se testam as hipóteses e se definem os
modelos com ajuda de métodos apropriados. Por essa razão na análise se faz a:
a) – Ordenação de Dados: Os dados apurados podem ser de carácter qualitativo
ou de carácter quantitativo.
 Sexo e estado civil são dados qualitativos.
 Altura, idade, salário são dados quantitativos
José César
b) – Classificação de dados: Quando a uma série estatística é constituída por

numerosos elementos, não é prático o trabalho isolado com cada um dos elementos da
série e por isso, embora se perca em precisão, deve-se fazer agrupamentos ou
constituir classes.
Quanto aos dados qualitativos, contam-se o nº de indivíduos que os possuem,
isto é, quantos homens e quantas mulheres existem no total de forma a poderem
estabelecer percentagens.
Relativamente aos dados quantitativos, reúnem-se em classes contando o nº de
indivíduos que se situam dentro de cada classe. As classes devem ter todas a mesma
amplitude (dimensão) que é a diferença entre o extremo superior e o extremo inferior
de cada classe. As classes devem ser contínuas.
Não existe uma regra rígida para estabelecer o nº de classe contudo, o seu nº deve
variar entre 8 a 15.
Do Exemplo 1.2 a tabela 2 seguimte
X (notas) 7 8 9 10 11 12 13 14
n (nº
alunos)
de 0 7 8 9 10 8 4 4
n i
= 50
c) – Apuração de dados (Resultados) ou sumarização dos dados: Consiste em

resumir os dados, através de uma contagem e agrupamento. É um trabalho de
coordenação e de tabulação. A apuração de dados pode ser manual, mecânica,
electrónica e electromecânica. Os dados apurados podem ser de carácter qualitativo ou
de carácter quantitativo. Ex: Sexo e estado civil são dados qualitativos e Altura,
enquanto, a idade, e o salário são dados quantitativos. É necessário nessa fase
ordenar os dados a apurar.
1.4.1.3 – Apresentação de Dados: Nesta fase fazemos a apresentação dos
resultados obtidos na colecta e na organização e pode ser feita em texto, tabela ou
gráfico.
a) – Representação Textual – Consiste em apresentar os dados mediante
um texto.
b) – Representação Tabular – Consiste em dispor os dados em linhas e
colunas distribuídos de modo ordenado.
c) – Representação Gráfica (Distribuição Descontinua ou discreta) – Quando os
resultados das observações aparecem de forma arredondadas, isto e, se se tratar de
uma variável descontínua ou discreta à distribuição dá-se o nome de Distribuição
Descontinuas ou Discreta. Representando este tipo de distribuição num gráfico,
José César
marcamos no eixo das abcissas os valores de (classificações) e no eixo das ordenadas

as frequências. Existem vários tipos de gráficos: Cartesianos, Triangular, Circular, etc.
CAPÍTULO # 2: ESTUDO DAS FREQUÊNCIAS DE UMA VARIÁVEL ALEATÓRIA

DISCRETA
2.1 – Conceito de Frequência Absoluta de uma Variável Aleatória.
No capítulo anterior estudamos que uma VARIÁVEL é aquilo que se deseja
observar para se tirar algum tipo de conclusão. Geralmente, as variáveis para o estudo
são seleccionadas por processos de amostragem. Os símbolos utilizados para
representar as variáveis são as letras maiúsculas do alfabeto, tais como, X, Y, Z, …etc,
que podem assumir qualquer valor de um conjunto de dados. Vimos também que uma
variável pode assumir diversos valores. Neste capítulo, vamos fazer o estudo destas
frequências.
Exemplo 2.1: Consideremos os resultados de uma prova onde participaram 50
alunos tendo-se verificado o seguinte:
8 10 9 12 8 14 11 11 14 10
11 12 11 9 9 10 9 13 9 10
9 13 8 12 10 11 12 8 13 12
8 11 12 10 11 8 10 9 14 11
10 8 14 12 11 9 13 11 12 10
Tabela 2
X (notas) 7 8 9 10 11 12 13 14
Contagem
n (nº
alunos)
de 0 7 8 9 10 8 4 4
n i
= 50
Verificamos que a nota 7 não apareceu na sala, a nota 8 foi atribuída a 7, a nota
9 a 8 alunos, … etc. Admitindo que as notas variam de 7 a 14, representaremos,
genericamente esses valores por x e podemos escrever: x = 7,8,9,10,11,12,13,14.
Diremos então que a frequência de 7 é zero; de 8 é 7; de 9 é 8; de 10 é 9, de 11 é 10,
etc, podemos definir a frequência absoluta:
Assim, a Frequência Absoluta é o número de vezes que um determinado
acontecimento se realiza.
A soma de dadas as frequências é igual a população n i N

José César
2.2 – Frequência Relativa
38 64 50 32 44 25 49 57
46 58 40 47 36 48 52 44
68 26 38 75 63 21 54 65
46 73 42 47 35 53 40 35
41 45 35 42 50 56 45 28
Chama-se Frequência Relativa de um acontecimento ao quociente entre
número de casos que verificam esse acontecimento (frequência absoluta), e o número
total de acontecimentos (população)
ni
f  sendo..N  0 . Desta fórmula deduz-se 0  fi  1 também se pode
N
ni
exprimir a frequência relativa por fi  ( *100)%sendo..n  0
N
Exemplo 2.2: A frequência relativa dos alunos que tiveram nota 8 no exemplo anterior
é igual ao quociente entre n8  7 e N =50 (População)
7
n8   0,14  14%
50
2.3 – Estudo de Frequências com dados em classes
2.3.1 – Representação tabular
Quando o número de dados é grande, isto é, a série estatística é constituída por

numerosos elementos, não é prático o trabalho isolado com cada um dos elementos, é
conveniente fazer o seu agrupamento em classe. Embora se perca em precisão, deve-
se fazer agrupamentos ou constituir classes.
As variáveis contínuas, obrigam-nos à definição de CLASSES de valores.
Outros conceitos associados a este são os de NÚMERO DE CLASSES,
AMPLITUDE (ou Rango), LIMITES e PONTO MÉDIO ou CENTRO.
Exemplo 2.3: Os seguintes dados representam as idades de 40 professores de
uma escola na Baía Farta
a) Classificar a variável
b) Elaborar uma distribuição de frequências
Resolução:
Algumas definições importantes
José César
1) Determinar a quantidade dos dados (n)
2) Amplitude total (At) dos dados

At= Xmax- Xmin
No caso, Xmax=75 e Xmin =21 portanto
At = 75-21=54
3) Número de classes (k)

Regra: se n<25 fazer k igual a 5. Se k≥25, fazer k igual (ou aproximado) a raiz
quadrada de n
No caso n = 40 >25 logo k=6,3246.
4) Determinar a amplitude das classes ()

É o quociente entre a At e o numero de classes, ou seja =At/k =54/6=9
Devemos portanto construir uma distribuição com 6 classes de amplitude 9
NOTA: Outra regra empírica muito usada é, sendo At=54, determinar dois números cujo
produto seja aproximado a 54, sendo um dos factores igual ao numero de classes ou intervalos e o outro
a amplitude das classes.
Assim, 54=6x9 (valor exacto), ou seja, K=6 e =9
Nesta regra, deve-se ter sempre em conta que At ≤ k. 
Assim,
Limite Limite
• Quando se dá uma inferior superior
situação como esta,
[21 30[
o conveniente será
aumentar o numero [30 39[
de classes ou [39 48[
considerar o último
[48 57[
intervalo fechado
(para incluir o limite [57 66[
superior do mesmo [66 75]
Distribuição
Distribuição de frequências para as idades de 40
trabalhadores da industria na Baía Farta
Classes Frequência, Fi Ponto médio

21- 30 4 25,5
30 - 39 7 34,5
39 - 48 13 43,5
48 - 57 8 52,5
57- 66 5 61,5
66- 75 3 70,5
ΣFi =40
José César
Continuação
Classes Frequência, Fi Ponto médio Frequência Frequência
(Xi) relativa, fi acumulada (Fac)
21- 30 4 25,5 0,10 4
30 - 39 7 34,5 0,18 11
39 - 48 13 43,5 0,33 24
48 - 57 8 52,5 0,20 32
57- 66 5 61,5 0,13 37

66- 75 3 70,5 0,08 40
ΣFi =40 Σ(Fi/n)=1
Vamos agora fazer uma distribuição com os mesmos dados mas com 7 classes.
Então pela regra empírica (que é uma consequência da relação =At/k) temos
At=54 e k=7 logo, como 7.8=56>54, devemos ver a diferença
56-54=2 , dividir por dois (resulta 1) e subtrair do valor mínimo da série de dados.
Resulta At=54, k=7, =54/7=8
Distribuição
Distribuição de frequências para as idades de 40 Número de
trabalhadores da industria na Baía Farta trabalhadores
Classes Riscos Frequência, Fi

]20- 28] 4
Intervalos 28- 36 5
de idades 36- 44 9
44- 52 11
52 - 60 5
60 - 68 4
]68 – 76] 2
ΣFi =40
Exemplo 2.3.1: De 200 pessoas que já tinham viajado de avião, registou-se em que
idades o fizeram pela primeira vez e obtiveram-se os seguintes resultados:
Nº de Nº de
Idade pessoas Idade pessoas Idade Nº de pessoas
(x) (Frequência) (x) (Frequência) (x) (Frequência)
0 3 30 5 52 2
1 2 32 1 53 3
2 1 33 1 55 2
3 4 35 4 57 6
4 1 37 2 58 1
5 3 38 7 60 14
8 4 39 2 61 4
10 5 40 3 62 3
11 6 42 4 63 5
12 4 43 2 64 6
14 6 44 1 65 2
15 8 45 5 66 4
16 1 46 2 67 4
18 3 48 3 68 3
21 21 49 4 69 2
24 6 50 12
25 2 51 1
José César
Desta forma, atendendo ao grande nº de valores observados (x) vamos fazer

agrupamentos em classes. A escolha das classes é variável consoante o nº de casos
observados, podendo estar ser ou não da mesma grandeza (amplitude. Neste exemplo
e de forma geral adopta-se classes com a mesma amplitude.
Dado que os valores variam de 0 a 69, temos 70 observações. Querendo formar
7 classes, vem: 70:7=10, logo cada classe terá uma amplitude de 10
Nº de
Classes pessoas Classes
(n)
0a9 18 0  x10
10  x20
10 a 19 33
20  x30
20 a 29 29
30  x40
30 a 39 22
40  x50
40 a 49 24
50  x60
50 a 59 27
60  x70
60 a 69 47
n i 
200
Note que a frequência absoluta de cada classe é igual a soma das frequências
absolutas observadas em cada classe.
Assim, x1  0; x2  1; x3  3; x4  4; x5  2; x6  5; x7  8 logo
3+2+1+4+1+3+4=18. Nesse exemplo, o 0 é o limite inferior e o 9 é o limite superior.
As frequências também podem ser escritas em forma de intervalos semi-abertos.
Assim, atendendo a que queremos formar 7 classes cuja amplitude é de 10 temos, por
exemplo, no primeiro intervalo 0  x10 pois se alguém tiver 9 anos e 11 meses

estará incluso nesse intervalo o que nos leva a mudar de distribuição descontínua para
uma distribuição contínua. Sobre distribuições falaremos nos capítulos seguintes.
Nesta tabela, no intervalo 20  x30 , 20 e 30 são limites ajustados enquanto que

o 20 e 29 são limites reais do mesmo intervalo.
José César
Chama-se Amplitude de uma classe (h) à diferença entre os limites superiores
ou limites inferiores de duas classes consecutivas: hi  Li  li ou h  L2  L1 ou
h  l2  l1
A semi-soma entre o limite superior e o limite inferior de uma classe chama-se Ponto
Li  li
Médio ( xi ) isto é, ( xi  )
2
x3  ( L3  l3 ) / 2
Exemplo 2.4:
 (30  20) / 2  25
2.3.2 – Representação Gráfica das Frequências com dados em classes
Chama-se Histograma à representação gráfica das distribuições das frequências dos

dados agrupados. Os histogramas são diagramas de áreas, representando –se as
frequências por rectângulos de forma que a superfície de cada rectângulo seja
proporcional à frequência.
Classes Classes Nº de pessoas Ponto Médio f
Reais Ajustadas (F)
0a9 0  x10 18 5 0,09
10 a 19 10  x20 33 15 0.165
20 a 29 20  x30 29 25 0,145
30 a 39 30  x40 22 35 0,11
40 a 49 40  x50 24 45 0,12
50 a 59 50  x60 27 55 0,135
60 a 69 60  x70 47 65 0,235
xi 
Li  li
f i 1
n i  200 2
2.3.3 – Gráfico em Sectores Circulares
Nesta Representação gráfica divide-se o círculo em partes proporcionais

(sectores circulares) a cada uma dos dados, em relação ao total. Convertem-se os
dados em percentagem. Como a circunferência tem 360º, a centésima parte é igual a
3,6º. Assim, multiplicam-se as percentagens obtidas por 3,6º obtendo-se os ângulos de
cada um dos sectores que representa a distribuição dos dados.
José César
Exemplo 2.3: Representar num gráfico em sectores circulares as toneladas de

abate de gado realizadas num ano num matadouro.
Espécie Quantidade em toneladas

Bovino 73 400
Ovino e caprinos 10 780
Suínos 56 090
Total 140 260
Resolução:
Procedendo como se indicou, vamos calcular as percentagens, convertendo-as
proporcionalmente em ângulos, multiplicando-as por 3,6º.
Espécie Quanty em ton Percentagens ângulos
Bovino 73 400 52,33 % 52,33 x 3,6 = 188,388º
Ovino e caprinos 10 780 7,69 % 7,69 x 3,6 = 27,684º
Suínos 56 090 39,98 % 39,98 x 3,6 = 143,928º
Total 140 260 100 % 360º
Gráfico em Fernando Borja Santos pág. 33
CAPÍTULO # 3: MEDIDAS DESCRITIVAS
3.1 – Conceito de Medidas descritivas – As medidas descritivas têm por

objectivo descrever o conjunto de dados de forma organizada e compacta que
José César
possibilita a visualização do conjunto estudado por meio das suas estatísticas, o que
não significa que estes cálculos e conclusões possam ser levados para a população.
As medidas de posição classificam-se conforme o esquema abaixo:
  Aritmética
  Arbitrária
 
Medidas Representativas - Médias Geométrica
  Hamónica
 
 Quadrática

 Mediana
 Quartis
 
Medidas de posiçãoseparatrizes
  Decis
 Centis...ou... percentis

 Moda..de...Czuber
 Do min antes...ModasModa...deKing
 
 Moda..de...Pearson





3.2 – Medidas de posição Representativas – Médias
São medidas descritivas que têm por finalidade representar um conjunto de

dados. Também são conhecidas como medidas de tendência central ou medidas de
localização
_
3.2.1 – Média Aritmética ( X ) na amostra e  na população
Consideremos um conjunto de dados observados, representados por
x1 , x2 , x3 ,..., xn a média Aritmética representa-se por

_
x1  x2  x3  ...  xn  xi
X 
N N
Exemplo 3.1: Sejam os dados 6,8,4,2,12,14,3,7, determinar a média aritmética
Resolução:
José César
_
6  8  4  2  12  14  3  7 56
X   7
8 8
Se os números x1 , x2 , x3 ,..., xn acusares, respectivamente n1 , n2 , n3 ,..., nn
_
X 
x1 n1  x 2 n2  x3 n3  ...  x n nn

x n i i
N n i
A média denomina-se
Média Ponderada
Exemplo 3.2: fizeram-se 40 lançamentos de um dado, tendo se obtido os

seguintes resultados: o “As” saiu 5 vezes, o duque saiu 8 vezes, o terno, 5 vezes; a
quadra, 6; a quina, 10 e a Sena saiu 6 vezes. Determina a média dos pontos saído nos
quarenta lançamentos
x n X*n
1 5 5
2 8 16
3 5 15
4 6 24
5 10 50
6 6 36
n i  40 x*n i  146
_
X 
 xn i
 3,65
n i
No caso dos dados agrupados (intervalos), determina-se o ponto médio de cada

intervalo que se representa por x i o valor médio de x calcula-se a partir dos pontos
médios, da mesma forma que para os dados não agrupados (isolados).
Exemplo 3.3: Determine o valor médio dos pesos de 60 doentes internados num
hospital, de acordo a tabela seguinte:
Pesos 56 a 61 a 66 a 71 a 76 a 81 a 86 a
(Intervalos) 60 65 70 75 80 85 90
Frequên 12 15 8 9 7 5 4
n i  60
Pesos 56 a 61 a 66 a 71 a 76 a 81 a 86 a
(Intervalos) 60 65 70 75 80 85 90
Frequência 12
(ni )
15 8 9 7 5 4
n i  60
José César
xi 58 63 68 73 78 83 88
ni * x i 696 945 544 657 546 415 352

n i * xi  4155
_
X 
n i

4155
 69,25
N 60
Características da Média Aritmética Simples
1. A média aritmética simples está entre o menor e o maior valor observado
_
X min  X X máx
2. A soma algébrica dos desvios calculados entre os valores observados e a média
n n _
aritmética é igual a zero;  d   (x

i 1 i 1
i  x)  0 conforme se demonstrou
atrás
3. Somando-se ou subtraindo-se todos os valores xi da série por uma constante
“K” ( K  0) , a nova média aritmética será igual a original somada ou
xi .... yi  xi  k
 .......... ..... 
subtraída por esta constante “k”
_ _ _
X ..... Y  X  k
4. Multiplicando-se ou dividindo-se todos os valores xi da série por uma constante
“K” ( K  0) , a nova média aritmética será igual a original somada ou
xi .... yi  xi * k xi .... yi  xi : k
 .......... .....   .......... ..... 
subtraída por esta constante “k” ou
_ _ _ _ _ _
X ..... Y  X * k X ..... Y  X : k
3.2.2 – Média Arbitrária

Quando os valores observados são números grandes, a fim de simplificar os
cálculos, escolhe-se entre esses valores, um que se representa por C e que se dá o
nome de Média Arbitrária.
Na prática se escolhe o valor de C o valor que se encontra no centro e
_
determina-se o valor médio de (x-c) meio. O valor de X somando ao valor da média
de x-c o valor de c valor.
José César
Vamos determinar a relação entre estes dois valores médios:
 ( xi c)ni  x n   cn
M ( x c) 
i i
N
i
N
 x i ni  ni
Deste modo teremos:
c  xc
N N
X  M ( x  c)  c
Exemplo 3.5: Numa população de 80 pessoas com idades que vão de 18 a 30 anos de
acordo a tabela abaixo determina a sua idade média.
X 18 19 20 21 22 23 24 25 26 27 28 29 30
F 6 8 10 2 3 6 9 5 4 7 1 12 7
n i  80
Resolução:
Podíamos, directamente determinar o valor médio achando a média de dos produtos de

x por F, porém, como os valores observados de x são grandes, utilizemos a média
arbitrário. Escolhamos C=24
X 18 19 20 21 22 23 24 25 26 27 28 29 30
n 6 8 10 2 3 6 9 5 4 7 1 12 7
n i  80
x-c -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
(x-c)n -36 -40 -40 -6 -6 -6 0 5 8 21 4 60 42
 ( x  c)n 6
6 3
M ( x  c)  
80 40
3
X  M ( x  c)  c   24  24,075
40
No caso dos dados agrupados (intervalos), determina-se o ponto médio de cada
intervalo que se representa por x i . O valor médio de x calcula-se a partir dos pontos
médios, da mesma forma que para os dados não agrupados (isolados).
Exemplo 3.6: Considerando o exemplo 3.3
Resolução: Escolhendo C = 73
José César
Pesos 56 a 61 a 66 71 76 81 86 a
(Intervalos) 60 65 a a a a 90
70 75 80 85
Frequência 12
(ni )
15 8 9 7 5 4
n i  60
xi 58 63 68 73 78 83 88
xi  c -15 -10 -5 0 5 10 15
ni ( xi  c) -180 -150 -40 0 35 50 60

 n (( x
i i  c)  225
_
X ( xi  c )   n (x i i  c)

N
 225
 3,75
60
_
X  M ( x  c)  C  3,75  73  69,25
3.2.3 – Média Geométrica
3.2.4 – Média Harmónica
3.2.5 – Média Quadrática
3.3 – Mediana
3.4 – Dominantes – Moda (Mo)
3.3 – Separatrizes (Mediana, Quartis, Decis e Centis ou Percentis)

São medidas de posição que dividem o conjunto de dados em partes
proporcionais, quando os mesmos são ordenados.
3.3.1 – Mediana
Mediana (x) de um conjunto de dados ordenados (por ordem crescente ou

decrescente) é o valor que estiver localizado numa posição equidistante dos extremos.
José César
Tendo um conjunto de n dados, a mediana será aquele valor que divide esse conjunto
em duas metades, uma delas com valores inferiores ao valor da mediana e a outra com
valores superiores. Duas situações podem surgir na determinação da mediana:
a) • Se a série de dados tiver um número ímpar de observações, haverá um único
valor central que corresponderá à mediana, isto é, o elemento de ordem (n+1)/2.
Utilização: Imaginemos as notas de um determinado aluno do Ensino Secundário num

certo trimestre:
Tabela 3 – Notas de um aluno num trimestre
Disciplina Nota
Português 15
Inglês 16
Filosofia 18
Matemática 15
Física 16
Química 15
Biologia 17
Recorrendo aos dados da tabela, procederíamos da seguinte forma para

determinar a mediana:
 1º: dispomos os dados por ordem crescente, ex:. 15 15 15 16 16 17 18.
 2º: assinalamos o valor que ocupa a posição central. 15 15 15 16 16 17 18.
Logo x= 16. Vê-se imediatamente que o valor central é o 16. Temos um total de 7
observações (n=7) pelo que o valor central será o elemento de ordem 4, ou seja o de
ordem (7+1)/2.
b) • Se a série de dados tiver um número par de observações, não haverá um valor
no centro da série pelo que neste caso deveremos dividir por 2 a soma dos dois
valores centrais das observações de ordem n/2 e (n/2)+1.
Acrescentemos mais um dado, 10 por exemplo, ao conjunto anterior e vejamos como
procederíamos para encontrar a mediana:
 1º - Começamos por ordená-los: 10 15 15 15 16 16 17 18.

 2º - Ao tentarmos assinalar o valor central damos conta que não existe valor
algum que deixe um igual número de observações à sua direita e à sua
esquerda, uma vez que temos um número par (8) de observações. Por isso,
adicionamos os dois valores centrais, o de ordem 4 e o de ordem 5, e depois
José César
dividimos o resultado assim obtido por 2 (dois). Assim teríamos: (15+16)/2 =

15,5. Portanto, a mediana procurada é 15,5.
Falta inserir aqui o cálculo da mediana para dados em classes
3.4 – Dominantes – Moda (Mo)
Moda de um conjunto de dados, é o valor que mais se repete, i.e. que tem maior
frequência. Se um conjunto de dados tiver apenas uma moda, diz-se que é unimodal.
Se não tiver moda diz-se que é amodal. Pode-se encontrar também conjuntos de
dados com duas modas e quando assim é diz-se que são bimodais, sendo igualmente
possível encontrar-se conjuntos de dados com mais de duas modas. Diz-se neste caso
que é uma série multimodal
Se reportarmos às notas hipotéticas daquele aluno do Ensino Secundário
referido na Verificamos, no exemplo do ponto anterior que a moda é 15, porque ele
obteve 15 em três das sete disciplinas que estudava, não aparecendo nenhum outra
nota igual ou superior a 15. 15 16 18 15 16 15 17.
Em resumo, podemos dizer que as medidas de tendência central são uma
tentativa de sintetizar os dados em torno de um único valor. Quando a distribuição de
frequência de um conjunto de dados é simétrica, os valores da média, da mediana e da
moda coincidem.
Para distribuições simétricas e unimodais é preferível usar-se a média em vez
da mediana ou da moda como valor representativo do centro da distribuição. Para
distribuições marcadamente assimétricas, é preferível socorrer-se da mediana. A moda
é de se eleger em distribuições não numéricas (sexo, local de residência, modalidade
desportiva mais praticada, e.g.).
CAPÍTULO # 4: MEDIDAS DE VARIABILIDADE OU DISPERSÃO
5. 1 – Conceito de Medidas de dispersão
José César
Ao estudarmos uma série estatística e para interpretar os valores observados

determinamos um valor central (Média, mediana, moda, etc), que substitua os
resultados da série e que permita analisar o conjunto de elementos. O valor central
mais utilizado é o valor médio que, contudo, nem sempre dá uma ideia suficiente da
série estatística.
De Por exemplo, consideremos as empresas X e Y em que existem grupos iguais
de trabalhadores com os seguintes salários 85 e 15 mil kwanzas na empresa A
enquanto na empresa B os salários são 60 e 40 mil kwanzas. É fácil observar que as
duas variáveis aleatórias têm idênticas médias, porém têm diferentes valores possíveis.
X  50 Y  50
Por esse motivo, juntamente com o valor esperado, introduziram-se também
outras características numéricas.
As medidas de dispersão visam descrever os dados no sentido informar o grau
de dispersão ou afastamento dos valores em torno de um valor central representativo
chamado média. Informa se um conjunto de dados é homogéneo (pouca variabilidade)
ou heterogéneo (muita variabilidade). As medidas de dispersão podem se:
 Desvio..Extremo  Amplitude
 
 AbsolutaDesvio..Médio
 Desvio...Quadrático.ou..Variância
Med.Disper
Desvio.Padão.ou.Desvio.Médio.Quadrático.

 Variância.. Re lativa.
Re lativa
 Coeficiente..de..Variação..de..Pearson
5.2 – Desvio de uma Variável Aleatória em relação a sua Média
José César
Chama-se desvio à diferença entre os valores observados e a média e denota-

_
se por d  x  x . Média A aritmética dos desvios M (d ) é igual a Zero, isto é:

M (d )  M ( x  x) 
 (x i  x)n i
N

 x n   xn
i i i
 xx
n i
N N N
 xx 0
Exemplo 3.4: Considere os dados do exemplo anterior e calcule o valor médio do
desvio.
x n  d*n
d  xx
1 5 1- 3,65=-2,65 -13,25
2 8 2- 3,65=-1,65 -13,20
3 5 3- 3,65=0,65 -3,25
4 6 4- 3,65=-035 2,10
5 10 5- 3,65=1,35 13,5
6 6 6- 3,65=2,35 14,1
n i  40 d *n i 0
M(d)=M(x-c)=0/40=0
4.3 – Conceitos de Variância e Desvio Padrão
Na prática, frequentemente é preciso quantificar a dispersão das realizações de

uma variável aleatória em torno do valor médio. Por exemplo, é importante saber com
que precisão, as bolas entram numa baliza, num jogo de futebol 11.
A primeira vista pode parecer que para avaliar a dispersão o mais simples seria
calcular todos os valores possíveis do desvio e, depois, achar a média dos mesmos.
No entanto, este procedimento é incorrecto.
A fim de corrigir os resultados obtidos através dos valores centrais, recorremos
aos Valores de Dispersão. Assim, por exemplo, para quantificar a dispersão das
realizações de uma V. A. em torno do seu valor médio, emprega-se, em particular uma
característica denominada Variância e se representa por Var ( X )..ou.. x2 ..ou... 2 .
Chama-se Variância representada por Var ( X )..ou.. x2 ..ou... 2 de uma

variável aleatória discreta a média do quadrado do desvio da V. A. em relação a sua
média.
José César
Se todos os valores do atributo forem diferentes, x1 , x2 , x3 ,... xn do atributo numa

população de volume N forem diferentes, teremos:
2
 _
 n
 

xi  x 

Var ( X )    i 1
2
Para a população, sendo N o Volume da população
N
ou
2
 n

 
i 1 
x  x 
 .. para..amostra
Var ( X )  S 
2
. sendo n o Volume da amostra
n 1
Se todos os valores do atributo forem diferentes, x1 , x2 , x3 ,... xn do atributo numa
população de volume N acusarem as frequências n1 , n2 , n3 ,...nn sendo
n1  n2  n3 .  ..  nn  N , teremos:
2
n
 

 ni  x  x 
 
Var ( X )  i 1 ou seja, a variância é igual a média ponderada dos
N
quadrados dos desvios com pesos iguais as respectivas frequências se X é uma V. A.

Var ( X )   ( x   ) . f ( x) dx
2
Discreta mas se X é uma V. A. contínua então

Exemplo3.1: Dada a seguinte distribuição numa população, achar a variância.
X 2 4 5 6 ∑
n 8 9 10 3 30
n
_ n x
i 1
i i
8.2  9.4  10.5  3.6 120
X   4 Achemos agora a variância.
N 30 30
2
n
 


i 1
n i 

x  x 
 82  4  94  4  105  4  36  4
2 2 2 2
54
Var ( X )     1,8
N 30 30
A Variância também é conhecida de desvio quadrático
Para caracterizar a dispersão dos valores de um atributo quantitativo em torno

do seu valor médio, para além da variância emprega-se outras características chamada
Desvio Médio Quadrático ou Desvio Padrão.
José César
Chama-se Desvio Médio Quadrático ou Desvio Padrão de uma variável

aleatória X à raiz quadrada da variância e representa-se por   Var ( X ) .
Exemplo 3.2: Dada a seguinte distribuição numa população, achar o desvio

médio quadrático do exercício anterior.
Já achamos a variância e vimos que era igual a Var ( X )  1,8 então o desvio
médio quadrático é:   Var ( X )  1,8  1,34 .
4.4 – Fórmula para o cálculo da Variância

A Variância é igual à diferença entre a média do quadrado da variável aleatória e
o quadrado da sua média, isto é,
 
 2

Var ( X )  x   x 
2
 
4.5 – Coeficiente de Variação
4.6 – Variância Relativa
CAPÍTULO # …. : ESPERANÇA MATEMÁTICA DE UMA VARIÁVEL ALEATÓRIA

DISCRETA
1 – Características Numéricas de uma Variável Aleatória Discreta
Como já é sabido, a lei de distribuição caracteriza completamente uma variável

aleatória. Entretanto, a lei exacta se é desconhecida, deve-se contentar com uma
informação incompleta. Certas características, porém, de descrevem globalmente as
variáveis aleatórias, revestem uma grande importância em si mesmas. Entre estas
convém mencionar a Esperanças Matemáticas, também conhecida como Valor
Esperado.
Como vamos demonstrar mais adiante, a Esperança Matemática, é
aproximadamente igual ao valor médio de uma variável aleatória. Para a resolução de
muitos problemas é suficiente conhecer a esperança matemática. Por exemplo, se é
conhecido que a esperança matemática do número de saídas de pontos marcados pelo
primeiro atirador é maior que a do segundo, o primeiro, marcará em média mais pontos
que o segundo e, portanto, atira melhor que este. Apesar de a esperança matemática
fornecer dados sobre a variável aleatória muito menos informativos que a lei de sua
José César
distribuição, é suficiente conhecê-la para resolver problemas semelhantes ao

apresentado aqui e muitos outros.
2 – Esperança Matemática de uma Variável Aleatória Discreta
Chama-se Esperanças Matemáticas de uma variável aleatória discreta à soma

dos produtos de todos os seus valores possíveis por suas probabilidades.
Suponhamos que uma variável X pode assumir apenas certos valores
x1 , x2 , x3 ,... xn cujas probabilidades são respectivamente iguais a …….
PARTE II: TEORIA DAS PROBABILIDADES
INTRODUÇÃO
Breve introdução histórica
A teoria das probabilidades que hoje é um sector importante das matemáticas

puras, com um vasto campo de aplicação que se estende praticamente sobre todos os
ramos das ciências naturais, teóricas e sociais, desenvolveu-se a partir de uma origem
muito simples. As suas raízes encontram-se na teoria matemática dos jogos de azar
que foi criada há cerca de 3 séculos.
Na França, no século XVII, o jogo era um passatempo muito vulgar, daí o
aparecimento de jogos mais complicados com cartas, dados, etc, apostando-se somas
consideráveis em casas de jogos. Fez-se assim sentir a necessidade de se obter um
método racional para calcular as probabilidades de ganhar jogos.
Um jogador apaixonado teve a ideia de consultar, em Paris, o famoso matemático e
filósofo Pascal sobre algumas questões relacionadas com certos jogos de azar. Isto
originou uma troca de correspondência entre Pascal (1623-1662) e alguns
matemáticos, amigos seus, principalmente Fermat (1601-1665). Esta correspondência
veio a constituir a origem da teoria das probabilidades.
Por volta de 1700 começou um crescimento rápido desenvolvimento da teoria das
probabilidades. Por essa época apareceu duas obras fundamentais sobre o assunto
escritas por Bernoulli e Moivre. Na obre de Bernoulli encontramos entre outras
questões importantes a proposição conhecida por TEOREMA de BERNOULLI,
mediante o qual se elevou pela 1ª vez, a teoria das probabilidades, do nível elementar
do conjunto de soluções de problemas particulares em resultado da importância geral.
José César
Da obra de Moivre Destacamos o teorema geral conhecido por REGRA DA

MULTIPLICAÇÂO DAS PROBABILIDADES. Começaram, então, a surgir cada vez
maior nº de aplicações para a teoria das probabilidades
A obra de LAPLACE teve uma fundamental influência no desenvolvimento posterior
desta teoria. O enorme desenvolvimento dos seguros de vida desde o começo do séc.
XIX foi possível graças a um desenvolvimento correspondente da matemática que por
sua vez está baseado na aplicação das probabilidades.
No momento actual, as aplicações da teoria das probabilidades abarca campos tão
diferentes como a genética, a economia, a psicologia, engenharia, etc.
CAPÍTULO # 1: CONCEITOS DA TEORIA DE PROBABILIDADES
1.1 – Experiências Aleatórias. Espaço de Resultados. Exemplos
São objecto de estudo da teoria das probabilidades, os fenómenos aleatórios.

Suponhamos que se lança um dado. Sai sempre uma das faces. Porém, não podemos
determinar de antemão qual das faces poderá sair, pois isso depende de vários
factores, tais como força com que o dado é lançado, a velocidade do vento, a
inclinação do terreno onde o dado vai cair. Como resultado disso não estaremos
habilitados a prever com um grau de confiança suficiente qual a face que vai sair.
Trata-se, pois de um fenómeno aleatório. Apesar disso temos a certeza de que no
lançamento de um dado, sai sempre uma das faces, é pois um acontecimento certo.
A este acontecimento corresponde um espaço fundamental ou conjunto universo.
Exemplo 1.1 – Um atirador dispara a um alvo dividido em quatro zonas. O disparo
é uma prova ou experiência enquanto o impacto da bala numa determinada zona do
alvo é um acontecimento
Exemplo 1.2 – Numa urna há bolas coloridas. Da urna tira-se uma bola ao acaso
(aleatoriamente). A extracção de uma bola da urna é uma prova ou experiência,
enquanto o aparecimento de uma bola de uma determinada cor é um acontecimento.
Exemplo 1.3 – Lançamento de uma moeda – Assumido uma moeda perfeita
(equilibrada), só existem dois resultados possíveis para essa experiência: Face ou
Coroa. Todavia, em qualquer repetição desta experiência não sabemos qual será o
resultado, existindo incerteza quanto a este.
Exemplo 1.4 – Dado Considere o lançamento de um dado perfeito e a observação
do número inscrito na face voltada para cima. O espaço de resultado é: Ω =
{1,2,3,4,5,6}.
José César
Exemplo 1.5 Loja – Uma loja abre às 09 horas e encerra às 19 horas. Um cliente,
tomado ao acaso, entra na loja num momento X e sai no momento Y expresso em
horas, com origem as 9 horas. Pretende-se observar os momentos de entrada e saída
do cliente. Como a entra e a saída se processa ao acaso, logicamente, poderá ocorrer
a qualquer momento no espaço das 9 às 19 horas. Se a hora de entrada for designada
por X e de saída Y então teremos, Ω = {(X. Y): 9<X<Y<19}.
As experiências descritas - bem como outras tantas - têm certos factores comuns.
Para cada experiência conhecemos, antecipadamente, todos os resultados possíveis.
Mas em cada realização da experiência não saberemos qual será o resultado
específico, estamos pois, em presença experiências aleatórias, porquanto todas estão
sujeitas à influências de factores casuais e conduzem a resultados incertos.
DEFINIÇÃO (Experiência Aleatória) Define-se experiência aleatórias como sendo

um experiência na qual:
Todos os resultados possíveis da experiência são conhecidos previamente;
i) O resultado de qualquer realização da experiência não é previamente
conhecido, sendo, portanto, incerto;
ii) A experiência pode ser repetida sob condições idênticas.
A incerteza de uma experiência aleatória é objecto de estudo da teoria das

probabilidades. A cada uma destas experiências associa-se um conjunto que
designaremos por Ω ou S conjunto de todos os resultados possíveis de uma
experiência aleatória, ao qual se chama Espaço de Resultado e aos elementos
(resultados) chamaremos Acontecimentos Elementares. Um acontecimento é, pois
um conjunto de resultados possíveis de uma experiência aleatória.
A cada Ω ou S associar-se-á ainda uma classe de acontecimentos
probabilizáveis que caracterizaremos a seguir e a qual chamaremos Espaço de
Acontecimentos.
1.2 – Tipos de Acontecimentos Aleatórios

Os acontecimentos observados podem ser divididos em três seguintes tipos:
Certos, impossíveis e aleatórios.
Chama-se Certo ao acontecimento que sempre ocorrerá obrigatoriamente, desde
que se cumpra um conjunto determinado de condições S ou Ω.
Chama-se impossível ao acontecimento que não se verifica com certeza, desde
que se cumpra um conjunto de condições S ou Ω.
José César
Chama-se Aleatório ao acontecimento que, uma vez cumprido o conjunto de

condições S ou Ω, pode ocorrer ou não.
Exemplo 1.6: Suponhamos que um que se lança um dado. Sai sempre um uma
das faces - Acontecimento Certo. A esse acontecimento corresponde um espaço de
resultados. A saída de um ponto par pode ocorrer ou não. É pois um Acontecimento
Aleatório. Nesse caso, o conjunto 1  2,4,6 corresponde ao conjunto de
Acontecimentos Favoráveis enquanto o conjunto 1  1,3,5 é o conjunto de

Acontecimentos Contrários.
O Acontecimento Impossível corresponde a não saída de nenhuma das faces
 2    ou  2   .
Exemplo 1.7: Seja a experiência aleatória que consiste no lançamento de uma
moeda perfeita. Para esta experiência ter-se-ia:
  F, C , onde F é a saída da Face e C é a saída da Coroa, respectivamente.

   , F , C , F ,C ou   , F , C , , Classe de todos os subconjuntos de
.
Note-se que #  =2; #   2  4
2
1.3 – Álgebra dos acontecimentos

Definiu-se acontecimento como um conjunto de resultados possíveis de uma
experiência aleatória. Essa definição sugere-nos que se poderá utilizar todos os
instrumentos da teoria dos conjuntos para representar os acontecimentos e as
operações que se definem sobre esses.
1.3.1 União de acontecimentos
Definição – Se A e B forem acontecimentos, define-se um novo acontecimento

união de A com B (A U B), ou soma lógica de A com B, traduzida por A U B =
A  B  i  : i   A i   B isto é, A U B consiste na realização de pelo

menos um dos acontecimentos.
Em Diagrama de Venn temos
José César
A operação união pode ser generalizada a mais de dois acontecimentos. Dada

uma sucessão de acontecimentos.
A união de acontecimentos implica a ideia de disjunção, de alternativa, traduzida
por “ou”, ou “pelo menos”.
1.3.2 Intersecção de acontecimentos
Definição – Dados dois acontecimentos A e B, define-se intersecção ou produto

lógico de A com B, simbolicamente representada por A B como acontecimento
que ocorre se, e só se, ocorrem (em simultaneidade ou em sequência):
A  B  i  : i   A  i   B
Contrariamente à união, a intersecção implica a lógica de conjunção ou sequência.
Em Diagrama de Venn temos:
Também essa operação pode ser generalizada a um conjunto, finito ou infinito

de, acontecimentos.
1.3.3 Diferença de acontecimentos
Definição – A Diferença de dois acontecimentos A e B ou acontecimento

diferença A – B (ou A\B) é o acontecimento que se realiza quando ocorre A e não
ocorre B. será assim o acontecimento constituído por todos os elementos de A que não
pertencem simultaneamente a B, ou seja, A-B = A\B = (i ) : (i )  A  (i )  B

Diagrama de Venn
1.4 Propriedades das Operações definidas sobre os acontecimentos.

Propriedades União Intersecção
Comutativa A B  B  A A B  B  A
Associativa
José César
A  ( B  C )  ( A  B)  C A  ( B  C )  ( A  B)  C
Distributiva A  (B  C) 
A  (B  C) 
( A  B)  ( A  C )
( A  B)  ( A  C )
Idempotência A A  A A A  A
Lei do A A   A A  
complemento
Lei de De A B  A  B A B  A  B
Morgan
Elemento Neutro A  A A  A
Elemento A   A   
Absorvente
1.5 Definição de Probabilidade.
1.5.1 Clássica de probabilidades
Seja  constituído por N acontecimento exaustivos e mutuamente exclusivas

e igualmente possíveis (prováveis), se NA delas são favoráveis ao acontecimento A, a
probabilidade define-se pela fórmula
N A número de casos favoráveis ao acontecimento A

P( A)  sendo
N casos possíveis
N  NAe NA  0
4
Exemplo 1.8 – Tirar um As de um baralho de 52 cartas: P ( A) 
52
Exemplo 1. 9 – Uma urna contendo 10 bolas pretas, 20 brancas e 5 vermelhas,
queremos achar a probabilidade da saída de uma bola: preta; branca e vermelha.
Resp: Sejam os acontecimentos constituídos: A = saída de uma bola preta; B=
saída de uma bola branca e C saída de uma bola vermelha, teremos:
10 20 5
a) P ( A)  b) P( B)  c) P(C ) 
35 35 35
DEFINIÇÃO (Definição clássica ou de Laplace): A probabilidade de realização
de um acontecimento A, é igual a razão entre o número de casos favoráveis ao
acontecimento e o número de casos possíveis desse mesmo acontecimento.
Da definição de probabilidade deduzem-se as seguintes propriedades:
José César
 P1 A probabilidade de um acontecimento certo é igual a unidade, isto porque

NA
P( A)  quando o acontecimento é certo, N A  N logo,
N
N
P( A)   1
N
 P2 A probabilidade de um acontecimento impossível é igual a zero, isto porque,
0
quando o acontecimento é impossível N A  0 , logo P ( A)  0
N
 P3 A probabilidade de um acontecimento aleatório é um número positivo
NA
compreendido entre 0  P ( A)   1 porque quando o acontecimento é
N
0 NA N
aleatório 0  N A  1     0  P( A)  1
N N N
1.5.2 Definição Frenquencista de probabilidades
Vimos, no capítulo1 que frequência absoluta ou simplesmente frequência e

representa-se por F onde F é o nº de vezes que um determinado acontecimento ocorre
num conjunto de provas e Chama-se frequência relativa a relação entre o nº de
provas nas quais o acontecimento ocorreu e o nº total das provas efectuadas de facto.
De um modo geral, a frequência relativa de um acontecimento A define-se por
m F
f ( A)  ou f ( A)  onde m = F é o nº de provas nas quais o acontecimento
n n
ocorreu (Frequência absoluta) e n o nº total das provas efectuadas de facto e deve ser
diferente de zero.
Comparando a definição de probabilidade com a frequência relativa, deduzimos
que a definição de probabilidade não exige que as prova sejam efectuadas na
realidade, enquanto a definição de pressupõe que as provas fora efectuadas de facto,
por outras palavras, a probabilidade se calcula a priori enquanto a frequência relativa
se determina experimentalmente.
Exemplo 1.10 – A secção técnica de uma empresa detectou 3 peças
defeituosas numa partida de 80 peças tomadas ao acaso. A frequência relativa das
3
peças defeituosas é de f ( A) 
80
José César
Exemplo 1.11 – Fizeram 24 tiro ao alvo tendo-se registado 19 acertos. A
19
frequência relativa dos acertos é de f ( A) 
24
Observações prolongadas determinaram que se as experiências são efectuadas
em iguais condições em cada uma das quais o nº de provas é suficientemente grande,
a frequência relativa revela a propriedade de estabilidade. Esta propriedade consiste
em que nas diferentes experiências, a frequência relativa varia pouco oscilando em
torno de um acerto valor constante. Deste modo, se por via experimental foi
estabelecida a frequência relativa, o nº obtido pode ser tomado como valor aproximado
da probabilidade.
Exemplos 1.12 – Fizeram-se 100, 500, 1000 e 2000 lançamentos de um dado.
No Quadro seguinte apresentam-se as frequências relativas como que se obtiveram as
seis faces sendo notório que para maior número de lançamentos as frequências
relativas de cada face mais se aproximam de 1/6 = 0,1666…
Número de Frequências relativas

Pontos N = 100 N = 500 N = 1000 N = 2000
1 0,18 0,174 0,174 0,170
2 0,14 0,162 0,174 0,169
3 0,14 0,186 0,154 0,171
4 0,16 0,176 0,179 0,163
5 0,19 0,148 0,154 0,162
6 0,19 0,154 0,165 0,167
A frequência relativa é aproximadamente igual ao valor da probabilidade com

ligeiras alterações.
DEFINIÇÃO (Definição frenquencista de probabilidades): A probabilidade de
qualquer acontecimento A define-se através do limite da frequência relativa desse
mesmo acontecimento numa sucessão de experiências realizadas sob o mesmo
NA
conjunto de condições, isto é, P( A)  Lim
N  N
Esta definição parece mais razoável, pois se as probabilidades são usadas na

definição das frequências relativas, é natural defini-las como limite de tais frequências.
Façamos, agora, uma rápida descrição das interpretações atrás referidas que
não sendo as únicas são provavelmente as mais representativas.
A interpretação frequencista foi adoptada de forma quase unânime pelos
estatísticos durante a primeira metade do século e é ainda hoje considerada correcta
José César
pela maioria. Sustenta nomeadamente que a probabilidade de um acontecimento pode

ser medida observando a frequência relativa do mesmo acontecimento numa sucessão
numerosa de provas ou experiências idênticas e independentes.
Finalmente, uma das primeiras abordagens da interpretação frequencista deve-
se a Venn (1866) ao formalizar a ideia de exprimir probabilidade em termos do limite de
frequências relativas em longas sequências de situações independentes capazes de
repetição em condições idênticas. Não falando já na fala de suporte empírico que se
aponta à complexa noção de independência, um dos aspectos da interpretação
frequencista mais criticado, tem a ver como o contraste entre o carácter
essencialmente finito da experiência humana e a probabilidade definida por passagem
ao limite numa sucessão indefinidamente grande.
Não obstante em 1920, Von Mises apresentou um notável trabalho em que
procurou associar a interpretação frequencista a uma construção matemática do tipo
axiomático. Von Mises baseou a teoria da probabilidade no conceito de “colectivo” ou
sucessão infinita de alternativas.
Assim, a proposição “a probabilidade de obter 5 pontos no próximo lançamento
de um dado é 1/6” não é efectivamente uma asserção sobre o próximo lançamento
mas sobre toda uma classe de lançamentos – “colectivo” – da qual o próximo é apenas
um elemento.
Outros autores, por exemplo Kolmogorov (1950) e Cramer (1946) preferiram
mesmo abandonar o axioma do limite, definindo probabilidade de um acontecimento
aleatório como um número associado a esse acontecimento satisfazendo um conjunto
de regras ou sistema de axiomas. É este ponto de vista que vai ser adoptado no
presente curso de probabilidade, por ser considerado, como já foi dito, o mais fecundo
para análise estatística clássica.
5.6 Acontecimentos mutuamente exclusivos são aqueles que não se podem

realizar simultaneamente, isto é a ocorrência de um implica a não ocorrência do outro.
Em teoria de conjuntos, se A e B são mutuamente exclusivos, corresponde a A ∩ B = Ø
e P (A+B) = P (A) +P (B)
Definição: Chama-se soma A+B de dois acontecimentos A e B ao

acontecimento constituído pela aparição do acontecimento A, ou do acontecimento B,
ou de ambos. Por exemplo, se de um canhão se fizer dois disparos, sendo A o impacto
José César
no primeiro disparo e B o impacto no segundo, A+B é o impacto no primeiro ou no

segundo ou em ambos disparos.
Se A e B são mutuamente exclusivos, A+B é um acontecimento composto pela

ocorrência de um destes acontecimentos.
Suponhamos que os acontecimentos A e B se excluem mutuamente; além disso,
são conhecidas as probabilidades destes acontecimentos. Como achar a
probabilidades de que ocorra o acontecimento A ou B? A resposta a essa questão é
dada pelo seguinte teorema:
Teorema: A probabilidade de ocorra qualquer um de dois acontecimentos que se

excluem mutuamente, é igual a soma das probabilidades destes acontecimentos.
P( A  B)  P( A)  P( B)
DEMONSTRAÇÃO: Denotemos por n o nº total de casos elementares possíveis
de provas; por N A1 , o nº de casos favoráveis ao acontecimento A, N A2 , o nº
de casos favoráveis ao acontecimento B. O nº de casos elementares que são
favoráveis à ocorrência seja do acontecimento A, seja do acontecimento B é
N A1  N A2
igual a N A1  N A 2 , logo, P( A  B )  Donde obteremos
N
finalmente: P( A  B)  P( A)  P( B)
Corolário:
A probabilidade de que ocorra qualquer um dos vários acontecimentos que se excluem

dois a dois é igual a soma das probabilidades destes acontecimentos
P( A1  A2  A3  ...  An )  P( A1 )  P( A2 )  P( A3 )  ...  P( An )
Demonstração:
Seja N o número de todos casos possíveis e igualmente prováveis dos quais
N A1 são favoráveis ao acontecimento A1 ; N A2 são favoráveis ao acontecimento
A2 ... , N An são favoráveis ao acontecimento
An . Por definição de probabilidade,
N N NA
A  A1  A2  A3  ...  An ), então, P( A)  A1  A2  ...  n 
N N N
P( A1 )  P( A2 )  P( A3 )  ...  P( An )
José César
Exemplo 1.13: Numa Urna há 30 bola das quais, 10 são vermelhas, 5 são azuis
e 15 brancas. Achar a probabilidade de saída de uma bola colorida (azul ou vermelha).
Res: AS bolas coloridas são 10 vermelhas e 5 azuis, logo há 15. Portanto,
N A1  10 e N A2  5
N A1 N A2 10 5 1
P( A)     
N N 30 30 2
Exemplo 1.14 – Qual é a probabilidade de se obter uma face par aquando do

lançamento de um dado perfeito?
Resolução:   1,2,3,4,5,6 e consequentemente N=6. Por outro lado, A =
NA 3 1
{sair face par}; A = {2,4,6} logo, NA = 3; Assim, P ( A)   
N 6 2
Exemplo 1. 15 – Numa caixa há 30 peças das quais 5 são defeituosas. Extrai-se
aleatoriamente uma peça. Qual é a probabilidade da peça extraída ser defeituosa?
NA 5 1
Resolução: N = 30 e NA = 5, então, P( A)   
N 30 6
Exemplo 1.16 – Numa urna há 30 bolas das quais 10 são vermelhas, 5
amarelas e 15 brancas. Achar probabilidade de se extrair da urna uma bola colorida,
isto é, vermelha ou amarela.
Resolução: Seja A extracção de uma bola vermelha e B a extracção de uma
bola amarela
10 5 10 5 1
P( A)  eP( B)   P( A  B)  P( A)  P( B)   
30 30 30 30 2
Um acontecimento aleatório A pode ocorrer de várias formas mutuamente
exclusivas A1 , A2 , A3 ,…, An as quais podem ser consideradas como acontecimentos

mutuamente exclusivos, isto é, a ocorrência de um implica a não ocorrência do outro.
Por exemplo a ocorrência de 5 pontos no lançamento de dois dados. Este
Acontecimento ocorre de quatro maneiras mutuamente exclusivas.
José César
+ 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Neste caso, a probabilidade do acontecimento A é igual a soma das

probabilidades dos acontecimentos, a forma de ocorrência simultânea.
P( A)  P( A1 )  P( A2 )  ...  P( An )
Se os acontecimentos A1 , A2 , A3 ,…, An são não só mutuamente exclusivas
mas também exaustivas, o que significa que pelo menos um deles ocorre, a
probabilidade de que qualquer deles se realize é igual a unidade, visto que devemos
ter: P( A1 )  P( A2 )  ...  P( An )  1.
Um acontecimento que não é certo não é certo pode ou não ocorrer, isto
constitui dois modos mutuamente exclusivos. É costume chamar-se a não ocorrência
de A por A. Daí temos: P( A1 )  P( A)  1. , isto é, se p é a probabilidade de A
então q = 1- p representa a probabilidade de A.

De facto p + q = 1.
Exemplo 1.17 – Um centro de consulta de um instituto recebe pacotes com exercícios

enviados pelos estudantes por correspondência das cidades A, B e C. A probabilidade
de receber um pacote da cidade A é igual a 0,7, de B é igual a 0,2. Achar a
probabilidade de que o próximo pacote seja da cidade C.
P( A)  P( B)  P(C )  1.  o,7  0,2  p(C )  1

Resolução:
P(C )  1  0,9  P(C )  0,1
Exemplo 1.18 – A probabilidade de que o dia seja chuvoso é igual a 0,7. Calcula
a probabilidade de que o dia seja claro.
P( A)  P( B)  1.  o,7  P( B)  1
Resolução:
P( B)  1  0,7  P( B)  0,3
Exemplo 1.19 – Um dado foi lançado duas vezes. Seja A o acontecimento
(soma das pintas obtidas nos dois dados lançados diferentes de quatro. Calcule P(A).
José César
Resolução:   (i, j ) : i, j 1,2,3,4,5,6  assim,
3 33
P( A )  1  P( A)  1  
36 36
Exemplo 1.20 – Considere a experiência aleatória do exemplo anterior e
considere A e B tais que:
A = {saída, no primeiro lançamento, de um nº de pintas superior a 2}
B = {saída, no primeiro lançamento, de um nº de pintas pelo menos igual a 5}
Qual é a probabilidade de que se verifique A ou B?

Resolução: Agora temos:
12 12
#   36 ; # A  12  P( A)  e # B  12  P( B) 
36 36
4
# A  B  4  P( A  B) 
36
P( A  B )  P( A)  P( B )  P ( A  B)
12 12 4 5
   
36 36 36 9
CAPÍTULO # 2 – NOÇÕES DE ANÁLISE COMBINATÓRIA
2.1 – GRUPOS SEM REPETIÇÃO
Como vimos nos exemplos anteriores, torna-se necessário por vezes determinar o
nº de casos favoráveis assim como o nº de caso possíveis. A análise combinatória,
também conhecido como cálculo combinatório, estuda problemas com os que serão
apresentados, relativos a diferentes maneiras de agrupar ou dispor elementos de um
dado conjunto, atendendo, umas vezes, a natureza dos elementos, outras vezes a
ordem pela qual são considerados e outras vezes ainda a natureza e a ordem ao
mesmo tempo
2.1.1 – Conceito de Factorial

Definição: Sendo n  N . temos:
 a) Se n>1 então n! = n(n-1)(n-2)(n-3)….3.2.1 e lê-se N factorial e é igual ao
produto de todos os factores naturais desde n até 1.
José César
 b) Se n = 1 então n! = 1, isto é, 1! = 1
 c) Se n = 0 então n! = 1, isto é, 0! = 1
Exemplo 2.1
 0! = 1
 1! = 1
 2! = 2.1 = 2
 3! = 3.2.1 = 6
 4! = 4.3.2.1 = 24
 5! = 5.4.3.2.1 = 120
 6! = 6.5.4.3.2.1 = 720
 7! = 7.6.5.4.3.2.1 = 5040
2.1.2 – Arranjos
Definição: Chama-se arranjos de m elementos tomados p a P e que se representa por

Apm ou.. Am , p ao nº de agrupamentos que se podem formar com p dos m elementos
dados, diferindo-se uns agrupamentos dos outros quer pela ordem que pela natureza
dos seus elementos. M ≥ p
Exemplo 2.2: Dados o conjunto {a, b, c, d} vamos formar arranjos de 3

elementos:
Resp: m = 4 e p = 3 a, b, c
Diferem pela natureza a, b, d Diferem por ordem
a, c, b
Exemplo 2.3: Consideremos o conjunto de 3 elementos {a, b, c,} e formemos arranjos
de 2 elementos, A3, 2 :
Posiçã
o 2ª ( duas possibilidades)
(ab)
a
(ac)
(ba)
Posição 1ª b
(ba)
3 Possibilidades
(ca)
c
(cb)
O total de arranjos é A3, 2  6 e corresponde ao produto das

possibilidades de cada posição
José César
A3, 2  3 * 2  6
Consideremos agora o conjunto de 4 elementos {a, b, c, d} e formemos arranjos de
3 elementos. Da mesma forma podemos concluir que o total dos arranjos é igual o
produto das possibilidades de cada posição, quer dizer:
 1ª Posição: 4 Possibilidades
 2ª Posição: 3 Possibilidades
 3ª Posição: 2Possibilidades
A4,3  4 * 3 * 2  24 ,
Como se vê, o nº das possibilidades de cada posição diminui de uma em uma unidade
a partir da 1ª posição.
Nº de Nº de possibilidades
Arranjos 1ª Posição 2ª Posição 3ª Posição … P ésima posição
A m
m ,1
Am , 2 m m -1
Am ,3 m m-1 m-2
…
… … … …
m – (p – 1)
Am , p m m-1 m–2 …
Como vimos o nº de arranjos é o produto das possibilidades de cada posição, ou seja:
Am.,1  m
Am , 2  m( m  1)
Am ,3  m( m  1)(m  2)
… ….
Am , p  m(m  1)(m  2)...( m  p  1) donde teremos:
m( m  1)(m  2)(m  3)...( m  p  1)(m  p )!
Am , p 
( m.  p )!
m!
Am , p 
( m  p )!
Exemplo 2.4: Com 5 panos de cores diferentes e igual tamanho quantas
bandeiras de 3 cores se podem formar?
5! 5 * 4 * 3 * 2!
Resol: A5,3    60
(5  3)! 2!
José César
2.1.3 – Permutações
Definição: Chamam-se permutações de m elementos ao número de grupos que se

podem constituir com todos os m elementos, grupos que diferem uns dos outros pela
ordem dos seus elementos. As permutações constituem um caso especial dos arranjos
onde m = p
Am ,m  Pm  m( m  1)(m  2)(m  3)...( m  p  1)...3 * 2
Exemplo 2.5: Numa corrida de cavalos onde participam 4 concorrentes,
determina as possíveis classificações supondo que não há empates
Resolução
P4  4 * 3 * 2 *1  24
Exemplo 2.6: De quantas maneiras 6 pessoas se podem sentar-se a uma de seis

lugar.
Resp: 6! = 6.5.4.3.2.1 = 720
2.1.4 – Combinações
Definição: (Combinações): Chama-se combinações de m elementos tomados p a p e

m
se representa por p   ao de agrupamentos que se podem formar com p dos m
m
C ou
 p
objectos dados, diferindo-se uns dos outros pela natureza dos seus elementos. As
combinações também se chamam produtos distintos
2.1.4.1 Cálculo do número das combinações
Consideremos o conjunto {a, b, c, d} Formemos combinações de 3 elementos,

4
isto é arranjos de 3   teremos: {a, b, c}, {a, b, d}, {a, c, d}, { b, c, d}. Tomando
4
C ou
3
cada combinação e permutando os seus elementos, formaremos arranjos também de 3
4
elementos. O número de combinações é igual ao total de arranjos ( 3 ) * 3! Logo ( 34 ) * 3!
= A4,3 portanto, de forma genérica, o número de arranjos é
m!
Am , p Am , p 
m! ( mp ) 
( ) * p! = Am , p  ( ) 
m m
p p como ( m  p )! teremos p! ( m  p )!
P!
Exemplo 2.7 – Quantas combinações de 3 alunos se pode formar numa turma de 12.
12! 12 *11*10 * 9!
Resp: ( 3 )    220
12
3! (12  3)! 3 * 2 * 9!
José César
Exemplo 2.8 – Um aluno pretende comprar 4 livros diferentes mas de igual preço e só
tem dinheiro para 3. De quantos modos o aluno pode fazer a escolha de 3 daqueles
livros entre os 4 que o aluno deseja.
4! 4 * 3!
Resolução: ( 3 )   4
4
3! ( 4  3)! 3!*1
2.2 – GRUPOS COM REPETIÇÃO

2.2.1– Arranjos Completos
Definição: Chama-se Arranjos Completo ou Com Repetição tomados K a K a um

_
número que vamos representar por Ak  n correspondente a qualquer coordenação

n k
completa de grau k formada a partir dos n elementos que os constitui e a partir da

ordem em que se dispõem esses elementos.
Exemplo 2.9 – Com os algarismos 1, 2, 3 quantos números de dois algarismos se

podem formar:
a) Sem repetição
b) Com repetição
m!
Am , p 
Resolução: a) ( m  p )!
3!
A3, 2   3 * 2  6  12;.. 13;.. 21;.. 23;.. 31;.. 32
(3  2)!
_ _
b) A n
n
k
k
A23  3 2  9  12;.. 13;.. 21;.. 23;.. 31;.. 32;.. 11;.. 22;.. 33
2.2.2 – Permutações Completas
Definição: Chama-se permutações completas de m elementos aos arranjos

_ _ _
completos desses m elementos tomados m a m. A  A  Pm  m m
n
k
m
m
Exemplo 2.10 – Com os algarismos 1, 2, 3 quantos números de três algarismos se
podem formar,
Com repetição?
_ _
Resolução: A  P3  33  27
3
3
José César
2.2.3 – Permutações por Classes
Definição: Chama-se permutações classes dos n elementos dados a um número
Pn1 , n2 , n3 ...nk  de coordenações simples de grau n formado a partir dos elementos

dados e identificados através dos tipos de classes de elementos que pertencem e
também através da ordem em que se sucedem esses tipos de classes se tivermos n
elementos entre os quais um se repete n1 vezes, outro se repete n 2 vezes, ... outro se
repete n k vezes, sendo n1 + n 2 +...+ n k =n.
Pn1 , n 2 , n3 ...n k  
n!
n1 !.n 2 !.n3 !...n k !
Exemplo 2.11 – De quantas maneiras se pode dispor 10 bolas, sendo uma
branca, duas pretas, três vermelhas e 4 verdes.
Resolução: n1  1 , n 2  2 , n3  3 , n 4  4
n1 + n 2 + n3 .+ n 4  n  1  2  3  4  10 .
Pn1 , n 2 , n3 ...n k  
n!
n1 !.n 2 !.n3 !...n k !
P1,2,3,4 
10! 10.9.8.7.6.5.4!
  12600
1!.2!.3!.4! 1.2.3.2.4!
2.2.4 – Combinações Completas
Chama-se Combinações Completas de n elementos tomados de K a K a qualquer

coordenação completa de grau K formado a partidos objectos dados e identificados a
partir dos objectos que a constituem sem atender a ordem de que se dispões esses
objectos. As combinações completas representam-se por
_ n
 (n  k  1)!
CK C ( n  k 1, K ) 
k!(n  1)!
Exemplo 2.12: De quantas maneiras diferentes se pode escolher uma comissão de 3

alunos numa turma de 20 se pelo menos se repetir um elemento?
 (n  k  1)!  (20  3  1)! 22!

Resolução: C ( n  k 1, K )   C ( 20  31, K )    1540
k!(n  1)! 3! (20  1)! 3!19!
José César
2.3 – Números Binomiais
Para determinar os números binomiais usa-se um dispositivo prático chamado

triângulo de Pascal cuja construção se baseia nas seguintes propriedades:
1. – Numa linha de qualquer triângulo aritmético os termos a igual distância dos
m  m 
extremos são iguais, isto é, C C
m
p
m
m p ou C    C  Note que m representa
 p   m p 
nº da linha e p representa o nº da coluna
m!
( mp ) 
Demonstração: p!(m  p )! e
m! m! m!
( mm  p )   
(m  p)!m  (m  p)! (m  p)!(m  m  p)! (m  p)! p!
( mm  p )  ( mp )...OQQD
2. – Um número qualquer do triângulo aritmético é igual a soma do número

colocado imediatamente a cima com o número que está colocado à esquerda
deste último
( mp )  ( mp 1 )  ( mm 1p )
(Regra de Stiffell)
m!
( mp ) 
Demonstração: p!(m  p )! e
(m  1)!
( mp 1 ) 
p! (m  1  p )!
(m  1)! (m  1)! (m  1)!

( mp11 )   
( p  1)!(m  1)  ( p  1)! ( p  1)!(m  1  p  1)! ( p  1)!m  p !
Então :
(m  1)! (m  1)!
( mp )  ( mp 1 )  ( mm 1p )   
p! (m  1  p)! ( p  1)!m  p !
(m  1)! m p (m  1)! p
*  *
p! (m  1  p)! m  p ( p  1)!m  p ! p
Como (m-p)(m-p-1)!=(m-p)! E P.(p-1)!=p! Vem:
José César
(m  1)!(m  p) (m  1)! P p
( mp )   * .... Achando..o.. factor...comum,.vem :
p! (m  p)! m  p! p
(m  1)!(m  p)  p  (m  1)!(m  p  p) (m  1)!m m!
( mp )      ( mp )
p! (m  p)! p!m  p ! p! (m  p)! p! (m  p)!
OQQD.
Triângulo de Pascal C pm m =linhas e p = colunas

C 00
1
1 1
C ..C
0 1 1.... 1
C 02 ..C12 ..C 22 1.... 2... 1
C 03 ..C13 ..C 23 ..C 33 1.... 3.... 3.... 1
C 04 ..C14 ..C 24 ..C 34 ..C 44 1.... 4..... 6.... 4... 1
C 05 ..C15 ..C 25 ..C 35 ..C 45 ..C 55 1.... 5.... 10... 10... 5... 1
CAPÍTULO # 3 – TEOREMA DO PRODUTO DE PROBABILIDADES
3.1 – Produto de Acontecimentos
Definição: Chama-se produto de dois acontecimentos A e B ao

acontecimento A.B constituído pela ocorrência simultânea desses acontecimentos. Por
exemplo se A é uma peça útil e B uma peça pintada, então A.B é uma peça útil e
pintada.
Chama-se produto de vários acontecimentos ao acontecimento composto pela
ocorrência de todos estes acontecimentos.
Exemplo 3.1: Se A, B e C é a saída de cara de uma moeda do 1º, 2º e 3º
lançamentos, respectivamente, então A.B.C é a saída da cara em todas as 3
experiências.
3.2 – Probabilidade Condicional
Chama-se Probabilidade Condicional PA ( B)ouP( B / A) a probabilidade do

acontecimento B calculada supondo que o acontecimento A já ocorreu e é igual ao
quociente entre a probabilidade do acontecimento A  B (Ocorrência Simultânea) e a
José César
P( A  B)
probabilidade do acontecimento A, isto é P( B / A)  de igual modo,
P( A)
P( A  B)
P( A / B)  .
P( B)
Das duas fórmulas pode-se deduzir que a probabilidade de ocorrência
simultânea de dois acontecimentos independentes é igual a
P( A  B)  P( B / A) * P( A) ou P( A  B)  P( A / B) * P( B) .
Se os acontecimentos A e B são independentes, então
P( B / A)  P( B)eP( A / B)  P( A) já que neste caso P( A  B)   .
Dai também podemos deduzir que se os acontecimentos são independentes,
P( A  B)  P( A) * P( B) .
Exemplo 3.2: Numa urna há 3 bolas brancas e 3 bolas pretas. Da urna tiram-se
duas vezes uma bola de cada vez. Achar a probabilidade de que saia uma bola branca
da 2ª vez (acontecimento B) se na primeira vez tirou-se uma bola preta (acontecimento
A)
3
P ( B / A) 
Resolução: 6
Exemplo 3.3: Considera-se o exemplo do lançamento de dois dados numerado

de 1 a 6, onde A representa o acontecimento de que ambos dados mostrem faces
iguais ou superiores 4 pontos cada um e B é o acontecimento de que ambos dados
mostrem faces cuja soma é igual 8. Então, qual é a probabilidade de A tenha ocorrido
primeiro o acontecimento B , por outra parte, qual é a probabilidade de B tenha
ocorrido primeiro o acontecimento A . Quer dizer, quer-se calcular duas coisas:
P( AB ) P( AB )
primeiro, P( A / B)  é depois P( B / A) 
P( B) P( A)
O espaço de resultados do lançamento dos dados juntos (apenas dois dados) já
foi resolvido anteriormente na aula de sexta-feira, então voltemos a ver que é o que
acontece neste experimento aleatório.
Partindo do espaço de resultados do lançamento de dois dados equilibrados,
este pode-se ser apresentado da seguinte forma:
José César
 1,1 1,2 1,3 1,4 1,5 1,6 

2,1 2,6
B
 2,2 2,3 2,4 2,5

3,1
 3,2 3,3 3,4 3,5 3,6
S 
4,1 4,2 4,3 4,4 4,5 4,6
5,1 5,2 5,3 5,4 5,5 5,6
A
 
6,1
 6,2 6,3 6,4 6,5 6,6
Logo, as probabilidades são:
P( AB ) 1 P( AB ) 1
P( A / B)   e P( B / A)  
P( B) 5 P( A) 9
3.3 – Teorema do Produto de Probabilidades.

P ( A)eP( B / A)
Examinemos dois acontecimentos A e B Suponhamos que sejam
probabilidades conhecidas. Como calcular a probabilidade de simultaneidade, isto é, a

probabilidade de que ocorra tanto o acontecimento A como B? O teorema do produto
dá resposta a essa pergunta.
Teorema: A probabilidade de ocorrência simultânea de dois acontecimentos é
igual ao produto de um deles pela probabilidade condicional do outro, calculada
supondo que o primeiro tivesse ocorrido já, isto é: P( A  B)  P( A) * P( AB )

Demonstração: Por definição de probabilidade condicional teremos:
P( A  B)
P( B / A)  donde vem:
P( A)
P( A  B)  P( A) * P( B / A)ou P( A  B)  P( B) * P( A / B) cqd
Corolário: A probabilidade de ocorrência simultânea de vários acontecimentos é

igual ao produto das probabilidades de um deles pelas probabilidades condicional dos
demais calculando-se a probabilidade de cada acontecimento consequente supondo
que todos acontecimentos antecedentes ocorram.
P( A1 . A2 . A3 ... An )  P( A1 ) * P( A2 / A1 ) * P( A3 / A1 A2 ) * ... * P( An / A1 A.2.. An1
Exemplo 3.4: Um montador te 3 eixos cónicos e 7 elípticos. O montador tomou

um eixo e depois outro. Achar a probabilidade de que o primeiro dos eixos tomados
seja cónico e o segundo seja elíptico.
José César
Resolução: 3 eixos cónicos =>Acontecimento A e 7 eixos elípticos =>

3 7
B P ( A)  P( B / A) 
10 9
Exemplo 3.5: Numa urna há 5 bolas brancas, 4 pretas e 3 verdes. Em cada
prova se extrais uma bola ao acaso. Achar a probabilidade de que na 1ª prova se tenha
extraído uma bola branca, na 2ª, uma preta e na 3ª uma verde.
5 4 3
a) P ( A)  b) P( B / A)  c) P(C / A, B) 
12 11 10
3.4 – Acontecimentos Independentes
Suponhamos que a probabilidade do acontecimento B não dependa do

acontecimento A. Diz-se que o acontecimento B é independente do acontecimento A se
a ocorrência de A não altera a probabilidade condicional de B, ou seja, a probabilidade
condicional de B é igual a probabilidade incondicional.
P ( B / A)  P ( B)
P ( A) * P ( B / A)  P ( B ) * P ( A / B )
A probabilidade de ocorrência simultânea de dois acontecimentos independentes

é igual ao produto das probabilidades desses acontecimentos.
Vários acontecimentos denominam-se independentes dois a dois se cada par
deles é independente. Exemplo os acontecimentos A, B e C são independentes dois a
dois se são independentes os acontecimentos A e B, A e C e B e C.
Vários acontecimentos denominam-se Conjuntamente independentes ou
simplesmente independentes, sé é independente cada acontecimento e todos os
produtos possíveis dos acontecimentos restantes. Por exemplo, se os acontecimentos
A1 , A2 eA3 são conjuntamente independentes, são independentes os acontecimentos
A1eA2 ; A1eA3 ; A2 eA3 ; A1eA2 A3 ; A2 eA1 A3 ; A3eA1 A2

Se os acontecimentos são independentes, a probabilidade condicional de
qualquer um destes, calculada supondo ocorreram quaisquer dos acontecimentos é
igual a probabilidade incondicional. P( A1 , A2 , A3 ,..., An )  P( A1 ) P( A2 )...P( An ) .
Exemplo 5.26: Achar a probabilidade de acerto simultâneo ao disparar-se dois

canhões se a probabilidade de que o 1º canhão acerte no alvo é igual 0,8 e do 2º é 0, 7
José César
P ( A)  0,8 P ( B)  0,7
Resolução:
P( A  B)  P( A) * P( B)  0,8 * 0,7  0,56
Exemplo 3.3: Há 3 caixas que contêm 10 peças cada. Na 1ª caixa há 8 assinaladas;

na 2ª, 7 e na 3ª, 9. De cada caixa extraiu-se uma peça ao acaso. Achar a probabilidade
de que as 3 peças assinaladas sejam assinaladas.
8 7 9
P( A)  P( B)  P(C ) 
Resolução 10 10 10
P( A  B  C)  P( A) * P( B) * P(C)  0,8 * 0,7 * 0,9  0,504
Exemplo 3.7: As probabilidades de que se verifique cada um dos

acontecimentos A1 , A2 , A3 ,..., An são, respectivamente iguais a p1 , p2 , p3 ,..., pn Achar
a probabilidade de ocorrência de apenas um desses acontecimentos.

P( A1 . A2 . A3 ... An )  P( A1 ) * P( A2 / A1 ) * P( A3 / A1 A2 ) * ... * P( An / A1 A.2.. An1
Resolução: Seja A, o acontecimento constituído pela ocorrência de apenas um dos 3

acontecimentos, isto significa
A1  p1 , A2  p 2 eA3  p3
B1  A1 * A2 * A3
P( A)  P( B1 .B2 .B3 )  P( B1 )  P( B2 )  P( B3 )
B2  A1 * A2 * A3
B3  A1 * A2 * A3
P( A)  P( A1 * A2 * A 3 )  P( A1 * A2 * A3 )  P( A1 * A2 * A3 )
P( A)  P( A1 ) * P( A2 ) * P( A3 )  P( A1 ) * P( A2 ) * P( A3 )  P( A1 ) * P( A2 ) * P( A3 )
Se a probabilidade de ocorrência é igual p então, de não ocorrência será q

donde teremos:
P( A)  P( A1 ) * P( A2 ) * P( A3 )  P( A1 ) * P( A2 ) * P( A3 )  P( A1 ) * P( A2 ) * P( A3 )
P( A)  p1 * q 2 * q3  p 2 * q1 * q3  P3 * q1  q 2
Generalizando teremos a fórmula para o cálculo da probabilidade de ocorrência

de apenas um acontecimento
P( A)  p1 * q2 * q3  p2 * q1 * q3  P3 * q1 * q2  ...  pn * q1 * q2 * ... * qn1
José César
3.5 – Probabilidade de que ocorra pelo menos um acontecimentos
Suponhamos que como resultado de uma prova possa ocorrer n acontecimentos

conjuntamente independentes, sendo conhecidas as probabilidades de que ocorra
cada um dos acontecimentos. Como achar a probabilidade de que ocorra pelo menos
um desses acontecimentos. Por exemplo, se em resultado de uma prova podem
ocorrer 3 acontecimentos A1 , A2 eA3 , a ocorrência de pelo menos um destes
acontecimentos significa a ocorrência de um ou de dois ou dos três acontecimentos. A

resposta a essa pergunta é dada pelo seguinte teorema:
Teorema: A probabilidade de que ocorra pelo menos um dos acontecimentos
A1 , A2 , A3 ,..., An conjuntamente independentes é igual a diferença entre a unidade e o
produto das probabilidades dos acontecimentos opostos A1 , A 2 , A3 ,..., A n , isto é,
P( A)  1  q1 * q2 * q3 ... * qn
Demonstração: Seja A o acontecimento constituído pela ocorrência de pelo

menos um de A1 , A2 , A3 ,..., An então os acontecimentos opostos são
P( A)  P( A1 , A 2 , A3 ,..., A n )  1
A1 , A 2 , A3 ,..., A n , então:
P( A)  1  P( A1 * A2 * A3 * ... * A n )
P ( A)  1  P ( A1 ) * P ( A2 ) * P ( A3 ) * ... * P ( A n )
P( A)  1  q1 * q2 * q3 ... * qn Oqqd
Se os acontecimentos têm a mesma igual a p, a probabilidade de que ocorra

pelo menos um deste acontecimentos é igual a
P( A)  1  q n
Exemplo 3.8: As probabilidades de acerto ao alvo ao dispararem-se 3 canhões são

p1  0,8; p2  0,9ep3  0,9 . Achar a probabilidade de pelo menos um acerto ao
disparar-se simultaneamente todos os canhões.
Resolução: p1  0,8  q1  0,2; p2  0,7  q2  0,3ep3  0,9  q3  0,1

P( A)  1  q1 * q 2 * q3 ... * q n
 1  0,2 * 0,3 * 0,1
P( A)  0,994
Exemplo 3.9: Numa tipografia há 4 máquinas de impressão. Para cada
uma das máquinas, a probabilidade de que esteja a trabalhar num momento dado é
José César
igual a 0,9. Achar a probabilidade de num momento dado, esteja a trabalhar pelo
menos uma máquina.
Resolução: p  0,9  q  0,1 e n=4
P( A)  1  q n
 1  0,1
4
P( A)  0,999
Exemplo 3.10: A probabilidade de que num disparo um atirador acerte no alvo,
é igual a 0,4. Quantas vezes o atirador deve disparar para que com uma probabilidade
não menor que 0,9, acerte pelo menos uma vez.
Resolução: p  0,4  q  0,6eP( A)  0,9
P( A)  1  q n
0,9  1  0,6
n
(0,6) n  1  0,9
log(0,6) n  log(0,1) Resposta: São necessários 5 disparos
1
n log 0,6  1  n 
 0,2218
n  4,5
Exemplo 3.11: A probabilidade de que um acontecimento A se verifique pelo
menos uma vez em duas provas independentes é igual a 0,75. Achar a probabilidade
de ocorrência do acontecimento em uma prova
P( A)  0.75
n2
P( A)  1  q n
Resolução: 0.75  1  q 2
q 2  1  0.75
q  0.25  0.5  p  0.5
3.6 – Fórmula da Probabilidade Total.
Suponhamos que o acontecimento B possa ocorrer se ocorrer um dos

acontecimentos que se excluem mutuamenteA1 , A2 , A3 ,... An . Suponhamos que sejam
conhecidas as probabilidades condicionais PA1 ( B), PA2 ( B), PA3 ( B),... PAn ( B). do
acontecimento B. Como achar a probabilidade do acontecimento B? A resposta a essa
pergunta é dada pelo seguinte teorema:
Teorema: A probabilidade do acontecimento B que pode ocorrer apenas sob
condição de que ocorra um dos acontecimentos que se excluem mutuamente
A1 , A2 , A3 ,... An . e que formam um grupo completo é igual a soma dos produtos das
José César
probabilidades desses acontecimentos pelas correspondentes probabilidades

condicionais do acontecimento A . isto é:
P( B)  P( A1 ) PA1 ( B)  P( A2 ) PA2 ( B)  P( A3 ) PA3 ( B)  ...  P( An ) PAn ( B).
Demonstração: Por hipótese O acontecimento A pode ocorrer se ocorrer um dos

acontecimentos A1 , A2 , A3 ,... An . que se excluem mutuamente, por outras palavras,
a ocorrência de B significa a verificação de um dos acontecimentos mutuamente
exclusivos A1B, A2 B, A3 B,... An B. logo,
P( B)  P( A1B)  P( A2 B)  P( A3 B)  ...  P( An B). (1)* Como
P( A1 B )  P( A1 ) PA1 ( B ); P( A2 B )  P( A2 ) PA2 P( B ); P( A3 B )  P( A3 ) PA3 ( B );...;
P( An B )  P( An ) PAn ( B ).
Substituindo em (1)* teremos:
O.q.q.d.
Exemplo 3.11: Tem-se dois conjuntos de peças. A probabilidade de que uma peça
do 1º conjunto seja não estandardizada é igual a 0,8 e do 2º é igual a 0,9. Achar a
probabilidade de que uma peça extraída ao acaso de um conjunto escolhido também
ao acaso seja estandardizada.
Resolução: Sejam
B = Saída de uma peça estandardizada.
1
A1  Extracção de uma peça do 1º conjunto P ( A1 )  e PA1 ( B)  0,8
2
1
A2  Extracção de uma peça do 2º conjunto P( A2 )  e PA2 ( B)  0,9
2
P( B)  P( A1 ) PA1 ( B )  P( A2 ) PA 2 ( B)
1 1
P( B)  0,8  0,9  0,4  0,45
2 2
P( B)  0,85
Exemplo 3.12: Na 1ª Caixa há 20 lâmpadas de rádio das quais 18 são

estandardizadas e na 2ª há 10 das quais 9 são estandardizadas. Da 2ª caixa extraiu-se
uma lâmpada ao acaso e foi colocada na 1ª. Achar a probabilidade de que uma
lâmpada extraída ao acaso da 1ª caixa seja estandardizada.
Resolução: Sejam:
B = extracção de uma lâmpada estandardizada.
A1  Extracção de uma lâmpada estandardizada da 2ª caixa
José César
9 19
P( A1 )  e PA1 ( B ) 
10 21
1
A2  Extracção de uma lâmpada não estandardizada da 2ª caixa P( A2 )  e
10
18
PA2 ( B ) 
21
P( B )  P( A1 ) PA1 ( B )  P( A2 ) PA 2 ( B )
9 19 1 18 189
P( B )  .  . 
10 21 10 21 210
3.7 – Probabilidade de Hipóteses. Fórmula de Bayes.
Suponhamos que um certo acontecimento B possa ocorrer sob condição de que
ocorra um dos acontecimentos que se excluem mutuamente A1 , A2 , A3 ,... An . Visto

que antecipadamente qual desses acontecimentos ocorrerá, eles são denominados de
Hipóteses. A probabilidade de que ocorra o acontecimento B determina-se pela
fórmula da probabilidade completa.
Suponhamos que foi realizada uma prova em resultado do qual ocorreu o

acontecimento A. Coloquemo-nos como tarefa determinar a probabilidade a posteriori
das hipóteses, isto é, Dado que B ocorreu, vamos achar as probabilidades condicionais
PB ( A1 ); PB ( A2 ); PB ( A3 );...; PB ( An ). Achemos inicialmente PB ( A1 ). Pelo teorema

do produto, tem-se:
P( BA1 )  P( B ) PB ( A1 )  P( A1 ) PA1 P( B ) Daqui :
P( A1 ) PA1 ( B )
PB ( A1 )  Esta é a
P( A1 ) PA1 ( B )  P( A2 ) PA2 ( B )  P( A3 ) PA3 ( B )  ...  P( An ) PAn ( B )
fórmula de Bayes (Mat. Inglês que foi aplicada em 1764)
Exemplo 3.13: As peças produzidas numa fábrica caiem para a verificação da

sua estandardidade a um de dois controladores. A probabilidade de que uma peça caia
ao 1º controlador é igual a 0,6 e ao 2º é igual a 0,4. A probabilidade de que uma peça
acabada seja reconhecida como estandardizada pelo 1º controlador é igual a 0,94 e
José César
pelo 2º é igual a 0,98. No controlo, uma peça acabada foi reconhecida como
estandardizada. Achar a probabilidade de que essa peça tenha sido ve3rificada pelo 1º
controlador.
Resolução: Designemos por B o acontecimento em que uma peça seja
reconhecida como estandardizada. Podemos fazer duas hipóteses:
1ª - A1  A peça foi reconhecida pelo 1º controlador

2ª A2  A peça foi reconhecida pelo 2º controlador
Dados:
P( A1 )  0,6 e PA1 ( B)  0,94
P( A2 )  0,4 e PA2 ( B )  0,98
Fórmula:
P( A1 ) PA1 ( B )
PB ( A1 ) 
P( A1 ) PA1 ( B )  P( A2 ) PA2 ( B )  P( A3 ) PA3 ( B )  ...  P( An ) PAn ( B )
0,6.0,94 0,564
PB ( A1 )    0,59
0,6.0,94  0.4.0,98 0,564  0,392
Bibliografia de consulta para as aulas de Estatística
1 – NEVES, Augusta Ferreira e Fernandes, José António. Métodos quantitativos: Porto

Editora
2 – LAURA, Yolanda e Baptista António Manuel: Métodos quantitativos, 9º ano. Editora
do Livro
3 – HOEL, Port Stone: Introdução à teoria das probabilidades, Editora Inter ciência
4 – SANTOS, Fernando Borja: Sebenta de Matemáticas Gerais. Plátano Editora
5 – GMURMAN, V. E.: Teoria das Probabilidades e Estatística Matemática.

6 – WONNCOTT, Thomás H e Wonncott Ronald J.: Introdução à Estatística
7 – FONSECA, Jaime: Estatística Matemática, Vol 1 e 2; Edições Sílabo
8 – FONSECA, Jaime: Exercícios de Estatística Vol 2; Edições Sílabo
9 – MANOEl, Rodrigues Paiva; Matemática 1 e 2, 1ª ed, - Editora Moderna
10 – FERREIRA, Murteira B, J “Probabilidade e Estatística” Volume I, 2ª Edição

Revista. Ed.
Mc Graw – Hill, pp. 1 até 15
11 – REIS, Elizabeth; Melo Paulo, Andrade Rosa e Calapez Teresa: Estatística
Aplicada, 1º Vol – 4ª edição: Ed Sílabo
12 – MORETTIN, Luiz Gonzaga, estatística Básica e Probabilidade; Vol 1 – Makron

Books, 7ª edição
13 – PALHARES, Pedro Manuel Baptista e Outros. Elementos de Estatística para

professores do ensino Básico: Lidel – edições Técnica.
José César

Apontamentos Estatística Aplicada 2020

Enviado por

Dados do documento

Título original

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

Apontamentos Estatística Aplicada 2020

Enviado por

Direitos autorais:

Formatos disponíveis

Apontamentos de Estatística seleccionados pelo PhD.

Abílio Eduardo – ISCED Benguela/2020 1

A disciplina Estatística Aplicada proporcionará uma visão geral aos estudantes,

Dados Gerais do Programa da Cadeira

Introdução: Fundamentação da disciplina.

Objectivos Educativos da Disciplina:

Contribuir para que os estudantes:

1. Adquiram uma formação teórica-metodológica geral que lhes sirva como

Objectivos Instrutivos da Disciplina:

Que os estudantes sejam capazes de:

1. Compreender os conceitos básicos e regras de Estatística;

5. Conhecer e avaliar a aplicação dos diferentes métodos e técnicas de investigação

Sistema de conteúdo ou conhecimentos fundamentais.

Capítulo II: - Elementos da Teoria das Probabilidades:

2.11 – Testes de Hipóteses

PARTE II: Teórico-prática

PARTE III: prática

 Demonstrar por método estatístico a veracidade dos factos

Provas de frequência e exames teórico-práticos; Classificação das aulas práticas.

BARROSO, Mário e Outros, Exercícios de estatística Descritiva para as Ciências

FOODY, W. (2001) Como perguntar. Teoria e prática da construção de perguntas em

0.1 – Breve introdução histórica

Não se conhece com exactidão as origens da Estatística. O certo porém, é que

Outros, também, que contribuíram para esse desenvolvimento foram Halley

No nível do cidadão comum, a importância da estatística resulta imediatamente

de consideráveis desenvolvimento e aumento de credibilidade pública com a utilização

CAPÍTULO # 1: CONCEITOS BÁSICOS DE ESTATÍSTICA DESCRITIVA

1.1 Definições e objecto da estatística. Tipos de Estatística

Objecto da Estatística: A Recolha, Compilação, Análise e Interpretação de

que se chegam quando se analisam características numéricas do fenómeno que se

A Estatística Inferencial estende as conclusões extraídas da amostra à

POPULAÇAO ESTATISTICA (N) é o conjunto de seres (humanos ou não) sobre o

Os termos POPULAÇÃO e AMOSTRA são frequentemente utilizados para se

ferramenta que é o cálculo de probabilidades. O cálculo de probabilidades é um

Métodos ou Técnicas de amostragem

Deste modo, se escolherá sistemáticamente a cada décimo sujeito da população

b) Técnicas não probabilísticas:

DADO ESTATÍSTICO é qualquer característica que possa ser observada ou

Classificação de variáveis e escalas de medição

comportamentos de variáveis ordinais, usa-se a mediana que trataremos

caracterizar el comportamentos de variáveis nominais, usa-se a moda que trataremos

permite classificar – quantitativamente-, ordenar, somar e diminuir, e multiplicar ou

Ex. Produção de milho numa determinada fazenda agrícola desde 1976 a

 Série Territoriais ou Geográfica: É a série cujos dados estão dispostos em

 Série Específica ou Qualitativa: é a série cujos dados estão dispostos

Ex. População rural e urbana num determinado município

 Série Mista ou Composta: é a combinação entre duas ou mais séries

1.2 – REGRAS DE ARREDONDAMENTO

(Arredondamento por defeito). Ex: 7,34856 (para décimos)→7,3

parcela do conjunto, de modo que a soma fique inalterada. Ex:

1.4 – MÉTODOS ESTATÍSTICOS

Assim, constituem fases do método estatístico as seguintes:

Exemplo 1.1: Considerando o conjunto de todos os trabalhadores de uma empresa e

Exemplo 1.2: Exercício Introdutório 1: Consideremos os resultados de uma

1.4.1.2 Análise de dados: É uma fase do trabalho estatístico mais importante e

b) – Classificação de dados: Quando a uma série estatística é constituída por

c) – Apuração de dados (Resultados) ou sumarização dos dados: Consiste em

marcamos no eixo das abcissas os valores de (classificações) e no eixo das ordenadas

CAPÍTULO # 2: ESTUDO DAS FREQUÊNCIAS DE UMA VARIÁVEL ALEATÓRIA

A soma de dadas as frequências é igual a população n i N

2.2 – Frequência Relativa

é igual ao quociente entre n8  7 e N =50 (População)

2.3 – Estudo de Frequências com dados em classes