6.

ª Edição

INSTITUTO DE TECNOLOGIAS DE INFORMAÇÃO E COMUNICAÇÃO

MANUAL DE PROBABILIDADE
E ESTATÍSTICA

ENG. GOSPEL ANTÓNIO FITA

LUANDA, 2023
 6.ª Edição

“Todavia, eu sou o Senhor, teu Deus, desde a terra do Egipto; portanto, não reconhecerás
outro deus além de mim, porque não há Salvador senão eu.” (Oséas 13:4)

“Simão Pedro, servo e apóstolo de Jesus Cristo, aos que connosco alcançaram fé igualmente
preciosa, pela justiça do nosso Deus e Salvador, Jesus Cristo:” (2 Pedro 1:1)

“E os quatro animais tinham, cada um de per si, seis asas, e ao redor, e por dentro, estavam
cheios de olhos; e não descansam, nem de dia nem de noite, dizendo: Santo, Santo, Santo é o
Senhor Deus, o Todo-Poderoso, que era, e que é, e que há-de vir.” (Apocalipse 4:8)

“Aquele que testifica estas coisas diz: Certamente cedo venho. Ámen. Ora vem Senhor
Jesus!” (Apocalipse 22:20)

i
 6.ª Edição

Índice

Breves Considerações ....................................................................................... 1

CAPÍTULO I: ESTATÍSTICA .............................................................................. 2
1.1 Fundamentos de Estatística ..................................................................... 3
1.1.1 Como Organizar os Dados ................................................................... 7
1.2 Variáveis Aleatórias .................................................................................. 9
1.3 Medidas de Tendência Central e Medidas de Dispersão ........................... 10
1.3.1 Medidas de Tendência Central ............................................................ 10
1.3.2 Medidas de Dispersão ......................................................................... 13
1.4 Esperança Matemática (ou Valor Esperado) .............................................. 15
1.5 Momentos Estatísticos ............................................................................... 16
1.5.1 Funções Geratrizes de Momentos ....................................................... 18
1.6 Gráfico de Sectores .................................................................................... 19
1.7 Aplicações da Estatística............................................................................ 21
CAPÍTULO II: PROBABILIDADE...................................................................... 22
2.1 Experimentos Aleatórios............................................................................. 23
2.2 Modelos Matemáticos Determinísticos e Probabilísiticos ........................... 25
2.2.1 Modelos Determinísticos ...................................................................... 25
2.2.2 Modelos Não Determinísticos .............................................................. 26
2.3 Análise Combinatória ................................................................................. 27
2.3.1 Princípio Fundamental da Contagem................................................... 27
2.3.2 Permutação Simples ............................................................................ 28
2.3.3 Permutação com Repetição ................................................................. 29
2.3.4 Arranjos Simples .................................................................................. 29
2.3.5 Combinações Simples ......................................................................... 30
2.4 Conceito de Probabilidade.......................................................................... 31
2.5 Axiomas da Probabilidade .......................................................................... 46
2.6 Função Densidade de Probabilidade ......................................................... 47
2.7 Função de Distribuição Acumulada ............................................................ 50
2.8 Distribuições de Probabilidade ................................................................... 54
2.8.1 Distribuição Binomial ........................................................................... 56
2.8.2 Distribuição de Poisson ....................................................................... 58
2.8.3 Distribuição de Bernoulli ...................................................................... 59
2.8.4 Distribuição Normal.............................................................................. 61

ii
 6.ª Edição

2.8.5 Distribuição Amostral ........................................................................... 66

2.9 Teorema do Limite Central ......................................................................... 69
2.10 Aplicações da Teoria da Probabilidade .................................................... 73
Referências Bibliográficas ................................................................................ 74

iii
 6.ª Edição

Breves Considerações

Este é um material de apoio à cadeira de Probabilidade e Estatística do 2º ano,

do Curso de Engenharia Informática e de Telecomunicações, do Instituto de
Tecnologias de Informação e Comunicação da Universidade de Luanda.

Todos conteúdos desse material são resultados de compilações feitas em

diversas bibliografias relacionadas à Probabilidade e Estatística, seguindo o
programa disponibilizado para a Cadeira.

Este material não serve para fins comerciais, mas sim, única e exclusivamente
para questões de ensino desta Cadeira no INSTIC.

1
 6.ª Edição

CAPÍTULO I: ESTATÍSTICA

2
 6.ª Edição

1.1 Fundamentos de Estatística

O uso de dados estatísticos remonta aos censos realizados na antiga Babilônia,

Egito e, mais tarde, no Império Romano, quando os dados coletados eram sobre
assuntos relacionados ao Estado, tais como nascimentos e óbitos. Na verdade,
a palavra estatística é derivada da palavra latina status, que significa “estado”.

Estatísticas (plural) têm denotação de qualquer quantidade de dados numéricos,

formados a fim de fornecer informações acerca de uma atividade qualquer.
Como exemplo, temos as estatísticas demográficas que englobam dados como
nascimento, falecimento e casamentos de uma população. Já no singular,
Estatística mostra a actividade de um corpo especializado por técnicas ou uma
metodologia para a coleta, a classificação, a apresentação, a análise e a
interpretação de dados quantitativos e a utilização desses dados para a tomada
de decisões.

Para solucionarmos a maioria dos problemas do mundo, precisamos de dados

ou informações. Mas que tipo de informação? Qual é o número de informações?
Após obtê-las, o que fazer com elas?

A Estatística associa os dados ao problema, trabalha as informações

necessárias, projeta como e o que deve ser coletado e capacita o pesquisador
(ou profissional ou cientista) a obter conclusões a partir dessas informações,
para que outras pessoas entendam tais resultados. Portanto, o cientista social,
o economista, o engenheiro, o agrônomo e muitos outros profissionais utilizam
os métodos estatísticos para auxiliar na realização do seu trabalho, promovendo
maior eficiência.

Estatística é a ciência que trata da coleta, organização, análise e interpretação

dos dados para a tomada de decisões.

Em estatística, utilizamos extensamente os termos: população, amostra, censo,

parâmetros, dados discretos, dados contínuos, dados quantitativos e dados
qualitativos; e definiremos cada um deles para sua maior compreensão.

Dados consistem em informações provenientes de observações, contagens,

medições ou respostas. A natureza dos dados com os quais estamos
trabalhando determinará qual procedimento estatístico pode ser usado. Existem
várias formas de classificar os dados:
Dados qualitativos consistem em atributos, rótulos ou entradas não numéricas.
Dados quantitativos consistem em medidas numéricas ou contagens.

Dados contínuos: Um número infinito de valores possíveis sem que haja falhas
ou lacunas entre eles; representam os dados contínuos, os quais incluem todos
os valores de um intervalo numérico.

3
 6.ª Edição

Dados discretos: Um número finito de valores possíveis que representam os

dados discretos. É uma quantidade “mensurável”, como os valores 0, 1, 2 e
assim por diante. Exemplo: os números de ovos que as galinhas botam são
dados discretos, porque representam contagens.
Exemplo:

Os preços de venda sugeridos para diversos veículos Honda são apresentados

na Tabela abaixo. Quais dados são qualitativos e quais são quantitativos?
Tabela 1.1 – Modelos e Preços de carros.

Solução:

A informação mostrada na Tabela pode ser separada em dois conjuntos de

dados. Um conjunto contém os nomes dos modelos dos veículos e o outro os
preços de venda sugeridos. Os nomes são entradas não numéricas, portanto
são dados qualitativos. Os preços de venda são entradas de medidas numéricas,
portanto são dados quantitativos.

Há várias maneiras de se coletarem dados. Frequentemente, o foco do estudo

determina a melhor maneira de fazer a coleta. A seguir, há um breve resumo de
dois métodos de coleta de dados.

 Uma simulação é o uso de um modelo matemático ou físico para

reproduzir as condições de uma situação ou processo. A coleta de dados
frequentemente envolve o uso de computadores. As simulações permitem
que você estude situações que são impraticáveis ou mesmo perigosas
para serem criadas na vida real, e frequentemente economizam tempo e
dinheiro. Por exemplo, os fabricantes de automóveis usam simulações
com bonecos para estudar os efeitos das colisões em humanos.
 Uma pesquisa é uma investigação de uma ou mais características de
uma população. Mais frequentemente, as pesquisas são conduzidas com

4
 6.ª Edição

pessoas, por meio de perguntas. Os tipos mais comuns de pesquisas são

realizados por meio de entrevistas, internet, telefone ou correio. Ao
planejar uma pesquisa, é importante escolher bem as perguntas para não
obter resultados tendenciosos, que não são representativos de uma
população. Por exemplo, uma pesquisa é conduzida em uma amostra de
médicas para determinar se o argumento principal para a escolha
profissional é a estabilidade financeira. Ao planejar a pesquisa, seria
aceitável fazer uma lista de razões e pedir a cada indivíduo na amostra
para selecionar sua principal razão.

Há dois tipos de conjuntos de dados usados em estatística. Esses conjuntos são

chamados de população e amostra.
Uma população é a coleção de todos os resultados, respostas, medições ou
contagens que são de interesse.
Uma amostra é um subconjunto ou parte de uma população.
Uma amostra deve ser representativa de uma população de modo que seus
dados possam ser usados para tirar conclusões sobre aquela população. Os
dados amostrais devem ser coletados usando-se um método apropriado, tal
como a amostragem aleatória. Quando os dados amostrais são coletados
usando-se um método inapropriado, eles não podem ser usados para tirar
conclusões sobra a população.
Exemplo:
Em uma pesquisa recente, foi perguntado a 614 proprietários de pequenas
empresas nos Estados Unidos se eles achavam que a presença de sua empresa
no Facebook tinha valor. Duzentos e cinquenta e oito dos 614 responderam que
sim. Identifique a população e a amostra. Descreva o conjunto de dados da
amostra.
Solução:

A população consiste nas respostas de todos os proprietários de pequenas

empresas dos Estados Unidos, e a amostra consiste nas respostas dos 614
pequenos empresários pesquisados. Note na Figura abaixo que a amostra é um
subconjunto das respostas de todos os pequenos empresários dos Estados
Unidos. O conjunto de dados da amostra consiste em 258 proprietários que
responderam sim e 356 que responderam não.

5
 6.ª Edição

Fig.1.1 – Exemplo de população e amostra.

O estudo de estatística tem dois ramos principais: estatística descritiva e

estatística inferencial.

Estatística descritiva é o ramo da estatística que envolve a organização, o

resumo e a representação dos dados.

Estatística inferencial é o ramo da estatística que envolve o uso de uma

amostra para chegar a conclusões sobre uma população. Uma ferramenta
básica no estudo da estatística inferencial é a probabilidade.
Exemplo:

1. Uma grande amostra de homens com 48 anos de idade foi estudada

durante 18 anos. Observa-se na Figura abaixo que, para os solteiros,
aproximadamente 70% estavam vivos aos 65 anos, e para os casados,
90%.

Fig.1.2 – Exemplo estatístico de casados e solteiros.

2. Em uma amostra de analistas de Wall Street, a percentagem dos que

previram incorretamente os lucros de empresas de alta tecnologia em um
ano recente foi de 44%.
Solução:

1. A estatística descritiva envolve afirmações tais como “Para os solteiros da

grande amostra de homens, aproximadamente 70% estavam vivos aos 65
anos” e “Para os casados, 90% ainda estavam vivos aos 65 anos”. A
Figura acima também representa o ramo descritivo da estatística. Uma

6
 6.ª Edição

inferência possível tirada do estudo é que estar casado está associado a

uma vida mais longa para os homens.
2. A parte do estudo que representa o ramo descritivo da estatística envolve
a afirmação “A percentagem [da amostra de analistas de Wall Street] que
previram incorretamente os lucros de empresas de alta tecnologia em um
ano recente foi de 44%”. Uma inferência possível com base no estudo é
que o mercado de ações é difícil de ser previsto, até mesmo para os
profissionais.

1.1.1 Como Organizar os Dados

Quando se pretende empreender um estudo estatístico completo, existem

diversas fases do trabalho que devem ser desenvolvidas para se chegar aos
resultados finais de um estudo capaz de produzir resultados válidos.

Fig.1.3 – Como organizar dados.

Definição do problema: Consiste na definição ou formulação de forma correta

do problema que será estudado. Definir o objeto de estudo auxilia o analista a
fazer o levantamento sobre a população a ser estudada.

Planeamento: Compreende em determinar o procedimento que é necessário

para a resolução do problema, como levantar o assunto ou o objeto de estudo.
Nessa fase o tipo de levantamento a ser utilizado é escolhido. Há dois tipos de
levantamento: levantamento censitário: considera toda a população, e
levantamento por amostragem: utiliza uma parte da população ou uma amostra.

Coleta dos dados: É um passo operacional, em que é feita a coleta de

informações. Nesta fase há a necessidade de estabelecer uma distinção entre
os dados primários e os dados secundários. O primeiro trata de dados coletados
pelo próprio pesquisador ou instituição de pesquisa. O segundo são dados
oriundos de outra instituição.

Apuração dos dados: Consiste em resumir os dados através de sua contagem

e agrupamento. Pode ser manual, eletromecânica ou eletrônica.

Apresentação dos dados: Os dados devem ser apresentados de forma que o

exame do fenômeno estudado pelo método estatístico seja facilmente
identificado. Pode ser de duas maneiras: Apresentação Tabular – apresentação
numérica dos dados, disposta em uma tabela com linhas e colunas.
Apresentação gráfica – apresentação dos dados numéricos de forma

7
 6.ª Edição

geométrica, permite observar o fenômeno estudado e suas variações de maneira

mais rápida.

Análise e interpretação dos dados: São as conclusões que irão auxiliar o

pesquisador na resolução do problema. As estatísticas apresentadas pelas
outras fases evidenciam as características da população e são importantes para
a tomada de decisão. As generalizações nessa fase são possíveis, contudo
podem gerar certo grau de incerteza, mas não devem comprometer o resultado
final. Dessa forma, a pesquisa será representativa, isto é, mostrará a realidade
da população.

Quando um conjunto de dados tem muitos valores, pode ser difícil de observar
padrões. Veremos agora como organizar conjuntos de dados agrupando-os em
intervalos chamados de classes e formando uma distribuição de frequência.
Veremos também como usar as distribuições de frequência para a construção
de gráficos.

Uma distribuição de frequência é uma tabela que mostra classes ou

intervalos dos valores com a contagem do número de ocorrências em cada
classe ou intervalo. A frequência f de uma classe é o número de ocorrências de
dados na classe.

Na distribuição de frequência mostrada na Tabela abaixo há seis classes. As

frequências para cada uma das seis classes são 5, 8, 6, 8, 5 e 4. Cada classe
tem um limite inferior de classe, que é o menor número que pode pertencer à
classe, e um limite superior de classe, que é o maior número que pode pertencer
à classe. Na distribuição de frequência mostrada, os limites inferiores de classe
são 1, 6, 11, 16, 21 e 26 e os limites superiores de classe são 5, 10, 15, 20, 25
e 30. A amplitude de classe é a distância entre os limites inferiores (ou
superiores) de classes consecutivas. Por exemplo, a amplitude de classe na
distribuição de frequência mostrada é 6 – 1 = 5. Note que as classes não se
sobrepõem.
Tabela 1.2 – Representação de classe e frequência.

8
 6.ª Edição

A diferença entre os valores máximo e mínimo dos dados é chamada de

amplitude. Na tabela de frequência mostrada, suponha que o valor máximo seja
29, e o mínimo seja 1. A amplitude é, então, 29 – 1 = 28.

1.2 Variáveis Aleatórias

O resultado de um experimento probabilístico é, geralmente, uma contagem ou

uma medida. Quando isso ocorre, esse resultado é um possível valor de uma
variável aleatória.

Uma variável aleatória X representa um valor numérico associado a cada

resultado de um experimento probabilístico (ou aleatório).

A palavra aleatória indica que X é determinado em função de um objecto

escolhido ao acaso. Há dois tipos de variáveis aleatórias: discreta e contínua.

Uma variável aleatória é discreta quando tem um número finito ou contável de

resultados possíveis que podem ser enumerados.

Uma variável aleatória é contínua quando tem um número incontável de

resultados possíveis, representados por um intervalo na reta numérica.

Uma variável aleatória é discreta se sua imagem (ou conjunto de valores que
ela assume) é um conjunto finito ou enumerável. Se a imagem é um conjunto
não enumerável dizemos que a variável aleatória é contínua.

Você conduz um estudo sobre o número de ligações que um vendedor faz em

um único dia. Os valores possíveis da variável aleatória x são 0, 1, 2, 3, 4 e assim
por diante. Uma vez que o conjunto de resultados possíveis {0, 1, 2, 3, ...} pode
ser listado, X é uma variável aleatória discreta. Você pode representar esses
valores como pontos na reta numérica, como mostra a Figura abaixo.

Fig.1.4 – Variáveis aleatórias discretas.

Uma forma diferente de conduzir o estudo seria medir o tempo diário (em horas)
que um vendedor passa fazendo ligações. O tempo gasto fazendo ligações pode
ser qualquer número real de 0 a 24 (incluindo frações e decimais), então x é uma
variável aleatória contínua. Você pode representar esses valores em um
intervalo na reta, mas você não poderá enumerar todos os valores possíveis,
conforme a figura abaixo.

9
 6.ª Edição

Fig.1.5 – Variáveis aleatórias contínuas.

Quando uma variável aleatória é discreta, você pode listar ou enumerar os

valores possíveis que ela pode assumir. Porém, é impossível listar todos os
valores para uma variável aleatória contínua.
Exemplo:
Determine se a variável aleatória x é discreta ou contínua.

1. x representa o número de empresas, da lista das 500 maiores, que perderam

dinheiro no ano passado.
2. x representa o volume de gasolina em um tanque de 21 galões.

Solução:

1. O número de empresas que perderam dinheiro no ano passado pode ser

contado.
{0, 1, 2, 3, ..., 500}
Logo, x é uma variável aleatória discreta.

2. A quantidade de gasolina no tanque pode ser qualquer volume de 0 a 21

galões. Portanto, x é uma variável aleatória contínua.

1.3 Medidas de Tendência Central e Medidas de

Dispersão

1.3.1 Medidas de Tendência Central

O cálculo das medidas pode possibilitar a localização da maior concentração de

valores de uma dada distribuição, isto é, se ela se localiza no início, no meio ou
no final, ou, ainda, se há uma distribuição por igual.
Média

A média pode ser obtida pelo quociente da soma de todos os dados do

experimento e o número total de dados. A média (aritmética) é, de modo geral,
a mais importante de todas as medidas descritivas. Seu valor é calculado por
meio da divisão dos números somados pela quantidade deles. A média possui a

10
 6.ª Edição

função de transformar um conjunto de números em um único valor, dando uma

visão global dos dados.
Média aritmética simples
A média aritmética simples é, como o nome já diz, a mais simples, e a de uso
mais comum.

∑𝑛𝑖 𝑋𝑖
=
𝑛
Exemplo: Na primeira prova de Estatística, você teve a nota 8, na segunda a
nota foi 7, na terceira obteve a nota 6 e na última prova sua nota foi 7. Para ser
aprovado, sua média tem de ser igual ou maior que 7.

Média ponderada
Diferente da simples, a média aritmética ponderada calcula a média quando os
valores possuem pesos diferentes.

Usando o mesmo exemplo das notas de Estatística, imagine que cada uma das
notas tem um peso distinto. A primeira prova possuía peso 2, a segunda, peso
2, a terceira, peso 3, e a quarta, peso 3. Como isso pode ser calculado?
Multiplica-se o valor pelo seu peso, somando aos resultados das outras
multiplicações, e, então, divide-se pela soma de todos os pesos. Confira o
cálculo do exemplo:

Moda (Mo)
A moda é o valor que mais aparece no conjunto de dados do experimento. É o
valor que ocorre com maior frequência em um conjunto de dados, sendo
denominado valor modal. Baseado nesse contexto, um conjunto de dados pode

11
 6.ª Edição

apresentar mais de uma moda. Nesse caso, dizemos ser multimodais, caso
contrário, quando não existe um valor predominante, dizemos que é amodal.

Exemplo: Calcular a moda para as idades dos candidatos à presidência de um

clube desportivo:
65, 87, 49, 58, 65, 65, 67, 83, 87, 79.
Observe que, Mo = 65 (aparece 3 vezes).
Não é possível analisar média ou mediana de dados não ordenados.

Mediana (Md)

A mediana é o valor tal que mais da metade dos dados é maior ou igual a ela, e
mais da metade dos dados é menor ou igual a ela. A mediana é uma medida de
posição. É, também, uma separatriz, pois divide o conjunto em duas partes
iguais, com o mesmo número de elementos. O valor da mediana encontra-se no
centro da série estatística organizada em ordem crescente, de tal forma que o
número de elementos situados antes desse valor (mediana) é igual ao número
de elementos que se encontram após esse mesmo valor (mediana).
Para o cálculo da mediana, temos duas considerações a fazer:

1. O número de observações (n) é ímpar. A mediana será o valor da variável que

ocupa a posição de ordem:

Calcular a mediana dos valores:

9, 12, 8, 6, 14, 11, 5.
Em primeiro lugar, vamos organizar os dados em ordem crescente:
5, 6, 8, 9, 11, 12, 14
Observe que n = 7 (ímpar)

Logo, a mediana será dada pelo elemento que divide o Rol em duas partes
iguais.
Md = 9

2. O número de observações (n) é par. Não existe, portanto, um valor que ocupe
o centro, convencionando-se que a mediana será a média aritmética dos valores
que ocupam as posições de ordem.
Exemplo: Calcular a mediana dos valores já ordenados: 6, 8, 9, 11, 12, 14.

12
 6.ª Edição

n = 6 (par)
A mediana será dada pela média aritmética entre o 3º e 4º elementos da
sequência:
9 + 11
𝑀𝑑 = = 10
2

1.3.2 Medidas de Dispersão

São medidas estatísticas utilizadas para avaliar o grau de variabilidade, ou

dispersão, dos valores em torno da média. Servem para medir a
representatividade da média.

Como uma medida de variação, a amplitude tem a vantagem de ser fácil de

calcular. Sua desvantagem, entretanto, é que ela usa somente dois valores do
conjunto de dados. Duas medidas de variação que usam todos os valores do
conjunto de dados são a variância e o desvio padrão.

Variância (𝑺𝟐 )

A variância é uma medida de dispersão que verifica a distância entre os valores

da média aritmética.

Variância amostral Variância populacional

Exemplo: Em um clube de corrida, o treinador anotou o tempo gasto durante 5

dias de treinamento para analisar o desempenho dos corredores. A equipe é
formada de três corredores: Jonas, Salomão e Davi.
Os tempos em minutos foram anotados na tabela a seguir:
Tabela 1.3 – Exemplo de atletas.

13
 6.ª Edição

O treinador está preocupado se esses tempos podem levá-los à vitória na

competição que se aproxima. Ele precisa fazer cálculos de variância de cada
atleta para analisar o desempenho e a possibilidade de vitória na competição.

Os dados que ele precisa levar em consideração para obter as análises são a
média de tempo de cada atleta e a variância desses tempos.
Os cálculos da média aritmética de cada atleta estão abaixo:

A média de cada atleta é conhecida pelo treinador. Agora, para calcular a

variância de cada atleta, utilizaremos a seguinte fórmula:

A conclusão que o treinador tira com os cálculos de variância é que o atleta Davi
tem tempos mais dispersos da média. Jonas tem tempos mais próximos da
média dos outros atletas.

(Se enviarmos o expoente 2 para o outro membro, na expressão de 𝑆 2 teremos

o desvio padrão, como veremos mais a seguir.)

Desvio padrão (S)

É a medida mais usada na comparação de diferenças entre conjuntos de dados,

por ter grande precisão. É responsável por determinar a dispersão dos valores
em relação à média e é calculado por meio da raiz quadrada da variância,
conforme mostra a fórmula:

S = √𝑣𝑎𝑟 = √𝑆 2

Calcule o desvio-padrão para os tempos dos atletas.

14
 6.ª Edição

1.4 Esperança Matemática (ou Valor Esperado)

A média de uma variável aleatória representa o que você esperaria acontecer

com a média de milhares de testes (população). Ela também é chamada de valor
esperado.

O valor esperado de uma variável aleatória discreta é igual à média da variável

aleatória.
Valor esperado = E(x) = m = ΣxP(x).

(Embora as probabilidades nunca possam ser negativas, o valor esperado de

uma variável aleatória pode ser negativo.)
Exemplo:

Em um sorteio, 1.500 bilhetes são vendidos a $ 2 cada, para prêmios de $ 500,

$ 250, $ 150 e $ 75. Você compra um bilhete. Qual é o valor esperado do seu
ganho?
Solução:

Para encontrar o ganho para cada prêmio, subtraia o preço do bilhete do prêmio.
Por exemplo, o seu ganho para o prêmio de $ 500 é:
$ 500 – $ 2 = $ 498
e o seu ganho para o prêmio de $ 250 é:
$ 250 – $ 2 = $ 248.

Escreva a distribuição de probabilidade para os ganhos possíveis (ou

resultados). Note que um ganho representado por um número negativo é uma
perda, conforme mostra a tabela abaixo.
Tabela 1.4 – Exemplo de sorteio.

15
 6.ª Edição

Agora, usando a distribuição de probabilidades, você pode encontrar o valor

esperado.

Como o valor esperado é negativo, você pode esperar perder, em média, $ 1,35
por cada bilhete que comprar.

1.5 Momentos Estatísticos

Se 𝑋1 , 𝑋2 , . . . , 𝑋𝑁 são os valores N assumidos pela variável X, nós definimos a

quantidade

chamado de r-ésimo momento. O primeiro momento com r=1 é a média

aritmética Ẍ.
O r-ésimo momento sobre a média X é definido como

Note que se r=1, 𝑚1 = 0, se r=2 teremos variância.

Exemplos:

1. Encontre o (a) primeiro, (b) segundo, (c) terceiro e (d) quarto momentos
do conjunto 2, 3, 7, 8, 10.
(a) O primeiro momento, ou média aritmética, é

(b) O segundo momento é

16
 6.ª Edição

(c) O terceiro momento é

(d) O quarto momento é

2. Encontre o (a) primeiro, (b) segundo, (c) terceiro e (d) quarto momentos
em torno da média para o conjunto de números do exemplo anterior.

(a)

Note que 𝑚1 será sempre igual à zero.

(b)

Note que 𝑚2 corresponde à variância.

(c)

(d)

17
 6.ª Edição

1.5.1 Funções Geratrizes de Momentos

A função geratriz de momentos (FGM) é outra forma de identificarmos uma

variável aleatória (VA). Isto é, uma va possui uma única FGM. Por outro lado,
uma fgm corresponde a uma única VA.

A Função Geratriz de Momentos 𝑀𝑥 (t) da variável aleatória X é definida para

todos os valores de 𝒕 ∈ ℝ como

Chama-se de Função Geratriz de Momentos porque todos os momentos de X

podem ser obtidos pelo cálculo sucessivo da derivada de 𝑀𝑥 (t) e avaliando esta
em t=0.

 𝑀𝑥 '(𝑡) = Σ xe tx 𝑓(𝑥)
 𝑀𝑥 ''(𝑡) = Σ x 2 e tx 𝑓(𝑥)
 𝑀𝑥 '''(𝑡) = Σ x 3 e tx 𝑓(𝑥)
 𝑀𝑥 (n) '(𝑡) = Σ x n e tx 𝑓(𝑥)

Se definirmos t = 0 nas fórmulas acima, então o termo e tx se torna e 0

= 1.
Assim, obtemos fórmulas para os momentos da variável aleatória X :

 𝑀𝑥 '(0) = E (X)
 𝑀𝑥 ''(0) = E (X2)
 𝑀𝑥 '''(0) = E (X3)
 𝑀𝑥 𝑛 (0) = E (Xn)
Isso significa que, se a função geradora de momento existe para uma variável
aleatória específica, podemos encontrar sua média e sua variância em termos
de derivadas da função geradora de momento. Conseguimos notar o primeiro, o
segundo, o terceiro e o n-ésimo momento.

18
 6.ª Edição

1.6 Gráfico de Sectores

O gráfico de sectores, também conhecido por gráfico de “pizza” ou circular, é

uma representação de dados de categorias diferentes na forma de fatias ou
setores circulares.

É uma ferramenta estatística utilizada para analisar e expressar uma

comparação entre as quantidades de dados obtidos para categorias diferentes
em uma pesquisa ou contagem.
As fatias ou sectores ocupam áreas diferentes, conforme a proporção entre as
quantidades de dados de cada categoria. Esta proporção é representada na
forma de percentagem, onde sectores com maior percentagem, aparecem com
áreas maiores.

Fig.1.6 – Exemplo de um gráfico de sectores.

Exemplo:
Os dados de uma pesquisa realizada com 240 eleitores onde se obtiveram as
intenções de voto nos candidatos A, B e C.
Dos 240 eleitores que responderam à pesquisa:
A obteve 48 votos;
B obteve 72 votos;
C obteve 120 votos.
Candidato A

19
 6.ª Edição

Candidato B

Candidato C

Precisamos determinar o ângulo de formação de cada setor e, como já sabemos

que para cada 1% devemos utilizar 3,6º, para cada setor teremos:
Sector A: 20 x 3,6º = 72º
Sector B: 30 x 3,6º = 108º
Sector C: 50 x 3,6º = 180º

Fig.1.7 – Sector finalizado sobre o exemplo de votação.

20
 6.ª Edição

1.7 Aplicações da Estatística

Você já está familiarizado com muitas das práticas da estatística, tais como
realização de pesquisas, coleta de dados e descrição de populações. O que você
pode não saber é que coletar dados estatísticos acurados é frequentemente
difícil e de alto custo. Considere, por exemplo, a tarefa monumental de contar e
descrever a população inteira de Angola. Se você fosse o responsável por tal
censo, como faria? Como asseguraria que seus resultados são acurados? Essas
e muitas outras preocupações são de responsabilidade do Instituto Nacional de
Estatística.

Um exemplo de dados estatísticos: o Índice Global de Inovação (IGI) de 2021

aponta Angola como último classificado, com apenas 15 pontos, num universo
de 132 países, de acordo a página de notícias menosfios. No entanto, segundo
o Jornal Expansão, Angola nem sequer constava nessa lista por falta de
publicação de dados, visto que a última vez em que Angola forneceu seus dados
de inovação, foi em 2015.

Conforme vimos, neste capítulo, a Estatística tem uma grande variedade de

aplicações. As organizações necessitam de estatística para terem melhor
controlo de suas operações, controlarem as entradas e saídas, medir os
empenhos de cada um de seus colabores e com isso ser capaz de tomar
decisões e fazer predições. A estatística nos permite ver o antes e o depois de
cada processo.

Toda área do saber requer dados estatísticos. Como Engenheiros Informáticos,

surge a necessidade de desenvolver sistemas que permitem aos utilizadores
terem controlo de suas actividades, seja se for para suas empresas ou
actividades pessoais, porém deve se optar em apresentar dados de maneira
clara possível.

21
 6.ª Edição

CAPÍTULO II: PROBABILIDADE

22
 6.ª Edição

2.1 Experimentos Aleatórios

Quando meteorologistas dizem que há uma chance de 90% de chuva ou um

médico diz que há 35% de chance de sucesso em uma cirurgia, eles estão
afirmando a possibilidade, ou probabilidade, de que um evento específico ocorra.
Decisões para questões como “Você deveria ir jogar golf?” ou “Você deveria
realizar a cirurgia?” são frequentemente baseadas nessas probabilidades.

Fenómenos aleatórios ou experimentos aleatórios são fenómenos que,

mesmo repetidos várias vezes sob condições semelhantes, apresentam
resultados imprevisíveis.

O produto de uma única tentativa em um experimento probabilístico é um

resultado.

O conjunto de todos os resultados possíveis de um experimento probabilístico é

o espaço amostral, também chamado de espaço de prova ou conjunto
universo.
Ponto amostral é qualquer elemento do espaço amostral.

Um evento é um subconjunto do espaço amostral. Ele pode consistir em um ou

mais resultados.
Exemplos:

1. Um experimento probabilístico consiste no lançamento de uma moeda e

de um dado de seis faces. Determine o número de resultados e identifique
o espaço amostral.
Solução:

Há dois resultados possíveis quando lançamos a moeda: cara (H) ou coroa (T).
Para cada um desses, há seis resultados possíveis quando jogamos o dado: 1,
2, 3, 4, 5 ou 6. O diagrama de árvore na figura abaixo fornece uma visualização
dos possíveis resultados de um experimento probabilístico usando ramos
originados de um ponto inicial. O diagrama pode ser usado para encontrar o
número de resultados possíveis em um espaço amostral, assim como resultados
individuais.

Fig.2.1 – Lançamento de uma moeda.

23
 6.ª Edição

Do diagrama de árvore podemos ver que o espaço amostral tem 12 resultados.

{H1, H2, H3, H4, H5, H6, T1, T2, T3, T4, T5, T6}

2. Seja o evento A, obter número par no lançamento de um dado.

Solução:
A={2, 4, 6}, logo n(A) = 3.
Observe que {2, 4, 6} é o subconjunto de {1, 2, 3, 4, 5, 6}.

Evento certo é o próprio espaço amostral. Intuitivamente, é o facto que ocorre

sempre, com certeza.

Exemplo: obtenção de um número maior que zero e menor que sete, no

lançamento de um dado.
Evento impossível é o subconjunto vazio.

Exemplo: seja o evento A, obter um número maior que 10 no lançamento de um

dado. Temos: A = Ø, logo n(A) = 0.
Evento soma é a reunião de dois eventos.
Exemplo: obtenção de um número ímpar ou de um número par primo, no
lançamento de um dado.
Solução: Sendo A = {1, 3, 5} e B = {2}, temos A Ս B = {1, 2. 3, 5}.
Evento produto é a intersecção de dois eventos.

Exemplo: obtenção de um número ímpar e múltiplo de 3, no lançamento de um

dado.
Solução: Sendo A = {1, 3, 5} e B = {3}, temos A Ո B = {3}.
Eventos mutuamente exclusivos são dois eventos que nunca ocorrem
simultaneamente.
Exemplo:
No lançamento de um dado, os eventos:
A – obtenção de um número ímpar (A = {1, 3, 5})
B – obtenção de um número par primo (B = {2})
São mutuamente exclusivos.

Eventos complementares ou contrários são dois eventos A e Ā, tais que:

A Ս Ā = espaço amostral (o evento soma é o próprio espaço amostral) e
A Ո Ā = Ø (o evento produto é o conjunto vazio).

24
 6.ª Edição

Exemplo:
No lançamento de um dado, os eventos:
A – obtenção de um número ímpar (A = {1, 3, 5})
Ā – obtenção de um número par (Ā = {2, 4, 6})
São evento contrários, pois A Ս Ā = espaço amostral e A Ո Ā = Ø.
{1, 3, 5} Ս {2, 4, 6} = {1, 2, 3, 4, 5, 6}
{1, 3, 5} Ո {2, 4, 6} = Ø

2.2 Modelos Matemáticos Determinísticos e

Probabilísiticos

Usam-se modelos matemáticos para representar eventos (fenômenos) do

mundo real.

Ressalta-se, contudo, que é muito importante distiguir entre o fenômeno

propriamente dito e o(s) modelo(s) matemático(s) usado(s) para representá-lo.

“Todas as vezes que empregamos Matemática a fim de estudar alguns

fenômenos de observação, devemos essencialmente começar por construir um
modelo matemático (determinístico ou probabilístico) para esses fenômenos.
(...) A fim de verificar a validade de um modelo, devemos deduzir um certo
número de consequências de nosso modelo e, a seguir, comparar esses
resultados previstos (pelo modelo) com observações efetuadas”.
Os modelos podem ser dois tipos: Determinísticos ou Não Determinísticos.

2.2.1 Modelos Determinísticos

Nos modelos determinísticos, os fenômenos são representados por um conjunto

E = { e1, e2, ... en} de variáveis de entrada e um conjunto S = { s1, s2, ..., sk} de
variáveis de saída cujos valores dependem dos valores das variáveis de entrada.
O modelo é dito determinístico sempre que para uma determinada instância de
E se produz a mesma instância de S.

25
 6.ª Edição

Fig.2.2 – Modelo Determinístico.

Espaço percorrido por um móvel à uma determinada velocidade constante num

determinado espaço de tempo:
E=V*T
onde E = espaço (variável de saída),
V = velocidade constante (variável de entrada)
T = tempo decorrido do deslocamento do móvel (variável de entrada).

Fig.2.3 – Exemplo de modelo determinístico.

Sempre que V = 80 Km/h e T = 2h, tem-se que E = 160 Km.

2.2.2 Modelos Não Determinísticos

Nos modelos não determinísticos, os fenômenos são representados por um

conjunto E = { e1, e2, ... en} de variávies de entrada e um conjunto S = { s1, s2,
..., sk} de variáveis de saída cujos valores dependem dos valores das variávies
de entrada. O modelo é dito não determinístico se para uma mesma determinada
instância de E é possível produzir instâncias distintas de S.

26
 6.ª Edição

Fig.2.4 – Modelo não determinístico.

Os modelos não determinísticos, em geral, estão associados à fenômenos

probabilísticos (ou estocásticos).
Exemplo: Resultado do lançamento de uma moeda.

2.3 Análise Combinatória

Os problemas de contagem são frequentes no nosso quotidiano. Estão

presentes, por exemplo, quando pensamos nas possibilidades de combinação
de roupas, de planejamento de pratos em cardápios ou de combinações de
números em um jogo de loteria. A análise combinatória é o campo de estudo que
desenvolve métodos para fazer a contagem, de modo eficiente, do número de
elementos de um conjunto. Associada à probabilidade e à estatística, a Análise
combinatória constitui um poderoso instrumento de antecipação de resultados
nos campos industrial, comercial, científico ou governamental.

2.3.1 Princípio Fundamental da Contagem

Em alguns casos, um evento pode ocorrer de diversas maneiras diferentes,

fazendo com que não seja prático escrever todos os resultados. Quando isso
ocorre, você pode confiar no princípio fundamental da contagem ou também
chamado de princípio multiplicativo. Ele pode ser usado para encontrar o
número de maneiras em que dois ou mais eventos podem ocorrer em sequência.
Se um evento pode ocorrer de m maneiras e um segundo evento pode ocorrer
de n maneiras, o número de maneiras que os dois eventos podem ocorrer em
sequência é m × n. Essa regra pode ser estendida para qualquer número de
eventos ocorrendo em sequência.

27
 6.ª Edição

Em palavras, o número de maneiras que eventos (compostos) podem ocorrer

em sequência é encontrado multiplicando-se o número de maneiras que um
evento pode ocorrer pelo número de maneiras que o(s) outro(s) evento(s)
pode(m) ocorrer.
Exemplo:

Você está a comprar um carro novo. Os fabricantes possíveis, tamanhos dos

carros e as cores estão listados.
Fabricantes: Ford, GM, Honda;
Tamanhos: compacto, médio;
Cores: branco (W), vermelho (R), preto (B), verde (G).

De quantas maneiras diferentes você pode selecionar um fabricante, um

tamanho e uma cor? Use um diagrama de árvore para verificar seu resultado.
Solução:
Há três escolhas de fabricantes, duas de tamanhos e quatro de cores.

Usando o princípio fundamental da contagem, podemos determinar que o

número de maneiras para selecionarmos um fabricante, um tamanho e uma cor
é:

3×2×4 = 24 maneiras.

Usando também o diagrama de árvore, podemos ver por que há 24 opções:

Fig.2.5 – diagrama em árvores sobre o exemplo de selecionar fabricante.

2.3.2 Permutação Simples

Dado um conjunto de n elementos, chama-se permutação simples dos n

elementos qualquer sequência (agrupamento ordenado) desses n elementos,
diferindo apenas pela ordem dos elementos. Para determinar o número de
permutações em um grupo com n elementos, basta calcular o fatorial desse n.

Pn = n!

28
 6.ª Edição

Exemplo:

Gui, Bussunda e JowJow vão posar para uma fotografia. De quantas maneiras
essa fotografia pode ser tirada:

P3 = 3! = 3 . 2 . 1 = 6

2.3.3 Permutação com Repetição

Para os cálculos de permutação de n elementos, dos quais k são repetidos,

utilizaremos a seguinte fórmula, onde n é o número total de elementos a ser
permutados e n1, n2, …, nk os elementos repetidos.

𝑛 ,…,𝑛𝑘 𝑛!
𝑃𝑛 1 =
𝑛1 ! × 𝑛2 ! × … × 𝑛𝑘 !

Exemplo:

Dizer de quantas maneiras distintas pode ser preenchido um talão de loteria

esportiva com 5 “coluna um”, 6 “coluna do meio” e 2 “coluna dois”.
Solução:

𝑛1 = 5

𝑛2 = 6

𝑛3 = 2

n = 𝑛1 + 𝑛2 + 𝑛3 = 5 + 6 + 2 = 13

5,6,2 13!
𝑃13 = = 36036
5! × 6! × 2!

O talão pode ser preenchido de 36036 maneiras diferentes.

2.3.4 Arranjos Simples

São agrupamentos em que se considera a ordem dos elementos, isto é,

qualquer mudança na ordem dos elementos altera o agrupamento. Por exemplo,
ao formar números naturais de 3 algarismos distintos escolhido entre os
algarismos 2, 4, 6, 7 e 8, estaremos arranjando esses 5 algarismos 3 a 3. Por
exemplo, o número 246 é diferente de 642. Note que os algarismos são os
mesmos, mas diferem pela ordem.

29
 6.ª Edição

Dado um conjunto com n elementos, chama-se arranjo de p elementos distintos

a todo grupo formado por p dos n elementos (p≤n), sendo um grupo distinto de
outro quando em cada um dos dois houver, pelo menos um dos p elementos
distinto ou dois dos p elementos em ordem diferente.

Exemplo:

Dado o conjunto {a, b, c, d} vamos formar alguns arranjos de 3 elementos

(p=3). Como no conjunto temos quatro elementos, logo n=4.

Solução: Esses arranjos podem ser: {a, b, c}, {a, b, d}, {a, c, b}, {b, c, d} e assim
sucessivamente.

Para se representar o número de arranjos de p elementos, que podem ser

obtidos de um conjunto com n elementos, adota-se o símbolo
𝑝
𝐴𝑛 ou 𝐴𝑛,𝑝

Onde:
n – número total de elementos;
p – número de elementos de cada arranjo;

𝐴𝑝𝑛 ou 𝐴𝑛,𝑝 – número de arranjos de n elementos tomados p a p.

𝑛!
𝐴𝑛,𝑝 =
(𝑛−𝑝)!

4!
No exemplo anterior, teríamos um total de 𝐴4,3 = = 24 arranjos possíveis.
(4−3)!

2.3.5 Combinações Simples

São agrupamentos em que não se considera a ordem dos elementos, isto é,

mudanças na ordem dos elementos não alteram o agrupamento. Por exemplo,
ao formar conjuntos de números naturais de 3 algarismos distintos, escolhido
entre os algarismos 2, 4, 6, 7 e 8, estaremos combinando esses 5 algarismos 3
a 3. Por exemplo, o conjunto {2, 4, 6} é igual ao conjunto {6, 4, 2}. Note que a
ordem dos algarismos mudou, mas o conjunto é o mesmo, ou seja, os elementos
não diferem pela ordem.
Dado um conjunto com n elementos, chama-se combinação de p elementos
distintos a todo subconjunto formado por p dos n n elementos (p≤n).

Um subconjunto é distinto de outro, quando em cada um dos dois houver, pelo

menos um dos p elementos distinto.

30
 6.ª Edição

Para representar o número de combinações de p elementos que podem ser

obtidos de um conjunto de n elementos, adota-se o símbolo 𝐶𝑛𝑝 ou 𝐶𝑛,𝑝 .
𝑛!
𝐶𝑛,𝑝 =(𝑛−𝑝)!×𝑝!

Ainda no exemplo anterior (a que foi usada no arranjo simples), se fosse para
fazer combinação, seria:
4!
𝐶4,3 =(4−3)!×3! = 4 combinações possíveis.

Dos quais teríamos: {a,b,c}, {a,b,d}, {a,c,d}, {b,c,d}.

2.4 Conceito de Probabilidade

A palavra probabilidade deriva do latim probare (provar ou testar). A

probabilidade mede as chances de ocorrência de determinado resultado tendo
em conta todos os casos possíveis.

O método que você utilizará para calcular uma probabilidade depende do tipo de
probabilidade. Há quatro tipos: probabilidade clássica, probabilidade
empírica, probabilidade subjectiva e probabilidade condicional. A
probabilidade de ocorrência de um evento E é escrita como P(E) e lê-se
“probabilidade do evento E”.

Probabilidade clássica (ou teórica) é usada quando cada resultado em um

espaço amostral é igualmente possível de ocorrer.

Se, num fenómeno aleatório, o número de elementos do conjunto universo é n(U)

e o número de elementos do evento A é n(A), então a probabilidade de ocorrer
o evento A é o número P(A), tal que:
𝑛(𝐴)
𝑃(𝐴) =
𝑛(𝑈)
Nota: esta definição é válida quando o espaço amostral U for equiprobabilístico,
ou seja, quando todos elementos de U tiverem a mesma probabilidade.

Exemplo: no lançamento de um dado, determinar a probabilidade de se obter o

número 5.
Solução:

A = {5} ⇒ n(A) = 1.

Logo,
1
𝑃(𝐴) = = 0,1666 × 100% = 16,66%
6

31
 6.ª Edição

Probabilidade empírica (ou estatística) é baseada em observações obtidas de

experimentos probabilísticos. A probabilidade empírica de um evento A é a
frequência relativa do evento A.
frequência do evento 𝐴
𝑃(𝐴) =
frequência total

Exemplo: Uma empresa está conduzindo uma pesquisa pela internet com
indivíduos selecionados aleatoriamente para determinar com que frequência
eles reciclam. Até o momento, 2.541 pessoas foram pesquisadas. A distribuição
de frequência da Tabela abaixo mostra os resultados. Qual é a probabilidade de
que a próxima pessoa pesquisada sempre recicle?

Tabela 2.1 Exemplo do número de vezes de reciclagem pelas pessoas .

Solução:

O evento é uma resposta “sempre”. A frequência desse evento é 1.054. Como a

frequência total é 2.451, a probabilidade empírica de a próxima pessoa sempre
reciclar é:
1054
𝑃(𝑠𝑒𝑚𝑝𝑟𝑒) = = 0,430 × 100% = 43%
2451

O terceiro tipo de probabilidade é a probabilidade subjectiva, que resulta de

conjeturas e de estimativas por intuição.
Exemplos:

1. Dada a saúde de um paciente e a extensão dos ferimentos, um médico

pode sentir que o paciente tem 90% de chance de recuperação total;
2. Um analista de negócios pode prever que a chance de os funcionários de
certa empresa entrarem em greve é de 0,25.

32
 6.ª Edição

Probabilidade condicional: se A e B são eventos de um espaço amostral com

P(B) ǂ 0, então a probabilidade condicional do evento A, tendo ocorrido o evento
B, é indicada por P(A/B) e é definida pela relação
P(AՈB)
P(A/B) =
P(B)
Nota: P(A/B) lê-se “P de A quando B”.

Exemplos:

1. Numa escola com 100 alunos, 40 estudam biologia, 30 estudam só

alemão e 20 estudam biologia e alemão. Qual é a probabilidade de um
aluno que já estuda biologia, estudar também alemão?
Solução:

Fig.2.6 – Intersecção entre estudantes.

No diagrama temos:
U – conjunto de alunos da escola.
n(U) = 100 ou 40 + 20 + 30 + 10
B – conjunto de alunos que estudam biologia.
n(B) = 60 ou 40 + 20
A – conjunto de alunos que estudam alemão.
n(A) = 50 ou 30 + 20
A Ո B – conjunto de alunos que estudam biologia e alemão.
n(A Ո B) = 20
U – (A Ս B) – conjunto de alunos que não estudam nem biologia e nem alemão.

33
 6.ª Edição

n(U – (A Ս B)) = 10
Lembre-se que n(A) + n(B) = n(A Ս B) + n(A Ո B)
60 3
P(B) = =
100 5
50 1
P(A) = =
100 2
20 1
P(A Ո B ) = =
100 5

Determinar P(A/B), probabilidade de um aluno estudar alemão com a condição

de estudar biologia, é determinar a probabilidade do evento A Ո B no espaço
amostral B.

Fig.2.7 – Estudantes que estudam alemão e biologia.

n(AՈB) 20 1
P(A/B) = = =
n(B) 60 3

De acordo com a definição, temos:

P(AՈB)
P(A/B) =
P(B)
Ou seja:

34
 6.ª Edição

1/5 1
P(A/B) = =
3/5 3

2. Sorteando ao acaso um número do conjunto

U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
Qual é a probabilidade dele ser um múltiplo de 3, com a condição de ser
ímpar?
Solução:
Sejam os eventos:
A – o número é múltiplo de 3.
A = {3, 6, 9, 12}
B – O número é ímpar.
B = {1, 3, 5, 7, 9, 11}

AՈB = {3, 9}

Como:
n(B) 6 1
P(B) = = =
n(U) 12 2
e:
n(AՈB) 2 1
P(AՈB) = = =
n(U) 12 6
Então:
P(AՈB) 1/6 1
P(A/B) = = =
P(B) 1/2 3

Nota:
P(A/B) – probabilidade do número ser múltiplo de 3 com a condição de ser ímpar;
n(AՈB)
P(A/B) =
n(B)
P(AՈB) – probabilidade do número ser múltiplo de 3 e ímpar.
n(AՈB)
P(AՈB) =
n(U)
Portanto, P(A/B) é diferente de P(AՈB).

35
 6.ª Edição

No cálculo de probabilidade condicional, devemos também fazer menção ao

teorema de Bayes.

O teorema de Bayes recebe este nome devido ao pastor e matemático

inglês Thomas Bayes (1701 – 1761), que estudou como calcular a distribuição
para o parâmetro de probabilidade de uma distribuição binomial.

Este teorema também pode ser calculada aplicando o teorema da probabilidade

total P(B) = , que resultará em:

Exemplos:
1. Em uma prova de múltipla escolha, cada questão tem 5 alternativas,
sendo apenas uma delas correta. Ao não saber a resposta, o aluno “chuta”
aleatoriamente uma resposta qualquer entre as possíveis escolhas.
Levando-se em conta um aluno mediano, que saiba 60% do conteúdo,
qual será a chance de ele acertar uma das 5 questões escolhida
aleatoriamente? E qual a chance de ele acertar exatamente 3 questões?
Solução:
Este problema consiste em calcular a probabilidade incondicional de um aluno
acertar uma questão qualquer. Isto é, sem saber se ele domina ou não o
conteúdo, qual é a chance de acertar uma questão?

Para resolver este exercício, portanto, você deve aplicar o teorema da

Probabilidade Total.

Considere os eventos
A = acertar;
B = saber o conteúdo;

36
 6.ª Edição

= não saber o conteúdo e, portanto, “chutar” uma alternativa.

Assuma que, se o aluno sabe o conteúdo, ele tem 100% de probabilidade de

acertar a questão considerada. Se ele não domina o assunto, “chutará” uma
resposta, com 20% de chance de acertar, pois há 5 alternativas possíveis.

Para calcular a chance de o aluno acertar exatamente 3 questões, vamos utilizar

a informação obtida na primeira parte do exercício.

Essa chance será calculada multiplicando a chance de ele acertar 3 questões

multiplicada pela chance de errar 2 questões multiplicada pelo número possível
de combinações com 3 questões certas e 2 erradas. Utilizando o que você
aprendeu sobre regra do produto e os conhecimentos que já possuía sobre
combinações temos:

2. Determinado veículo pode ter problemas mecânicos ou eléctricos. Se ele

tiver problemas mecânicos, não para, mas se tiver problema eléctrico tem
de parar imediatamente. A chance de esse veículo ter problemas
mecânicos é de 0,2. Já a chance do mesmo veículo ter problemas
eléctricos é de 0,15 se não houve problema mecânico precedente, e de
0,25 se houve problema mecânico precedente. Agora, calcule:
a) Qual é a probabilidade de o veículo parar em determinado dia?

b) Se o veículo parou em certo dia, qual a chance de que tenha havido

defeito mecânico?

c) Qual é a probabilidade de que tenha havido defeito mecânico em

determinado dia se o veículo não parou nesse dia?
Solução:
Considere os eventos:
M = ter problema mecânico
E = ter problema elétrico

São dadas as informações:

P(M) = 0,2

37
 6.ª Edição

P(E|M) = 0,25
a) O veículo somente vai parar se tiver problema eléctrico. Então, precisamos
calcular a Probabilidade Total de ocorrer defeito eléctrico, independentemente
de ter havido ou não defeito mecânico.

b) Devemos calcular a probabilidade de ter havido defeito mecânico

condicionada ao facto de sabermos que o veículo parou (lembre-se que o veículo
para quando há defeito eléctrico). Isso é feito por meio do Teorema de Bayes.

c) Mais uma vez, vamos utilizar o Teorema de Bayes para calcular a

probabilidade de que tenha havido problema mecânico, dado que não houve
defeito eléctrico.

A probabilidade de não haver defeito elétrico é dada pela propriedade do evento

complementar:

Agora vamos calcular a probabilidade de não haver defeito eléctrico, dado que
houve defeito mecânico. Considerando o espaço amostral de todos os eventos
que podem ocorrer, dado que houve defeito mecânico, sabemos que a chance
de haver defeito eléctrico é P(E|M) = 0,25. A chance de não haver defeito
eléctrico será, portanto, o complementar do evento E em relação a este espaço
amostral.

3. Alberto diz que pode prever o futuro das colheitas. A comunidade em que
ele vive, interessadíssima nesses poderes, se mobilizou para verificar o
fato. Foi averiguado que ele acerta 80% das vezes em que diz que os
tomates não vão germinar e 90% das vezes em que diz que os tomates
vão germinar. Os tomates não germinam em 10% das colheitas. Se
Alberto anunciar a perda da colheita, qual é a probabilidade real de que
eles não germinem?
38
 6.ª Edição

Solução:
A maior dificuldade deste exercício é identificar os eventos relevantes. Sejam:
A = haver previsão de perda;
B = haver perda real da colheita.

O que queremos saber é a probabilidade de haver perda da colheita, dado que

houve previsão de perda. Esse cálculo é feito pelo Teorema de Bayes:

A probabilidade de haver previsão de perda da colheita, tendo de facto havido

perda, nada mais é que a probabilidade de acertar previsão de perda. E este
valor é fornecido no enunciado.

A probabilidade de haver previsão de perda, independentemente de acertar ou

não, é calculada pela Probabilidade Total.

é a probabilidade de haver previsão de perda, mas, na realidade, não

haver perda real, ou seja, 0,1.
Então, substituindo na expressão do Teorema de Bayes, temos:

4. Jack é um empresário conhecido por ser muito cauteloso com relação a

suas informações. Ele tem um registro minucioso da composição de cada
área de sua empresa e sabe que:

Tabela 2.2 – Dados da empresa.

Jack resolve visitar de surpresa um dos departamentos, escolhendo

aleatoriamente um deles e consegue identificar de modo imediato dois
executivos. Um deles é sênior e o outro, júnior. Assuma que os três
departamentos são igualmente prováveis de serem visitados (as portas

39
 6.ª Edição

das salas são idênticas e equiprováveis). Com base nesses dados,

calcule:
a) Qual é a chance de Jack visitar a área financeira?
b) Qual é a chance de a visita não ser na área de advocacia?

c) Qual é a chance de ser o departamento de contabilidade o visitado?

d) Qual é a probabilidade de avistar um executivo júnior e um sênior no

espaço amostral considerado?
Solução:

Vamos calcular as probabilidades de ser cada um dos três departamentos.

Considere os eventos:
F = ser o departamento financeiro;
A = ser o departamento de advocacia;
C = ser o departamento de contabilidade;
S = ser executivo sênior;
P = ser executivo pleno;
J = ser executivo júnior.

Queremos calcular a probabilidade de ter sido avistado determinado

departamento dado que nele havia um executivo sênior e um júnior. Esse cálculo
é feito por meio do Teorema de Bayes. Observe para o caso do departamento
financeiro:

P(F) é dada e P(S∩J|F) é calculada pela Regra do Produto:

, no departamento financeiro.

Para os outros dois departamentos, o raciocínio é o mesmo:

, no departamento de advocacia.

, no departamento de contabilidade.

40
 6.ª Edição

P(S∩J) é a probabilidade de haver um executivo sênior e um júnior,

independentemente de qual departamento seja considerado. Portanto, será
obtida pela Probabilidade Total.

Assim, substituindo os valores calculados anteriormente na expressão do

Teorema de Bayes, temos:

Agora podemos responder às alternativas:

a) A chance de ser a área financeira é de 35/122. Como foi calculado:

b) Calculamos anteriormente a probabilidade de ser a área de advocacia, dado

que foram avistados um executivo sênior e um júnior. A probabilidade de não ser
a área de advocacia é obtida pela propriedade do evento complementar.

41
 6.ª Edição

A chance de ser o departamento de contabilidade é de 42/122. Como calculamos

anteriormente.

c) A probabilidade de se avistar um executivo júnior e um sênior,

independentemente do departamento considerado, foi calculada por meio da
Probabilidade Total.

5. No lançamento de dois dados simultaneamente, se as faces mostrarem

números diferentes, qual é a probabilidade de que uma face seja o
número 2?
Solução:
Considere os eventos:
A = sair pelo menos uma face 2;
B = saírem duas faces diferentes.

Este é mais um exercício que você pode resolver listando todos os resultados
possíveis contidos no espaço amostral. Porém, para ser coerente com o
conteúdo desta Unidade, vamos associar este problema ao Teorema de Bayes,
que vai nos permitir calcular a probabilidade de sair uma face 2 condicionada ao
fato de que as faces são diferentes.
O que queremos calcular é

P(A) é a probabilidade de sair pelo menos uma face 2, e os eventos favoráveis

estão marcados em azul na tabela a seguir.
Tabela 2.3 – uma face 2.

P(B) é a probabilidade de saírem duas faces diferentes, e os eventos favoráveis

estão marcados em vermelho na tabela a seguir.

42
 6.ª Edição

Tabela 2.4 – duas faces diferentes.

P(B|A) é a probabilidade de saírem duas faces diferentes, dado que saiu pelo
menos uma face 2. Os eventos favoráveis estão marcados em verde na tabela
a seguir e o espaço amostral considerado, em azul.

Tabela 2.5 – dado que saiu uma face 2.

Portanto, temos:

Substituindo na expressão do Teorema de Bayes, temos:

Que tal confirmarmos nosso resultado utilizando simplesmente a definição

clássica? Como o espaço amostral foi desenhado durante o exercício, isso vai
ser fácil.

Temos 36 resultados possíveis quando jogamos dois dados (ilustrados

anteriormente). No entanto, podemos facilmente contar que são 6 resultados em
que os números que saem são iguais. Portanto, nosso espaço amostral fica
reduzido a 30 resultados possíveis.

43
 6.ª Edição

Tabela 2.6 – resultados possíveis.

Também podemos facilmente contar o número de resultados que tenham

números diferentes na face dos dados e contenham o número 2. São 10
resultados favoráveis.
Tabela 2.7 – 10 resultados favoráveis.

Pronto, agora é só fazer casos favoráveis sobre casos possíveis.

6. Quando tratamos de doenças sérias, muitos médicos pedem ao paciente

que tenha apresentado diagnóstico positivo em determinado exame que
o refaça em outro laboratório para confirmar tal resultado. Imaginando
essa situação, crie hipoteticamente dois laboratórios: o laboratório A, que
dá resultado positivo para 80% dos portadores da doença e resultado
positivo para 10% dos sãos. O laboratório B dá resultado positivo para
70% dos portadores da doença e resultado positivo para 5% dos sãos.
Imaginando que a chance de um indivíduo qualquer ter essa doença é de
15% e que os resultados dos laboratórios são independentes tanto para
indivíduos doentes como para indivíduos sãos:

a. Qual é a chance de um indivíduo qualquer obter resultado positivo

pelos dois laboratórios?
b. Se um indivíduo enfermo fizer teste em somente um laboratório
(considere que a chance de ser o laboratório A é igual a chance de
ser o B), qual é a chance de obter resultado negativo?
c. Qual é a chance de um indivíduo enfermo ter sua doença detectada
se fizer os testes nos dois laboratórios?

44
 6.ª Edição

d. Aqui a pergunta provável poderia ser: Se 2 doentes fizerem os

testes nos 2 laboratórios, qual seria a chance de a doença ser
detectada em pelo menos um dos 4 exames?
Solução:
a) A probabilidade de um indivíduo obter resultado positivo nos dois laboratórios,
independentemente de ser ou não portador da doença, nada mais é do que a
probabilidade total de ocorrência do evento E = “resultado positivo”.

Onde:
P(D) = probabilidade de ser um “indivíduo portador” = 0,15
P(S) = probabilidade de ser um “indivíduo são” = 0,85
P(𝐸𝐴 |D) = probabilidade de termos “resultado positivo no laboratório A, dado que
o indivíduo é portador” = 0,8
P(𝐸𝐵 |D) = probabilidade de termos “resultado positivo no laboratório B, dado que
o indivíduo é portador” = 0,7
P(𝐸𝐴 |S) = probabilidade de termos “resultado positivo no laboratório A, dado que
o indivíduo é são” = 0,1
P(𝐸𝐵 |S) = probabilidade de termos “resultado positivo no laboratório B, dado que
o indivíduo é são” = 0,05

Portanto, a chance de um indivíduo qualquer fornecer resultado positivo pelos 2

laboratórios é próxima de 0,09.
b) Para calcular a probabilidade de o teste falhar, independentemente da
escolha do laboratório, aplicamos a Probabilidade Total.
Seja F o evento “falha no teste”, então:

c) A forma mais simples de resolver é por meio do evento complementar. A

doença será detectada se algum dos testes acusar a enfermidade. Portanto,
vamos calcular a probabilidade de nenhum dos laboratórios detectar a doença.
Depois, vamos aplicar a probabilidade do evento complementar.
Seja G o evento “a doença ser detectada”, 𝐺𝐴 = “a doença ser detectada no
laboratório A” e 𝐺𝐵 = “a doença ser detectada no laboratório B”.

Assim, a probabilidade de a doença ser detectada é:

45
 6.ª Edição

d) Para a doença não ser detectada de forma alguma (vamos chamar de evento
H), os testes devem falhar no laboratório A e no laboratório B para ambos os
pacientes. Então, nada mais é do que uma Regra do Produto aplicada duas
vezes.

Portanto, a probabilidade de a doença ser detectada é dada pelo evento

complementar àquela cuja probabilidade foi calculada anteriormente.

2.5 Axiomas da Probabilidade

A palavra axioma deriva do grego, axios, cujo significado é digno ou válido.

Axiomas são verdades inquestionáveis, universalmente válidas.

Os axiomas da probabilidade são também chamados de axiomas de

Kolmogorov, em homenagem à Andrei Nikolaievich Kolmogorov, que os
desenvolveu. Temos cerca de cinco axiomas.

A probabilidade de um evento A é um número associado no evento, com as

seguintes propriedades:

1. Está sempre compreendido entre 0 e 1.

0 ≤ P(A) ≤ 1, para qualquer A contido em U. De lembrar que U é o conjunto
universo.

2. A probabilidade do evento-certo é igual a 1.

P(U) = 1.

3. A probabilidade do evento-impossível é zero.

P(Ø) = 0.

4. A probabilidade do evento-soma é igual à soma das probabilidades

menos a probabilidade do evento-produto.
P(AՍB) = P(A) + P(B) – P(AՈB)
Se A e B forem mutuamente exclusivos, ou seja, AՈB = Ø, temos:
P(AՈB) = 0 e P(AՍB) = P(A) + P(B)

46
 6.ª Edição

5. A probabilidade do evento-produto é igual ao produto de P(A) por P(B/A),

onde P(B/A) é a probabilidade condicional do evento B, tendo ocorrido o
evento A.
P(AՈB) = P(A) × P(B/A)
Se A e B forem eventos independentes, temos P(B/A) = P(B) e, portanto,
P(AՈB) = P(A) × P(B)

2.6 Função Densidade de Probabilidade

Os valores de uma variável aleatória (v.a.) contínua são definidos a partir do

espaço amostral de um experimento aleatório. Sendo assim, é natural o
interesse na probabilidade de obtenção de diferentes valores dessa variável. O
comportamento probabilístico de uma variável aleatória contínua será descrito
pela sua função de densidade de probabilidade.

Uma função de densidade de probabilidade é uma função f(x) que satisfaz as

seguintes propriedades:

1. f(x) ≥ 0;
2. A área total sob o gráfico de f(x) tem de ser igual a 1.

Dada uma função f(x) satisfazendo as propriedades acima, então f(x) representa
alguma variável aleatória contínua X, de modo que P(a ≤ X ≤ b) é a área sob a
curva limitada pelos pontos a e b.

Fig.2.8 – Probabilidade como área.

A definição anterior usa argumentos geométricos; no entanto, uma definição

mais precisa envolve o conceito de integral de uma função de uma variável.

47
 6.ª Edição

Apresentamos a seguir essa definição, mas neste curso usaremos basicamente

a interpretação geométrica da integral, que está associada à área sob uma curva.

Uma função de densidade de probabilidade é uma função f(x) que satisfaz as

seguintes propriedades:

1. f(x) ≥ 0;
2. ∫ 𝑓(𝑥)𝑑𝑥 = 1.

Dada uma função f(x) satisfazendo as propriedades acima, então f(x) representa
alguma variável aleatória contínua X, de modo que

𝑏
P(a ≤ X ≤ b) = ∫𝑎 𝑓(𝑥)𝑑𝑥

Para deixar clara a relação entre a função de densidade de probabilidade e a

respectiva v.a. X, usaremos a notação 𝑓𝑥 (𝑥). Por questão de simplicidade,
também abreviaremos a expressão função de densidade de probabilidade por
fdp, devendo ficar claro no contexto se é função de distribuição de probabilidade
– v.a. discreta – ou função de densidade de probabilidade – v.a. contínua.
Uma primeira observação importante que resulta da interpretação geométrica de
probabilidade como área sob a curva de densidade de probabilidade é a
seguinte: se X é uma v.a. contínua, então a probabilidade do evento X = a é zero,
ou seja, a probabilidade de X ser exactamente igual a um valor específico é nula.
Isso pode ser visto na figura anterior: o evento X = a corresponde a um segmento
de reta, e tal segmento tem área nula. Como consequência, temos as seguintes
igualdades:

P(a ≤ X ≤ b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a < X < b)

Exemplos:

1. Verifique se a função a seguir é uma função densidade de probabilidade.

2
, 𝑠𝑒 0 ≤ 𝑥 ≤ 2
𝑓(𝑥) = { 5
0, 𝑝𝑎𝑟𝑎 𝑞𝑢𝑎𝑙𝑞𝑢𝑒𝑟 𝑜𝑢𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟

Solução:

Note que a condição f(x)≥0 foi verificada.

22 2 2 2 2 4
P(0 ≤ X ≤ 2) = ∫
0 5
𝑑𝑥 = [ 𝑥] = ( × 2 − × 0) =
5 0 5 5 5

48
 6.ª Edição

Concluímos que não é função densidade de probabilidade.

2. O tempo gasto, em minutos, para que um tanque de 2 litros seja enchido

com uma mangueira, levando-se em consideração uma vazão
volumétrica Q é uma variável aleatória contínua X, com uma função dada
por:

𝑥
, 𝑠𝑒 1 ≤ 𝑥 ≤ 3
𝑓(𝑥) = { 4
0, 𝑝𝑎𝑟𝑎 𝑞𝑢𝑎𝑙𝑞𝑢𝑒𝑟 𝑜𝑢𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟

a) Verifique se f(x) é função densidade de probabilidade;

b) Calcule P(2≤ X ≤ 3)

Solução:

a)
Note que a condição f(x)≥0 também é verificada para o valores dados no
intervalo de X.
3𝑥 1 3 1 1
P(1 ≤ X ≤ 3) = ∫1 𝑑𝑥 = [ 𝑥 2 ] = ( × 32 − × 12 ) = 1
4 8 1 8 8

b)

3𝑥 1 3 1 1 5
P(2 ≤ X ≤ 3) = ∫2 𝑑𝑥 = [ 𝑥 2 ] = ( × 32 − × 22 ) =
4 8 2 8 8 8

3. Uma fábrica de tintas está estudando a aplicação de métodos estatísticos

para melhorar a qualidade do seu processo produtivo. Um dos indicadores
importantes de qualidade para a tinta é a sensibilidade à luz, descrita pela
variável aleatória X que apresenta a seguinte distribuição de
probabilidade:

Com base nisso, calcule:

a) O valor da constante w;
b) O valor de P(2 ≤ X ≤ 6);
c) O valor de F(5).
Solução:
a) Como X pode assumir valores de um conjunto finito, trata- se de uma variável
aleatória discreta. Sabemos que, a função de probabilidade deve obedecer à
seguinte regra:

49
 6.ª Edição

Então,

b) Sabemos que, no intervalo 2 ≤ X ≤ 6, a variável X pode assumir os valores 5

ou 3, então:

c) A função de repartição ou função de distribuição acumulada, no caso discreto,

é calculada por:

Então, F(5) será:

2.7 Função de Distribuição Acumulada

Da mesma forma que a função de distribuição de probabilidade de uma variável

aleatória discreta, a função de densidade de probabilidade nos dá toda a
informação sobre a v.a. X, ou seja, a partir da fdp, podemos calcular qualquer
probabilidade associada à v.a. X. Também como no caso discreto, podemos
calcular probabilidades associadas a uma v.a. contínua X a partir da função de
distribuição acumulada.

Dada uma variável aleatória (discreta) X, a função de distribuição acumulada

de X é definida por
𝐹𝑥 (x) = P(X ≤ x), ∀ x ∈ ℝ

50
 6.ª Edição

A definição é a mesma vista para o caso discreto; a diferença é que, para

variáveis contínuas, a função de distribuição acumulada é uma função contínua,
sem saltos.

Fig.2.9 – Exemplo de função de distribuição acumulada de uma v.a. contínua

Como no caso discreto, valem as seguintes propriedades para a função de

distribuição acumulada (fda) de uma v.a. contínua:

0 ≤ 𝐹𝑥 (x) ≤ 1

lim 𝐹𝑥 (x) = 1
𝑛→∞

lim 𝐹𝑥 (x) = 0
𝑛⟶−∞

a < b ⇒ Fx (a) ≤ Fx (b)

Da interpretação de probabilidade como área, resulta que 𝐹𝑥 (x) é a área à

esquerda de x sob a curva de densidade 𝐹𝑥 .

2.10 – Função de distribuição acumulada - cálculo a partir da área sob a curva de densidade.

Exemplos:
1. O gráfico a seguir mostra as probabilidades acumuladas no lançamento
de um dado.

51
 6.ª Edição

2.11 – Distribuição acumulada no lançamento de um dado.

1
Repare que a probabilidade de aparecer cada face do dado é de 6 , ou seja, 0,16.
Porém, ao se tratar de uma função de distribuição acumulada, cada
probabilidade irá acumular o valor da probabilidade anterior. Ao se fazer um salto
1 1 2
do valor 1 para 2, teremos um acumulo de 6 + 6 , isto é, ; no salto de 2 para 3
6
3
irá se acumular .
6

Calcular:

a) P(X ≤ 3);
b) P(X = 4);
c) P(X ˃ 4);
d) P(X < 3).
Solução:
a) Olhando no gráfico, podemos ver claramente o resultado.
3
P(X ≤ 3) = 6 = 0,5.
4 3 1
b) P(X = 4) = 6 − =
6 6

4 2
c) P(X ˃ 4) = 1 - P(X ≤ 4) = 1 - 6 = 6
2
d) P(X < 3) = P(X ≤ 2) = 6

2. Observe a função de distribuição acumulada F(x) abaixo e calcule as

probabilidades de:

52
 6.ª Edição

a) X ≤ 2;
b) 3 ≤ X ≤ 8;
c) 1 ≤ X ≤ 7;
d) X ≤ 6;
e) X > 1.

Solução:

Você deve se lembrar que a função de repartição dá a probabilidade acumulada

de um determinado valor.
a) X ≤ 2
A probabilidade de X assumir valores de no máximo 2 é o acúmulo das
probabilidades de todos os valores até 2. Este valor é dado pela função de
repartição F(x):

b) 3 ≤ X ≤ 8
Uma das propriedades da função de repartição é:

Então,

c) 1 ≤ X ≤ 7
Esta alínea é resolvida da mesma forma que a anterior.

d) X ≤ 6
Esta alínea é semelhante à alínea a.

53
 6.ª Edição

e) X > 1
A função de repartição dá apenas o valor da probabilidade de uma variável
assumir valores menores ou iguais a um determinado valor. N esse caso, só
podemos calcular a probabilidade de X assumir valores menores ou iguais a 1:

Já, a probabilidade de X ser maior que 1 é dada pelo evento complementar:

Essa solução é aceitável, pois se marcarmos os eventos mencionados

anteriormente sobre a reta real, veremos que o espaço amostral fica
completamente coberto.

2.12 – Valor para X≤1 e X˃1.

2.8 Distribuições de Probabilidade

As distribuições de probabilidade farão a associação de uma probabilidade ao

possível número que será resultado numérico de uma verificação, teste ou
experimento.

As distribuições discretas de probabilidade expressam os valores finitos que as

variáveis podem assumir.

Quando aplicamos a Estatística na resolução de problemas administrativos,

verificamos que muitos problemas apresentam as mesmas características, o que
nos permite estabelecer um modelo teórico para determinação da solução de
problemas.
Os componentes principais de um modelo estatístico teórico são:
1. Os possíveis valores que a variável aleatória X pode assumir;

54
 6.ª Edição

2. A função de probabilidade associada à variável aleatória X;

3. O valor esperado da variável aleatória X;
4. A variância e o desvio-padrão da variável aleatória X.

Há dois tipos de distribuições teóricas que correspondem a diferentes tipos de

dados ou variáveis aleatórias: a distribuição discreta e a distribuição contínua.

Além de identificar os valores de uma variável aleatória, frequentemente

podemos atribuir uma probabilidade a cada um desses valores. Quando
conhecemos todos os valores de uma variável aleatória juntamente com suas
respectivas probabilidades, temos uma distribuição de probabilidades.

A distribuição de probabilidades associa uma probabilidade a cada resultado

numérico de um experimento, ou seja, dá a probabilidade de cada valor de uma
variável aleatória. Por exemplo, no lançamento de um dado cada face tem a
mesma probabilidade de ocorrência que é 1/6.

Como os valores das distribuições de probabilidades são probabilidades, e como

as variáveis aleatórias devem tomar um de seus valores, temos as duas regras
a seguir, que se aplicam a qualquer distribuição de probabilidades:

1. A soma de todos os valores de uma distribuição de probabilidades deve ser

igual a 1.
ΣP(x) = 1, onde x toma todos os valores possíveis.

2. A probabilidade de ocorrência de um evento deve ser maior do que zero e

menor do que 1. 0 ≤ P (x) ≤ 1 para todo x.

Antes de entrarmos especificamente em distribuição binomial, daremos uma

breve olhada nos binómios de Newton.

Binómio de Newton

O Binômio de Newton refere-se a potência na forma (x + y)n , onde x e y são

números reais e n é um número natural.
A fórmula do binômio de Newton podendo ser escrita como:

(x + y)n = Cn0 y0 xn + Cn1 y1 xn - 1+ Cn2 y2 xn - 2 +... + Cnn yn x0

ou

55
 6.ª Edição

Sendo,

Cnp : número de combinações de n elementos tomados p a p.

Exemplo:

Efectuar o desenvolvimento de (x + y)5:

Primeiro escrevemos a fórmula do binômio de Newton

Agora, devemos calcular os números binomiais para encontrar o coeficiente de

todos os termos.

Assim, o desenvolvimento do binômio é dado por:

(x + y)5 = x5 + 5x4y + 10 x3y2 + 10x2y3 + 5xy4 + y5

2.8.1 Distribuição Binomial

As distribuições chamadas binomiais são distribuições que expressam uma

quantidade de sucessos em n ensaios independentes.

A distribuição binomial é aplicada frequentemente para descrever controle

estatístico de qualidade de uma população. Tem-se interesse principalmente em

56
 6.ª Edição

duas categorias: item defeituoso ou insatisfatório versus item bom ou satisfatório

e sucesso e falhas que tenham ocorrido em uma amostra de tamanho fixo.
Já vimos que dois eventos A e Ā são complementares ou contrários quando
AՍĀ=UeAՈĀ=Ø

Para p = P(A) e q = P(Ā), temos p + q = 1, pois A Ս Ā = U ⇒ P(A Ս Ā) = P(U) ⇒

P(A) + P(Ā) = P(U) ⇒ p + q = 1 ou p = 1 – q

Seja 𝑃𝑘 (𝐴) a probabilidade de ocorrer um certo evento A exactamente k vezes

em n tentativas. Para se determinar 𝑃𝑘 (𝐴), sendo p a probabilidade de A e q a
probabilidade de Ā em cada tentativa, emprega-se a fórmula:

𝑃𝑘 (𝐴) = (𝑛𝑘)𝑝𝑘 𝑞 𝑛−𝑘 ou 𝑃𝑘 (𝐴) = (𝑛𝑘)𝑝𝑘 (1 − 𝑝)𝑛−𝑘

Exemplo:
Jogando-se um dado 5 vezes, qual é a probabilidade de se obter o ponto
máximo, exactamente 3 vezes?
Solução:
n = 5;
k = 3;

A ⟶ “obter o ponto máximo (6)”;

p = P(A) em cada tentativa (1/6);
q = P(Ā) em cada tentativa (5/6);

𝑃3 (𝐴) ⟶ probabilidade de obter o ponto máximo, exactamente 3 vezes.

1 3 1 5−3
𝑃𝑘 (𝐴) = (𝑛𝑘)𝑝𝑘 (1 − 𝑝)𝑛−𝑘 = (53) × (6) × (1 − 6) = 0,0321 × 100% = 3,21%

Nota:

Para se aplicar a distribuição binomial, as experiências devem satisfazer às

condições:

1. A experiência deve ser repetida, nas mesmas condições, um número n de

vezes;
2. Em cada tentativa deve aparecer um dos dois possíveis resultados
“sucesso” ou “insucesso”, respectivamente de A e Ā;
3. Os eventos A e Ā devem ter, respectivamente, a mesma probabilidade p
e q em todas as n tentativas;
4. As tentativas devem ser independentes entre si, ou seja, cada tentativa
deve ser independente das demais.

57
 6.ª Edição

2.8.2 Distribuição de Poisson

Foi o pesquisador Siméon Denis Poisson quem descobriu, no início do século

XIX, a distribuição de probabilidade em que a variável aleatória que tem essa
distribuição é chamada de Poisson Distribuída.

A distribuição de Poisson é empregada em experimentos, nos quais não se está

interessado no número de sucessos obtidos em n tentativas, como ocorre no
caso da distribuição Binomial, mas sim no número de sucessos ocorridos durante
um intervalo contínuo, que pode ser um intervalo de tempo, espaço etc.
São alguns exemplos para a Distribuição de Probabilidade de Poisson:
Em um ano, a quantidade de suicídios em um município;
Em um período de 15 minutos, o número de pessoas em um caixa no Banco;

Quantidade de carros que passa no cruzamento da Avenida Paulista em um

minuto, durante uma certa hora do dia.
É uma distribuição de probabilidade discreta que se aplica à ocorrência de
eventos ao longo de intervalos especificados. A variável aleatória é o número de
ocorrência do evento no intervalo. Os intervalos podem ser de tempo, distância,
área, volume ou alguma unidade similar. É definida por:

𝜆𝑥 𝑒 −𝜆
f(x) = P(X = x) =
𝑥!

Uma variável aleatória X para a distribuição de Poisson tem as seguintes

propriedades:

Uma distribuição de Poisson difere de uma distribuição binomial nestes aspectos

fundamentais: 1. A distribuição binomial é afectada pelo tamanho da amostra n
e pela probabilidade p, enquanto que a distribuição de Poisson é afetada apenas
pela média λ; 2. Na distribuição binomial, os valores possíveis da variável
aleatória X são 0; 1; 2; ...n, mas a distribuição de Poisson tem os valores de X
de 0; 1; 2; ..., sem qualquer limite superior.
Obs.: o parâmetro λ é usualmente referido como taxa de ocorrência.

58
 6.ª Edição

Exemplo:

Agora você está na máquina de caça níquel, o operador da máquina disse que
ela é honesta e há em média 2 ganhadores por dia. Qual a probabilidade de ter
5 ganhadores ou nenhum ganhador durante o dia?
λ=2 ganhadores/dia em média.

Para nenhuma chamada, temos:

A conclusão que tiramos é que a probabilidade de não ter nenhum ganhador é

maior que ter um número de ganhadores maior que a média, sendo vantajosa a
máquina para o cassino.

2.8.3 Distribuição de Bernoulli

Chama-se distribuição de Bernoulli em homenagem ao cientista suíço Jakob

Bernoulli.
Processo de Bernoulli
Esse processo é análogo àquele de jogar uma moeda. As seguintes suposições
se aplicam:

a) Cada experimento é dito ser uma tentativa. Existe uma série de tentativas,
cada uma tendo dois resultados: sucesso ou falha;

b) A probabilidade de sucesso é igual a algum valor constante para todas as

tentativas;

c) Os resultados sucessivos são estatisticamente independentes. A

probabilidade de sucesso na próxima tentativa não pode variar, não importando
quantos sucessos ou falhas tenham sido obtidos.

O processo de Bernoulli é geralmente utilizado em aplicações de engenharia

envolvendo controle de qualidade. Cada novo item criado no processo de
produção pode ser considerado como uma tentativa, resultando em uma unidade
com ou sem defeito. Esse processo não se limita a objetos, podendo ser usado

59
 6.ª Edição

em pesquisas eleitorais e de preferências dos consumidores por determinados

produtos.

Um experimento de Bernoulli é um experimento aleatório com apenas dois

resultados possíveis; por convenção, um deles é chamado “sucesso” e o outro,
“fracasso”.

Obviamente, as condições de uma fdp são satisfeitas, uma vez que p > 0, 1 − p
> 0 e p + (1 − p) = 1. O valor de p é o único valor que precisamos conhecer para
determinar completamente a distribuição; ele é, então, chamado parâmetro da
distribuição de Bernoulli. Vamos denotar a distribuição de Bernoulli com
parâmetro p por Bern(p).
A função de distribuição acumulada é dada por:

Esperança e Variância

Seja X ∼ Bern(p) (lê-se: a variável aleatória X tem distribuição de Bernoulli com

parâmetro p). Então,

Em resumo

60
 6.ª Edição

Lembra-te que é comum denotar a probabilidade de fracasso por q, isto é,

q = 1− p.

Exemplo:

1. Considere novamente o lançamento de uma moeda e a seguinte variável

aleatória X associada a esse experimento:

X = 0, se ocorre coroa;
X = 1, se ocorre cara

Seja p a probabilidade de cara, 0 < p < 1. Então X tem distribuição de Bernoulli

com parâmetro p.

2. Um auditor da Receita Federal examina declarações de Imposto de

Renda de pessoas físicas, cuja variação patrimonial ficou acima do limite
considerado aceitável. De dados históricos, sabe-se que 10% dessas
declarações são fraudulentas. Vamos considerar o experimento
correspondente ao sorteio aleatório de uma dessas declarações. Esse é
um experimento de Bernoulli, onde sucesso equivale à ocorrência de
declaração fraudulenta e o parâmetro da distribuição de Bernoulli é p = 0,

Esse exemplo ilustra o facto de que “sucesso”, nesse contexto, nem sempre
significa uma situação feliz na vida real. Aqui, sucesso é definido de acordo com
o interesse estatístico no problema. Em uma situação mais dramática, “sucesso”
pode indicar a morte de um paciente, por exemplo.

2.8.4 Distribuição Normal

A distribuição normal, conhecida também como distribuição gaussiana, é sem

dúvida a mais importante distribuição contínua, por isso vamos estudá-la. Essa
importância é devida a alguns factores, entre os quais podemos citar o teorema
central do limite, o qual é um resultado fundamental em aplicações práticas e
teóricas, pois garante que mesmo que os dados não sejam distribuídos segundo
uma normal, a média dos dados converge para uma distribuição normal,
conforme o número de dados aumenta. Um exemplo para a distribuição normal
é a altura de uma determinada população que em geral segue uma distribuição
normal. Entre outras características físicas e sociais há um comportamento
gaussiano, ou seja, segue uma distribuição normal.

61
 6.ª Edição

A distribuição normal é uma das distribuições teóricas mais empregadas. Muitas

técnicas estatísticas assumem ou precisam da normalidade dos dados, como
ocorre no cálculo da variância.

O teorema do limite central amplia a aplicação da Distribuição Normal e afirma

que à medida que o tamanho da amostra aumenta, a distribuição amostral das
médias amostrais tende para uma distribuição normal.
Para a distribuição normal, temos o seguinte aspecto gráfico:

Fig.2.13 – Uma distribuição normal.

A curva normal é um tipo de curva simétrica, suave, cuja forma lembra um sino.
Essa distribuição só tem um valor para moda, ou seja, é unimodal, sendo seu
ponto de frequência máxima, situado no meio da distribuição, em que a média,
a mediana e a moda coincidem.
São propriedades da Distribuição Normal:

 A variável aleatória X pode assumir todo e qualquer valor real.

 A representação gráfica é em forma de sino, em torno da média (μ).
 A área total ao redor das abcissas é igual a 1. Esse valor é a probabilidade
da variável aleatória X assumir qualquer valor real.
 A probabilidade da variável aleatória X ter valores maiores que a média é
igual à probabilidade de ter valores menores que a média (ambas as
probabilidades são 0,5).
P ( X > μ ) = P ( X < μ )=0,5.

Para calcular a probabilidade de uma variável aleatória assumir um valor em um

determinado intervalo, temos a fórmula:

62
 6.ª Edição

Para facilitar o cálculo dessa integral, foi criada uma metodologia que a reduz a
um único caso de qualquer função de distribuição normal N(μ,σ) em uma única
função de distribuição normal, em que μ=0 e o desvio-padrão σ=1.
A função de distribuição normal reduzida é designada como N(0,1).

Se o eixo vertical for deslocado para a direita até chegar ao centro, fizemos uma
mudança de origem, pois o 0 passou a ocupar o lugar da média. Z é a nova
variável que pode ser definida pela fórmula:

O Quadro a seguir mostra a probabilidade de Z tomar qualquer valor entre a

média 0 e um dado valor z. Para construir o quadro foi usada a seguinte equação:

Assim, temos:

Temos que se X é uma variável aleatória com distribuição normal de média μ e

desvio-padrão σ, podemos escrever a probabilidade da seguinte forma:
P (μ < X < x) = P (0 < Z < z)

Aproximação da Binomial pela Normal:

Podemos definir a média pela distribuição binomial como sendo:

μ=n∙p

Sendo μ a média procurada, n é o número de repetições do experimento e p é a

probabilidade de sucesso no evento. Para a variância podemos ter:

σ2 =n∙p∙q
σ2 é a variância procurada, n e p têm a mesma definição anterior e q é a
probabilidade de fracasso para o evento.

63
 6.ª Edição

Tabela 2.8 - P(Z<z)

64
 6.ª Edição

Exemplo:
1. Calcular a probabilidade da variável aleatória estar entre -1,25 e 0.
Solução:
A probabilidade corresponde à área destacada na figura abaixo.

Fig.2.14 Área da probabilidade.

Podemos utilizar o quadro para ver o valor de: P (0 < z < 1,25) = 0,3944
Como a figura é simétrica, a mesma probabilidade de
P (-1,25 < z < 0) = P (0 < z < 1,25) = 0,3944

2. Enquanto você estava lá no cassino, uma fiscalização chegou para

verificar se todas as bolas de uma máquina de jogo estavam conforme a
padronização. A padronização diz que o diâmetro médio de uma amostra
de 200 bolas é de 0,502 polegadas, com desvio-padrão de 0,005
polegadas. A tolerância máxima permitida do diâmetro é de 0,496 a 0,508
polegadas, caso contrário, serão consideradas com defeito. Supondo que
os diâmetros são distribuídos normalmente, qual será o percentual de
bolas com defeitos que a fiscalização encontrará?
Solução:

65
 6.ª Edição

Fig.2.15 – área de -1,2 à 1,2.

Proporção de bolas sem defeitos:

= (área sob a curva normal entre z = -1,2 e z = 1,2)
= (duas vezes a área entre z=0 e z = 1,2)
= 2(0,3849) = 0,7698 ou 77%
O percentual de bolas com defeito é 100% - 77% = 23%

2.8.5 Distribuição Amostral

Uma distribuição amostral é a distribuição de probabilidade de uma estatística

amostral que é formada quando amostras de tamanho n são repetidamente
extraídas de uma população. Se a estatística amostral é a média, tem-se, então,
a distribuição amostral das médias. Cada estatística amostral tem uma
distribuição amostral.

Considere o diagrama de Venn da Figura abaixo. O retângulo representa uma

grande população e cada círculo representa uma amostra de tamanho n. Como
os valores da amostra podem variar, as médias amostrais também podem variar.
A média da amostra 1 é Ẍ1 ; a média da amostra 2 é Ẍ2 , e assim por diante. A
distribuição amostral das médias das amostras de tamanho n para essa
população é obtida em função de Ẍ1 , Ẍ2 e Ẍ3 , e assim por diante. Se as amostras
são extraídas com reposição, então um número infinito de amostras pode ser
extraído da população.

66
 6.ª Edição

Fig.2.16 – População com parâmetros m e s e a representação de algumas amostras.

Propriedades das distribuições amostrais de médias:

1. A média das médias amostrais 𝜇𝑥 é igual à média da população μ.

𝜇𝑥 = μ

2. O desvio padrão das médias amostrais 𝜎𝑥 é igual ao desvio padrão da

população 𝜎 dividido pela raiz quadrada do tamanho da amostra n.
𝜎
𝜎𝑥 =
√𝑛
O desvio padrão da distribuição amostral das médias amostrais é chamado de
erro padrão da média.

Uma distribuição amostral de médias

Você escreve os valores populacionais {1, 3, 5, 7}, da Figura abaixo, em pedaços

de papel e os coloca em uma caixa. Então, você seleciona dois pedaços de papel
aleatoriamente, com reposição. Liste todas as amostras possíveis de tamanho n
= 2 e calcule suas respectivas médias. Essas médias formam a distribuição
amostral das médias. Encontre a média, a variância e o desvio padrão das
médias amostrais. Compare seus resultados com a média μ = 4, variância 𝜎 2 =
5, e desvio padrão 𝜎 = 25 ≈ 2,236 da população.

67
 6.ª Edição

Fig.2.17 – Histograma de probabilidade da população de x.

Solução:

Liste todas as 16 amostras de tamanho 2 da população e a média de cada

amostra, conforme apresentado na Tabela abaixo.

Tabela 2.9- Amostras possíveis da população e respectivas médias.

Depois de construir a distribuição de probabilidade das médias das amostras (ver

Tabela abaixo), você pode representar a distribuição amostral graficamente
usando um histograma de probabilidade como pode ser visto na Figura abaixo.
Note que o histograma tem forma de sino e é simétrico, similar a uma curva
normal. A média, a variância e o desvio padrão das 16 médias das amostras são:

Esses resultados satisfazem as propriedades das distribuições amostrais

porque:

68
 6.ª Edição

Tabela 2.10 – Distribuição de probabilidade das médias amostrais.

Fig.2.18 – Histograma de probabilidade da distribuição amostral de ẍ.

2.9 Teorema do Limite Central

O teorema do limite central amplia a aplicação da Distribuição Normal e afirma

que à medida que o tamanho da amostra aumenta, a distribuição amostral das
médias amostrais tende para uma distribuição normal.

O teorema do limite central forma a base para o ramo inferencial da estatística.

Esse teorema descreve a relação entre a distribuição amostral das médias e a
população da qual as amostras são retiradas. O teorema do limite central é uma
ferramenta importante que fornece a informação que você vai precisar ao usar
estatísticas amostrais para fazer inferências sobre a média de uma população.
O teorema do limite central
1. Se amostras de tamanho n, em que n ≥ 30, são retiradas ao acaso de uma
população qualquer com uma média μ e um desvio padrão 𝜎, então a distribuição
amostral das médias se aproxima de uma distribuição normal. Quanto maior o
tamanho da amostra, melhor a aproximação. (Ver a Figura abaixo)

69
 6.ª Edição

2. Se a população é normalmente distribuída, então a distribuição amostral das

médias é normalmente distribuída para qualquer tamanho de amostra n. (Ver a
Figura abaixo)

Em qualquer dos casos, a distribuição amostral das médias tem média igual à
média da população.
𝜇𝑥 = μ média das médias amostrais

A distribuição amostral das médias tem uma variância igual a 1/n vezes a
variância da população e um desvio padrão igual ao desvio padrão da população
dividido pela raiz quadrada de n.
𝜎2
𝜎ẍ2 = variância das médias amostrais
𝑛
𝜎
𝜎ẍ = desvio padrão das médias amostrais
√𝑛

Lembre-se de que o desvio padrão da distribuição amostral das médias

amostrais, 𝜎ẍ , também é chamado de erro padrão da média.

Fig.2.19 – Distribuições não normal, normal e respectivas distribuições amostrais das médias.

Nota: A distribuição das médias amostrais tem a mesma média que a população,
mas o seu desvio padrão é menor que o desvio padrão da população. Isso nos
diz que a distribuição das médias amostrais tem o mesmo centro que a
população, porém é mais concentrada. Além disso, a distribuição das médias

70
 6.ª Edição

amostrais torna-se cada vez menos dispersa (maior concentração em relação à

média) conforme o tamanho n da amostra aumenta.

Exemplo:
1. As contas de telefone celular dos habitantes de uma cidade têm média de
US$ 47 e desvio padrão de US$ 9, como pode ser visto na Figura abaixo.
Amostras aleatórias de 100 contas de telefone celular são selecionadas
desta população e a média de cada amostra é determinada. Calcule a
média e o desvio padrão da média da distribuição amostral das médias.
Depois, esboce um gráfico da distribuição amostral.

Fig.2.20 – Distribuição para todas as contas de telefone celular.

Solução:

A média da distribuição amostral é igual à média da população e o desvio padrão

das médias amostrais é igual ao desvio padrão da população dividido por √𝑛.
Então,

De acordo com o teorema do limite central, uma vez que o tamanho da amostra
é maior que 30, a distribuição amostral da média pode ser aproximada por uma
distribuição normal, com uma média de US$ 47 e um desvio padrão de US$ 0,90,
conforme a Figura abaixo.

71
 6.ª Edição

Fig.2.21 – Média de 100 contas de telefone celular (em dólares); Distribuição das médias
amostrais com n = 100.

Considere que as frequências cardíacas durante o treinamento de todos os

atletas de 20 anos de idade são normalmente distribuídas, com média de 135
batimentos por minuto e desvio padrão de 18 batimentos por minuto, conforme
a Figura abaixo. Amostras aleatórias de tamanho 4 são retiradas dessa
população e a média de cada amostra é determinada. Encontre a média e o
desvio padrão da distribuição amostral das médias. Então, esboce um gráfico da
distribuição amostral.

Fig.2.22 – Frequência (em batimentos por minuto); Distribuição das frequências cardíacas da
população de atletas com 20 anos, em treinamento.

Solução:

De acordo com o teorema do limite central, uma vez que a população é

normalmente distribuída, a distribuição amostral das médias amostrais também
é normalmente distribuída, conforme mostra a Figura abaixo.

Fig.2.23 – Frequência média (em batimentos por minuto); Distribuição das médias amostrais
com n = 4.

72
 6.ª Edição

2.10 Aplicações da Teoria da Probabilidade

O cálculo da probabilidade tem inúmeras aplicações na vida quotidiana, tais

como:

Análise de risco de negócios. De acordo com a qual se estimam as

possibilidades de queda dos preços das ações, e se tenta prever se é ou não
apropriado investir em uma ou outra empresa .

Análise estatística do comportamento . De importância para a sociologia , ele

usa a probabilidade para avaliar o possível comportamento da população e,
assim, prever tendências de pensamento ou opinião. É comum ver isso em
campanhas eleitorais.

A determinação de garantias e seguros. Processos em que é avaliada a

probabilidade de falha de produtos ou a confiabilidade de um serviço (ou de um
segurado, por exemplo), para saber quanto tempo de garantia deve ser
oferecido, ou quem deve ser segurado e por quanto.
Na localização de partículas subatômicas . De acordo com o Princípio da
Incerteza de Heisenberg, que afirma que não podemos saber onde uma partícula
subatômica está em um dado momento e ao mesmo tempo a que velocidade ela
se move, de modo que os cálculos na matéria são normalmente realizados em
termos probabilísticos: ela existe X percentagem de chance de que a partícula
esteja lá.

Em pesquisa biomédica. São calculadas as percentagens de sucesso e

fracasso de medicamentos ou vacinas, a fim de saber se são confiáveis ou não,
se devem ou não ser produzidos em massa, ou em que percentagem da
população podem causar certos efeitos colaterais.
Além dessas aplicações, existem muitas outras aplicações da Probabilidade.

73
 6.ª Edição

Referências Bibliográficas

SPIEGEL,M;STEPHENS,L. Theory and Problems of Statistics. McGraw – Hill. 4ª

Ed. 2008. 601p
LARSON, R; FARBER, B. Estatística Aplicada. Pearson. 6ª Ed. 2016. 674p
FARIAS, A. Probabilidade e Estatística. Teresa Queiroz. 2008. 378p
RIBEIRO, T. Probabilidade e Estatística. eGTB Editora. 2015. 240P
SCHOR, D; TIZZIOTI, J. Matemática Segundo Grau. 1975. 270p
Links verificados e válidos até 2023:
Análise Combinatória. Disponível em:
https://mundoedu.com.br/uploads/pdf/59c2b7abeccc9.pdf
GOUVEIA, R. Binómio de Newton. Disponível em:
Binômio de Newton - Toda Matéria (todamateria.com.br)
Exercícios sobre Teorema de Bayes. Disponível em:
https://www.passeidireto.com/arquivo/18388280/exercicios-pe-bayes
Exercícios sobre Funções Densidade de Probabilidade e Acumulada. Disponível
em: Exercícios - Densidade Probabilidade | Passei Direto
Probabilidade – Conceitos, tipos e aplicações. Disponível em:
Probabilidade - Conceito, tipos, fórmula, aplicação e exemplos
(conceitosdomundo.pt)
A Função Geradora de Momento de uma Variável Aleatória. Última Actualização:
Abril de 2019. Disponível em:
Funções Geradoras de Momento de Variáveis Aleatórias (greelane.com)
ASTH, R. Gráfico de Setores. Disponível em:
https://www.todamateria.com.br/grafico-de-setores/

74