Você está na página 1de 49

Matemática A – 12º ano

Probabilidades

Professora: Cátia Rosa


Estratégias para resolução de problemas:
Faz um esquema, um diagrama,…
Procura um padrão.
Escreve uma sequência.
Resolve um problema semelhante mas mais simples.
Usa raciocínios directos e indirectos.
Pensa numa solução e verifica essa solução.
Resolve o problema começando do fim para o princípio.
Usa casos particulares.
Faz uma simulação com a calculadora ou com o computador.
Princípio Fundamental da Contagem
Princípio Fundamental da Contagem:
Se um certo acontecimento pode ocorrer de n1 maneiras
diferentes e se, após este acontecimento, um segundo
acontecimento pode ocorrer de n2 maneiras diferentes e, após
este segundo acontecimento, um terceiro pode ocorrer de n3
maneiras diferentes…, então o número de modos diferentes em
que os acontecimentos podem ocorrer na ordem indicada é:
n1 x n2 x n3 x …
Exemplo: Um baralho tem 52 cartas. Quantas sequências
diferentes se podem formar ao tirar sucessivamente 3
cartas, sabendo que não há reposição das cartas?
___ ___ ___ Para a primeira carta há 52 hipóteses de
52 51 50 selecção, para a segunda, como não há
reposição, há 51 e para a terceira 50
hipóteses. 52  51 50  132600
Análise Combinatória:
Factorial: Chama-se factorial de um número natural n, e
representa-se por n!, ao produto:
n!  n   n  1   n  2  ...  3  2 1
Exemplo: Resolve: 18!
18! 18 17 16  15!
15!   18 17 16  4896
15! 15!
Permutações: Chamam-se permutações de n elementos a todos
as sequências diferentes que é possível obter com
os n elementos. P  n !
n

Exemplo: De quantas formas diferentes se podem colocar 3 livros


diferentes de Matemática e 5 livros diferentes de Português
numa prateleira, ficando juntos os livro da mesma disciplina?
Nº posições diferentes para colocar os 3 livros de Matemática: P3=3!
Nº posições diferentes para colocar os 5 livros de Português: P5=5!
Mas ainda posso colocar primeiro os de Português e depois os de
Matemática ou vice-versa, ou seja: 2 posições
Assim, há 2x3!x5!=1440 formas diferentes de colocar os livros na
prateleira.
Análise Combinatória:
Arranjos sem repetição:
Dados n elementos quaisquer, chama-se arranjos sem repetição
de n elementos p a p a todas as sequências que é possível obter
com p elementos escolhidos arbitrariamente entre os n dados.
n!
n
Ap  , n p
 n  p !
Exemplo: Numa prova final de natação vão participar 7 nadadores que
disputam as medalhas de ouro, prata e bronze. De quantas
formas diferentes se podem repartir estes 3 prémios? (não
se admitem empates)
O P B Para os 7 nadadores só há 3 medalhas a atribuir,
importando a ordem que recebem os prémios, assim terei
de calcular o número de arranjos de 7, 3 a 3:
7! 7  6  5  4!
7
A3    210
 7  3 ! 4!
R: Há 210 formas diferentes de distribuir os três prémios.
Análise Combinatória:
Arranjos com repetição:
Dados n elementos diferentes, a1, a2, …, an, chama-se arranjos
com repetição dos n elementos p a p a todas as sequências de p
elementos, sendo estes diferentes ou não, que se podem formar
com os n elementos: n '
Ap  n
p

Exemplo: Lança-se uma moeda 5 vezes.


Quantos resultados possíveis existem?
Para cada lançamento temos 2 possibilidades: Face Euro

Logo, temos:
2 x 2 x 2 x 2 x 2 = 32 resultados possíveis,
Ou seja, 2
A5'  25  2  2  2  2  2  32
Análise Combinatória:
Combinações:
Chama-se combinações de n elementos p a p ao número de
subconjuntos, com p elementos, que se podem formar num
conjunto com n elementos: n
  n!
n
Cp    
 p  p !  n  p  !
Exemplo: Numa turma de 20 alunos, sendo 8 rapazes e 12 raparigas,
vão ser escolhidos 3 para representar a turma numa reunião
com o Conselho Executivo.
Quantos grupos diferentes podem ser formados, sabendo
que o grupo é formado só por raparigas?

Como não há cargos a distribuir, a ordem de escolha não interessa, por


isso: ___ ___ ___ Pretende-se escolher o grupo de 3 de entre as 12
raparigas:
12! 12  11 10  9! 1320
12
C3     220
3! 12  3 ! 3! 9! 6
R: É possível formar 220 grupos diferentes formados só por raparigas.
Análise Combinatória:
Síntese:
Importa a ordem
dos elementos?

Sim Não

Os elementos podem Os elementos podem


repetir-se? repetir-se?

Não Não
Sim

Entram todos os
elementos na sequência?
Não
Sim n
Ap
Ap  n   n  1  ...   n  p  1  C p  p ! 
n
n

n! n!
n
A'p  n p Pn  n ! 
 n  p !

p !  n  p !
Análise Combinatória:
Triângulo de Pascal:
Nº da linha: Soma dos elementos da linha:
Linha n=0 1 20

Linha n=1 1 1 21

Linha n=2 1 2 1 22

Linha n=3 1 3 3 1 23

Linha n=4 1 4 6 4 1 24

Linha n=5 1 5 10 10
5 1 25

Linha n=… … … … … … … … 2...


Análise Combinatória:
1 Propriedades do triângulo de Pascal:
1 1  Os números dos lados oblíquos são
1 2 1 sempre iguais a 1
 Cada termo de uma linha (excepto
1 3 3 1 os dos extremos) é igual à soma dos
1 4 6 4 1 que estão acima
 Em cada linha, os termos
1 5 1 1
5 1
equidistantes dos extremos são
0 0

… … … … … … … iguais

Escrever o triângulo de Pascal usando combinações:


Análise Combinatória:
1 0
C0

1 1 1
C0 1
C1

1 2 1 2
C0 2
C1 2
C2

1 3 3 1 3
C0 3
C1 3
C2 3
C3

1 4 6 4 1 4
C0 4
C1 4
C2 4
C3 4
C4

… … … … … … … … … … … …
Propriedades das Combinações:
 Em cada linha, os termos equidistantes dos extremos são
iguais: nC  nC
p n p

 Cada termo de uma linha (excepto os dos extremos) é igual à


soma dos que estão acima n n 1
n
Cp  C p1  C p1
Análise Combinatória:
Binómio de Newton:
1 24
a  b
1
a 1 b 1
1  a  b
2
a  1 ab  2
2
b 2

a3  1 3 3 b3 1 a  b
3
a 2b  ab 2 

a4  1 4 6 4 b4 1  a  b
4
a 3b  a 2b 2  ab 3 

… … … … … … a  b
...

Nota:
 O grau do polinómio do desenvolvimento de    é n.
n
a b
 Os coeficientes são os números do triângulo de Pascal.
Fórmula do Binómio de Newton:
a  b  nC0  a n  nC1  a n 1  b  nC2  a n  2  b 2  ...  nCn 1  a  b n 1  nCn  b n
n

n
 a  b   nC p  a n  p  b p
n

p 0
Análise Combinatória:
Exemplo: Desenvolve:  x  36

 x  3  6C0  x 6  6C1  x 5   3  6C2  x 4   3  6C3  x 3   3 


6 2 3

 6C4  x 2   3  6C5  x   3  6C6   3 


4 5 6

 x 6  18 x 5  135 x 4  540 x 3  1215 x 2  1458 x  729

Propriedades do Binómio de Newton:

 O desenvolvimento de  a  b  tem n+1 termos.


n

 No desenvolvimento de  a  b  os coeficientes dos termos


n

igualmente afastados dos extremos são iguais. Se n é par


haverá um termo médio e portanto terão de se calcular os
coeficientes até esse termo inclusive.
Análise Combinatória:
 O termo de ordem p+1 é Tp+1, sendo:

Tp 1  nC p  an p  b p

ou

Tp  nC p 1  an p 1  b p 1

Exemplo: Escreve o 4º termo do desenvolvimento de:


 x  2y
10

Tp 1  10
C p  x10  p   2 y 
T31  C3  x103   2 y   960 x 7 y 3
10
Cálculo de Probabilidades:
Conjuntos:
 Cardinal de um conjunto:
Ao número de elementos de um conjunto chama-se cardinal do
conjunto e representa-se por #, por exemplo:
A={0,2,4,6,8,10}
O conjunto A tem 6 elementos, então: #A=6
 Representação de um conjunto:
A
• Por um diagrama:
•0 •2

•4 •6 •8

•10

• Por extensão:
A={0,2,4,6,8,10}
• Por compreensão:
A={números pares não negativos menores que 12}
Cálculo de Probabilidades:
 Conjunto Vazio:
Um conjunto vazio não tem elementos, por exemplo:
A={xℕ: x=0}
O conjunto A não tem elementos, então A={ } ou A=∅
 Igualdade entre conjuntos:
Sejam A e B dois conjuntos.
Diz-se que A é igual a B e escreve-se A=B se e só se A e B têm
os mesmos elementos: A=B  (xA  xB), por exemplo,
A={1,2,3} B={números naturais menores do que 4}
A=B  {1,2,3}={números naturais menores do que 4}

 Subconjunto de um conjunto:
Sejam A e B dois conjuntos.
Diz-se que A é subconjunto de B ou que A está contido em B e
escreve-se AB se e só se todo o elemento de A é também
elemento de B: AB  (xA  xB)
Cálculo de Probabilidades:
 Conjunto Universal:
O conjunto universal é o conjunto constituído por todos os
elementos do universo que estamos a considerar em cada caso
concreto. O conjunto universal representa-se por U ou por S.
Qualquer subconjunto A está contido no universo. AS
 Operações com conjuntos:
Reunião de conjuntos: Intersecção de conjuntos:
Sejam A e B dois conjuntos. Sejam A e B dois conjuntos.
A reunião de A com B escreve- A intersecção de A com B
se AB e lê-se A reunião com escreve-se AB e lê-se A
B, e é constituída por todos os intersecção com B, e é
elementos que pertencem a A constituída por todos os
ou a B:AB={x:xA  xB}, elementos comuns a A e B:
por exemplo: AB={x:xAxB},por ex.:
A={1,2,3,4,5} B={4,5,6,7} A={1,2,3,4,5} B={4,5,6,7}
AB = {1,2,3,4,5,6,7} AB = {4,5}
Cálculo de Probabilidades:
 Complementar de um Conjunto:
Seja A um conjunto.
O complementar do conjunto A representa-se por Ā:
Ā ={x:xA}
Então, AĀ=S e AĀ=∅
Exemplo: Seja S={0,1,2,3,4,5,6,7,8} e A={1,3,5,7} então Ā={0,2,4,6,8}
 Complementar de um Conjunto relativamente a outro:
Sejam A e B dois conjuntos quaisquer.
O complementar de B relativamente a A escreve-se A\B, é o
conjunto dos elementos de A que não pertencem a B:
A\B={x:xAxB}
Exemplo: Sendo A={1,2,3,4,5,6} e B={4,5,6,7} então A\B={1,2,3}
 Conjuntos disjuntos:
Se dois conjuntos A e B não têm elementos em comum, isto é, se
AB=∅, então A e B são chamados conjuntos disjuntos.
Exemplo: Sendo A={1,2} e B={4,5} então A e B são c. disjuntos
Cálculo de Probabilidades:
 Leis de Morgan:
Sejam A e B dois conjuntos quaisquer:

A B  A B e A B  A B
Exemplo: Seja S={0,1,2,3,4,5,6,7,8,9,10}
Sabendo que A={1,2,3,4} e B={0,1,3,5,7}, determine: A  B
A  B  0, 2, 4, 5, 6, 7,8, 9,10
ou
A  B  A  B  0, 5, 6, 7,8, 9,10  2, 4, 6,8, 9,10  0, 2, 4, 5, 6, 7,8, 9,10

Experiências Aleatórias e Deterministas:


 Experiência Aleatória:
As experiências aleatórias ou casuais caracterizam-se pela
impossibilidade de prever o resultado que se obterá, ainda que
as experiências sejam realizadas sob as mesmas condições.
Podemos encontrar experiências aleatórias no futebol, no tempo,
no jogo…
Cálculo de Probabilidades:
 Experiência Determinista:
As experiências deterministas ou causais caracterizam-se por
produzirem o mesmo resultado, desde que sejam repetidas sob
as mesmas condições.
Podemos encontrar experiências deterministas na Física,Biologia…
Espaço de resultados. Acontecimentos:
 Espaço Amostral:
O espaço amostral S é o conjunto de todos os resultados
possíveis, associados a uma experiência aleatória.
Exemplo: Considere-se a experiência aleatória que consiste em observar
o resultado do lançamento de um dado:
O espaço de resultados é S={1,2,3,4,5,6}
 Acontecimento:
Acontecimento de uma experiência aleatória é cada um dos
subconjuntos do espaço amostral. Estes acontecimentos podem
ser:
Cálculo de Probabilidades:
• Acontecimento Elementar:
Se o resultado de uma experiência consta de um só elemento do
espaço de resultados, dizemos que se trata de um acontecimento
elementar.
Exemplo: Considere-se a experiência aleatória que consiste em lançar o
dado ao ar e observar se sai o número 2. A={2}
• Acontecimento Composto:
Se o resultado de uma experiência consta de dois ou mais
elementos do espaço de resultados, dizemos que se trata de um
acontecimento composto.
Exemplo: Considere-se a experiência aleatória que consiste em lançar o
dado ao ar e observar se sai número impar. B={1,3,5}
• Acontecimento Certo:
Se o resultado de uma experiência consta de todos os elementos
do espaço de resultados, dizemos que se trata de um
acontecimento certo.
Exemplo: Considere-se a experiência aleatória que consiste em lançar o
dado ao ar e observar se sai um número menor que 6.
C={1,2,3,4,5,6}
Cálculo de Probabilidades:
• Acontecimento Impossível:
Se o resultado de uma experiência não tem qualquer elemento do
espaço de resultados, dizemos que se trata de um acontecimento
impossível.
Exemplo: Considere-se a experiência aleatória que consiste em lançar o
dado ao ar e observar se sai número 7. D=∅
Operações com Acontecimentos:
Exemplo: Seja S={1,2,3,4,5,6} o espaço de resultados
 Reunião de dois Acontecimentos:
Reunião ou união dos acontecimentos A e B é o acontecimento
que se realiza se e só se A ou B se realizam. Representa-se por
AB.
Exemplo: E A={1,2,3} e B={2,4,6} AB={1,2,3,4,6}
 Intersecção de dois Acontecimentos:
Intersecção dos acontecimentos A e B é o acontecimento que se
realiza se e só se A e B se realizam simultaneamente.
Representa-se por AB.
Exemplo: E A={1,2,3} e B={2,4,6} AB={2}
Cálculo de Probabilidades:
 Acontecimentos Disjuntos:
Acontecimentos disjuntos ou acontecimentos mutuamente
exclusivos ou acontecimentos incompatíveis são acontecimentos
em que a realização de um deles implica a não realização do
outro. Exemplo: E A={1,3} e B={2,4,6} AB=∅
 Acontecimentos Contrários ou Complementares:
O acontecimento contrário do acontecimento A representa-se
por Ā e é o acontecimento constituído por todos os resultados de
S que não pertencem a A. Exemplo: E A={1,2,3} Ā={4,5,6}
 Acontecimentos A implica B:
O acontecimento A implica a realização do acontecimento B
quando todo o resultado de A é um resultado de B. Escreve-se
AB.
 Acontecimentos diferença entre A e B:
Acontecimento diferença entre A e B é o acontecimento que se
realiza se e só se A se realiza sem que B se realize.
Representa-se por A-B ou A\B.
Exemplo: E A={1,2,3} e B={2,5} A-B=A\B={1,3}
Cálculo de Probabilidades:
Definição Frequencista de Probabilidade:
O número à volta do qual se aproxima a frequência relativa de
um acontecimento quando o número de repetições da experiência
cresce consideravelmente é um valor aproximado da
probabilidade do acontecimento.
 Da Frequência Relativa para a Probabilidade:
A probabilidade de um acontecimento A é um número maior ou
igual a 0 e menor ou igual a 1:

0  fr  A  1  0  P  A  1
A probabilidade de um acontecimento certo é 1:
fr  acont.certo   1  P  acont.certo   1
A probabilidade de um acontecimento impossível é 0:

fr  acont.impossível   0  P  acont.impossível   0
Cálculo de Probabilidades:
Lei de Laplace:
Se os acontecimentos elementares forem equiprováveis, a
probabilidade de um acontecimento A é igual ao quociente entre
o número de casos favoráveis ao acontecimento e o número de
casos possíveis:
nº casos favoráveis ao acontecimento A
P  A 
nº casos possíveis
Exemplo: De uma caixa com 4 bolas verdes, 3 vermelhas, e três azuis,
retirou-se aleatoriamente 1 bola.
Determine a probabilidade de a bola não ser verde.
Vm Vm Vm Vd Vd Vd Vd A A A

Casos possíveis: 10 bolas Casos favoráveis: 6 bolas não verdes


6 3
P   60%
10 5
Definição Axiomática de Probabilidades:
Axiomas são proposições, sugeridas pela nossa intuição ou experiência,
que não se demonstram e se aceitam como verdadeiras.

Axiomas das Probabilidades:


Axioma 1:
A probabilidade de um acontecimento é um número não negativo.
P  A  0
Axioma 2:
A probabilidade de um acontecimento certo é 1.
PS  1
Axioma 3:
A probabilidade da reunião de dois acontecimentos disjuntos é
igual à soma das probabilidades desses acontecimentos.
Se A  B   então P  A  B   P  A  P  B 

Teoremas são proposições que se demonstram a partir dos axiomas ou


de outras proposições já demonstradas.
Definição Axiomática de Probabilidades:
Teoremas das Probabilidades:
Teorema 1:
A probabilidade do acontecimento impossível é zero. P     0
Teorema 2:
A probabilidade de qualquer acontecimento A é um número do
intervalo [0,1]. 0  P  A  1
Teorema 3:
A probabilidade do acontecimento contrário Ā é igual à diferença
 
entre 1 e a probabilidade de A. P A  1  P  A
Teorema 4:
A probabilidade de um acontecimento A é igual ao quociente
entre o número de casos favoráveis e o número de casos
possíveis, sempre que todos acontecimentos elementares são
equiprováveis e incompatíveis: P  A   m
n
Teorema 5:
Probabilidade da reunião de dois acontecimentos:
P  A  B   P  A  P  B   P  A  B 
Probabilidade Condicionada:
Representa-se por P(B|A) a probabilidade de ocorrência de B, na
hipótese de A se ter realizado.
Supor que se realizou A equivale a restringir o universo aos
sucessos elementares de A.
Assim, a probabilidade condicionada P(B|A) pode ser
interpretada como uma probabilidade que tem subjacente um
novo espaço amostral, A, subconjunto do espaço original.
Os sucessos elementares de B, tendo-se realizado A,
correspondem aos sucessos de AB.
Assim:
P  A  B
P  B | A  , P  A  0
P  A
Exemplo: Um dado é lançado. Determine a probabilidade de sair
sabendo que saiu número impar. 1 2 3 4 5 6

Sejam os acontecimentos: A=“sair 1” e B=“sair impar”


Então S={1,2,3,4,5,6} A={1} e B{1,3,5} P  A  B 1
P  A | B  
logo AB={1} vem: P  B 3
Probabilidade da Intersecção de dois
acontecimentos:
Da definição de Probabilidade Condicionada resulta a
probabilidade da Intersecção de dois acontecimentos:

P  A  B   P  A  P  B | A ou P  A  B   P  B   P  A | B 

Acontecimentos Independentes:

Dois acontecimentos são independentes quando a realização de


um deles não interfere na probabilidade da realização do outro.
Dois acontecimentos são independentes se e só se:

P  A | B   P  A ou P  A  B   P  A  P  B 
Probabilidade Condicionada e
Axiomática:
Axioma 1: P  A | B   0, A, B  S
P  A  B
Demonstração: P  A | B   , P  B   0  Pela definição
P  B
Como, P  A  B   0 e P  B   0  Pelo axioma 1 das probabilidades
Então, P  A | B   0 c.q.d.
Axioma 2: P  S | B   1 (S é o acontecimento certo)
Demonstração: P  S | B   P  S  B   Pela definição
P  B
P  B
Como, P  S  B   P  B  Então, P  S | B    1 c.q.d.
P  B
Axioma 3: Sendo A  A   então P  A  A  | B   P  A | B   P  A | B 
1 2  1 2  1 2

Demonstração: P  A1  A2  | B   P  A1  A2   B   Pela definição


P  B
P  A1  B    A2  B  

P  B
Como, A1  A2   Então, A1  B    A2  B    Logo:
P  A1  B   P  A2  B 
P  A1  A2  | B    P  A1 | B   P  A2 | B  c.q.d.
P  B
Distribuição de Frequências
Relativas e Distribuição de
Probabilidades
Variável Aleatória:
Chama-se Variável Aleatória a toda a função que associa a cada
elemento do espaço amostral S um número real, ou seja, é uma
variável cujo valor é um resultado numérico associado ao
resultado de uma experiência aleatória.
As Variáveis Aleatórias representam-se por letras maiúsculas:
X,Y,Z, e podem ser:

Variável Aleatória Variável Aleatória


Discreta Contínua
se toma um número finito de se toma todos os valores de
valores ou um número infinito um intervalo ou reunião de
numerável, por exemplo: intervalos, por exemplo:
o número de pontos que se As alturas dos bebés nascidos
obtém quando se lança um em Portugal no ano passado,
pode tomar valores do intervalo
dado com as faces numeradas
[a,b], (a-altura do bebé mais baixo
de 1 a 6.
e b-altura do bebé mais alto.
Distribuição de Probabilidades de uma
Variável Aleatória Discreta:
Chama-se Distribuição de Probabilidades de uma variável
aleatória X à aplicação que a cada valor xi da variável X faz
corresponder a respectiva probabilidade Pi:
X=xi x1 x2 x3 … xn
P(X=xi) P1 P2 P3 … Pn

Dada uma variável aleatória X, discreta, que assume um


número finito de valores distintos x1, x2,… xn, então as
probabilidades Pi=P(X=xi), i=1,… n, devem satisfazer:
 0  Pi  1, i=1,… n
n

 i 1
Pi  1

Os valores (xi,Pi) constituem a distribuição de


probabilidades da variável aleatória discreta X, ou seja, a
função massa de probabilidade da variável aleatória X.
Distribuição de Probabilidades de uma
Variável Aleatória Discreta:
Exemplo: Temos 2 sacos e em cada um três bolas numeradas de 1 a 3.
Considere a experiência aleatória que consiste em retirar uma
bola de cada saco e tomar nota dos números obtidos.
Seja Y a variável aleatória que representa a soma dos
números obtidos. Define, por uma tabela e por um gráfico a
distribuição de probabilidades da variável Y.
+ 1 2 3
A B
1 2 3 1 2 3 1 2 3 4
2 3 4 5
Tabela: 3 4 5 6
Y=yi 2 3 4 5 6
P(Y=yi) 1/9 2/9 3/9 2/9 1/9
1 2 3 2 1 9
Nota :      1
Gráfico: 9 9 9 9 9 9
Distribuição de frequência versus
Distribuição de Probabilidades :
Quando se pretende conhecer a distribuição de probabilidades de uma
variável aleatória discreta recolhe-se uma amostra de dimensão
suficientemente grande da população, constrói-se a distribuição de
frequências relativas (que nos indica uma aproximação da distribuição de
probabilidades) e em seguida constrói-se a distribuição de
probabilidades.

População Amostra
(Variável Discreta)

Distribuição de
Distribuição de Frequências
Probabilidades Relativas
Valor Médio
Define-se Valor Médio, , de uma distribuição de probabilidades
(xi,Pi), i=1,2,…n, como sendo o valor que se obtém multiplicando
cada valor xi pela respectiva probabilidade e adicionando os
resultados obtidos:    xi Pi
n

i 1

Variância Populacional
Define-se Variância Populacional, ², de uma distribuição de
probabilidades (xi,Pi), i=1,2,…n, como sendo o valor que se obtém
multiplicando cada resultado (xi-)² pela probabilidade Pi=P(X=xi),
i=1,… n, e adicionando os resultados obtidos: 2 n
    xi    Pi
2

i 1

O Desvio-Padrão Populacional é:    
n

  xi   
2 2
Pi
i 1
Valor Médio , Variância e Desvio Padrão:

Exemplo: Considere a seguinte distribuição de probabilidades e


determine: X=x -2 -1 0 1 2
i

P(X=xi) 0,25 0,1 0,5 0,1 0,05


Nota : 0, 25  0,1  0, 5  0,1  0, 05  1

Valor Médio: n
   xi Pi   2   0, 25   1  0,1  0  0,5  1 0,1  2  0, 05  0, 4
i 1

Variância Populacional:
n
    xi    Pi 
2 2

i 1

  2   0, 4    0, 25   1   0, 4    0,1   0   0, 4    0,5  1   0, 4    0,1   2   0, 4    0, 05 


2 2 2 2 2

 1, 24

Desvio Padrão Populacional:


n
  x    Pi  1, 24 1,11
2
i
i 1
Média versus Valor Médio.
Desvio Padrão Amostral versus Desvio
Padrão Populacional:
Amostra População
Variável estatística X que toma valores Variável aleatória X que toma valores
x1, x2,… xi,… xn x1, x2,… xi,… xn
Média Aritmética: Valor Médio ou Esperança:
n

x n i i n
n
   xi  Pi
x i 1
  xi  fri i 1
N i 1

Variância Amostral: Variância Populacional:

 
n
    xi    Pi
n
   xi  x  fri
2 2 2
2

i 1 i 1

Desvio Padrão Amostral: Desvio Padrão Populacional:


  2   2
Distribuição Binomial:
Se uma experiência aleatória tem as seguintes características:
 É constituída por n provas idênticas;
 Em cada prova da experiência apenas são possíveis dois
resultados: o sucesso ou o insucesso;
 O resultado de cada prova é independente dos resultados
obtidos anteriormente;
 A probabilidade do sucesso, que se representa por p, não
varia de uma prova para a outra.
Designa-se por Modelo de Distribuição Binomial.
A variável aleatória X que representa o número de sucessos nas n
provas chama-se Variável Aleatória com Distribuição Binomial de
parâmetros n e p, e representa-se por B(n,p).
Exemplos de experiências Modelos de Distribuição Binomial:
 Lançamento de uma moeda; Lançamento de um dado;
Controlo de Qualidade…
Distribuição Binomial:
O número de maneiras possíveis de escolher r sucessos de entre
n observações é dado pelo coeficiente binomial. n n!
Cr 
r ! n  r !
Utilizando esta fórmula, pode escrever-se uma expressão geral
para calcular a probabilidade para qualquer valor X=r da variável
aleatória X.
Com efeito, P  X  r   nCr  P r  1  P 
nr

Para facilitar o cálculo da probabilidade de um valor da variável


aleatória podemos utilizar a tabela de distribuição binomial, onde
nas colunas aparecem diferentes valores de p e nas linhas
aparecem os valores de n, e para cada n os possíveis valores de
r.
Distribuição Binomial:
Exemplo: Sabe-se que numa determinada associação 60% dos
associados votaram a favor do presidente eleito, 10% votaram
contra e 30% abstiveram-se.
Determina, usando a tabela de distribuições binomiais, qual a
probabilidade de num grupo de 10 associados, escolhidos ao
acaso:
6 terem votado a favor: P  6 votaram a favor   C6  0,6  0, 4 
10 6 4

P  6 votaram a favor   0,1115


4 terem votado contra: P  4 votaram contra   10C4  0,14  0,96 

P  4 votaram contra   0,0112


Distribuição Binomial:

Exemplo: Sabe-se que, sempre que nasce um bebé, a probabilidade de


ser rapaz é 51%.
Considera uma família com 5 filhos não havendo gémeos.
Determina a probabilidade de que esta família tenha 3 e só 3
meninas.
Seja: R- “nascer rapaz” M- “nascer menina” temos:
51 49
P  R  e P  R 
100 100

Logo a probabilidade pedida é:


3 2
 49   51 
P  X  3  5C3       31%
 100   100 
Valor Médio e Variância da Distribuição
Binomial:
O valor médio, a variância e o desvio padrão de uma variável
aleatória com distribuição binomial de parâmetros n e p são
dados pelas seguintes fórmulas:

Valor Médio:   n  p

Variância:   n  p  1  p 
2

Desvio Padrão:   n  p  1  p 

Nota: A distribuição binomial é simétrica, qualquer que seja o


valor de n.
Distribuição Normal ou de Gauss ou de
Laplace:
Esta distribuição aparece, por exemplo, em:
Caracteres morfológicos: Peso, altura, comprimento de objectos,
espessura de folhas…
Caracteres sociológicos: Hábito de consumo de produtos, número
de filhos, hábitos de férias…
Caracteres psicológicos e fisiológicos: Quociente de inteligência,
tensão arterial, reacção a
medicamentos…
Características da curva normal:
 É simétrica relativamente ao valor médio  da variável
 Tem um máximo para x=
 Quanto maior for o desvio-padrão, mais achatada é a
curva
 A área compreendida entre a curva e o eixo dos xx é igual
a 1
Distribuição Normal :
 A probabilidade de que a variável tome valores no intervalo
[xi,xj] é igual à área definida pelo eixo dos xx, pelo gráfico
de função densidade e pelas rectas x=xi e x=xj
 A concavidade da curva muda de sentido para x1=- e
x2=+ (x1 e x2 são abcissas dos pontos de inflexão)
 O eixo das abcissas é assimptota da curva
 A área abaixo da curva distribui-se em intervalos:
Distribuição Normal :
Exemplo: A distribuição dos pesos dos alunos do Externato segue uma
distribuição normal com =64 e =10 (em kg).
Determina a percentagem de alunos que pesam:
Mais do que 64 kg:

P  X  64  P  X     0,5
Logo 50% dos alunos pesam mais do que 64 kg.
=64
Entre 54 kg e 74 kg:     64  10  54
    64  10  74
P  54  X  74  P      X      0,6827
Logo 68,27% dos alunos têm um peso
=64
compreendido entre 54 kg e 74 kg.
Menos do que 54 kg:     64  10  54
0, 6827
P  X  54   P  X       0,5   0,1587
2
Logo 15,87% dos alunos têm um peso inferior a 54 kg.
Distribuição Normal estandardizada:
Uma distribuição normal fica definida dados o valor médio  e o
desvio padrão .
 Quando o desvio padrão aumenta, aumenta também a
dispersão e o gráfico da função torna-se mais expandido.
 Quando o desvio padrão toma valores muito pequenos, a
função contrai-se e fica mais concentrada em relação à
média torna-se mais expandido.
De entre as Distribuições Normais tem particular interesse a
distribuição N(0,1), ou seja, aquela em que =0 e =1.
A esta Distribuição chama-se
Distribuição Normal estandardizada.
Dada uma variável aleatória X, define-se função distribuição ou
função distribuição cumulativa de X como sendo a função F(x),
definida para todo o x real da seguinte forma:
F  x  P  X  x
Distribuição Normal estandardizada:
Tabela a utilizar
para resolver
problemas de
distribuição
normal:
Distribuição Normal estandardizada:
Exemplo: Determina em percentagem: P(Z1,25)
A probabilidade pedida pode encontrar-se na tabela, procurando na
coluna da esquerda 1,2 (unidade, décima) e na linha superior 0,05
(centésimas). A intersecção da linha com a coluna dá a probabilidade
pedida:
P  Z  1, 25  0,89435  89, 435%

Exemplo: Determina em percentagem: P(Z1,3)


A probabilidade pedida não se encontra na tabela de forma directa,
por isso a probabilidade pedida:
P  Z  1,3  1  P  Z  1,3  1  0,9032  0,0968  9,68%