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
se toma um número finito de
valores ou um número infinito
numerável, por exemplo:
o número de pontos que se
obtém quando se lança um
dado com as faces numeradas
de 1 a 6.
Contínua
se toma todos os valores de
um intervalo ou reunião de
intervalos, por exemplo:
As alturas dos bebés nascidos
em Portugal no ano passado,
pode tomar valores do intervalo
[a,b], (a-altura do bebé mais baixo
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%