Probabilidade e Estatística

GRUPO
Educação a Distância
Caderno de Estudos
PROBABILIDADE E ESTATÍSTICA
Prof.ª Ana Luisa Fantini Schmitt
UNIASSELVI
2013
NEAD
Copyright  UNIASSELVI 2013
Elaboração:
Revisão, Diagramação e Produção:

Centro Universitário Leonardo da Vinci - UNIASSELVI
Ficha catalográfica elaborada na fonte pela Biblioteca Dante Alighieri

UNIASSELVI - Indaial.
519
S355p Schmitt, Ana Luisa Fantini
Probabilidade e estatística / Ana Luisa Fantini Schmitt. Indaial :
Uniasselvi, 2013.
200 p. : il
ISBN 978-85-7830- 676-2
1. Estatística.
I. Centro Universitário Leonardo da Vinci.
APRESENTAÇÃO
Olá, acadêmico(a), bem-vindo(a) à disciplina de Probabilidade e Estatística!
Nesta disciplina, você estudará duas importantes vertentes da matemática, a teoria das
probabilidades e a inferência estatística.
Na teoria das probabilidades, você estudará as experiências aleatórias, ou seja,

situações em que é possível apresentar o resultado antecipadamente. Você terá a oportunidade
de perfazer o caminho desde as principais técnicas de contagem até os principais conceitos
da teoria das probabilidades.
Na inferência estatística, você estudará os processos de estimação e os testes de

hipóteses, finalizando com as inferências estatísticas que auxiliam na tomada de decisão. Você
terá a oportunidade de, matematicamente, analisar situações e identificar soluções, baseado(a)
em erros predeterminados e em consulta a tabelas que facilitam o processo de resolução dos
testes de hipóteses.
Dedique-se ao estudo desta disciplina e entenda que estes conceitos são essenciais
na formação do(a) futuro(a) professor(a) de Matemática.
Para facilitar o seu estudo, o Caderno de Estudos de Probabilidade e Estatística

foi dividido em três unidades: na Unidade 1, você fará o estudo da Análise Combinatória
e Probabilidades; na Unidade 2, você conhecerá as Variáveis Aleatórias e as Distribuições
Discretas e Contínuas de Probabilidade e, na Unidade 3, você compreenderá a Estimação e
a Inferência Estatística.
Espero que este caderno o(a) conduza aos conhecimentos da probabilidade e da

estatística, auxiliando-o(a) na tomada de decisões e nas reflexões sobre o estudo.
PROBABILIDADE E ESTATÍSTICA iii

UNI
Oi!! Eu sou o UNI, você já me conhece das outras disciplinas.
Estarei com você ao longo deste caderno. Acompanharei os seus
estudos e, sempre que precisar, farei algumas observações.
Desejo a você excelentes estudos!
UNI
PROBABILIDADE E ESTATÍSTICA iv
SUMÁRIO
UNIDADE 1: COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES ................ 1
TÓPICO 1: COMBINATÓRIA ............................................................................................. 3

1 INTRODUÇÃO ................................................................................................................ 3
2 PRINCÍPIO FUNDAMENTAL DA CONTAGEM .............................................................. 4
3 FATORIAL ....................................................................................................................... 7
4 PERMUTAÇÃO ............................................................................................................. 10
4.1 QUANTIDADE DE PERMUTAÇÕES ..........................................................................11
4.1.1 Permutações com elementos diferentes ................................................................. 12
4.1.2 Permutações com elementos repetidos .................................................................. 14
5 COMBINAÇÕES E ARRANJOS ................................................................................... 15
5.1 COMBINAÇÕES ........................................................................................................ 15
5.2 ARRANJOS ................................................................................................................ 16
5.3 QUANTIDADE DE ARRANJOS ................................................................................. 17
5.4 QUANTIDADE DE COMBINAÇÕES .......................................................................... 19
6 BINÔMIO DE NEWTON ................................................................................................ 20
6.1 O BINÔMIO DE NEWTON (x + a)n ............................................................................. 21
6.2 TRIÂNGULO DE PASCAL .......................................................................................... 22
6.3 DESENVOLVIMENTO DO BINÔMIO DE NEWTON (x + a)n ..................................... 23
6.4 FÓRMULA DO TERMO GERAL ................................................................................. 25
RESUMO DO TÓPICO 1 .................................................................................................. 28
AUTOATIVIDADE ............................................................................................................ 30
TÓPICO 2: PROBABILIDADE ......................................................................................... 33

1 INTRODUÇÃO .............................................................................................................. 33
2 ESPAÇO AMOSTRAL .................................................................................................. 34
3 EVENTO ........................................................................................................................ 35
4 PROBABILIDADE ......................................................................................................... 36
5 PROBABILIDADE DA UNIÃO DE EVENTOS .............................................................. 38
6 PROBABILIDADE CONDICIONADA ........................................................................... 42
7 TEOREMA DA MULTIPLICAÇÃO ................................................................................ 44
RESUMO DO TÓPICO 2 .................................................................................................. 48
AUTOATIVIDADE ............................................................................................................ 49
TÓPICO 3: TEOREMA DE BAYES .................................................................................. 53

1 INTRODUÇÃO .............................................................................................................. 53
2 TEOREMA DE BAYES .................................................................................................. 54
3 EXEMPLOS DE APLICAÇÕES DO TEOREMA DE BAYES ........................................ 55
LEITURA COMPLEMENTAR ........................................................................................... 59
RESUMO DO TÓPICO 3 .................................................................................................. 51
AUTOATIVIDADE ............................................................................................................ 62
PROBABILIDADE E ESTATÍSTICA v
TÓPICO 4: COMBINATÓRIA E PROBABILIDADE NO ENSINO ................................... 64
1 INTRODUÇÃO .............................................................................................................. 64
2 ALGUNS EXEMPLOS DE ATIVIDADES JÁ REALIZADAS DE COMBINATÓRIA ..... 67
2.1 ATIVIDADE 1: OS SINAIS DE TRÂNSITO E AS CORES .......................................... 68
2.2 ATIVIDADE 2: SALADA DE FRUTAS ......................................................................... 72
2.3 CONSIDERAÇOES DOS ESTUDANTES SOBRE AS ATIVIDADES ......................... 76
RESUMO DO TÓPICO 4 .................................................................................................. 77
AUTOATIVIDADE ............................................................................................................ 78
AVALIAÇÃO ..................................................................................................................... 79
UNIDADE 2: VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE ... 81
TÓPICO 1: VARIÁVEIS ALEATÓRIAS ........................................................................... 83

1 INTRODUÇÃO .............................................................................................................. 83
2 VARIÁVEIS ALEATÓRIAS ........................................................................................... 83
2.1 DISCRETAS ............................................................................................................... 84
2.2 CONTÍNUAS .............................................................................................................. 85
3 FUNÇÃO PARA DISTRIBUIÇÃO DE PROBABILIDADE ............................................ 86
3.1 ACUMULADA ............................................................................................................. 89
3.2 CONTÍNUA ................................................................................................................. 90
4 ESPERANÇA ................................................................................................................ 91
5 VARIÂNCIA ................................................................................................................... 92
6 DESVIO PADRÃO ......................................................................................................... 92
7 EXEMPLOS DA ASSOCIAÇAO ENTRE VARIÂNCIA E DESVIO PADRÃO ............... 93
RESUMO DO TÓPICO 1 .................................................................................................. 95
AUTOATIVIDADE ............................................................................................................ 96
TÓPICO 2: DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS

DISCRETAS .................................................................................................. 99
1 INTRODUÇÃO .............................................................................................................. 99
2 DISTRIBUIÇÕES DE BERNOULLI E BINOMIAL ........................................................ 99
3 DISTRIBUIÇAO DE POISSON ................................................................................... 104
LEITURA COMPLEMENTAR ......................................................................................... 106
RESUMO DO TÓPICO 2 .................................................................................................115
AUTOATIVIDADE ...........................................................................................................116
TÓPICO 3: DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS

CONTÍNUAS ................................................................................................119
1 INTRODUÇÃO .............................................................................................................119
2 NORMAL ......................................................................................................................119
2.1 TABELA Z ................................................................................................................. 121
2.2 ALGUNS EXEMPLOS .............................................................................................. 126
3 OUTROS TIPOS DE DISTRIBUIÇÃO ........................................................................ 129
3.1 DISTRIBUIÇÃO QUI-QUADRADO ........................................................................... 129
PROBABILIDADE E ESTATÍSTICA vi
3.1.1 Qui-quadrado com (n – 1) graus de liberdade ...................................................... 130
3.2 DISTRIBUIÇÃO T–STUDENT .................................................................................. 132
3.3 DISTRIBUIÇÃO F ..................................................................................................... 134
RESUMO DO TÓPICO 3 ................................................................................................ 136
AUTOATIVIDADE .......................................................................................................... 137
AVALIAÇÃO ................................................................................................................... 138
UNIDADE 3: INFERÊNCIA ESTATÍSTICA: Estimação e testes

de hipóteses ........................................................................................ 139
TÓPICO 1: PROCESSO DE Estimação .................................................................... 141

1 INTRODUÇÃO ............................................................................................................ 141
2 Média ......................................................................................................................... 142
3 variância ................................................................................................................. 143
3.1 desvio padrão .................................................................................................... 144
4 proporção ............................................................................................................. 145
RESUMO DO TÓPICO 1 ................................................................................................ 146
AUTOATIVIDADE .......................................................................................................... 147
TÓPICO 2: Testes de hipóteses PARA MÉDIA, VARIÂNCIA E PROPORÇÃO .. 149

1 INTRODUÇÃO ............................................................................................................ 149
2 Hipóteses ................................................................................................................ 149
3 Erros do tipo I e II ............................................................................................... 151
3.1 Erro do Tipo I (α) ................................................................................................ 151
3.2 Erro do Tipo II (β) ............................................................................................... 152
4 Exemplos de Testes de Hipóteses ................................................................ 153
4.1 Teste de hipóteses para a média quando o σ (desvio padrão da
população) é conhecido ................................................................................ 155
4.2.2 Teste de hipóteses para a média quando o σ (desvio padrão
da população) é desconhecido ............................................................... 158
4.3 Teste de hipóteses para a VARIÂNCIA POPULACIONAL σ2 ........................ 159
4.4 Teste de hipóteses para a proporção populacional p ..................... 160
RESUMO DO TÓPICO 2 ................................................................................................ 162
AUTOATIVIDADE .......................................................................................................... 163
TÓPICO 3: Testes de hipóteses PARA COMPARAÇÃO DE MÉDIAS E GRAU DE

DEPENDÊNCIA .......................................................................................... 165
1 INTRODUÇÃO ............................................................................................................ 165
2 teste T de student para comparação de médias ................................... 165
2.1 PARA dados pareados ...................................................................................... 166
2.2 PARA dados não pareados ............................................................................. 168
3 Teste de independência .................................................................................... 173
LEITURA COMPLEMENTAR ......................................................................................... 176
RESUMO DO TÓPICO 3 ................................................................................................ 190
PROBABILIDADE E ESTATÍSTICA vii

AUTOATIVIDADE .......................................................................................................... 191
AVALIAÇÃO ................................................................................................................... 193
REFERÊNCIAS .............................................................................................................. 194
APÊNDICES .................................................................................................................. 195
PROBABILIDADE E ESTATÍSTICA viii

UNIDADE 1
COMBINATÓRIA, PROBABILIDADE E
TEOREMA DE BAYES
Objetivos de aprendizagem
A partir desta unidade, você será capaz de:
 compreender os conceitos e definições de combinatória e

probabilidade;
 entender a aplicação do Teorema de Bayes;
 considerar possíveis aplicações de combinatória e probabilidade

no ensino.
PLANO DE ESTUDOS
Esta primeira unidade está dividida em quatro tópicos. No

final de cada tópico, você encontrará atividades que possibilitarão a
apropriação de conhecimentos na área.
P
R
TÓPICO 1 – COMBINATÓRIA O
B
A
B
TÓPICO 2 – PROBABILIDADE I
L
I
D
TÓPICO 3 – TEOREMA DE BAYES A
D
E
TÓPICO 4 – COMBINATÓRIA E PROBABILIDADE NO E
ENSINO E
S
T
A
T
Í
S
T
I
C
A
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1
TÓPICO 1
COMBINATÓRIA
1 INTRODUÇÃO
A combinatória é a parte da Matemática em que são estudadas as técnicas de contagens

de agrupamentos que podem ser feitos com elementos de um dado conjunto.
UNI
Por convenção, neste caderno, será utilizada apenas a palavra

combinatória para tratar dos conceitos, definições e ideias da Análise
Combinatória.
Basicamente são dois tipos de agrupamentos que podem ser formados: o primeiro tipo
P
leva em consideração a ordem dos elementos dentro do agrupamento, já o segundo tipo não R
O
leva em consideração a ordem dos elementos. B
A
B
I
Por exemplo, se você quiser contar quantas placas de automóveis podem ser feitas, L
I
constituídas por três letras seguidas de quatro números, deverá sempre levar em conta a ordem D
A
das letras e dos números. D
E
E
Placa 1 Placa 2
E
ALS 1987 e SLA 9178 são placas diferentes. S
T
A
T
Mas, se você quiser contar quantas quinas são possíveis de serem sorteadas na loteria, Í
S
veja que a ordem dos números que compõem o bilhete não importa. T
I
C
A
4 TÓPICO 1 UNIDADE 1
Por exemplo:
Jogo 1 Jogo 2
47, 13, 22, 23, 07 e 22, 47, 13, 07, 23 são jogos iguais.
Os dois exemplos citados servem também para mostrar que é importante existir uma
técnica de contagem indireta, em que você não precise escrever um por um os elementos de
um agrupamento e depois contá-los. Além disso, fazer uma contagem “manual” pode levar a
um erro por omissão ou por repetição de algum elemento ou agrupamento.
Os conceitos, definições e ideias de combinatória que você estudará nesta primeira parte
da Unidade 1 são aplicados em diversos campos de atividade. Mais adiante você verá que são
aplicáveis na Teoria das Probabilidades e no desenvolvimento do Binômio de Newton.
Você estudará neste primeiro tópico conceitos, definições e ideias do Princípio

Fundamental da Contagem, do Fatorial, da Permutação, do Arranjo e da Combinação. Para
iniciar, a seguir, conheça um pouco mais sobre o Princípio Fundamental da Contagem.
2 PRINCÍPIO FUNDAMENTAL DA CONTAGEM
Talvez você se reconheça na condição de ter que ir a uma cidade qualquer e, como
caminho possível, ter que passar por algumas cidades e ter que escolher passar em algumas
estradas. Dependendo de sua região, quem sabe até faça isto para chegar ao seu polo presencial
de estudo, não é mesmo? Imagine então a seguinte situação:
P
R Exemplo 1
O
B
A Você trabalha no município de Indaial (IND) e precisava passar pelo município de
B
I Blumenau para chegar ao município de Gaspar (GSP), local em que reside. Para chegar a
L
I Blumenau (BLU) há duas opções de estradas (BR-470 e Estrada Velha) e para ir de Blumenau
D
A a Gaspar existem três opções de estradas (BR-470, Rua Itajaí e Estrada Gaspar Alto).
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1 TÓPICO 1 5
Sendo assim, para ir de Indaial a Gaspar você pode optar por um entre seis caminhos.
Veja o esquema a seguir:
Você também pode representar estes caminhos num esquema como o seguinte, que
pode ser chamado de árvore de possibilidades:
Veja aqui a representação das

duas estradas que ligam Indaial P
R
a Blumenau. O
B
A
B
I
L
I
D
A
Veja aqui a representação D
E
das três estradas que ligam
E
Blumenau a Gaspar.
E
S
T
A
T
Í
S
T
I
C
A
Com base nos esquemas anteriores, você pode perceber que a ida de Indaial a Gaspar
se dá em duas etapas: a primeira, de Indaial a Blumenau, pode ser realizada de duas maneiras,
e para cada uma delas a segunda etapa, de Blumenau a Gaspar, pode ser realizada de três
maneiras. Sendo assim, a realização das duas etapas pode ser feita de 2 · 3 modos, que
correspondem a seis caminhos de Indaial a Gaspar.
Baseado no exemplo descrito, você pode compreender facilmente a definição do

Princípio Fundamental da Contagem:
Princípio Fundamental da Contagem: se uma ação é composta de duas etapas

sucessivas, sendo que a primeira pode ser feita de m modos e, para cada um destes, a segunda
pode ser feita de n modos, então o número de modos de realizar a ação é m·n. Este princípio
pode ser generalizado para ações compostas por mais de duas etapas.
Para ressaltar este princípio veja mais um exemplo comum no seu cotidiano.
Exemplo 2
Imagine-se tendo que escolher o que vestir diariamente para ir trabalhar, por exemplo.
De quantas maneiras diferentes você pode se vestir se houver no seu guarda-roupa exatamente
sete blusas, quatro calças e dois pares de sapatos?
Esta situação de escolher um conjunto calça-blusa-sapato pode ser interpretada como

uma ação composta por três ações sucessivas, ou seja, primeiro escolher a calça, depois a
blusa e, por fim, o sapato. A primeira pode ser realizada de sete modos diferentes, e, para cada
um destes, a segunda pode ser realizada de quatro modos e, para cada um destes, a terceira
pode ser realizada de dois modos.
P
R Então, pelo princípio fundamental da contagem há 7·4·2 modos de realizar a ação, ou
O
B seja, há 56 opções diferentes de se vestir com o que você tem no guarda-roupa, sem repetir
A
B nenhuma vez o conjunto.
I
L
I
D

A
D DE
E ATIVIDA
AUTO
E
E Para exercitar, você pode montar a árvore de possibilidades para o

S
T exemplo anterior.
A Outra sugestão é acrescentar mais um tipo de roupa para montar
T o conjunto. Que tal pensar se você tivesse que escolher também
Í
S entre três casacos? Será que suas opções aumentariam?
T
I
C
A
Ei, que tal você exercitar um pouco mais o que aprendeu até aqui? Veja a seguir a
questão de múltipla escolha que estava no EXAME NACIONAL DE CURSOS 1998 (questão
20) – atual ENADE – do curso de Licenciatura em Matemática.
Os clientes de um banco devem escolher uma senha, formada por 4 algarismos de 0 a

9, de tal forma que não haja algarismos repetidos em posições consecutivas (assim, a senha
“0120” é válida, mas “2114” não é). O número de senhas válidas é:
Como resolver a questão para obter este resultado?
Você pode utilizar a ideia do Princípio Fundamental da Contagem organizando as

opções da seguinte maneira:
 Primeiro dígito: 10 opções, pois você pode utilizar qualquer número de 0 a 9.
 Segundo dígito: 9 opções, pois você já utilizou um número na primeira casa, restam os
outros nove.
 Terceiro dígito: 9 opções, você pode voltar a utilizar o primeiro número, mas não poderá
utilizar o número da segunda casa, o que implica nove opções.
 Quarto dígito: 9 opções, nesta casa, você também tem nove opções, pois pode utilizar
todos os números com exceção do que utilizou na terceira casa.
Agora, basta multiplicar as opções para cada dígito:
10 · 9 · 9 · 9
P
O que resultará em 8.100 opções diferentes de senha. R
O
B
A
B
I
L
I
3 FATORIAL D
A
D
E
Indica-se por 6! (leia seis fatorial) o produto dos seis primeiros números naturais E
positivos. E
S
T
A
6! = 6 · 5 · 4 · 3 · 2 · 1 logo 6! = 720 T
Í
S
T
I
C
A
Veja outros exemplos:
3! = 3 · 2 · 1 = 6
8! = 8 · 7 · 6 · 5 · 4 · 3 · 2 · 1 = 40.320
Fatorial: dado um número natural qualquer n, sendo n >1 define-se: n! = n · (n-1) ·

(n-2) · ... · 3 · 2 · 1.
Nos casos especiais n = 1 e n = 0 define-se 1! = 1 e 0! = 1.
Por serem estas igualdades convenientes para as fórmulas que você estudará adiante,
note que:
0! = 1
1! = 1
2! = 2 · 1 = 2
3! = 3 · 2 · 1 = 6
4! = 4 · 3 · 2 · 1 = 24
Veja também que, com números maiores, você pode substituir as multiplicações de
algumas sequências pelos próprios fatoriais que estas representam:
5! = 5 · 4 · 3 · 2 · 1 = 5 · 4! = 5 · 24 = 120
6! = 6 · 5 · 4 · 3 · 2 · 1 = 6 · 5! = 6 · 120 = 720
7! = 7 · 6! = 7 · 720 = 5.040
8! = 8 · 7! = 8 · 5040 = 40.320
E, com a prática, ficará fácil utilizar esta ideia nas situações que exijam o uso do
P
R fatorial:
O
B
A
B 7! = 7 · 6!
I
L
7! = 7 · 6 · 5!
I 7! = 7 · 6 · 5 · 4!
D
A
D
E
E
UNI
S
T
A
T Ao desenvolver um fatorial, colocando os fatores em ordem
Í decrescente, você pode parar onde for conveniente, indicando
S
T os últimos fatores também como notação de fatorial. Lembre-
I se disto, será bastante útil no estudo de Permutação, Arranjo e
C Combinação!
A
Para exercitar, vamos simplificar e calcular os fatoriais a seguir:
Exemplo 1: 9!
7!
Lembre-se de que você pode simplificar a fração desenvolvendo o fatorial maior até
chegar ao menor! Neste caso existe o 9! em cima e o 7! embaixo. A melhor solução é desenvolver
o 9! de cima até que possa simplificá-lo com o 7! de baixo, restando a multiplicação do nove
pelo oito em cima:
Exemplo 2:
Já neste caso existe uma forma algébrica de fatorial, em que há o (n-2)! em cima e o
n! embaixo. Assim como no exemplo numérico, neste caso a melhor solução é desenvolver o
n! de baixo até que se possa simplificá-lo com o (n-2)! de cima, restando a multiplicação do n
pelo (n-1) embaixo:
(n+3)!
Exemplo 3:
n!
Este é outro exemplo de uma forma algébrica de fatorial, em que há o (n+3)! em cima
e o n! embaixo. Da mesma maneira, como no exemplo anterior, neste caso, a melhor solução
é desenvolver o (n+3)! de cima até que se possa simplificá-lo com o n! de baixo, restando a
multiplicação do (n+3) · (n+2) · (n+1) em cima:
P
R
O
B
A
B
I
L
I
D
Exemplo 4: A
D
E
E
Este último exemplo apresenta uma equação com fatorial. Por causa da existência dos E
S
fatoriais na equação devemos ter n natural e n ≥ 1. T
A
T
Í
O primeiro passo é resolver a equação normalmente, sem pensar nos fatoriais: S
T
I
, realizando a multiplicação em ‘X’ e tornando a dividir, temos a mesma C
A
(n+1)!
equação escrita de outra maneira: 20
(n-1)!
Do mesmo modo, como nos exemplos anteriores, a melhor solução é desenvolver o

(n+1)! de cima até que se possa simplificá-lo com o (n-1)! de baixo, restando a multiplicação
do (n+1) · (n) em cima:
Neste momento a equação está resumida a: (n+1)·(n) = 20. Resolvendo a multiplicação

algébrica obtém-se: n2 + n – 20 = 0.
Aplicando a fórmula de Bhaskara chega-se às raízes n1 = -5 e n2 = 4. Como não se pode

aceitar n menores ou iguais a 1, o resultado da equação é apenas 4.
UNI
A fórmula de Bhaskara é utilizada para resolver equações de

segundo grau. Sem rigor matemático, sua definição é dada por
- b ± b2 4·a·c
x= em que a (a deve ser diferente de zero) é o valor
2·a
que acompanha χ2, b é o valor que acompanha x e c é o valor que
aparece sozinho na equação.
P
R
4 PERMUTAÇÃO
O
B
A
B Com as letras x, y e z você pode formar as seguintes sucessões: (x, y, z); (x, z, y); (y,
I
L z, x); (y, x, z); (z, x, y); (z, y, z). Cada uma dessas seis sucessões é chamada uma permutação
I
D das três letras.
A
D
E Permutação: denomina-se permutação de n elementos dados a toda sucessão de n
E termos formada com os n elementos dados.
E
S
T Duas permutações dos mesmos objetos são diferentes se a ordem dos objetos numa
A
T delas é diferente da ordem em que os objetos estão colocados na outra, conforme o exemplo
Í
S inicial. As permutações são representadas usando parênteses e separando os termos por
T
I vírgula ou ponto e vírgula (como sucessões).
C
A
É por meio de permutações que são feitos os anagramas das palavras. Se você quiser
formar os anagramas do seu nome, basta permutar as letras da palavra até que se esgotem as
possibilidades, independente se a palavra formada tenha ou não significado. Veja os exemplos
a seguir.

Exemplo 1: LEO
Os anagramas para o nome LEO são: LEO, LOE, ELO, EOL, OLE, OEL.
Exemplo 2: ANA
Os anagramas para o nome ANA são: ANA, AAN, NAA, NAA, ANA, AAN.
Perceba que neste exemplo há repetição de uma das letras, o A, por isso optou-se por
diferenciar cada um, sendo o primeiro em itálico e o segundo sublinhado.
UNI
Mais adiante, você verá um exemplo em que se leva em conta a

repetição da letra A, ocasionando apenas três anagramas (ANA,
AAN e NAA).
Exemplo 3: NEAD
Os anagramas para a palavra NEAD são: NEAD, NEDA, NADE, NAED, NDAE, NDEA,
P
ENDA, ENAD, EDAN, EDNA, EAND, EADN, ADNE, ADEN, AEDN, AEND, ANDE, ANED, DENA, R
O
DEAN, DAEN, DANE, DNEA, DNAE. B
A
B
I
Perceba também que ao aumentar a palavra de que se deseja formar os anagramas, L
mais trabalhoso fica fazer isso sem uma regra ou fórmula. Imagine fazer, da mesma maneira I
D
como nos exemplos, os anagramas da palavra MATEMÁTICA, seria trabalhoso e demorado! A
D
E
E
S
T
4.1 QUANTIDADE DE PERMUTAÇÕES A
T
Í
S
T
Nas aplicações, geralmente, você está interessado na quantidade de permutações que I
C
podem ser feitas com determinados elementos. Para determinar o número de permutações, A
não é necessário que você faça uma por uma e depois conte, afinal, às vezes isto é inviável!
A seguir, você vai identificar a diferença entre permutações com elementos diferentes
e permutações com elementos repetidos.
4.1.1 Permutações com elementos diferentes
Para iniciar, pense em quantas permutações podem ser formadas com as vogais a,
e, i, o e u. Você poderia resolver fazendo o mesmo procedimento dos anagramas, mas daria
certo trabalho.
Pense que para formar uma destas permutações você deve fazer uma ação que é
composta de cinco etapas sucessivas:
( __ , __ , __ , __ , __ ) cada espaço separado por vírgula representa uma etapa.

1ª 2ª 3ª 4ª 5ª
1ª etapa: você deve escolher a 1ª vogal da permutação. Ela pode ser a ou e ou i ou o

ou u, sendo assim, há cinco possibilidades para esta etapa.
2ª etapa: você deve escolher a 2ª vogal. Para cada possibilidade da 1ª etapa, há quatro
possibilidades na 2ª etapa, pois uma das vogais já foi utilizada. Por exemplo, se você escolheu
na 1ª etapa a vogal i, então a 2ª letra poderá ser a ou e ou o ou u.
3ª etapa: você faz a escolha da 3ª vogal. Agora, para cada par de possibilidades da etapa
anterior, há três possibilidades na 3ª etapa, pois duas das vogais já foram utilizadas. Por exemplo,
se você escolheu nas outras etapas as vogais i e a, então a 3ª letra poderá ser e ou o ou u.
P
R
O 4ª etapa: você deve escolher a 4ª vogal. Aqui haverá duas possibilidades, pois três das
B
A vogais já foram utilizadas. Por exemplo, se você escolheu anteriormente as vogais i e a e u,
B
I então a 4ª letra poderá ser e ou o.
L
I
D
A 5ª etapa: você deve escolher a 5ª e última vogal. Nesta última etapa haverá apenas uma
D
E possibilidade, pois as outras quatro vogais já foram utilizadas. Por exemplo, se você escolheu
E anteriormente as vogais i e a e u e e, então a 4ª letra somente poderá ser o.
E
S Neste caso, a permutação do exemplo anterior pode ser identificada pela quantidade
T
A de possibilidades em cada etapa:
T
Í
S
T Permutação ( ___ , ___ , ___ , ___ , ___ )
I
C Possibilidades 5 · 4 · 3 · 2 · 1 = 5! = 120
A
UNI
Visualizando o esquema anterior, você deve lembrar-se do Princípio

Fundamental da Contagem e também do Fatorial, certo? Por isso
foi indicada a importância das duas definições nos itens anteriores,
afinal são essenciais em Análise Combinatória!
Pelo Princípio Fundamental da Contagem, concluímos que podemos formar 5 · 4 · 3 ·

2 · 1 permutações diferentes, isto é, existem 120 permutações diferentes das cinco vogais a,
e, i, o e u (ou de quaisquer outros cinco elementos ou objetos).
O número de permutações de cinco elementos diferentes é indicado por P5. Sendo assim:
P5 = 5! = 120
Se você quiser generalizar o exemplo acima para qualquer número de permutações de

n elementos distintos, tem-se:
Pn = n!

Agora fica fácil responder a quantidade de anagramas possíveis da palavra MATEMÁTICA.
Basta contar o número de letras da palavra, neste caso dez letras, e resolver a permutação de
dez elementos, representada por P10.
P10 = 10! = 3.628.800
Outra situação deste tipo de permutação com elementos diferentes pode ser visto no
exemplo a seguir:
P
Exemplo 1: Com os algarismos 2, 4, 5, 6 e 7 quantos números ímpares de 4 algarismos R
O
distintos podemos escrever? B
A
B
I
Primeiro lembre-se de que para formar um número ímpar você deve levar em L
consideração que o algarismo da unidade, ou seja, o último da direita deve ser ímpar. Neste I
D
exemplo, o número a ser formado deve obrigatoriamente terminar em 5 ou 7. A
D
E
veja que para o algarismo
Permutação ( ___ , ___ , ___ , ___ , ___ ) E
das unidades há apenas duas
Possibilidades 4 · 3 · 2 · 1 · 2 E
S
possibilidades. T
A
Para cada uma destas possibilidades, os outros cinco algarismos que restarem poderão T
Í
ser permutados nas outras cinco casas. Como são algarismos distintos, a quantidade de S
T
números ímpares que você poderá formar é: I
C
2 · P4 = 2 · 4! = 2 · 24 = 48 A
UNI
Eis aqui uma dica. Para você resolver exercícios como este é sempre
necessário fazer o esquema que representa a situação e suas
possibilidades, prestando atenção às restrições, como a do exemplo
anterior em que o número deveria ser ímpar.
4.1.2 Permutações com elementos repetidos
Há casos de permutações em que se considera a repetição dos elementos. Os

anagramas para o nome ANA são um exemplo.
Se você levar em consideração a repetição da letra A, haverá apenas três

permutações:
ANA, AAN e NAA
Mas, se, como no exemplo 2 da seção 4 (PERMUTAÇÃO), você considerar cada A do

nome ANA como uma letra distinta (A e A), haverá seis permutações:
ANA, AAN, NAA, NAA, ANA, AAN
Perceba que neste exemplo há repetição de uma das letras, o A, por isso optou-se por
diferenciar cada um, sendo o primeiro em itálico e o segundo sublinhado.
P
R
O
B Você já sabia que o número de permutações de três elementos diferentes é P3 = 3!
A
B = 6. Mas, se você tiver entre os três elementos dois que repetem, este número fica dividido
I
L
por 2!. Isto ocorre porque 2! é o número de permutações dos dois elementos se eles forem
I considerados distintos. Sendo assim, o número de permutações de três elementos sendo dois
D
A deles repetidos é dado por P32:
D
E
E
S
T Outro exemplo de permutação com elementos repetidos é o cálculo de anagramas da
A
T palavra UNIASSELVI. Veja que as letras S e I se repetem duas vezes cada uma na palavra.
Í
S Se não fosse levada em consideração a repetição destas letras, e houvesse S e S e I e I, por
T
I exemplo, você teria uma permutação de 10 letras, ou seja, P10 = 10! = 3 628 800.
C
A
Considerando a repetição das letras S e I na palavra UNIASSELVI, tem-se:
Analisando o exemplo dos anagramas da palavra UNIASSELVI, levando em consideração

se é com e sem repetição, tem-se uma diferença de 3.628.800 permutações no primeiro caso
e 907.200 no segundo.
Generalizando estas situações, quando há n elementos dos quais n1 são repetidos de

um tipo, n2 são repetidos de outro tipo, n3 são repetidos de outro tipo, e assim por diante, o
número de permutações que podemos formar é dado por:
Pnn1, n2, n3,...nk (n1 + n2 + n3 + ... + nk = n)
UNI
É importante sempre estar atento(a) ao enunciado de um problema

para detectar qual tipo de cálculo é necessário para obter o resultado
correto. No caso das permutações, analise a situação para saber se
deve ou não levar em consideração a repetição dos elementos.
5 COMBINAÇÕES E ARRANJOS
Combinações e arranjos também são parte do estudo de Combinatória. Neste caderno, P

R
optou-se por apresentá-los no mesmo momento, apontando peculiaridades, diferenças e O
B
semelhanças entre os dois tipos de cálculo. A
B
I
L
I
D
A
D
E
5.1 COMBINAÇÕES
E
E
Suponha que no local em que você trabalha, numa escola por exemplo, o diretor S
T
resolveu sortear entre os professores mais assíduos do semestre dois prêmios iguais, dois A
T
notebooks. Imagine então que os quatro professores (Jairo, Cristiane, Débora e Emília) foram Í
S
os mais assíduos do semestre e que o diretor deve decidir quais dois receberão os notebooks. T
I
As duplas de ganhadores podem ser: C
A
Jairo e Cristiane ou Jairo e Débora ou Jairo e Emília ou

Cristiane e Débora ou Cristiane e Emília ou Débora e Emília.
Cada uma destas possibilidades é um agrupamento dos quatro professores tomados

dois a dois. Em cada um destes agrupamentos, a ordem em que forem citados não importa,
pois se o diretor der os notebooks ao Jairo e à Cristiane é o mesmo que se der os prêmios à
Cristiane e ao Jairo.

Ou seja, quando você agrupar elementos de modo que em cada agrupamento não
importe a ordem dos elementos, estes agrupamentos são chamados de combinações.
Matematicamente, as combinações são conjuntos em que os elementos são escolhidos
entre os elementos dados.
Combinação: denominam-se combinações de n elementos distintos tomados k a k os

conjuntos formados de k elementos distintos escolhidos entre os n elementos dados.
No exemplo dado, considerando os elementos Jairo, Cristiane, Débora e Emília, você

pode escrever as combinações destes elementos tomados dois a dois:
{Jairo e Cristiane}, {Jairo e Débora}, {Jairo e Emília},

{Cristiane e Débora}, {Cristiane e Emília}, {Débora e Emília}.
Veja que duas combinações são diferentes apenas quando têm elementos diferentes. As
combinações são representadas utilizando chaves e os elementos são separados por vírgula
ou ponto e vírgula, assim como conjuntos.
P
R
O 5.2 ARRANJOS
B
A
B
I Considere a mesma situação anterior, porém imagine que o diretor tenha dois prêmios
L
I diferentes para dar para os professores mais assíduos do semestre, um tablet e um netbook
D
A e que o primeiro professor sorteado receba o tablet e o segundo professor sorteado receba o
D
E netbook.
E
E Se os professores sorteados fossem Jairo e Cristiane, nessa ordem, Jairo receberia

S
T o tablet e Cristiane, o netbook. Mas, se os sorteados fossem Cristiane e Jairo, nesta ordem,
A
T
Cristiane receberia o tablet e Jairo, o netbook.
Í
S
T Esta é uma situação em que os agrupamentos Jairo e Cristiane e Cristiane e Jairo são
I
C considerados agrupamentos diferentes. Portanto, ao citar o agrupamento, importa a ordem
A
em que os elementos estão.
Ou seja, quando você agrupar elementos de modo que em cada agrupamento importa a
ordem dos elementos, estes agrupamentos são denominados arranjos. Em linguagem matemática,
os arranjos são sucessões cujos termos são escolhidos entre os elementos dados.
Arranjo: denominam-se combinações de n elementos distintos tomados k a k as

sucessões formadas de k termos distintos escolhidos entre os n elementos dados.
No exemplo dado, considerando os elementos Jairo, Cristiane, Débora e Emília, você

pode escrever os arranjos destes elementos tomados dois a dois:
(Jairo e Cristiane), (Jairo e Débora), (Jairo e Emília),

(Cristiane e Débora), (Cristiane e Emília), (Cristiane e Jairo),
(Débora e Jairo), (Débora e Cristiane), (Débora e Emília),
(Emília e Cristiane), (Emília e Débora), (Emília e Jairo).
Veja que dois arranjos são diferentes se tiverem elementos diferentes, ou se tiverem os
mesmos elementos, porém em ordens diferentes. Os arranjos são representados colocando
os elementos entre parênteses, como sucessões.

DE
ATIVIDA
AUTO
Você percebeu a diferença quando a ordem dos elementos importa e

quando ela não importa? Essa é a principal diferença entre arranjos
e combinações.
Faça um rápido exercício, considere os números 3, 5 e 7. Agora
forme as combinações e os arranjos possíveis com estes elementos,
tomados dois a dois.
Se você ainda ficou com dúvidas, revise o conteúdo até aqui para,
em seguida, prosseguir. P
R
O
B
A
B
I
L
I
D
A
5.3 QUANTIDADE DE ARRANJOS D
E
E
O número de arranjos de n elementos tomados k a k pode ser representado pelo símbolo E
An,k (ou pelo símbolo Ank ). S
T
A
T
Para determinar a quantidade de arranjos imagine que você precisa formar um deles, Í
S
ou seja, formar uma sucessão de k termos escolhidos entre os n elementos dados: T
I
( 1º , 2º , 3º , ..., kº ) C
A
O 1º termo pode ser qualquer um dos n elementos dados; há então n possibilidades

para ele.
Para cada uma destas possibilidades, o 2º termo do arranjo poderá ser qualquer um dos
(n – 1) elementos restantes, excluído aquele já escolhido. Há, portanto, (n – 1) possibilidades
para o 2º termo.
Para cada par de elementos já escolhidos, o 3º termo poderá ser qualquer um dos (n –
2) elementos restantes. Há então (n – 2) possibilidades para o 3º termo. E assim por diante.
Arranjo: ( 1º, 2º, 3º, ..., kº )

↓ ↓ ↓ ↓
Possibilidades: n n–1 n–2 n – (k – 1)
Pelo Princípio Fundamental da Contagem, você pode concluir que a quantidade de

arranjos que podem ser formados é:
Aa, k = n · (n – 1) · (n – 2) · ... · (n – (k – 1))
produto de k fatores
Exemplo 1: Quantos são os arranjos de 6 elementos (n), tomados 3 a 3 (k)?

A6,3 = 6 · 5 · 4 = 120
produto de 3 fatores

Exemplo 2: Quantos são os arranjos de 10 elementos (n), tomados 4 a 4 (k)?
A10,4 = 10 · 9 · 8 · 7 = 5.040
produto de 4 fatores
Observe que, em A10,4 = 10 · 9 · 8 · 7, multiplicando e dividindo o segundo membro por 6!:

P
R
O
B
A10,4 = .
A
B
I Então,
L
I
D
A A10,4 = .
D
E
E Em An,k = n (n – 1) · n (n – 2) ... (n – (k – 1)), multiplicando e dividindo o segundo membro

S
T por (n – k)!, tem-se:
A
T
Í An,k =
S
T
I
C Logo,
A
An,k =
em que n é o número de elementos e k o número de maneiras de arranjo dos elementos (k a k).
Exemplo 3: Dez diretores de uma empresa são candidatos aos cargos de presidente
e vice-presidente. Quantos são os possíveis resultados da eleição?
Temos n = 10 e k = 2, aplicando-se a fórmula de arranjo:
A10,2 =
5.4 QUANTIDADE DE COMBINAÇÕES
O número de combinações de n elementos tomados k a k pode ser representado pelo

símbolo Cn,k (ou pelo símbolo Cnk).
Você deve lembrar que para determinar esta quantidade de combinações com k
elementos
a1, a2, a3, ..., ak
devem-se obter k! permutações:
(a1, a2, a3, ... , ak), (a1, a2, a3, ... , ak), (a1, a2, a3, ... , ak) etc.
P
R
O
Sendo assim, a partir de uma combinação você pode obter k! arranjos dos n elementos B
A
tomados k a k. Então o número de combinações é igual ao número de arranjos dividido por k!: B
I
L
A n,k I
Cn,k = D
k! A
D
E
Logo,
E
E
Cn,k = S
T
A
em que n é o número de elementos e k o número de maneiras de combinação dos elementos (k a k). T
Í
S
T
I
C
A
Exemplo 1: Quantas são as combinações de 6 elementos (n) tomados 2 a 2 (k)?
Cn,k =
Exemplo 2: Numa sessão em que estão presentes 18 deputados, 4 serão escolhidos

para uma comissão que vai estudar um projeto do governo. De quantos modos diferentes
poderá ser formada a comissão?
Dos 18 deputados, você deve escolher 4 para formar a comissão. Imagine que uma
comissão possível seja formada pelos deputados A, B, C e D. Veja que a ordem em que estão
os deputados não importa, uma vez que se você se referir à comissão como C, D, A e B estará
se referindo à mesma comissão. Isto significa que cada possível comissão corresponde a uma
combinação dos 18 deputados (n) tomados 4 a 4 (k).
Então o número de modos de formar a comissão é:
C18,4 =

DE
ATIVIDA
AUTO
Antes de passar para o próximo tópico, olhe só a questão que estava no

ENADE 2005 (questão 12) do curso de Licenciatura em Matemática.
Um restaurante do tipo self-service oferece 3 opções de entrada, 5 de

prato principal e 4 de sobremesa. Um cliente desse restaurante deseja
compor sua refeição com exatamente 1 entrada, 2 pratos principais
e 2 sobremesas. De quantas maneiras diferentes esse cliente poderá
P compor a sua refeição?
R
O
B
Tente você resolver esta situação! A dica é montar o esquema de
A possibilidades de acordo com a quantidade de entradas, pratos
B principais e sobremesas que o cliente vai comer. Saiba que a resposta
I é 180.
L
I
D
A
D
E
E
S 6 BINÔMIO DE NEWTON
T
A
T
Í Todo o estudo de Combinatória que você realizou até o momento servirá para que você
S
T obtenha o desenvolvimento do Binômio de Newton, identificado como (x + a)n, onde x ϵ R, a ϵ
I
C R e n ϵ N. Você também estudará propriedades sobre os coeficientes desse desenvolvimento,
A
o número de combinações de n elementos tomados k a k, 0 ≤ k ≤ n.
6.1 O BINÔMIO DE NEWTON (x + a)n
Como você viu anteriormente, o número de combinações de n elementos tomados k a

k é também indicado por Cn,k ou .
Assim, se tem:
Cn,k = onde n ϵ N, k ϵ N e 0 ≤ k ≤ n
Exemplo 1: C6,2 =
9.8.7.6!
Exemplo 2: C9,6 =
6! (3)!
ÇÃO!
ATEN
Há alguns casos particulares para k = 0, k = 1 e k = n. Veja a seguir:
a) Para k = 0 tem-se Cn,0 = 1 ou seja, sendo assim, Cn,0 = 1, para qualquer n ϵ N.
b) Para k = 1 tem-se Cn,1 = n ou seja, sendo assim, Cn,1 = n, para P

R
qualquer n ϵ N*. O
B
A
B
c) Para k = n tem-se Cn,n = n ou seja, sendo assim, Cn,n = 1, para qualquer I
n ϵ N. L
I
D
A
D
Veja alguns exemplos: E
E
C7,0 = 1 (pelo caso a) E
C7,1 = 7 (pelo caso b) S
T
C7,7 = 1 (pelo caso c) A
T
C0,0 = 1 (pelo caso c) Í
S
T
I
C
A
6.2 TRIÂNGULO DE PASCAL
Os números podem ser organizados em linhas e colunas, em formato de triângulo,

de uma maneira que em cada linha fiquem os de mesmo ‘numerador’ n e em cada coluna
fiquem os de mesmo ‘denominador’ k. Esta disposição dos números é o Triângulo de Pascal.
UNI
Lembre-se novamente de que podem ser utilizadas as duas formas de
identificação para combinação Cn,k ou .
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
Substituindo pelo valor de cada combinação, o triângulo pode ser visualizado assim:
1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
1 5 10 10 5 1
1 6 15 20 15 6 1
1 7 21 35 35 21 7 1
1 8 28 56 70 56 28 8 1
Observe algumas particularidades do Triângulo de Pascal:
a) Cada linha inicia e termina em 1.

b) Ao somar dois elementos consecutivos de uma linha, você obtém o elemento situado
abaixo do segundo elemento somado. Por exemplo, observe as linhas 5 e 6 do Triângulo:
1 4 + 6 4 1
1 5 10 10 5 1
Observe outras linhas e encontre esta particularidade do Triângulo de Pascal.
6.3 DESENVOLVIMENTO DO BINÔMIO DE NEWTON (x + a)n
Observe o desenvolvimento de (x + a)n para alguns valores de n (n ϵ N):

P
R
O
Para n = 0, (x + a)0 = 1 B
A
Para n = 1, (x + a)1 = 1x + 1a B
I
Para n = 2, (x + a)2 = 1x2 + 2xa + 1a2 L
I
Para n = 3, (x + a)3 = 1x3 + 3x2a + 3xa2 + 1a3 D
A
D
E
Veja que os coeficientes formam o Triângulo de Pascal e que em cada linha os expoentes
E
de x decrescem e os de a crescem.
E
S
T
A
T
Í
S
T
I
C
A

IDADE
ATIV
AUTO
Exercite agora mesmo. Desenvolva (x + a)n para n = 4 e para n = 5.
Isto sugere que em (x + a)n os coeficientes são os da linha de numerador n do Triân

gulo de Pascal:
Observação:
Por serem os coeficientes do desenvolvimento do Binômio de Newton (x + a)n, os

números são denominados coeficientes binomiais.
Para exercitar o desenvolvimento do Binômio de Newton, que tal desenvolver (x + 2)4?

Para isso, tome os coeficientes da linha de "numerador" 4 do Triângulo de Pascal:
1 4 6 4 1
Obtém-se então, pelo desenvolvimento do Binômio de Newton, veja que enquanto as

potências de x decrescem, os de 2 aumentam.
(x + 2)4 = 1 · x4 · 20 + 4 · x3 · 21 + 6 · x2 · 22 + 4 · x1 · 23 + 1 · x0 · 24
P
R (x + 2)4 = x4 + 8x3 + 24x2 + 32x + 16
O
B
A
B Já para desenvolver (x - 2)4 aplica-se o mesmo método, porém lembre-se de que x - 2
I
L
= x + (- 2), logo:
I
D
A (x - 2)4 = 1 · x4 · (-2)0 + 4 · x3 · (- 2)1 + 6 · x2 · (- 2)2 + 4 · x1 · (- 2)3 + 1 · x0 · (- 2)4
D
E (x - 2)4 = x4 - 8x3 + 24x2 - 32x + 16
E
E Sendo assim, você sempre deverá olhar para a linha do “numerador” do Triângulo de
S
T Pascal que corresponde ao n do Binômio de Newton (x + a)n, pois serão os coeficientes do
A
T desenvolvimento do Binômio de Newton.
Í
S
T
I Em seguida, multiplicando pelos coeficientes, encontrados a partir do Triângulo de
C
A Pascal, deverão se dispor os dois termos (x e a), lembrando que a potência do primeiro termo
decresce, enquanto a do segundo termo cresce.
Observe novamente o desenvolvimento de (x + 2)4.
Tem-se n = 4, então na linha 4 do Triângulo de Pascal, os coeficientes são:

1 4 6 4 1
Então o desenvolvimento de (x + 2)4 fica assim:
(x + 2)4 = 1 · x4 · 20 + 4 · x3 · 21 + 6 · x2 · 22 + 4 · x1 · 23 + 1 · x0 · 24
O que resulta em:
(x + 2)4 = x4 + 8x3 + 24x2 + 32x + 16
6.4 FÓRMULA DO TERMO GERAL
Quando desenvolvemos (x + a)n segundo potências decrescentes de x, obtemos um

polinômio cujos termos são:
Primeiro termo: xn que é igual a xn – 0a0
Segundo termo: xn – 1a1
Terceiro termo: xn – 2a2
Quarto termo: xn – 3a3

P
... R
O
Último termo: an que é igual a xn – nan B
A
B
I
A fórmula para obter um termo qualquer T do desenvolvimento de (x + a)n é: L
I
D
A
Tk+1 = xn – kak onde k ϵ N e 0 ≤ k ≤ n D
E
E
Observe que: S
T
A
T
a) para k = 0, T é o primeiro termo; Í
S
para k = 1, T é o segundo termo; T
I
para k = 2, T é o terceiro termo; C
A
para k = 3, T é o quarto termo.
Conclua com isso que para k = n, T é o termo de ordem (n + 1), que é o último termo.
b) No desenvolvimento de (x + a)n há n + 1 termos.
c) Em cada termo o expoente de x somado ao expoente de a é igual a n.
Exemplo 1: No desenvolvimento de (x + 3)8, há 9 termos, pois n = 8. Lembre-se de que

o número de termos é sempre n + 1, ou seja, 9. Sendo assim, o Termo Geral é dado por:
T= x8 – k 3k
Lembre que n é igual a 8 e que o expoente de x somado ao expoente de 3, que é k,

deve resultar em 8.
Que tal, para exercitar, obter o sexto termo? Para obter o sexto termo (n = 6), considere
k = 5, pois k = n – 1.
8!
Sexto termo ⇒ k = 5 ⇒ T = x8 – 5 35 = 5!. 3! x3 · 243 = 13608x3
E se fosse necessário obter o quarto termo? Vamos lá, pratique e desenvolva!
Relembrando! Parta do princípio de que no desenvolvimento de (x + 3)8 há 9 termos e

que o termo geral é dado por:
T= x8 – k 3k
Como você quer saber o quarto termo (n = 4):
P 8 8! 5
R quarto termo ⇒ k = 3 ⇒ T =   x8 – 3 33 = x · 27 = 1512x5
O 3 3!. 5!
B
A
B
I
L
Sendo assim, o quarto termo de (x + 3)8 é 1512x5.
I
D
A A partir do exemplo 1 (x + 3)8 você calculou o quarto termo e o sexto termo. Mas, e
D
E se fosse necessário desenvolvê-lo aplicando o que você estudou sobre desenvolvimento do
E Binômio de Newton?
E
S
T 1º passo: Relembre o Binômio de Newton (x + a)n e o assemelhe com o exemplo (x +
A
T 3)8, assim você tem a = 3 e n = 8.
Í
S
T
I 2º passo: A partir do Triângulo de Pascal, encontre a linha de numerador n, ou seja, a
C
A linha de numerador 8.
1 8 28 56 70 56 28 8 1
3º passo: Pelo desenvolvimento do Binômio de Newton, lembre que enquanto as

potências de x (primeiro termo) decrescem, as de 3 (segundo termo) aumentam.
(x + 3)8 = 1.x8.30 + 8.x7.31 + 28.x6.32 + 56.x5.33 + 70.x4.34 + 56.x3.35 + 28.x2.36 + 8.x1.37 +1.x0.38
(x + 3)8 = x8 + 24x7 + 252x6 + 1512x5 + 5670x4 + 13608 x3 + 20412 x2 + 17496x + 6561
Viu como é simples? Basta seguir os passos indicados para desenvolver o Binômio
de Newton. Aliás, com o desenvolvimento do Binômio de Newton a partir do exemplo 1, você
pode constatar e conferir que os valores para o quarto e o sexto termo estavam corretos, de
acordo com a resolução apresentada.

ID ADE
ATIV
AUTO
Agora, acadêmico(a), é com você!

Faça o mesmo procedimento do exemplo 1, só que utilize (x - 5)6.
A sugestão é que você encontre o terceiro e o quinto termos e
desenvolva utilizando o Binômio de Newton. Lembre-se dos passos
a serem seguidos! E outra, lembre-se de que (x - 5)6 é o mesmo
que (x + (- 5))6.
S!
DICA
Encerramos o Tópico 1 da Unidade 1. Para que você possa aprofundar

seus estudos, consulte os livros listados a seguir que estão à P
disposição na biblioteca do seu polo. R
MELLO, Margarida P.; SANTOS, José Plinio O. dos; MURARI, Idani T. O
B
C. Introdução à análise combinatória. Rio de Janeiro: Ciência A
Moderna, 2008. B
MEYER, Paul L. Probabilidade: aplicações à estatística. Rio de I
L
Janeiro: LCT, 2000. I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
RESUMO DO TÓPICO 1
Neste tópico, você estudou:
• Princípio Fundamental da Contagem: se uma ação é composta de duas etapas sucessivas,

sendo que a primeira pode ser feita de m modos e, para cada um destes, a segunda pode
ser feita de n modos, então o número de modos de realizar a ação é m·n. Este princípio
pode ser generalizado para ações compostas de mais de duas etapas.
• Fatorial: dado um número natural qualquer n, sendo n >1 define-se: n! = n · (n-1) · (n-2) ·
... · 3 · 2 · 1. Nos casos especiais n = 1 e n = 0 define-se 1! = 1 e 0! = 1.
• Permutação: denomina-se permutação de n elementos dados a toda sucessão de n termos

formada com os n elementos dados.
(n1 + n2 + n3 + ... + nk = n) quando há n elementos dos quais n1 são

repetidos de um tipo, n2 são repetidos de outro tipo, n3 são repetidos de outro tipo e assim
por diante.
• Combinação: denominam-se combinações de n elementos distintos tomados k a k os

conjuntos formados de k elementos distintos escolhidos entre os n elementos dados.
Cn,k = em que n é o número de elementos e k o número de maneiras de combinação
dos elementos (k a k).
Lembre-se de que podem ser utilizadas as duas formas de identificação para combinação
Cn,k ou .
P
R
O • Arranjo: denominam-se combinações de n elementos distintos tomados k a k as sucessões
B
A formadas de k termos distintos escolhidos entre os n elementos dados.
B
I An,k = em que n é o número de elementos e k o número de maneiras de arranjo dos
L
I elementos (k a k).
D
A
D
E • Binômio de Newton: no desenvolvimento de (x + a)n os coeficientes formam o Triângulo de
E Pascal.
E Em (x + a)n os coeficientes são os da linha de numerador n do Triângulo de Pascal:
S
T
A
T
Í (x + a)n =
S
T
I
C
A
Sempre verifique a linha do “numerador” do Triângulo de Pascal que corresponde ao

n do Binômio de Newton (x + a)n, pois serão os coeficientes do desenvolvimento do Binômio
de Newton.
Em seguida, multiplique pelos coeficientes, encontrados a partir do Triângulo de Pascal,

os dois termos (x e a), lembrando que a potência do primeiro termo decresce, enquanto a do
segundo termo cresce.
• Termo geral: a fórmula para obter um termo qualquer T do desenvolvimento de (x + a)n é:

Tk+1 = xn – kak onde k ϵ N e 0 ≤ k ≤ n.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A

IDADE
ATIV
AUTO
Agora, acadêmico(a), é a sua vez de exercitar o que aprendeu até aqui!

Lembre-se de que você tem à disposição no “Material de Apoio” do Ambiente Virtual de
Aprendizagem os gabaritos das autoatividades. Consulte-os sempre que necessário.
Conte também com a Tutoria Interna do curso de Matemática, que está disponível
por meio do 0800, contato e atendimento on-line. Bons estudos!
1 Uma fábrica de bicicletas produz três modelos diferentes e para cada um deles os clientes
podem escolher entre cinco cores e dois tipos de assentos. Além disso, opcionalmente,
pode ser acrescentado o espelho retrovisor ou o assento traseiro ou ambos. Quantos
exemplares diferentes de bicicletas você pode escolher nesta fábrica?
2 Quantos anagramas da palavra MATEMÁTICA apresentam as vogais juntas, na ordem

alfabética? E as vogais juntas, em qualquer ordem?
3 Com os algarismos ímpares, quantos números de quatro algarismos distintos, maiores

que 5 319, você pode escrever?
4 Um químico possui 10 tipos de substâncias. De quantos modos possíveis pode

associar 6 destas substâncias se, entre as 10, duas somente não podem ser juntadas
porque produzem mistura explosiva?
P
R 5 Na figura a seguir há 9 pontos, entre os quais não há 3 colineares, exceto os 4 que
O
B marcamos numa mesma reta. Quantos triângulos existem com vértices nestes
A
B pontos?
I
L
I
D
A
D
E
E
S
T
A
T 6 De uma novela participam 8 atores e 12 atrizes. Para uma cena que será filmada na
Í
S Europa, apenas 6 participantes deverão viajar, sendo 3 atores e 3 atrizes. De quantos
T
I modos podem ser escolhidos os participantes desta cena?
C
A
7 Numa urna há 12 etiquetas numeradas, 6 com números positivos e 6 com números

negativos. De quantos modos podemos escolher 4 etiquetas diferentes tais que o
produto dos números nelas marcados seja positivo?
8 Na loteria são sorteados 6 números entre os naturais 0, 1, 2, 3, ..., 60. Quantos são os
resultados possíveis para o sorteio? Quantos são os resultados possíveis formados
por três números pares e três ímpares? Quantos são os resultados possíveis com
pelo menos quatro números pares?
9 Sobre uma mesa estão 4 copos de suco de laranja, 3 de caju e 2 de manga. De

quantos modos diferentes pode-se distribuí-los entre 9 crianças, dando um copo de
suco para cada uma?
10 De quantos modos podemos formar uma sucessão de três números naturais (a, b,
c), não necessariamente distintos, cuja soma é igual a 10?
11 0 gráfico da função y = ax + b no plano cartesiano é uma reta. Se a e b são números

inteiros, 1 ≤ a ≤ 9 e 1 ≤ b ≤ 9, quantas retas podem-se traçar?
12 Num restaurante, o cardápio oferece escolha entre cinco sopas, três pratos principais,
quatro sobremesas e seis bebidas. Uma refeição consiste obrigatoriamente num prato
principal e numa bebida, podendo ser acrescidos, opcionalmente, de uma sopa, ou
de uma sobremesa, ou de ambas. Quantos tipos de refeições, todas diferentes entre
si, podem-se fazer?
13 Uma fábrica de automóveis produz três modelos de carros. Para cada um, os clientes
podem escolher entre sete cores diferentes; três tipos de estofamento, que podem
vir, seja em cinza, seja em vermelho; dois modelos distintos de pneus; e entre vidros P
R
brancos, ou vidros verdes. Ademais, opcionalmente em um pacote, é possível adquirir O
B
os seguintes acessórios: um porta-copos; uma de duas marcas de rádio ou um A
B
modelo de CD player; um aquecedor de bancos; e um câmbio automático. Quantos I
L
exemplares de carros distintos entre si a fábrica chega a produzir? I
D
A
D
14 Deseja-se dispor em fila cinco estudantes para uma apresentação na escola: Jairo, E
Débora, Emília, Cristiane e Rafael. Calcule o número das distintas maneiras que elas E
podem ser dispostas de modo que Cristiane e Rafael fiquem sempre vizinhos. E
S
T
A
15 Considere os números obtidos do número 12 345 efetuando-se todas as permutações T
Í
de seus algarismos. Colocando esses números em ordem crescente, qual o lugar S
T
ocupado pelo número 43 521? I
C
A
16 Calcule quantos números múltiplos de três, de quatro algarismos distintos, podem

ser formados com 2, 3, 4, 6 e 9.
17 Uma pessoa faz uma relação de nomes de onze pessoas amigas. Calcule de quantas
maneiras ela poderá convidar cinco destas pessoas para jantar sabendo-se que na
relação há um único casal inseparável.
18 Num zoológico há dez animais, dos quais devem ser selecionados cinco para
ocupar determinada jaula. Se entre eles há dois que devem permanecer sempre
juntos, encontre o total de maneiras distintas de escolher os cinco que vão ocupar
tal jaula.
19 Tomam-se 6 pontos sobre uma reta e 8 pontos sobre uma paralela a esta reta.
Quantos triângulos existem com vértices nesse conjunto de 14 pontos?
20 A diretoria de uma empresa multinacional é constituída por 7 diretores brasileiros

e 4 japoneses. Quantas comissões de 3 brasileiros e 3 japoneses podem ser
formadas?
21 Uma urna contém 10 bolas brancas e 6 pretas. De quantos modos é possível tirar
7 bolas das quais pelo menos 4 bolas sejam pretas?
22 Numa reunião de 20 professores, exatamente 6 lecionam Matemática. Qual o número

de comissões de 4 professores que podem ser formadas de modo que exista no
máximo um professor de Matemática na comissão?
23 Num exame, um professor dispõe de 12 questões que serão entregues a três alunos,
P
R cada um recebendo quatro questões. Quantas situações diferentes teremos?
O
B
A
B 24 Qual é o valor do termo médio do desenvolvimento de (2x + 1)8?
I
L
I 3
D
25 Determine o coeficiente de x do desenvolvimento de (4x – 5)5.
A
D
E 26 Determine o termo geral do desenvolvimento de (3x + 5)7.
E
E 27 Encontre o coeficiente de x5 no desenvolvimento de (1 - x)8.

S
T
A
T 28 Desenvolva (x + 6)5 a partir do Binômio de Newton.
Í
S
T
I 29 Determine o quarto e o sétimo termos de (6 - x)8.
C
A
UNIDADE 1
TÓPICO 2
PROBABILIDADE
1 INTRODUÇÃO
É comum fazer previsões sobre certos acontecimentos, sobretudo quando já se sabe

algo anterior a determinado acontecimento. Um jogo de futebol disputado entre os times A e B
é um exemplo. Você pode se basear no número de vitórias de A e prever que, por ter ganhado
mais vezes e ter obtido melhores resultados do que B, A será vencedor.
No entanto, existem fenômenos cujo resultado você não poderá prever, mesmo que ele
se repita inúmeras vezes e nas mesmas condições. Um bom exemplo é o lançamento de um
dado. Se você jogar um dado honesto (não viciado), jamais poderá saber qual será o próximo
resultado antes de lançá-lo.
São resultados como estes, imprevisíveis, que são chamados de aleatórios. Para
Fonseca e Martins (1996), os fenômenos aleatórios levam a diferentes resultados: mesmo que
se faça o experimento em condições normais e iguais, não há como prever o resultado. Não P
R
há como prever, mas há como palpitar. Justamente para que este palpite possa ser levado em O
B
consideração e seja coerente, os matemáticos criaram a Teoria das Probabilidades. A
B
I
L
A probabilidade quantifica a chance de alguma resposta para determinado fenômeno. I
D
Essa quantificação será dada em forma de um número entre 0 e 1, em que o 0 representa a A
D
resposta impossível, no fenômeno realizado, e o 1, a certeza absoluta de que sairá a resposta, E
na próxima jogada. Um simples exemplo se dá no lançamento de uma moeda. A probabilidade E
de sair cara é de 0,5, pois metade das opções da moeda (cara ou coroa) representa a resposta E
esperada e nenhum lado tem vantagem sobre o outro. S
T
A
T
Quando se estuda a probabilidade, há dois conceitos importantes a serem entendidos, Í
S
o espaço amostral e o evento, pois eles subsidiarão os cálculos iniciais. De certa maneira, a T
I
probabilidade é baseada no cálculo da razão entre esses dois conceitos. C
A
2 ESPAÇO AMOSTRAL
O espaço amostral nada mais é do que o conjunto de todas as soluções possíveis dentro
de um experimento qualquer, chamado S. O número de soluções possíveis dentro do espaço
amostral é chamado n(S). Compreenda esta definição a partir de alguns exemplos:
Exemplo 1:
Ao lançar um dado de seis faces as soluções possíveis são 1, 2, 3, 4, 5 e 6. Sendo

assim, determine S e n(S).
S = {1,2,3,4,5,6}, todas as faces possíveis de um dado.

n(S) = 6, pois S possui 6 elementos.
Exemplo 2:
Levando em consideração as vogais do alfabeto, determine S e n(S).
S = {a,e,i,o,u}, ou seja, um conjunto com todas as vogais.

n(S) = 5 porque S possui 5 elementos.
Exemplo 3:
Considerando os naipes de um baralho, determine S e n(S).
S = {espadas, copas, ouros, paus}.

P
R n(S) = 4.
O
B
A
B UNI
I
L
I
D
A Nos exemplos apresentados até aqui fica fácil determinar o espaço
D amostral, porém há casos em que o espaço amostral tem uma
E
quantidade de elementos muito grande. Em casos como estes será
E necessário que você utilize as técnicas de contagem estudadas no
Tópico 1, afinal, para o cálculo de probabilidade, o que interessa é
E
S a quantidade de elementos.
T
A
T
Í Exemplo 4:
S
T
I
C Se você lançar um dado de seis faces duas vezes, qual será o S e o n(S)?
A
Lembre-se do Princípio Fundamental da Contagem, pois você tem duas etapas com
seis maneiras cada uma. Assim, para cada número que sair no primeiro lançamento há seis
opções de números para o segundo lançamento!
S = {(1,1), (1,2),...,(2,3),...,(3,4),...,(4,5),...(5,6),...,(6,6)}
n(S) = 36.
Exemplo 5:
E se você quiser saber o S e o n(S) que resultam do jogo de seis dezenas feito na
mega-sena?
Lembre-se de que você quer saber quantas combinações simples de 6 elementos pode
formar com os 60 números. Sendo assim, para determinar o n(S), basta aplicar a fórmula da
combinação:
, ou seja, o n(S) é 50.063.860.
O S seria o conjunto com todas as 50.063.860 possibilidades de jogos!
UNI
Para os cálculos de probabilidades o n(S) é utilizado, portanto, não

se preocupe com o tamanho do espaço amostral, pois, em casos
como os do exemplo 5, você não precisaria listar as 50.063.860
combinações para determinar o S.
P
R
3 EVENTO O
B
A
O evento é um subconjunto do espaço amostral, ou seja, uma parte de S. O evento pode B
I
ser considerado também o conjunto das respostas esperadas, podendo ser representado por L
I
uma letra maiúscula (A, B,…, Z). Neste caso, o n(A, B,…, Z) identifica o número de respostas D
A
esperadas. Compreenda esta definição também com base em alguns exemplos: D
E
E
Exemplo 1:
E
S
T
Suponha que você lançou um dado e quer saber a probabilidade de sair um número A
T
menor ou igual a três. Í
S
T
I
As soluções são sair o 1 ou o 2 ou o 3 no lançamento do dado. Então o evento pode C
A
ser chamado de A = {1,2,3}. Assim, n(A) = 3, pois há 3 elementos no conjunto A.
Exemplo 2:
E se você sortear, ao acaso, entre as 21 consoantes do alfabeto, alguma que está na

palavra PROBABILIDADE? Veja que na palavra PROBABILIDADE existem as consoantes p,
r, b, l e d. Então, o evento B será sortear, entre as consoantes existentes, as consoantes (p, r,
b, l, d), logo, B = { p, r, b, l, d } e n(B) = 5.
Exemplo 3:
Você deve obter um número ímpar, entre os números de 2 dígitos distintos, que se
podem formar com os dez algarismos de 0 a 9.
Para um número ser ímpar, o dígito da unidade deve terminar em 1, 3, 5, 7 ou 9.

Para calcular pode-se primeiro escolher o dígito da unidade (5 modos) e depois escolher
o dígito da dezena (5 modos). Assim, se o evento fosse identificado como D, n(D) seria 5 ·
5 = 25, ou seja, os números ímpares formados. Da mesma forma, D seria o conjunto dos 25
números ímpares formados.
4 PROBABILIDADE
A probabilidade é uma função que associa um número real, entre 0 e 1, à chance de

ocorrência de um evento qualquer A, dentro de um espaço amostral S. A probabilidade de
ocorrer o evento A é identificada como P(A) e calculada por
P onde:
R
O A = conjunto evento
B
A S = conjunto espaço amostral
B
I
n(A) = número de elementos do conjunto A
L n(S) = número de elementos do conjunto S
I
D P(A) = probabilidade de ocorrer A.
A
D
E
Existem algumas propriedades relacionadas à probabilidade de A, listadas a seguir:
E
E
S (i) 0 ≤ P(A) ≤ 1
T
A
T
Í Se A é subconjunto de S, pode-se afirmar que n(A) ≤ n(S), o que implica que P(A) é
S
T um número entre 0 e 1.
I
C
A
ii) P(S) = 1
Se então P(S) = 1.
iii) Se A = 0 então P(A) = 0

Se A = 0, tem-se n(A) = 0, com isso
iv) , onde A é o conjunto “não A”, chamado de complementar de A.
Veja que, se S é o universo, então os subconjuntos A obedecerão à propriedade:

.
Então:
Compreenda detalhadamente por meio dos exemplos a seguir:
Exemplo 1:
Determine a probabilidade de sortear, ao acaso, uma carta de copas de um baralho

comum.
Solução:
A = sair carta de copas

A = {copas}
S = todos os possíveis naipes de um baralho
S= {copas, espadas, ouros, paus}
n(A) = 1
P
n(S) = 4 R
O
B
A
B
I
L
I

D
A! A
NOT D
E
Um baralho comum tem 52 cartas, divididas em 4 naipes (espadas, E

copas, ouros e paus) e cada naipe possui 13 cartas (2, 3, 4, 5, 6, S
T
7, 8, 9, 10, J, Q, K, A). A
T
Í
S
T
I
C
A
Exemplo 2:
Qual é a probabilidade de a face que cair voltada para cima ser um número menor ou
igual a três, no lançamento de um dado de seis faces?
Solução:
B = sair, no dado, as faces 1 ou 2 ou 3 = {1,2,3}

S = as faces de um dado = {1,2,3,4,5,6}
n(B) = 3
n(S) = 6
Exemplo 3:
Qual é a probabilidade, ao sortear uma letra do alfabeto, de esta ser uma vogal a ou i?
Solução:
C = sortearmos uma vogal = {a, i }

S = o alfabeto completo = {a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p,q,r,s,t,u,v,w,x,y,z}
n(C) = 2
n(S) = 26
P
R
O
B 5 PROBABILIDADE DA UNIÃO DE EVENTOS
A
B
I
L A união de eventos pode ser caracterizada de duas maneiras, pois existem eventos
I
D mutuamente exclusivos e eventos não mutuamente exclusivos. Observe o esquema a seguir
A
D que representa esta diferença:
E
E
S
T
A
T
Í
S
T
I
C
A
Para identificar se o evento é mutuamente exclusivo ou não mutuamente exclusivo, basta

identificar a intersecção entre os eventos. A diferença é que a intersecção pode existir ou não.
Resumindo, eventos mutuamente exclusivos têm intersecção existente, já os não mutuamente
exclusivos não têm intersecção existente, sendo representada pelo conjunto vazio. Segundo
Machado (1986), quando A e B são eventos mutuamente exclusivos, A∩B = conjunto vazio, a
ocorrência de um deles não implica a não ocorrência do outro.
Exemplo 1: Evento mutuamente exclusivo
Considerando um baralho completo (52 cartas), vejamos a probabilidade de sair uma

dama ou um rei.
Eventos:
A = sair dama.
n(A) = 4
B = sair rei.
n(B) = 4
A∩B = conjunto vazio, pois não há carta que é, ao mesmo tempo, dama e rei.
Exemplo 2: Evento não mutuamente exclusivo
Considerando um baralho completo (52 cartas), vejamos a probabilidade de sair uma

carta de paus ou uma dama.
Eventos:
A = sair qualquer carta de paus.
n(A) = 13
B = sair qualquer dama.
n(B) = 4 P
R
A∩B = damas de paus O
B
n(A∩B) = 1, pois existe uma dama de paus no baralho comum. A
B
I
L
Agora, pense o que acontece na união entre os eventos A e B nos dois exemplos I
D
anteriores. Primeiramente, analisaremos o caso do exemplo 1, no qual a intersecção entre A A
D
e B é vazia. E
Unindo os eventos A e B (damas ou reis), qual é o total de cartas diferentes? A resposta E

S
é 8 cartas, 4 damas e 4 reis. Então, você pode pensar que o número de elementos da união T
A
desses dois conjuntos é a soma do número de elementos de cada conjunto: n (A U B) = n (A) T
Í
+ n (B). S
T
I
C
Assim, pela demonstração, a probabilidade de sair uma dama ou um rei, ao retirar-se A
uma carta de um baralho normal, será:
Ou seja, P(A U B) = P(A) + P(B).
Analisando o exemplo 2, perceba que o conceito acima tem que ser ajustado, porque,
unindo os eventos A e B (paus e dama), dá um total de 16 cartas, mas, se fizer n(A) + n(B),
dará 17.
Parece que está errado? Mas não está! Está correto! Veja bem, como a intersecção
no caso acima é vazia, omitiu-se sua interferência no cálculo. Porém, no exemplo 2, como a
intersecção existe, acaba interferindo.
Em relação aos conjuntos não mutuamente exclusivos temos n (A U B) = n (A) + n (B)

– n (A U B).
Pela demonstração a seguir, a probabilidade entre conjuntos não mutuamente exclusivos

é:
P(A ∪ B) = P(A) + P(B) - P(A ∪ B)
Resumindo, a probabilidade da união entre dois eventos A e B será:
P(A U B) = P(A) + P(B) quando A e B são mutuamente exclusivos.
P(A U B) = P(A) + P(B) – P(A ∩ B) quando A e B são não mutuamente exclusivos.
P
R Exemplo 3:
O
B
A
B Numa urna, há 10 bolas verdes, 8 azuis e 4 brancas. Qual é a probabilidade de uma
I
L
bola azul ou branca ser retirada, ao acaso?
I
D
A Solução:
D
E
E A = sair bola azul.

E n(A) = 10, pois há 10 bolas desta cor na urna.
S
T B = sair bola branca.
A
T n(B) = 4, pois há 4 bolas desta cor na urna.
Í
S S = todas as bolas da urna.
T
I n(S) = 22, pois há 10 verdes, 8 azuis e 4 brancas.
C
A A∩B = bola branca e azul ao mesmo tempo.
n(A∩B) = 0, pois não há bola assim na urna.
Como a intersecção é vazia, os eventos são mutuamente exclusivos. Então, a

probabilidade de sair bola azul ou branca é dada pela união dos eventos A e B.
Exemplo 4:
Numa empresa há 150 funcionários. Foi ofertada a possibilidade da prática de esportes

uma vez por semana nas quadras da empresa. Entre as várias opções de esportes que cada
funcionário pôde escolher, 80 escolheram futebol e 25 escolheram basquete. Sabe-se que 10
desses funcionários praticam os dois esportes. Qual a probabilidade de sortear, ao acaso, um
funcionário dessa empresa que pratica basquete ou futebol?
Solução:
A = pratica futebol · n(A) = 80.

B = pratica basquete · n(B) = 25.
A ∩ B = pratica basquete e futebol · n(A ∩ B) = 10.
S = todos os funcionários da empresa.
n(S) = 150.
Como a intersecção não é vazia, temos um caso de eventos não mutuamente exclusivos.
Com isso, a probabilidade da união dos eventos A com B será:
P
R
O
UNI B
A
B
I
L
Se na pergunta do exercício de probabilidade aparecer a conjunção I
D
OU entre os eventos, como nos exemplos anteriores, você deverá A
calcular a união entre os eventos envolvidos. D
E
E
S
T
A
T
Í
S
T
I
C
A
6 PROBABILIDADE CONDICIONADA
Mas, e se você quiser calcular a probabilidade de ocorrerem eventos seguidos? Por

exemplo, se você jogar mais de uma vez um dado? Como você vai calcular a probabilidade?
Nesses tipos de problemas, em que os eventos são repetidos algumas vezes, podem existir
casos com reposição ou casos sem reposição. Acompanhe esta diferença e o cálculo para
estes casos nos exemplos a seguir.
Exemplo 1:
Considere um lote de 200 peças, no qual 190 são perfeitas e 10 têm defeitos. Qual a
probabilidade de retirar, ao acaso, duas peças com defeito desse lote?
A = retirar a primeira peça com defeito

B = retirar a segunda peça com defeito
Com reposição:
Você tira a primeira peça, devolve-a ao lote novamente antes de tirar a segunda
peça. Observe que e a peça tirada é reposta no lote
Sem reposição:
P
A primeira peça retirada do lote não participa do sorteio para a retirada da segunda peça.
R Sendo assim, P(A) não muda, ou seja, P(A) = 0,05. Mas, como a peça retirada não é reposta,
O
B restam 9 peças defeituosas de um total de 199 peças, então: .
A
B
I
L De um baralho de 52 cartas, foram retiradas, aleatoriamente e sem reposição, duas
I
D cartas. Sabendo que a primeira carta retirada é de espadas, qual é a probabilidade de a segunda
A
D carta ser uma dama vermelha?
E
E
Neste caso, a segunda probabilidade (B) é influenciada pela ocorrência da primeira (A),
E
S o que caracteriza uma probabilidade condicionada, chamada P(B/A) (lê-se: probabilidade de
T
A B se ocorreu o evento A).
T
Í
S Para calcular P(B/A), basta saber que você está calculando P(B) em relação ao espaço
T
I amostral A, e não ao espaço amostral S.
C
A
Suponha que ocorreu o evento A, ou seja, já foi feita a primeira etapa do processo (foi
retirada uma carta de espadas). Como você vai calcular a probabilidade de ocorrer B, sendo
que já ocorreu A, ou seja, P(B/A)?
Basta imaginar que o espaço amostral é o conjunto A e que a única maneira de ocorrer
elementos de B no conjunto A é na intersecção dos dois. Então:
Ou seja: .
Analisando a situação do exemplo tem-se que .
Para chegar ao resultado, usando a fórmula , tem-se:
B: sair dama vermelha (na segunda retirada).

A: sair carta de espadas (na primeira carta).
n(S) = 52
n(A) = 13
P(A) = 13/52
n(A∩B) = 1
P(A∩B) = 1/52
P
Exemplo 3: R
O
B
A
Em um grupo de 40 estudantes do Ensino Médio existem as seguintes características: B
I
L
SEXO I
IDADE TOTAL D
M F A
D
Menos de 15 anos 15 12 27 E
Mais de 15 anos 5 8 13
E
TOTAL 20 20 40
E
S
T
Qual é a probabilidade de sortear, ao acaso, entre os estudantes, um menino, sabendo A
T
que ele tem mais de 15 anos? Í
S
T
I
C
A
Solução:
Olhando o quadro, sabemos que a probabilidade é , onde B é o evento de
ser menino e, nesse caso, o espaço amostral desconsidera as meninas, pois se afirma que o
sorteado é menino!
Também deve ser feito o cálculo de P(B/A), onde A é o evento de ser menino e B o
evento de ter mais de 15 anos:
Veja que das duas maneiras o resultado é o mesmo.
7 TEOREMA DA MULTIPLICAÇÃO
O Teorema da Multiplicação permite calcular a probabilidade de ocorrência simultânea

de dois eventos a partir das probabilidades condicionais.
A partir da fórmula P(B/A) do cálculo da probabilidade condicionada, tem-se:
P(A ∩ B) = P(A) · P(B/A) ou P(A ∩ B) = P(B) · P(A/B)
Levando em consideração o exemplo 1 (das peças), do item anterior, considere um lote

de 200 peças, no qual 190 são perfeitas e 10 têm defeitos.
P
R
O Qual é a probabilidade de serem retiradas, ao acaso, duas peças com defeito desse
B
A
lote? A probabilidade de retirada, sem reposição, de duas peças com defeito é dada por:
B
I
L A = retirar a primeira peça com defeito.
I
D B = retirar a segunda peça com defeito.
A
D
E
E
S
T
A
T
Í Calcular é fácil, pois como a primeira peça retirada tinha defeito, ficaram
S
T
I
ainda 9 peças com defeito e 190 peças perfeitas.
C
A
No caso particular, em que os eventos são independentes (com reposição), e o evento

anterior não afeta a probabilidade do evento posterior (caso a, do item 5), temos que
P(B/A) = P(B), então, P(A ∩ B) = P(A) · P(B).
Para Lipschutz (1993) um evento B é dito independente de um evento A, se a

probabilidade de B ocorrer não é influenciada pelo fato de A ter ocorrido ou não. Assim, a
probabilidade de retirar, com reposição, duas peças com defeito é:

Assim, .
Nos exemplos a seguir, você poderá identificar outros casos com e sem reposição.
ÇÃO!
ATEN
Fique atento(a) ao uso do e e do ou para detectar se é ou não um

caso de intersecção.
Exemplo 1:
Qual é a probabilidade de, em duas retiradas com reposição, saírem duas cartas de
copas de um baralho normal?
Solução:
P
R
O
Calcule a probabilidade de sair copas na primeira carta e copas na segunda carta. B
Lembre que o e representa um caso de intersecção! A
B
I
L
A = sair a primeira carta de copas. I
D
n(A) = 13, pois há 13 cartas deste naipe no baralho. A
D
B = sair a segunda carta de copas. E
n(B) = 13, pois há 13 cartas deste naipe no baralho. E
E
S
Como o problema é com reposição, o primeiro evento A não influencia o evento T
A
secundário B, ou seja, eles são independentes. Veja: T
Í
S
T
I
C
A
Exemplo 2:
Qual é a probabilidade de, em duas retiradas sem reposição, saírem duas cartas de
copas de um baralho normal?
Solução:
Mesmo que agora o segundo evento B seja influenciado pelo primeiro evento A, pois
não há a reposição da primeira carta de copas, o objetivo é calcular a probabilidade de sair
copas na primeira carta e sair copas na segunda carta. Veja que novamente há um caso de
intersecção de eventos!
A = sair a primeira carta de copas.

n(A) = 13, pois há 13 cartas deste naipe no baralho.
B = sair a segunda carta de copas.
n(B) = 12 e
n(S) = 51, pois o evento é sem reposição, e o evento A influencia no evento B e no
espaço amostral S.
Exemplo 3:
Uma urna contém 2 bolas pretas e 3 bolas brancas. Qual é a probabilidade de retirar
duas bolas, ao acaso e sem reposição, e sair uma bola branca e uma preta?
Solução:
P
R Nesse caso, fique atento(a) à ordem em que as bolas estão saindo, pois pode-se obter
O
B a bola branca na primeira retirada e a bola preta na segunda retirada ou ao contrário. São dois
A
B casos, veja:
I
L
I 1º caso:
D
A A = sair bola branca na primeira retirada.
D
E B = sair bola preta na segunda retirada.
E
E
S
T
A
T 2º caso:
Í
S B = sair bola preta na primeira retirada.
T
I A = sair bola branca na segunda retirada.
C
A
Juntando os dois casos, devido à conjunção alternativa ou, temos:
P[(A ∩ B) U (B ∩ A)] = 0,3 + 0,3 = 0,6
NOT
A!

É possível chegar à resposta 0,6 multiplicando o primeiro caso por
2. Esse número representa a quantidade de combinações possíveis
de A e B.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
RESUMO DO TÓPICO 2
• Espaço Amostral (chamado S) é o conjunto de todas as soluções possíveis relativas a um

experimento qualquer.
• Evento é uma parte do Espaço Amostral.
• A probabilidade de ocorrer um evento A é identificada como:

• A probabilidade da união entre dois eventos A e B será:

P(A ∪ B) = P(A) + P(B), se A e B são mutuamente exclusivos
P(A ∪ B) = P(A) + P(B) - P(A ∩ B), se A e B são não mutuamente exclusivos
• A probabilidade de ocorrer o evento B, dado que ocorreu o evento A, é:

• A probabilidade de ocorrer o evento A e B é:

P(A ∩ B) = P(A). P(B/A), se A e B são eventos dependentes
P(A ∩ B) = P(A). P(B) se A e B são eventos independentes
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A

IDADE
ATIV
AUTO
Agora, acadêmico(a), é a sua vez de exercitar o que aprendeu até aqui. Lembre-se
de que você tem à disposição no “Material de Apoio” do Ambiente Virtual de Aprendizagem
os gabaritos das autoatividades. Consulte-os sempre que necessário.
1 Se você tiver em mãos um baralho comum de 52 cartas, determine a probabilidade

de, ao retirar aleatoriamente uma carta do baralho, você pegar:
a) Uma carta vermelha.
b) Um rei.
c) Um 6 de espadas.
d) Um 10 vermelho ou um 4 preto.
e) Uma figura (J, Q ou K).
2 Suponha que você lançou um dado equilibrado apenas uma vez. Determine então a
probabilidade de a face de cima conter:
a) Um 3.
b) Um número par.
c) Um número ímpar.
d) Um número menor que 6.
P
3 Agora, suponha que você lançou um dado equilibrado duas vezes e observou a face R
O
que caiu voltada para cima. Determine: B
A
a) Os elementos do espaço amostral. B
I
b) Os elementos do evento B: sair soma 7 em suas faces. L
I
c) Os elementos do evento C: sair o mesmo número em ambas as faces. D
A
d) Os elementos do evento D: sair soma menor que 10 em suas faces. D
E
e) Os elementos do evento E: sair soma maior que 12 em suas faces.
E
E
4 No famoso jogo de loteria, a mega-sena, são sorteadas 6 dezenas. Você pode montar S
T
seu jogo escolhendo algumas entre as 60 dezenas. Suponha que você escolheu 10 A
T
dezenas, qual é a probabilidade de você acertar: Í
S
a) 4 dezenas? T
I
b) 5 dezenas? C
A
c) 6 dezenas?
5 Você jogou dois dados perfeitos e pretende analisar a soma das faces voltadas para
cima. Qual é a probabilidade de essa soma ser 6?
6 Num sorteio de um número natural de 1 a 150, qual é a probabilidade de sair um

número múltiplo de 10 ou de 15?
7 No lançamento simultâneo de um dado honesto e uma moeda honesta, qual é a

probabilidade de se obter um 5 ou uma cara?
8 Uma urna contém 9 bolas verdes numeradas de 1 a 9 e 6 bolas azuis numeradas de

10 a 15. Se você, ao acaso, retirar uma das bolas, qual será a probabilidade:
a) De sair uma bola verde?
b) De sair uma bola com número ímpar?
c) De sair uma bola azul com número par?
9 Uma máquina produziu 200 peças, das quais 25 estavam com defeito. Ao retirar,
aleatoriamente, 4 peças, com reposição, qual é a probabilidade de que:
a) Todas sejam perfeitas?
b) Todas tenham defeito?
c) Pelo menos uma seja perfeita?
d) Pelo menos uma tenha defeito?
10 Numa sala de aula com 28 estudantes, 15 são meninos e 12 são morenos, dos quais
7 são meninas. Escolhendo um estudante ao acaso, qual é a probabilidade de ele
ser moreno ou menina?
1
2
11 A probabilidade de que o filho de um casal nasça com olhos verdes é . Se o casal
3
4
P
R tiver três filhos, qual é a probabilidade de todos terem olhos verdes? E de nenhum
O
B
ter olhos verdes? E de pelo menos um ter olhos verdes?
A
B
I 12 Um grupo de 83 estudantes apresenta, de acordo com o sexo e a altura, a seguinte
L
I situação:
D
A
D
E
Menos de 1,40 m De 1,40 m a 1,60 m Mais de 1,60 m
Meninos 15 12 8
E Meninas 11 24 13
E
S
T Escolhendo uma pessoa desse grupo ao acaso, determine:
A
T a) A probabilidade de ser um menino.
Í
S b) A probabilidade de ser uma menina com menos de 1,40 m.
T
I c) A probabilidade de ser um menino, se o escolhido tiver de 1,40 m a 1,60 m.
C
A d) A probabilidade de ser uma menina, se o escolhido tiver no máximo 1,60 m.
13 Uma prova é composta por 15 questões e cada uma possui 4 alternativas, das quais
apenas uma é correta. Para alguém que esteja respondendo aleatoriamente uma
alternativa em cada questão, qual é a probabilidade de:
a) Acertar as 15 questões?
b) Errar as 15 questões?
c) Acertar 1
2 das questões?
3
4
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1
TÓPICO 3
TEOREMA DE BAYES
1 INTRODUÇÃO
Como você estudou no tópico anterior, a probabilidade está presente em diversas

situações do seu cotidiano e há diferenciadas maneiras de calcular e prever como os eventos
ocorrerão. Uma das opções de cálculo mais usadas pelos estatísticos nas previsões ainda hoje
é a que foi desenvolvida no século XVIII por Thomas Bayes (1702-1761). A ideia de Thomas
Bayes para o cálculo de probabilidades ficou conhecida como Teorema de Bayes.
Com este teorema, Bayes inseriu certa subjetividade na previsão de um evento, ou

seja, para ele a opinião de quem manuseia os números está presente de modo significativo
nos cálculos. Essa opinião é baseada nas informações que você tem sobre as condições de
ocorrer o evento, e certamente vão influenciar a previsão.
Por exemplo, numa disputa de cara ou coroa, você certamente concorda que a chance
de ganhar é de 50%. Mas se a moeda for jogada três vezes, segundo Bayes, a previsão deve P
R
ser ajustada a cada jogada. Imagine que nas duas primeiras jogadas deu ‘cara’, então a chance O
B
para a terceira jogada não será mais de 50%. A
B
I
L
Outro exemplo comum do que propôs Bayes é o possível resultado de um jogo de I
D
futebol. Se você quer prever a chance de um time A vencer um time B, deve levar em conta as A
D
informações que se têm sobre resultados das partidas anteriores, como, por exemplo, quantas E
vezes A venceu B e vice-versa, além de levar em consideração as opiniões de especialistas E
sobre o jogo, sobre os times, sobre o campeonato e sobre os jogadores.
E
S
T
Usar o cálculo da probabilidade é justamente fazer palpites sobre determinados eventos, A
T
se vão ocorrer ou não. Apesar de estar baseado rigidamente na lógica e na razão, o Teorema Í
S
de Bayes passou por várias controvérsias à medida que os estudos sobre probabilidade e T
I
estatística evoluíam. Ainda hoje Bayes é criticado por incluir a subjetividade no ajuste dos C
A
cálculos. Sob o ponto de vista dos matemáticos conservadores e focados na objetividade,

basear-se no “achismo” e na intuição não é correto.
Atualmente o Teorema de Bayes pode ser aplicado em quase todas as áreas do

conhecimento, nas pesquisas científicas ou no cotidiano das pessoas. Autoridades de saúde
pública não podem deixar de usar os cálculos probabilísticos na previsão de alcance de uma
epidemia. As economias mundiais não vivem mais sem a previsão de inflação, desemprego
ou da alta ou baixa da cotação das moedas. Apesar de sempre terem sido criticados, Thomas
Bayes e suas ideias continuam desafiando a intuição e o “achismo” nas apostas e palpites
diários.
2 TEOREMA DE BAYES
Com base no que você estudou até aqui, lembre-se de que a probabilidade condicional
permite obter a probabilidade de ocorrer um evento A, dado que ocorreu o evento B anterior a
A. Porém, você também pode querer saber o contrário, ou seja, a probabilidade de um evento
anterior A ter ocorrido, sabendo que um evento posterior B ocorreu.
Sendo assim, o Teorema de Bayes relaciona a probabilidade de ocorrer um evento

posterior à probabilidade de um evento anterior ter ocorrido.
Seja um espaço amostral S subdividido em vários eventos A1, A2, A3,..., Ak que
satisfazem as propriedades:
a) Ai ∩ Aj = ∅, para i ≠ j em que todos os eventos Ai são mutuamente exclusivos.

P
R k
O
B
b) UA = S em que a união de todos os eventos Ai é igual ao espaço amostral.
i=1 i
A
B
I c) P(Ai) > 0, para todo i em que a probabilidade de qualquer evento Ai é maior que zero.
L
I
D
A Além disso, B é um evento qualquer de S.
D
E
E Observe um caso particular de k = 4 e depois entenda a generalização da ideia.

E
S
T
A
T
Í
S
T
I
C
A
Observe que a probabilidade de ocorrer o evento B, representado na figura pela área

elíptica mais escura, é:
P(B) = P(B ∩ A1) + P(B ∩ A2) + P(B ∩ A3) + P(B ∩ A4) (a)
Essa igualdade é válida porque todos os Ai são mutuamente exclusivos dois a dois.
Observe, ainda, que a probabilidade de ocorrer o evento B, dado que ocorreu, por exemplo,
o evento A1 é ou que a probabilidade de ocorrer B e A1 é P(B ∩ A1)

= P(A1) · P(B/A1).
Portanto, a probabilidade de ocorrer B e Ai será:
P(B ∩ A1) = P(A1) · P(B/A1) (b)
Substituindo (b) em (a), temos:
P(B) = P(A1) · P(B/A1) + P(A2) · P(B/A2) + P(A3) · P(B/A3) + P(A4) · P(B/A4)
Para saber a probabilidade de ocorrer, por exemplo, A1, dado que ocorreu B, é:
Generalizando para k € N, sendo k ≥ 1, tem-se a fórmula do Teorema de Bayes:
O Teorema de Bayes também revela o Teorema da Probabilidade Total, no denominador,

e representa a probabilidade de ocorrer o evento B.
P
R
O
B
A
B
3 EXEMPLOS DE APLICAÇÕES DO TEOREMA DE BAYES I
L
I
D
A
Exemplo 1: D
E
E
Imagine que você está diante de duas urnas. Uma urna (U1) contém 4 bolas amarelas
E
e 3 pretas. Uma segunda urna (U2) contém 6 bolas amarelas e 2 pretas. Escolhe-se uma S
T
urna ao acaso e dela se retira uma bola ao acaso, verificando que ela é amarela. Qual é a A
T
probabilidade de ela ter vindo da urna U1? Í
S
T
I
Resolução: C
A
Lembrando que existem duas urnas, considere A o evento: sair bola amarela.
- A probabilidade de escolher uma das urnas é 1/2.

P(U1) = P(U2) = 1/2.
- A probabilidade de sair bola amarela, dado que se escolheu a U1, é 4/7. P(A/U1) = 4/7
- A probabilidade de sair bola amarela, dado que se escolheu a U2, é 6/8.

P(A/U2) = 6/8 = 3/4
Você quer saber a probabilidade de a bola ter vindo da U1, dado que saiu uma bola
amarela, ou seja, P(U1/A) = ?
Aplique o Teorema de Bayes:
Como a probabilidade de escolher as urnas é igual, a probabilidade de a bola sorteada

ter saído da U2 é maior que a probabilidade de ela ter saído da U1, pois a P(A/U2) é maior
que a P(A/U1).
Exemplo 2:
Considerando os mesmos números do exemplo 1, qual é a probabilidade de a bola

P
R escolhida ser amarela?
O
B
A
B Resolução:
I
L
I
D
A = sair bola amarela.
A
D
E Você deverá calcular a probabilidade de ocorrer A, mas lembre-se de que A é um
E conjunto dividido em duas partições do espaço amostral. Há uma parte das bolas brancas em
E U1 e outra parte em U2. Assim:
S
T
A
T
Í
S
T
I Veja que o que se fez foi apenas aplicar o Teorema da Probabilidade Total. A resposta
C
A é igual ao denominador do Teorema de Bayes, do exemplo 1, confira.
Exemplo 3:
Uma empresa possui 4 máquinas que fazem os mesmos tipos de peças (X, Y, Z) e que
se distinguem pela nacionalidade. A probabilidade das peças defeituosas de cada máquina é
apresentada no seguinte quadro:
Probabilidade de peças defeituosas

Nacionalidade da máquina
X Y Z
Americana 0,15 0,21 0,10
Brasileira 0,10 0,20 0,15
Chinesa 0,12 0,18 0,20
Dinamarquesa 0,15 0,11 0,15
Escolhendo uma máquina, ao acaso, e retirando aleatoriamente uma peça, verificou-se

que é uma peça do tipo Y com defeito. Qual é a probabilidade de essa peça ter sido produzida
pela máquina brasileira?
Resolução:
Admitindo que cada máquina tem a mesma chance de ser escolhida, tem-se que: P(A)
= P(B) = P(C) = P(D) = 1/4 = 0,25.
A 3ª coluna do quadro anterior indica a probabilidade de a peça Y com defeito ser

produzida por uma dada máquina. Então, as probabilidades condicionais da peça Y defeituosa
de cada máquina são:
P(Y/A) = 0,21 P(Y/B) = 0,20 P(Y/C) = 0,18 P(Y/D) = 0,11.
Assim, a probabilidade de a peça Y ter sido produzida pela máquina brasileira, dado
P
que a peça é defeituosa, é: R
O
B
A
B
I
L
I
D
A
D
Assim, pode-se calcular, da mesma maneira, a probabilidade de a peça Y ter sido E
produzida em qualquer outra máquina, dado que a peça é defeituosa. E
E
S
T
A
T
Í
S
T
I
C
A
NOT
A!

O denominador (0,175), que é o mesmo em todos os casos,
representa a probabilidade de escolher, ao acaso, uma peça Y com
defeito. Observe que a soma das probabilidades das quatro máquinas
é 1.
Analisando as quatro probabilidades calculadas anteriormente, veja que a peça Y com

defeito tem mais chance (30%) de ter sido produzida pela máquina americana do que qualquer
uma das outras.
Esse fato também poderia ter sido percebido analisando o quadro de probabilidade
de peças defeituosas, uma vez que a probabilidade de escolher as máquinas é igual e a
probabilidade de a máquina americana produzir uma peça Y defeituosa P(Y/A) é maior do que
a das outras máquinas.
Agora se, ao invés de a empresa ter comprado a máquina chinesa, tivesse optado por
mais uma dinamarquesa, será que a peça Y com defeito teria mais chance de ter sido produzida
pela máquina americana? Verifique isso no seguinte exemplo.
Exemplo 4:
Considerando a mesma situação do exemplo 3, mas com duas máquinas dinamarquesas,

qual máquina tem mais chance de ter produzido a peça Y com defeito?
Probabilidade de peças defeituosas

Nacionalidade da máquina
P X Y Z
R
O Americana 0,15 0,21 0,10
B Brasileira 0,10 0,20 0,15
A
B Dinamarquesa 0,15 0,11 0,15
I Dinamarquesa 0,15 0,11 0,15
L
I
D
A Resolução:
D
E
E Veja que aumentou a chance de a máquina escolhida ser a dinamarquesa:

1
E P(A) =
S
4
T 1
A P(B) =
T 4
Í
S 1
P(D) =
T 2
I
C
A
As probabilidades condicionais continuam as mesmas:

P(Y/A) = 0,21 P(Y/B)= 0,20 P(Y/D) = 0,11.
Calculando a probabilidade de a peça Y ter sido produzida por cada uma das máquinas,
dado que a peça é defeituosa:
Apesar de a máquina americana ter maior probabilidade de produzir uma peça Y

defeituosa, a peça Y com defeito tem mais chance (34,92%) de ter sido produzida pela máquina
dinamarquesa.
Isso não quer dizer que o fato de haver mais máquinas do tipo dinamarquesa sempre
contribuirá para que isso aconteça, pois, se a probabilidade de a máquina dinamarquesa
produzir uma peça Y defeituosa P(Y/D) fosse de 0,10, a peça Y com defeito teria mais chance
de ter sido produzida pela máquina americana.
Leia agora um fragmento do artigo publicado na revista CIÊNCIA HOJE, de Sérgio

Danilo Pena, do Departamento de Bioquímica e Imunologia, da Universidade Federal de Minas
Gerais.
LEITURA COMPLEMENTAR
P
R
THOMAS BAYES: O ‘CARA’! O
B
Sérgio Danilo Pena A
[...] B
I
L
I
Milagres: ocorrem ou não? D
A
D
E
A possibilidade da ocorrência de milagres e a crença neles têm historicamente sido
E
objeto de análise científica e filosófica. O local clássico da discussão moderna e contemporânea
E
sobre milagres é o décimo capítulo (‘Dos milagres’) de um livro de 1748, Investigação acerca S
T
do entendimento humano, do filósofo e historiador escocês David Hume (1711-1776). Nesse A
T
capítulo, ele diz: “Não há testemunho suficiente para fundamentar um milagre, a menos que o Í
S
testemunho seja tal que a sua falsidade seria ainda mais miraculosa que o fato que se pretende T
I
estabelecer.” C
A
Esse raciocínio – na minha modesta opinião – é perfeitamente correto do ponto de

vista bayesiano. O que Hume diz é que a probabilidade a priori de que um milagre tenha
acontecido é tão pequena que só uma probabilidade condicional enorme pode tornar o milagre
crível. Outros autores, como o filósofo norte-americano John Earman, não concordam com
essa interpretação, e certamente pessoas religiosas também vão discordar, pois com base em
sua fé elas ajustarão subjetivamente a probabilidade a priori para níveis bem maiores que os
imaginados por alguém não religioso.
Em 2005, o periódico Public Library of Sciences (PLoS) – Medicine – publicou um

artigo do epidemiologista grego John Ioannidis, intitulado ‘Por que a maioria dos resultados
científicos publicados são falsos’ (http://medicine.plosjournals.org/perlserv/? request=get-
document&doi=10.1371/journal.pmed.0020124), que causou sensação no meio médico. Um
dos argumentos do artigo é, de certa forma, análogo ao dos milagres citado acima. Vejamos: é
prática rotineira, embora mal justificada, usar em testes estatísticos de estudos científicos um
nível de significância (limite para a chance de os resultados obtidos terem ocorrido ao acaso) de
5%. Mas em geral não é levada em conta a probabilidade a priori de o achado ser verdadeiro.
Muitas vezes essa probabilidade inicial é tão pequena que um nível de significância de 5%
não é nem de longe suficiente para a sua reversão. Imaginemos, em um exercício mental, a
hipótese fantasiosa de que a vitamina C constitui uma cura para o câncer.
Para testar isso, estudamos um grupo de 200 indivíduos com câncer, distribuídos
aleatoriamente em dois grupos de 100. Um grupo é tratado por três meses com vitamina C,
de modo duplo-cego (paciente e pesquisador não sabem se o que é dado ao primeiro contém
mesmo a vitamina, o que é controlado à parte). O outro grupo é tratado com um placebo
(substância sem qualquer efeito). Ao final, descobre-se que o câncer não progrediu em 65
dos pacientes que de fato tomaram a vitamina C, e que o mesmo aconteceu a 50 dos que
não tomaram a vitamina. Um teste estatístico confirma que essa diferença é significativa ao
nível de 5% (porque a chance de que seja fruto do acaso é menor que 5%). Com base nisso,
P
R é possível escrever um artigo científico defendendo a hipótese de que a vitamina C tem ação
O
B contra o câncer.
A
B
I
L
Esse procedimento está correto? Obviamente, não. O problema, nesse caso, é que
I não foi levado em conta o consenso, existente na literatura médica e baseado em inúmeros
D
A experimentos semelhantes, de que a vitamina C não cura o câncer. Assim, a probabilidade a
D
E priori de que um estudo isolado revele uma verdade oculta e revire os cânones da medicina é
E infinitesimalmente pequena. A não ser que a evidência experimental seja fabulosamente forte,
E é melhor ficar calado.
S
T
A
T [...]
Í
S
T FONTE: PENA, Sérgio Danilo. Revista Ciência Hoje, Rio de Janeiro, v. 38, n. 228, p. 22-29, 2006.
I Disponível em: <http://www.ime.usp.br/~abe/lista/pdfqEjLYxHl2w.pdf>. Acesso em: 18 dez. 2011.
C
A
RESUMO DO TÓPICO 3
• O Teorema de Bayes: a probabilidade de ocorrer um anterior evento Ai, dado que ocorreu
um evento posterior B, é:
P(Ai/B) = P(Ai).P(B/Ai)
P(A1).P(BA1)+P(A2).P(B/A2)+...+P(Ak).P(B/Ak)
• O Teorema da Probabilidade Total (denominador do Teorema de Bayes): a probabilidade de

ocorrer o evento B é:
P(A1).P(B/A1)+P(A2).P(B/A2)+...+P(Ak).P(Ak)
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A

IDADE
ATIV
AUTO
Agora, acadêmico(a), é a sua vez de exercitar o que aprendeu até aqui.

Lembre-se de que você tem à disposição no “Material de Apoio” do Ambiente Virtual de
1 Uma caixa em forma de urna contém 5 bolas azuis e 3 rosa. E uma segunda caixa
contém 3 bolas azuis e 2 rosa. Se uma bola branca é sorteada ao acaso, qual é a
probabilidade de ela ter vindo da primeira caixa?
2 Três empresas de brinquedos, A, B e C, produziram, respectivamente, 40%, 50% e

10% do total de brinquedos de uma escola. A porcentagem de brinquedos defeituosos
da fábrica A é 3%, da fábrica B é 5% e da fábrica C é 2%. Uma criança recebeu, ao
acaso, um brinquedo defeituoso. Qual é a probabilidade de que essa peça tenha
vindo da fábrica B? Qual das empresas tem mais chance de ter fabricado a peça
defeituosa?
3 Considerando os dados da questão anterior, determine qual é a probabilidade de

uma criança receber um brinquedo defeituoso.
P 4 Uma urna contém 9 bolas: 3 pretas, 1 branca e 5 vermelhas. Uma segunda urna
R
O contém 9 bolas: 4 bolas pretas, 3 brancas e 2 vermelhas. E uma terceira urna contém
B
A 8 bolas: 2 pretas, 3 brancas e 3 vermelhas. Escolheu-se uma urna, ao acaso, e dela
B
I se extraiu uma bola, ao acaso. Verificando-se que a bola sorteada é branca, qual é
L
I a probabilidade de a bola ter saído da terceira urna?
D
A
D 5 O proprietário de uma facção estima que uma roupa feita por um funcionário
E
experiente tem 90% de chance de não apresentar defeito e que uma roupa feita
E
por um funcionário novato tem 50% de chance de não apresentar defeito. Se uma
E
S roupa selecionada ao acaso apresentar defeito, determine a probabilidade de ela
T
A ter sido feita por um funcionário novato, sabendo-se que 2/3 das roupas são feitas
T
Í por funcionários experientes.
S
T
I
C
A
6 Segundo um professor de probabilidade, a chance de um aluno se dar bem numa

prova é de 80% se estudou e 50% se não estudou. Se um determinado aluno não
estuda para 15% das provas que realiza, qual será a probabilidade de esse aluno
se dar bem na prova?
7 Considerando os dados da questão anterior, qual é a probabilidade de o aluno ter

estudado, dado que ele se deu bem na prova?
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 1
TÓPICO 4
COMBINATÓRIA E PROBABILIDADE
NO ENSINO
1 INTRODUÇÃO
Atualmente, a Combinatória é um ramo da Matemática que permite resolver problemas

em que é necessário contar e organizar os objetos de um conjunto. Durante algum tempo,
foi apenas uma ferramenta para efetuar alguns cálculos e era identificada como uma simples
“contagem”. Conforme afirma Berge (1971, p. 10), “[...] a preocupação mais antiga da
combinatória eram os problemas de contagem”.
O ensino de Combinatória, que inclui o estudo dos arranjos, das permutações e das
combinações, inicia, geralmente, apenas no Ensino Médio. Basta você se lembrar de suas
aulas de matemática no Ensino Médio para saber que estes conteúdos acabam sendo difíceis
para muitos estudantes. Mecanicamente, eles tentam descobrir se o problema exige a fórmula
do arranjo, da permutação ou da combinação para que se chegue a uma solução.
Este conteúdo, ao ser trabalhado em forma de situações-problema, acaba gerando P

R
dificuldades e dúvidas em relação à interpretação de seus enunciados, pois exige flexibilidade O
B
de pensamento, ou seja, para resolvê-los é necessário parar, concentrar, discutir e pensar. A
B
I
L
Outra ação frequente dos estudantes é traçar as possibilidades de resolução escrevendo I
D
listas de possibilidades, sem organização alguma, o que acaba confundindo-os na contagem A
D
final das possibilidades. Até porque, em muitos casos, o conjunto é excessivamente grande para E
se fazer essa contagem manual dos elementos, e é justamente por isso que são necessários E
outros processos de contagem.
E
S
T
De acordo com os Parâmetros Curriculares Nacionais (PCN) para o Ensino Médio, a A
T
Combinatória é vista da seguinte maneira: Í
S
T
I
As habilidades de descrever e analisar um grande número de dados, realizar C
inferências e fazer predições com base numa amostra de população, aplicar A
as ideias de probabilidade e combinatória a fenômenos naturais e do cotidia-

no são aplicações da Matemática em questões do mundo real que tiveram
um crescimento muito grande e se tornaram bastante complexas. Técnicas e
raciocínios estatísticos e probabilísticos são, sem dúvida, tanto das Ciências
da Natureza quanto das Ciências Humanas. Isso mostra como será impor-
tante uma cuidadosa abordagem dos conteúdos de contagem, estatística e
probabilidade no Ensino Médio, ampliando a interface entre o aprendizado da
Matemática e das demais ciências e áreas. (BRASIL, 2000, p. 44-45).
Os PCN do Ensino Fundamental, por sua vez, apresentam um diferencial no estudo

dos números, operações, espaço, formas, grandezas e medidas. O que eles propõem é a
utilização de conteúdos que permitam tratar as informações que os alunos recebem todos os
dias, levando-os a aprender a lidar com dados estatísticos, tabelas, gráficos e a utilizar ideias
relativas à probabilidade e à combinatória.
Nos PCN os conteúdos de estatística, probabilidade e combinatória estão presentes

no bloco de estudos intitulado Tratamento da Informação. Segundo o documento, fazem parte
deste bloco:
[...] noções de estatística, de probabilidade e de combinatória. Evidentemente,

o que se pretende não é o desenvolvimento de um trabalho baseado na defi-
nição de termos ou de fórmulas envolvendo tais assuntos [...] Relativamente
à combinatória, o objetivo é levar o aluno a lidar com situações-problema que
envolvam combinações, arranjos, permutações e, especialmente, o princípio
multiplicativo da contagem. (BRASIL, 1997, p. 40).
NOT
A!

O princípio multiplicativo da contagem também pode ser chamado
de princípio fundamental da contagem.
P
R
O
B
A
B Com isso, você pode concluir que os documentos oficiais que regem o ensino evidenciam
I
L a importância do ensino e da aprendizagem da Combinatória e da Probabilidade, desde as
I
D séries iniciais, aprofundando-os a cada nível de ensino. O contato do estudante, sobretudo com
A
D a Combinatória, desde as séries iniciais servirá para que ele se familiarize com os problemas.
E
Com isso, o estudante aprenderá a descrever e contar as possibilidades utilizando uma
E
representação de sua escolha, sem se prender às regras inicialmente. Desta maneira, este
E
S estudante adquirirá uma forma ordenada para a resolução de problemas de Combinatória, o
T
A
que certamente acarretará uma formalização no Ensino Médio.
T
Í
S Uma possibilidade para introduzir a noção de Combinatória já no Ensino Fundamental,
T
I tanto nas Séries Iniciais quanto nas Finais, é a utilização de situações que envolvam o Princípio
C
A
Fundamental da Contagem. Com isso, o estudante, por meio de raciocínios inicialmente

simples, poderá posteriormente explorar problemas complexos com mais facilidade, sobretudo
no Ensino Médio. Na seção seguinte você verá e entenderá como situações simples podem
ser trabalhadas facilmente em sala de aula no Ensino Fundamental.
2 ALGUNS EXEMPLOS DE ATIVIDADES JÁ

REALIZADAS DE COMBINATÓRIA
A seguir, você verá algumas atividades de Combinatória já realizadas em sala de aula.

É interessante identificar a resolução no relato dos estudantes, sobretudo para compreender
o raciocínio que eles seguem para chegar à solução mais adequada.
Parte dos exemplos e até mesmo alguns trabalhos de estudantes, listados a seguir,
foram retirados do artigo intitulado Atividades Experimentais de Análise Combinatória no Ensino
Médio em uma Escola Estadual, da autoria de Vazquez e Malagutti, publicado em 2009. Os
autores fizeram uma pesquisa com estudantes do Ensino Médio e coletaram a resolução das
atividades propostas de Combinatória.
O objetivo desta pesquisa foi identificar o raciocínio empregado pelos estudantes ao

resolverem as situações e, com isso, comprovar que a inserção de problemas que envolvam o
Princípio Fundamental da Contagem já no Ensino Fundamental faz diferença na aprendizagem
de Combinatória no Ensino Médio.
P
UNI R
O
B
A
B
Acadêmico(a)! Analise com atenção a resolução dos estudantes a I
L
partir das imagens que constarão a seguir. É interessante identificar I
os erros cometidos, além de verificar as distintas maneiras de D
resolução para a mesma atividade. Como futuro(a) professor(a), A
D
é uma oportunidade de exercitar também a maneira como você E
avalia.
E
E
S
T
A
T
Í
S
T
I
C
A
2.1 ATIVIDADE 1: OS SINAIS DE TRÂNSITO E AS CORES
Descrição da atividade:
A primeira atividade teve como objetivo explorar o semáforo como uma estratégia para
ensinar elementos básicos de Análise Combinatória, nesse caso os arranjos simples e os
arranjos com repetição.
OS SINAIS DE TRÂNSITO E AS CORES
Um semáforo é um aparelho de sinalização urbana, rodoviária ou ferroviária que orienta

o tráfego por meio de luzes. A escolha da sequência de cores: vermelho no topo, amarelo no meio
e verde embaixo é uma forma de não confundir o motorista e segue convenções internacionais.
Sabemos que vermelho significa “PARE”, amarelo, “AGUARDE” e verde, “SIGA”.
Essa atividade tem por objetivo construir outros tipos de semáforos que não se
preocupam com as facilidades visuais dos motoristas. Vamos considerar que a ordem em que
as cores aparecem é importante, ou seja, os sinais abaixo são diferentes:
1) Quantos e quais são os diferentes sinais de trânsito que podemos construir com três
cores, respeitando a ordem e sem repeti-las?
2) Agora responda, quantos semáforos poderíamos formar se pudéssemos repetir as
cores? Você conseguiria construí-los?
Desenvolvimento da atividade:
P
R
O A maioria dos alunos apresentou a resolução dos itens 1) e 2) através da representação
B
A de todas as possibilidades, montando esquemas gráficos ou simbólicos.
B
I
L
I Destacamos algumas discussões (falas) dos alunos ao iniciar as atividades.
D
A
D
E Item 1)
E Aluno A: “3 x 3 = 9, são três cores trocando de lugar ...”
E
Aluno B: “A cor verde já ficou em último, no meio e no começo... vou fazer o mesmo
S com as outras... Ah! Acho que são 3!”
T
A Aluno C: “3 + 3 = 6. São 6!”
T
Í Aluno D: “3 x 3, é 9, não é professora? Três cores e três espaços.”
S
T
I
C Item 2)
A
Aluno E: “Apaguei tudo... Me perdi, não dá para fazer de qualquer jeito. Tem que montar
uma regra...”
Aluno F: “Não tem fórmula para resolver isso? Matemática sempre tem fórmula...”.
Vejamos, agora, algumas soluções dos grupos de alunos:
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
À medida que estavam resolvendo as atividades, os estudantes foram incentivados a A
T
encontrar a “quantidade” de diferentes sinais de trânsito que poderiam construir. Percebemos Í
S
que o “princípio multiplicativo” não está presente para a maioria dos alunos e acreditamos que T
I
isso aconteça pelo fato de que não tiveram contato com problemas semelhantes durante o C
A
Ensino Fundamental.
Percebemos, também, que alguns deles fizeram tentativas de apresentar o cálculo já que
sabiam o resultado. É interessante mostrarmos como um dos grupos representou seu resultado,
porém seus integrantes não conseguiram explicar o raciocínio quando foram questionados:
Alguns resultados de outros grupos que claramente entenderam e utilizaram o princípio

multiplicativo estão apresentados a seguir.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
Ainda na atividade 1, colocamos uma 3ª questão com o intuito de fazê-los perceber

a necessidade de calcular a quantidade de diferentes placas que podem ser confeccionadas
com todas as letras do alfabeto e todos os algarismos do nosso sistema de numeração, pois
representá-las como fizeram nas questões anteriores seria muito trabalhoso.
3) Vamos então pensar... quantas diferentes placas de carro podem ser confeccionadas
(considerando uma sequência de 3 letras e 4 números)? Se todo brasileiro possuísse um carro,
as placas seriam suficientes?
Algumas respostas obtidas foram:
• 3 x 26 + 4 x 10 = 118 placas (é pouco!!!)

• (3 x 26) x (4 x 10) = 3.120 placas
• (26 + 26 + 26) x 10000 = 780.000 placas
• 78 x 9999 = 779.922 placas
P
R
O
B
A
B
I
L
Cabe relatar que a maioria dos alunos não sabia a população atual do Brasil, muitos I
D
diziam que “eram milhões”, mas não sabiam precisar. A
D
E
FONTE: Vazquez e Malagutti (2009, p. 5-8)
E
E
S
T
A
T
Í
S
T
I
C
A
2.2 ATIVIDADE 2: SALADA DE FRUTAS
Descrição da atividade:
Na atividade 2 exploramos as combinações simples e as combinações com repetições.

O objetivo dessa atividade é verificar se os alunos conseguem perceber as diferenças em
relação à atividade anterior, ou seja, que a troca dos elementos de um conjunto não gera uma
nova configuração e quais os mecanismos de resolução que serão apresentados.
SALADA DE FRUTAS
Essa atividade consiste em pensarmos nas diferentes formas de fazermos uma deliciosa
salada de frutas utilizando maçãs, peras e laranjas.
1) De quantas maneiras diferentes você pode fazer uma salada de frutas utilizando
duas dessas frutas? Mostre as possibilidades!
2) E se fossem três? Ou seja, se você utilizasse todas as frutas disponíveis! De quantas
maneiras diferentes você poderia montar essa salada?
Desenvolvimento da atividade:
Muitos alunos chegaram à resposta correta e sua representação, porém perguntas como:
“são 6 possibilidades?”, “misturar maçã e pera é o mesmo que pera e maçã?”, também foram
frequentes. Em momentos como esses, em que tais perguntas eram feitas, muitas vezes os
pesquisadores não precisaram intervir, pois acontecia um diálogo entre os próprios grupos:
P
R
O Grupo A: “Não importa a ordem que as frutas são adicionadas, é a mesma salada!”
B
A Grupo B: “Se cada fruta junta com as outras duas dá 6, aí divide por 2, então é 3!”
B
I Grupo C: “Mesmo trocando a ordem (das frutas) todas são iguais!”
L
I
D
A
Algumas respostas:
D
E
E
S
T
A
T
Í
S
T
I
C
A
Observamos que alguns alunos perceberam a necessidade de dividir por 2 e, quando

questionados sobre o motivo dessa divisão, responderam que o total de maneiras diferentes
é a metade das possibilidades já que, ao trocar a ordem de duas das frutas, teriam a mesma
salada.
Em continuidade à atividade 2, propusemos a seguinte questão:
P
3) E se tivéssemos 5 frutas? De quantas maneiras poderíamos montar uma salada com 3 R
delas? E com 4? E com todas? O
B
A
B
Vejamos algumas respostas: I
L
I
D
• Alguns grupos continuaram fazendo esquemas de resolução e montando todas as A
D
possibilidades: E
E
S
T
A
T
Í
S
T
I
C
A
Uma das justificativas desse tipo de resolução é que eles não sabiam por qual número
dividir já que agora tinham 3 frutas. Com duas frutas ficou claro para todos que a divisão por
2 eliminava todas as repetições. Mas, e com 3 frutas? Muitos responderam que deveriam
dividir por “três”. Nesse momento, os pesquisadores tiveram que interferir em vários grupos
na tentativa de levá-los a calcular todas as permutações possíveis com 3 elementos.
• Resolução de um grupo após o entendimento de que são 6 possíveis permutações de 3

frutas diferentes:
• Outras resoluções de grupos que conseguiram chegar ao resultado da atividade através de

suas próprias conclusões:
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
A última questão dessa atividade 2 tinha como objetivo mostrar que alguns problemas de
Análise Combinatória, nesse caso uma combinação com repetição, precisam de muita atenção
para serem resolvidos. Mesmo que eles utilizassem os conhecimentos adquiridos nas questões
anteriores, não seria possível com um só cálculo determinar a resposta desse problema.
4) Agora, imagine a seguinte situação: Um feirante possui, em sua banca, maçãs, peras
e laranjas em grande quantidade. Desejando atender melhor a sua clientela, o feirante resolveu
empacotar todas as suas frutas, de modo que cada pacote contivesse exatamente 5 frutas.
Quantos diferentes tipos de pacotes poderá o feirante oferecer à sua clientela?
P
R
O
De forma geral, os alunos perceberam que esse problema era diferente dos outros B
A
que eles haviam resolvido. Após algum tempo, muitos alunos conseguiram encontrar a B
I
solução e muitos ficaram desanimados, principalmente pelo fato de nem sequer imaginarem L
I
a resposta. D
A
D
FONTE: Vazquez e Malagutti (2009, p. 9-13) E
E
S
T
A
T
Í
S
T
I
C
A
2.3 CONSIDERAÇOES DOS ESTUDANTES

SOBRE AS ATIVIDADES
Discutimos a necessidade de explorar os problemas de combinatória levando em conta

alguns aspectos que podem ajudar na sua resolução:
• ler o problema a ser resolvido com bastante atenção;
• detalhes como “os elementos são distintos” ou “os elementos podem se repetir” fazem a
diferença;
• verificar se o problema fica mais simples ou se é necessário dividi-lo em casos;
• isolar as possibilidades mais “problemáticas” ou que oferecem mais dificuldades, resolvendo-

as por ordem de dificuldade;
• para resolver o problema, usar diagramas, setas, esquemas, casos particulares;
• criar sua própria maneira de atacar os problemas de contagem;
• saber usar o Princípio Fundamental da Contagem com bastante atenção!
FONTE: Adaptado de: Vazquez e Malagutti (2009, p. 13)
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
RESUMO DO TÓPICO 4
• O ensino de Combinatória deve ser inserido desde o Ensino Fundamental nas aulas de
Matemática.
• Os documentos que norteiam o Ensino Fundamental (PCN) e o Ensino Médio (PCNEM)

apresentam e destacam a importância do ensino de Combinatória e Probabilidade.
• Comprovadamente, a partir de atividades realizadas, os estudantes de Ensino Médio têm

certa dificuldade na resolução de situações que envolvem conceitos simples, como o Princípio
Fundamental da Contagem.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A

IDADE
ATIV
AUTO
Neste tópico, as autoatividades estão relacionadas ao ensino de Combinatória

e Probabilidade. Imagine-se como futuro(a) professor(a), visando a uma aprendizagem
significativa dos seus estudantes e fique à vontade para entrar em contato com a
Tutoria Interna de Matemática para conversar e esclarecer possíveis dúvidas sobre o
assunto!
1 Os documentos que regem a Educação Básica são os PCN e os PCNEM. De que

maneira eles tratam e evidenciam o ensino de Combinatória e Probabilidade?
Comente.
2 A partir das duas atividades relatadas e exemplificadas neste Tópico 4, cite e explique
duas possibilidades de atividades que possam ser aplicadas no Ensino Fundamental
e que contribuam para que o estudante chegue ao Ensino Médio melhor preparado
para aprender os conteúdos referentes à Combinatória.
3 No Tópico 1, você estudou a diferença entre Arranjo e Combinação, o que geralmente

confunde os estudantes no Ensino Médio. Que estratégia (macete, atividade, relação,
jogo etc.) você, como professor(a) futuramente, utilizaria em sala para que os
estudantes não tivessem dúvidas ao resolver um problema que implicasse o uso de
uma das duas fórmulas?
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
IAÇÃO
AVAL
Prezado(a) acadêmico(a), agora que chegamos ao final

da Unidade 1, você deverá fazer a Avaliação referente a esta
unidade.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 2
VARIÁVEIS ALEATÓRIAS E
DISTRIBUIÇÕES DE PROBABILIDADE
Nessa unidade vamos:

 entender as diferenças entre as variáveis aleatórias contínuas e
discretas;
 compreender os conceitos e as definições de variáveis

aleatórias;
 utilizar os conceitos e as definições de variáveis aleatórias nas

distribuições de probabilidade.
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No final de cada

tópico, você encontrará atividades que possibilitarão a apropriação
de conhecimentos na área.
P
TÓPICO 1 – VARIÁVEIS ALEATÓRIAS R
O
B
TÓPICO 2 – DISTRIBUIÇÕES DE PROBABILIDADE A
PARA VARIÁVEIS DISCRETAS B
I
L
TÓPICO 3 – DISTRIBUIÇÕES DE PROBABILIDADE I
PARA VARIÁVEIS CONTÍNUAS D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 2
TÓPICO 1
VARIÁVEIS ALEATÓRIAS
1 INTRODUÇÃO
Neste primeiro tópico, você estudará as variáveis aleatórias. Estas variáveis podem ser
caracterizadas informalmente como imprevisíveis e, de certa maneira, até inesperadas. Porém,
mesmo apresentando características de imprevisibilidade, na estatística as variáveis aleatórias
são comumente utilizadas e apresentam resultados bastante confiáveis.
Mas, afinal, o que é uma variável aleatória?
Uma variável é dita aleatória quando o seu valor é obtido por meio de observações ou
experimentos, considerando que a cada valor esteja associada certa probabilidade. Denota-se
uma variável aleatória por uma letra maiúscula e os valores assumidos por ela por uma letra
minúscula.
Nos próximos tópicos, você visualizará estas variáveis em exemplos e aplicações e P

R
diferenciará as contínuas e as discretas. O
B
A
B
I
L
I
D
2 VARIÁVEIS ALEATÓRIAS A
D
E
E
Uma variável aleatória satisfaz a função X: S → R, que associa a cada elemento s do
E
espaço amostral S um valor x ∈ R. Sendo assim, lembre-se do estudo de funções e compreenda S
T
que uma variável aleatória X é uma função, em que S é domínio e R é o contradomínio. A
T
Í
S
Você já leu no início do tópico que as variáveis aleatórias podem ser discretas ou T
I
contínuas, mas qual é a diferença entre elas? C
A
Uma variável é discreta quando assume valores em pontos isolados ao longo de uma
escala (número finito ou infinito enumerável de valores). Um exemplo disto é a quantidade de
colegas da sua turma ou mesmo de moradores do seu prédio ou rua.
Uma variável é contínua quando assume qualquer valor ao longo de um intervalo

(número infinito não enumerável de valores). Exemplos disto são o tempo, a temperatura, o
peso, entre outros.
Até aqui você viu exemplos e conseguiu diferenciar a partir deles as variáveis discretas
e contínuas. Que tal, agora, partir para o estudo das definições de variáveis aleatórias discretas
e contínuas?
2.1 DISCRETAS
Uma variável X é considerada aleatória discreta se os valores possíveis xi ∈ X formam

um conjunto enumerável de pontos na reta.
Exemplo:
Seja S o espaço amostral dos resultados possíveis de um lançamento de um dado 3

vezes seguidas. Considere p = número par e i = número ímpar, lembrando que X(Si) = xi
S = {(p, p, p); (p, p, i); (p, i, p); (p, i, i); (i, i, i); (i, p, i); (i, i, p); (i, p, p)}
Considere que o primeiro elemento deste conjunto é S1 e o último é S8, afinal

P há oito possibilidades diferentes de se obter resultados no lançamento dos três dados.
R
O
B
A Agora faça X: quantidade de números pares, então X: S → R é discreta porque X(Si) =
B
I xi = {0, 1, 2, 3}, pois podem sair desde zero (nenhum) número par até três números pares.
L
I
D
A Calculando caso por caso, ficaria assim:
D
E
E
X(S1) = 3 (pois há três possibilidades de números pares).
E
X(S2) = 2 (pois há duas possibilidades de números pares).
S X(S3) = 2 (pois há duas possibilidades de números pares).
T
A X(S4) = 1 (pois há uma possibilidade de número par).
T
Í X(S5) = 0 (pois não há possibilidade de número par).
S
T X(S6) = 1 (pois há uma possibilidade de número par).
I
C X(S7) = 1 (pois há uma possibilidade de número par).
A
X(S8) = 2 (pois há duas possibilidades de números pares).
Ou seja, uma variável aleatória é discreta quando assume valores que podem ser
contados. Simples, não é mesmo?
Outros exemplos de situações em que as variáveis aleatórias discretas se fazem

presentes são: o número de peças defeituosas em um dia de produção, o número de internações
hospitalares por semana, o número de acidentes por mês, o número de coroas no lançamento
de duas moedas, o número de aprovações na disciplina, entre tantas outras aplicáveis no
cotidiano.
2.2 CONTÍNUAS
Uma variável aleatória é considerada contínua se os valores possíveis de xi ∈ X formam

um determinado intervalo real não enumerável.
Exemplo:
No seu cotidiano, certamente, você utiliza pilhas em equipamentos como câmeras

fotográficas ou controles remotos. Suponha que você precisa observar o tempo de vida útil de
uma pilha produzida por uma determinada empresa. Então a função X: S → R será definida
como o tempo de vida útil de uma pilha escolhida ao acaso. Nesse caso X: S → R é contínua,
pois X assume qualquer valor real positivo, porém não tão preciso como seria o ideal. Quer um
exemplo disto? Imagine que a medição da vida útil desta pilha foi de 2.499,99 horas, porém
poderia ser registrada como 2.500 horas, pelo arredondamento.
P
R
Outra situação comum de aplicação deste conceito é quando você escuta no noticiário O
B
o valor arrecadado de impostos da sua cidade ou estado, dado em milhões, por exemplo, 10,5 A
B
milhões de reais. Mas é provável que este número seja algo como 10.535.456,34 reais. Ah, I
L
é claro, se este valor fosse 10.488.625,45 reais, você também escutaria do apresentador do I
D
noticiário os mesmos 10,5 milhões de reais. A
D
E
Assim, uma variável aleatória é contínua quando assume valores de um determinado E
intervalo. E
S
T
A
Outros exemplos de variáveis aleatórias contínuas são: pesos de estudantes, alturas de T
Í
árvores, temperaturas de uma região, idades dos amigos, litros de gasolina por abastecimento, S
T
entre tantos outros. I
C
A
3 FUNÇÃO PARA DISTRIBUIÇÃO DE PROBABILIDADE
Uma distribuição de probabilidade é uma função que associa a cada elemento xi de uma
variável aleatória X a probabilidade de xi acontecer p(xi), representada por P(X = xi), tal que:
a) 0 ≤ P(X = xi) ≤ 1
Σ p(x=xi) = 1)
n
b) i=1
A distribuição de probabilidade de uma variável aleatória X é dada pelos pares ordenados

(xi, p(xi)) e é normalmente apresentada por uma tabela, quadro ou gráfico.
Por exemplo, pense no lançamento simultâneo de dois dados de seis faces. Podem-se
obter diferentes resultados, e isso você já viu em outros exemplos. Questionamentos como
qual a probabilidade de dar soma menor que 5 ou qual a probabilidade de a soma entre os
dois dados ficar entre 5 e 9 podem gerar confusões na hora de calcular.
A distribuição de probabilidade auxilia você justamente nestes casos, pois relaciona a

cada elemento xi ∈ X uma probabilidade p(xi).
Veja o espaço amostral S:
S = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (3,1), (3,2),
(3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}
P Defina X como sendo a soma entre os dois dados:

R
O X = {1+1 = 2, 1+2 = 3,..., 6+6 = 12}.
B
A
B
I Agora, considerando que cada caso de S acima tem probabilidade igual de acontecer
L
I
de 1/36, tem-se a seguinte distribuição de probabilidade:
D
A
D X 2 3 4 5 6 7 8 9 10 11 12
E
P (X = xi) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
E
E Ou por meio de um gráfico:

S
T
A
T
Í
S
T
I
C
A
Com isso, fica fácil responder às questões:
a) Qual é a probabilidade de sair soma menor que 6?
P (X<5) = P(X=2) + P(X=3) + P(X=4) + P(X=5) = 1/36 + 2/36 + 3/36 + 4/36 = 10/36 = 5/18
b) E soma entre 7 e 10?
P (7< X <10) = P(X=8) + P(X=9) = 5/36 + 4/36 = 9/36 = 1/4
Exemplo 1:
Uma urna contém 4 bolas brancas e 2 bolas pretas. Duas bolas são retiradas ao acaso
e sem reposição. Considere X a variável aleatória número de bolas brancas e determine a
distribuição de probabilidades da variável X.
Solução:
Primeiro determine os valores que a variável aleatória X pode assumir, assim, ao retirar
duas bolas da urna você pode obter:
- nenhuma bola branca, e assim X assume valor 0;

- uma bola branca, e assim X assume valor 1;
- duas bolas brancas, e assim X assume valor 2.
Calcule a probabilidade de cada elemento da variável aleatória X = {0, 1, 2}. Para isso,
se for necessário, volte ao que estudou de probabilidade na Unidade 1.
P
Relembrando: R
O
B
A
Sair nenhuma bola branca é o mesmo que sair duas bolas pretas, assim: B
I
P(X=0) = 2/6 · 1/5 = 2/30 L
I
D
A
Sair apenas uma bola branca, então a outra deve ser preta, assim: D
P(X=1) = 4/6 · 2/5 · 2 = 16/30 E
Sair duas bolas brancas, assim: E

S
P(X=2) = 4/6 · 3/5 = 12/30 T
A
T
Í
Apresentando a distribuição de probabilidade por meio de um quadro, tem-se: S
T
I
C
X 0 1 2 A
P(X = xi) 2/30 16/30 12/30
Ou por meio de um gráfico:
Exemplo 2:
Num estudo sobre a quantidade de integrantes por família, realizado numa sala com
30 crianças, verificou-se que:
X (nº de integrantes) 2 3 4 5
Quantidade de famílias 1 15 10 4
Considerando a variável aleatória X o número de integrantes por família, construa uma

distribuição de probabilidades para essa variável.
Solução:
Calcule a probabilidade de cada elemento da variável aleatória X = {2, 3, 4, 5} com base

nas frequências (quantidade de famílias).
P(X=2) = 1/30
P(X=3) = 15/30
P(X=4) = 10/30
P
R P(X=5) = 4/30
O
B
A
B Apresentando a distribuição de probabilidade por meio de um quadro, temos:
I
L
I
D
X 2 3 4 5
A P(X=xi) 1/30 15/30 10/30 4/30
D
E
E
S
T
A
T
Í
S
T
I
C
A
3.1 ACUMULADA
A função para distribuição de probabilidade é muito parecida com a função anterior,

porém, ao invés de mostrar P(X = x), ela indicará P (X ≤ x).
No caso do lançamento simultâneo de dois dados será:
X 2 3 4 5 6 7 8 9 10 11 12
P(X≤x) 1/36 3/36 6/36 10/36 15/36 21/36 26/36 30/36 33/36 35/36 36/36
Por meio de um gráfico ficará assim representada:
Analisando o gráfico, verifica-se que a P(X ≤ xi), por exemplo, a P(X ≤ 6) = 15/36 ≅
41,67% ou P(X ≤ 9) = 30/36 ≅ 83,33%
Exemplo 1:
Considerando o quadro de distribuição de probabilidade do exemplo b (número de

integrantes por família), obtenha o quadro de distribuição de probabilidade acumulada. P
R
O
X 2 3 4 5 B
A
P(X=xi) 1/30 15/30 10/30 4/30 B
I
L
I
Solução: D
A
D
A distribuição de probabilidade acumulada apresenta a P(X ≤ xi), então: E
E
P(X ≤ 2) = P(X=2) = 1/30
P(X ≤ 3) = P(X=2) + P(X=3) = 1/30 + 15/30 = 16/30 E
S
P(X ≤ 4) = P(X=2) + P(X=3) + P(X=4) = 1/30 + 15/30 + 10/30 = 26/30 T
P(X ≤ 5) = P(X=2) + P(X=3) + P(X=4) + P(X=5) = 1/30 + 15/30 + 10/30 + 4/30 = 30/30 A
T
Í
Apresentando esses elementos num quadro temos: S
T
I
C
X 2 3 4 5 A
P(X≤xi) 1/30 16/30 26/30 30/30
Ou seja, ao sortear aleatoriamente uma criança dessa sala, a probabilidade de ela

morar com no máximo 4 pessoas é P(X ≤ 4) = 26/30 ≅ 86,67%.
3.2 CONTÍNUA
Assim como nos casos anteriores, esta função é usada para representar a probabilidade
de uma distribuição, porém, neste caso, é para distribuições contínuas.
Seja f(x) uma função densidade, então valem as seguintes condições:

b
a) P (f ϵ [a,b]) = ∫ f(x)dx
a
b
Em que a probabilidade
b
de a variável aleatória X estar entre a e b é igual a ∫ f(x)dx, ou
a
seja: P (a < X < b) = ∫ f(x)dx.
a
+∞
b) ∫ f(x)dx
-∞
Em que a área sob a curva f(x) é 1.
c) P (f = a) = 0
Em que a probabilidade da variável aleatória X assumir um ponto é zero.
UNI
P
R Mais adiante, você estudará na disciplina de Cálculo Diferencial e
O b
B Integral que a integral ∫ f(x)dx determina a área sob a curva f(x)
A a
B
entre x = a e x = b.
I
L
I
D
A Ainda da condição c, conclui-se que as seguintes probabilidades são iguais:
D
E
E P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b).

E
S
T
A
T UNI
Í
S
T Não esqueça que este item apresenta as variáveis aleatórias
I contínuas!
C
A
Resumindo, a função densidade associa certa variável aleatória contínua X à probabilidade

de essa variável pertencer ao intervalo [a, b].
Ainda no Tópico 3 da Unidade 2, você estudará alguns modelos de função densidade.
4 ESPERANÇA
Considere a variável aleatória X, assumindo os valores x1, x2, x3,…,xn, nomeia-se de

valor médio ou valor esperado ou esperança matemática de X o valor:
E(X) = x1 ·P(X = x1) + x2 ·P(X = x2) + ... + xn ·P(X = xn)
Veja que a esperança matemática é a média. Utiliza-se a notação E(X) para representar
a esperança matemática da variável aleatória X. E utiliza-se o símbolo μ (mi) para a média. A
partir disso, tem-se que E(X) = μ.
Exemplo 1:
Qual é a esperança matemática referente à soma de dois dados?
Solução:
Nesse caso a variável aleatória X é a soma de dois dados, com a distribuição de

probabilidade já conhecida, então:
E(X) = 2·(1/36) + 3·(2/36) + ... + 11·(2/36) + 12·(1/36) = 252/36 = 7 P

R
O
B
Assim, se você jogar dois dados muitas vezes e anotar o resultado da soma entre eles A
B
em cada jogada, a média deste experimento será 7. I
L
I
D
Exemplo 2: A
D
E
Um jogador estima que tem 20% de chance de ganhar R$ 30.000,00 e 80% de chance E
de perder R$ 10.000,00 numa aposta. Qual é o ganho esperado desse jogador? E
S
T
A
Solução: T
Í
S
T
Considerando a variável aleatória X o valor ganho na aposta (recebido ou perdido), I
C
tem-se a seguinte distribuição de probabilidade: A
X 30.000 -10.000
P(X=xi) 0,2 0,8
E(X) = 30.000 · 0,2 + (-10.000) · 0,8 = - 2.000

Note que R$ 10.000,00 tem o sinal negativo, pois está associado a uma perda.
5 VARIÂNCIA
Considerando que a variável aleatória X assumiu os valores x1, x2, x3,…,xn, a variância
de X será dada por:
Var(X) = (xi – E(X))2 · P(X = xi)
Ou, Var(X) = E(X)2 – [E(X)]2
O símbolo utilizado para a Var(X) é σ2 (sigma ao quadrado), que representa a variância

da variável aleatória X.
A variância é uma medida que representa a variação, em relação à média, dos elementos
de uma variável aleatória.
UNI
P
R
O
B
A
Entenda que quanto maior o valor da variância, mais distantes da
B média estão os elementos da variável aleatória.
I
L
I
D
A
D
E
E
6 DESVIO PADRÃO
E
S
T
A O desvio padrão, representado por DP(X), é a raiz quadrada da variância.
T
Í
S
T σ = DP(X) = Var(X) = ó2
σ
I
C
A
O desvio padrão representa uma medida de variabilidade “mais próxima” dos elementos
da variável aleatória X. Quanto menor essa medida, “mais próximos” da média estão os
elementos da variável aleatória.
7 EXEMPLOS DA ASSOCIAÇAO ENTRE

VARIÂNCIA E DESVIO PADRÃO
Acompanhe, a seguir, alguns exemplos que facilitarão sua compreensão sobre a

variância e o desvio padrão.
Exemplo 1:
A partir do exemplo dos dados considere a função de distribuição de probabilidades:
X 2 3 4 5 6 7 8 9 10 11 12
P (X = x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
A variância será:
Var(X) = (2 – 7)2 · 1/36 + (3 – 7)2 · 2/36 +...+ (12 – 7)2 · 1/36 = 210/36 ≈ 5,83
Mas, lembre-se que Var(X) = E(X)2 – [E(X)]2 então:
E(X)2 = 22 · (1/36) + 32 · (2/36) + ... + 112 · (2/36) + 122 · (1/36) = 1974/36

E(X) = 2 · (1/36) + 3 · (2/36) + ... + 11 · (2/36) + 12 · (1/36) = 252/36 = 7
Ou seja, P
R
Var(X) = E(X) – [E(X)] , então temos:
2 2
O
B
Var(X) = 1974/36 – (252/36)2 ≈ 5,83 A
B
I
L
Para determinar o desvio padrão, basta calcular a raiz quadrada da variância 5,83, I
D
assim: σ = DP(X) = 5,83 ≈ 2,41 A
D
E
Exemplo 2: E
E
S
Um jogador estima que tem 20% de chance de ganhar R$ 30.000,00 e 80% de chance T
A
de perder R$ 10.000,00 numa aposta. Qual é o desvio padrão dessa distribuição? T
Í
S
T
Solução: I
C
A
Já sabemos que E(X) = -2.000, então:
VAR(X) = (30.000 – (-2.000))2 . 0,2 + (-10.000 – (-2.000))2 . 0,8 = 256.000.000

PD(X) = = 16.000.000
Veja que o desvio padrão apresenta um valor mais próximo da distribuição do que a
variância, daí a sua importância na interpretação da variabilidade da distribuição.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
RESUMO DO TÓPICO 1
• Variável aleatória é uma função que associa a cada elemento do espaço amostral um número
real.
• Uma variável aleatória é discreta quando assume valores que podem ser contados.
• Uma variável aleatória é contínua quando assume valores de um determinado intervalo.
• Uma distribuição de probabilidade é uma função que associa a cada elemento de uma
variável aleatória a probabilidade de ele ocorrer.
• Dada a variável aleatória X, assumindo os valores x1, x2, x3,…,xn, chamamos de valor médio
ou valor esperado ou esperança matemática de X o valor: E(X) = x1 ·P(X = x1) + x2 ·P(X = x2)
+ ... + xn ·P(X = xn)
• Dada a variável aleatória X, assumindo os valores x1, x2, x3,…,xn, a variância de X será dada
por: Var(X) = (xi – E(X))2 · P(X = xi) ou Var(X) = E(X)2 – [E(X)]2
• O desvio padrão, representado por DP(X), nada mais é que a raiz quadrada da variância
σ = DP(X) = Var(X) = ó2
σ P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A

ID ADE
ATIV
AUTO

Lembre-se de que você tem à disposição no Material de Apoio do Ambiente Virtual de
Conte também com a Tutoria Interna do Curso de Matemática, que está disponível
por meio do 0800 e contato e atendimento on-line. Bons estudos!
1 O quadro a seguir apresenta o número de acidentes com vítimas fatais durante o

feriado de carnaval nas rodovias do estado.
Nº de vítimas fatais 0 1 2 3 4
Quantidade de acidentes 29 15 10 5 1
Considerando a variável aleatória X o número de vítimas fatais em cada acidente

(durante o feriadão de carnaval nas rodovias do estado), construa uma distribuição
de probabilidades para essa variável em forma de quadro e determine: E(X), Var(X) e
DP(X).
2 A partir dos dados da questão anterior construa a distribuição de probabilidade

acumulada de X e determine a probabilidade de um automóvel que se envolveu em
um acidente nesse feriadão ter, no máximo, 2 vítimas fatais.
P
R
3 Considerando o lançamento de 1 dado, determine os elementos que as variáveis
O aleatórias a seguir podem assumir:
B
A X: pontos da face voltada para cima;
B
I Y: pontos pares da face voltada para cima;
L
I Z: pontos ímpares da face voltada para cima.
D
A
D
E 4 Construa a distribuição de probabilidade das variáveis X, Y e Z do exercício
E anterior.
E
S
T 5 Num certo jogo de dados, ganha-se toda vez que saem os números 1 ou 2.
A
T Considerando a variável aleatória X o número de vezes que se ganha, quais são os
Í
S valores que X pode assumir em 5 jogadas?
T
I
C
A
6 Em uma sala de aula há 12 mulheres e 8 homens. Sorteiam-se ao acaso 3 alunos.

Sendo a variável aleatória X o número de mulheres sorteadas, determine:
a) os valores que X pode assumir;
b) a distribuição de probabilidade de X;
c) a distribuição de probabilidade acumulada de X;
d) P(X ≤ 2), P(X ≤ 3).
7 Dada uma variável aleatória X com distribuição de probabilidade dada a seguir,

obtenha E(X), Var(x) e DP(X).
X -3 0 1 3
P(X = xi) 0,2 0,1 0,4 0,3
8 Uma empresa de aluguel de carros registrou os seguintes números de carros alugados

por mês e suas respectivas probabilidades, conforme quadro a seguir:
X 55 66 84 39
P(X = xi) 0,38 0,29 0,20 0,13
Considerando a variável aleatória X o número de carros alugados por mês,

determine E(X), Var(X) e DP(X).
9 O tempo para uma criança realizar uma determinada tarefa em horas foi modelado
por uma variável aleatória X com a seguinte distribuição de probabilidade:
X 0,35h 0,40h 0,45h 0,50h

P(X = xi) 0,38 0,29 0,20 0,13
Qual é o tempo esperado para uma criança realizar essa tarefa? P

R
O
B
10 Uma urna contém 5 bolas brancas e 3 bolas pretas. Três bolas são retiradas ao acaso A
B
e sem reposição. Faça X a variável aleatória número de bolas pretas e determine a I
L
distribuição de probabilidades da variável X. I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 2
TÓPICO 2
DISTRIBUIÇÕES DE PROBABILIDADE
PARA VARIÁVEIS DISCRETAS
1 INTRODUÇÃO
Até aqui você estudou noções sobre as distribuições de probabilidade, porém é deste
tópico em diante que você estudará o conceito e a definição matemática de distribuições de
probabilidade.
Você já viu que uma distribuição de probabilidade pode ser discreta ou contínua. A
partir de agora você verá que é comum o uso de funções que se ajustem à distribuição de
probabilidade. São algumas destas funções, as mais usuais no cálculo de probabilidades, que
você estudará nessa unidade.
2 DISTRIBUIÇÕES DE BERNOULLI E BINOMIAL P

R
O
B
A
A distribuição de Bernoulli é usada somente nos casos em que a pergunta apenas B
I
admite duas respostas, sim ou não. Veja as perguntas a seguir: L
I
D
A
• Os cabelos de uma pessoa são castanhos? D
E
• Você faz faculdade de Matemática?
E
• Saiu coroa no lançamento de uma moeda?
E
• Eu não nasci no ano de 1987? S
T
A
Veja que, nas perguntas anteriores, as respostas possíveis são apenas duas e T
Í
excludentes entre si. Ou seja, a resposta será sim ou será não. S
T
I
C
Você sempre chamará a afirmativa da pergunta de sucesso e representará a probabilidade A
de essa resposta acontecer por p.

A negativa da pergunta você sempre chamará de fracasso e sua probabilidade será

1 – p, pois será a complementação do sucesso.
O sucesso no caso da última pergunta “Eu não nasci no ano de 1987?” é não ter nascido
no ano de 1987, enquanto o fracasso é ter nascido. Neste caso teríamos um fracasso, pois a
autora deste caderno realmente nasceu em 1987.
Voltando à distribuição de Bernoulli, é importante defini-la como uma distribuição discreta

de espaço amostral {0, 1}, com probabilidades P(0) = 1 - p = q e P(1) = p. Sua função é:
P(X = x) = px · qx-1
Veja que nesta definição o 0 representa a negativa da pergunta e P(0) a probabilidade

do fracasso, enquanto o 1 é a afirmativa e P(1) é a probabilidade de sucesso.
Nesta distribuição tem-se:
E(X) = p
Var(X) = p(1 – p) = pq
Exemplo 1:
Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa urna. Seja X o
número de bolas verdes. Calcule E(X), Var(X) e determine a função P(X=x).
Solução:
0 → q = 30/50 = 3/5
X= .·. P(X = x) = (2/5)x·(3/5)1-x
P
R 1 → p = 20/50 = 2/5
O
B
A
B
I
L
Assim:
I
D
A E(x) = p = 2/5
D
E Var(X) = pq = 2/5·3/5 = 6/25
E
E A distribuição binomial é uma generalização da distribuição de Bernoulli, ou seja, é

S
T utilizada nos casos de distribuição de Bernoulli repetida n vezes.
A
T
Í
S A probabilidade de uma distribuição binomial é dada por:
T
I
C
A P(X=x) = Cn,x px qn-x
Onde:
n é o número de vezes que o experimento ocorre
x é o número de vezes que queremos que o sucesso ocorra, com x ϵ {0, 1, 2, ... ,n}
p é a probabilidade do sucesso (tem que ser constante em todos os experimentos)
q é a probabilidade do fracasso. q = 1 – p
Cn,x = n!/x!·(n-x)!
UNI
Lembre-se de que Cn,x é a forma de representar a combinação,

estudada na Unidade 1.
Nesta distribuição tem-se:
E(X) = np
Var(X) = npq
Exemplo 1:
Vamos supor uma pesquisa que, após entrevistar membros de uma associação de
empresários, concluiu que 20% dos seus membros tinham comprado ações diretamente através
de uma oferta pela internet. Em uma amostra de 10 membros destes associados, verifique:
i) Qual é a probabilidade de que exatamente três membros tenham comprado tais ações?
ii) Qual é a probabilidade de que, pelo menos, um membro tenha comprado tais ações?
P
iii) Qual é a probabilidade de que, no máximo, 9 membros tenham comprado tais ações? R
O
iv) Qual é o número esperado de membros que compraram tais ações? B
A
B
I
Soluções: L
I
D
A
Sendo a variável aleatória X o número de membros que compraram ações, deve-se D
E
considerar X = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10} e:
E
E
n = 10 (número de membros associados) S
T
p = 0,2 (20% compraram ações) A
T
q = 0,8 (1 – p = 1 – 0,2 = 0,8) Í
S
T
I
C
A
x = 3 (três membros tenham comprado ações)
P (X=3) = C10,3 · 0,23 · 0,810-3 =

P (X=3) = 120 · 0,008 · 0,2097152 ≈ 0,201
ii) O evento “pelo menos um tenha comprado ações” significa que X pode ser 1, 2, 3, 4, 5, 6,
7, 8, 9 ou 10, exceto 0. Usando o princípio da probabilidade complementar, é necessário
calcular P(X = 0) e subtrair esse valor de 1.
P (X=0) = C10,0 · 0,20 · 0,810-0 =

P (X=0) = 1 · 1 · 0,810 ≈ 0,107
Então:
P (X≥1) = 1 - P (X=0) =
P (X≥1) = 1 - 0,107 ≈ 0,893
iii) O evento “no máximo 9 tenham comprado ações” significa que X pode ser 0, 1, 2, 3, 4, 5, 6,
7, 8 ou 9, exceto 10. Usando o princípio da probabilidade complementar, precisa-se calcular
P(X = 10) e subtrair esse valor de 1.
P (X=10) = C10,10 · 0,210 · 0,810-10 =

P (X=10) = 1 · 0,210 · 1 = 0,0000001024
Então:
P (X≤9) = 1 - P (X=10) =
P (X≤9) = 1 - 0,0000001024 ≈ 0,9999998976
P
R
O
B iv) Considere a esperança E(X) = np, ou seja, E(X) = 10· 0,2 = 2
A
B
I
L
Exemplo 2:
I
D
A Uma moeda é lançada 9 vezes. Calcule a probabilidade de ocorrer:
D
E
E i) 4 coroas;
E ii) no máximo 3 coroas;
S
T iii) no mínimo 2 coroas.
A
T
Í
S Soluções:
T
I
C
A Sendo a variável aleatória X o número de ocorrências de coroas, tem-se que X = {0,1,
2, 3, 4, 5, 6, 7, 8, 9} e:
n = 9 (número de lançamentos)
p = 1/2 (probabilidade de obter coroa)
q = 1/2 (1 – p = 1 – 1/2 = 1/2)
i) Ocorrer 4 coroas, ou seja, x = 4.
P (X = 4) = C9,4 · (1/2)4 · (1/2)9-4 =

P (X = 4) = 126 · 1/16 · 1/32 = 126/512 ≈ 0,246
ii) Ocorrer no máximo três coroas significa que X pode ser 0, 1, 2 ou 3.
P (X = 0) = C9,0 · (1/2)0 · (1/2)9-0 =

P (X = 0) = 1 · 1 · 1/512 = 1/512
P (X = 1) = C9,1 · (1/2)1 · (1/2)9-1 =

P (X = 1) = 9 · 1/2 · 1/256 = 9/512
P (X = 2) = C9,2 · (1/2)2 · (1/2)9-2 =

P (X = 2) = 36 · 1/4 · 1/128 = 36/512
P (X = 3) = C9,3 · (1/2)3 · (1/2)9-3 =

P (X = 3) = 84 · 1/8 · 1/64 = 84/512
Assim, somam-se as probabilidades:
P(X≤3) = P(X=0) + P(X=1) + P(X=2) + P(X=3)

P(X≤3) = 1/512 + 9/512 + 36/512 + 84/512 = 130/512 ≈ 0,254
P
iii) Ocorrer no mínimo duas coroas significa que X pode ser 2, 3, 4, 5, 6, 7, 8 ou 9, exceto 0 ou R
O
1. Usando o princípio da probabilidade complementar, calcule P(X = 0) + P(X = 1) e subtraia B
A
esse valor de 1. B
I
L
I
Do item anterior temos que P(X = 0) + P(X = 1) = 1/512 + 9/512 = 10/512, então: D
A
D
P(X≥2) = 1 - [P(X=0) + P(X=1) E
P(X≥2) = 1 - 10/512 ≈ 0,98 E
E
S
Conheça também, na sequência, a distribuição de Poisson. T
A
T
Í
S
T
I
C
A
3 DISTRIBUIÇAO DE POISSON
Se X for a ocorrência de algum evento aleatório em um intervalo de tempo ou espaço(ou

algum volume de matéria), a probabilidade de ocorrência de X é:
P(X=x) = (e-μ · μx)/x!

onde:
μ é a média de ocorrência de x num determinado intervalo de tempo

e é o número de Euler (e = 2,71828182846...)
x é o número de vezes que queremos que o sucesso ocorra, por exemplo, x ϵ {0, 1, 2, ...}
Esta distribuição descreve eventos raros com enorme número de tentativas, como: a
picada de um mosquito infectado com malária ou número de chamadas telefônicas recebidas
num determinado período, por exemplo.
Em casos assim, você tem como determinar o número de sucessos (número de picadas
ou chamadas), porém não conseguirá determinar o número total de fracassos ou total de
elementos (sucessos + fracasso).
Assim, tem-se nesta distribuição: Var(X) = E(X) = μ = np.
Exemplo 1:
Certo estudo psiquiátrico demonstrou que a distribuição mensal de suicídios entre

P
R adolescentes de determinada comunidade, entre 1977 e 1987, obedecia a uma distribuição
O
B de Poisson com média μ = 2,75.
A
B
I
L Qual é a probabilidade estimada de que num certo mês sorteado do ano ocorram 3
I
D suicídios de adolescentes?
A
D
E Solução:
E
E Sendo a variável aleatória X o número de suicídios por mês, temos:

S
T μ = 2,75 (média mensal de suicídios)
A
T x = 3 (número de suicídios por mês)
Í
S
T
I P(X=3) = (e—2,75 · 2,753)/3!
C
A P(X=3) ≈ 0,22
Observe que a média μ e o período de que se pretende calcular a probabilidade estão no

mesmo intervalo de tempo (mensal). Quando forem diferentes, ajuste-os de forma conveniente.
Veja o próximo exemplo:
Exemplo 2:
O serviço de tutoria de certa universidade recebe, em média, 20 chamadas por hora.

Qual é a probabilidade de não receber nenhuma chamada em 30 minutos?
Solução:
Seja a variável aleatória X o número de chamadas recebidas por 30 minutos. Veja que
temos uma média por hora, mas precisamos da média para 30 minutos, pois queremos saber
a probabilidade no intervalo de 30 minutos. Se em uma hora a média é 20 chamadas, é lógico
que, em 30 minutos, a média é de 10 chamadas. Assim:
μ = 10 (média de chamadas em 30 minutos)

x = 0 (número de ligações em 30 minutos)
P(X=0) = (e-10 · 100)/0!

P(X=0) = e-10 ≈ 0,0000454
Para obter a média em outro intervalo de tempo (ou medida), basta fazer μ = np.
Exemplo 3:
O serviço de tutoria de certa universidade recebe em média 20 chamadas por hora.

Qual é a probabilidade de receber 54 chamadas em 3,5 horas de serviço?
P
R
O
Solução: B
A
B
I
Seja a variável aleatória X o número de chamadas recebidas por 3,5 horas. Cálculo da L
I
média para 3,5 horas: D
A
D
A probabilidade de receber chamadas é: p = 20/h, então a média de chamadas em 3,5 E
horas (n = 3,5h) é: μ = np = 3,5h . 20/h = 70 chamadas. E
E
S
Assim: T
A
T
Í
μ = 70 (média de chamadas em 3,5 horas) S
T
x = 54 (número de ligações em 3,5 horas) I
C
A
P(X=54) = (e-70 · 704)/54!

P(X=54) ≈ 0,0074
Existem problemas de distribuição binomial que podem ser aproximados por uma
distribuição de Poisson. Nesses problemas, existe um grande número de elementos e uma
probabilidade p de ocorrência do sucesso bastante pequena.
Uma aproximação é considerada boa se p ≤ 0,1 e μ = np ≤ 5.
Acompanhe o próximo exemplo:
Exemplo 4:
A probabilidade de uma máquina de balões produzir um balão com defeito é de 0,5%.

Qual é a probabilidade de, numa amostra de 1.000 balões, 3 apresentarem defeito?
Solução:
Você deve se perguntar: qual é a média de balões defeituosos? Considerando que a

variável aleatória X número de peças defeituosas segue uma distribuição de Poisson, temos
que μ = np = 1000 . 0,005 = 5.
Assim a probabilidade de termos 3 balões com defeito é:

P(X=3) = (e-5 · 53)/3!
P(X=3) ≈ 0,1404
P
R
O
O NASCIMENTO DA ESTATÍSTICA E SUA RELAÇÃO COM O SURGIMENTO
B
A
DA TEORIA DE PROBABILIDADE
B
I
L Cláudia Borim da Silva (PUC-SP)
I
D Cileda de Queiroz e Silva Coutinho (PUC-SP)
A
D
E
A Estatística é definida por Costa Neto (1977) como a ciência que se preocupa com a
E
organização, descrição, análise e interpretação de dados experimentais e por este motivo tem
E
S aplicação em quase todas as atividades humanas.
T
A
T
Í Integrada no campo das ciências exatas, a Estatística geralmente faz parte dos
S
T
departamentos de Matemática das universidades e tem uma estreita relação com esta disciplina.
I
C
Segundo Nelder (1986), seria impossível o desenvolvimento da parte teórica da estatística sem
A o corpo de teoria e notação matemática.
Mas essa relação entre a Estatística e a Matemática não apresenta consenso na

literatura. Há quem considere a Estatística como um ramo da Matemática. Outros consideram-
na uma ciência independente, mas que usa a Matemática como ferramenta. Essa discussão
pode ser observada no trabalho de Senn (1998).
Para compreender um pouco dessa discussão atual, o objetivo deste trabalho é resgatar
na história o surgimento da Estatística e da Teoria de Probabilidade, tentando relacioná-las e
situá-las no desenvolvimento da própria Matemática.
A palavra “estatística” tem proveniência no latim statisticum, que significa relativo ao

Estado (DROESBEKE; TASSI, 1990; DUTARTE; PIEDNOIR, 2001; JOZEAU, 2001). Porém
não existe, na literatura, um consenso sobre quem ou qual civilização utilizou primeiramente
o termo “estatística” tal como o usamos nos dias atuais, ou seja, para designar uma área do
saber ou um conjunto de medidas-resumo de um conjunto de dados.
Kendall (1978) argumenta que o primeiro uso da palavra “estatística” deu-se num trabalho
do historiador italiano Girolamo Ghilini, em 1589, que versava sobre uma descrição política.
Por outro lado, Porter (1986) afirma que a palavra “estatística” foi primeiramente usada como
um substantivo por Gottfried Achenwall, em 1749.
Dada a controvérsia sobre o surgimento do termo “estatística”, o que se pode afirmar

é que a utilização de ideias de caráter estatístico teve seu início na Antiguidade, com a
necessidade de os Estados conhecerem os dados de sua população, território e outros atributos
do poder.
Embora Kendall (1978) argumente que os trabalhos realizados até o século XVII apenas
tinham como objetivo a obtenção de uma descrição política dos Estados e que o aparecimento
de informação numérica dava-se por acidente ou por conveniência, é interessante conhecer
P
um pouco desta história. R
O
B
A
O primeiro registro de recenseamento refere-se à civilização da Suméria (de 5000 a B
I
2000 a.C.), para o qual foram elaboradas em tábuas de argila listas dos homens e seus bens. L
I
Segundo Droesbeke e Tassi (1990), o poder egípcio, representado pelo faraó Amasis II (por D
A
volta de 2700 a 2500 a.C.), institucionalizou os recenseamentos com objetivo tributário, e neles D
todo indivíduo era obrigado a declarar sua fonte e atividade de renda, sob pena de morte a E
quem não o fizesse. E
E
S
Na China, muitos recenseamentos foram realizados. Segundo Ferreira et al. (2002), T
A
o primeiro recenseamento foi feito em 2238 a.C., pelo imperador Yu (ou Yao), com o objetivo T
Í
de conhecer com exatidão o número de habitantes para dividir o território, cobrar impostos e S
T
recrutar homens para o serviço militar. I
C
A
Na Índia Antiga foi feito um tratado de recenseamento denominado Tratado de

Arthasástra, ou seja, tratado de ciência (sástra) e do progresso (artha). Foi redigido por Kautilya,
ministro do rei Candragupta (313-289 a.C.), cujo objetivo era aumentar incessantemente o seu
reino. “Tudo o que for feito terá de ser conhecido: do efetivo da população até o número de
elefantes, passando pelas matérias-primas, os produtos fabricados, os preços e os salários”
(FERREIRA et al., 2002, p. 11).
Esses autores também relatam que, em Roma, os recenseamentos foram realizados de

750 a.C. até 476 d.C., e neles os cidadãos romanos eram obrigados a declarar suas fortunas,
seus nomes, os de seus pais, a idade, o nome de suas esposas assim como o de seus filhos,
a tribo em que residiam e o número de escravos, sob pena de ficarem sem seus bens ou seus
direitos de cidadão (FERREIRA et al., 2002, p. 12).
A partir do século XIII a Estatística começa a caminhar para os moldes da ciência que
conhecemos hoje. Na França, por volta de 1300, as famílias e/ou lares foram utilizados como
elemento essencial para estimar a sua população.
Depois desse século, segundo Jozeau (2001), existiam três correntes estatísticas
separadas geograficamente: a Estatística Descritiva alemã, a Aritmética Política inglesa e os
jogos e probabilidades, na França.
Segundo Jozeau (2001), Hermann Conring (1606-81) criou o termo Stati para definir a
Estatística Descritiva alemã, cujo objetivo era descrever a diversidade territorial nacional.
Uma das inovações dos estudos realizados por essa escola foi a publicação de tabelas
cruzadas (hoje conhecidas como tabelas de contingência ou tabelas de dupla entrada) para
apresentar os dados dos recenseamentos realizados no território alemão. Nessas tabelas eram
listados os nomes das famílias e o respectivo número de homens, o número de mulheres, o
P
R número de filhos e empregados da família.1
O
B
A
B Segundo Ferreira et al. (2002), essa escola preocupava-se em descrever os estados
I
L
políticos, e, portanto, as informações numéricas que apareciam nos registros ocorriam somente
I por acaso ou por conveniência.
D
A
D
E O trabalho com esse tipo de informação aparece com a escola de Aritmética Política,
E na Inglaterra. Segundo Jozeau (2001), essa escola difundiu-se por toda a Europa.
E
S
T A Aritmética Política, segundo Droesbeke e Tassi (1990), preocupava-se com a
A
T quantificação e a pesquisa de constantes de comportamento, permitindo estimações e previsões
Í
S tais como o número de filhos por mulher, o tempo entre dois nascimentos de uma mesma
T
I mulher, o número de habitantes por família, a proporção de falecimentos etc.
C
A
Perero (1994) explica que a Estatística deu um grande salto qualitativo por volta do
século XVII. Por um lado, a utilização de dados estatísticos começa em instituições financeiras
e companhias de seguro. Por outro lado, nasce na Inglaterra o conceito de Aritmética Política
e começa-se a “matematizar” outras disciplinas, que eram, até então, puramente descritivas,
como a demografia, a economia e as ciências sociais.
Os fundadores da Aritmética Política foram John Graunt (1620-74) e William Petty (1623-87),
mas o termo “Aritmética Política” foi dado por Petty e definido por Charles Davenant (1656-1714)
como a arte de raciocinar com números sobre os problemas do governo (JOZEAU, 2001).
John Graunt utilizou os dados publicados nos boletins sobre mortalidade, que foram
realizados após 1519 em Londres, para estabelecer e verificar certas questões controversas
como as causas de mortalidade, o tamanho exato da população de Londres, a relação entre
o número de homens e de mulheres. Segundo Ferreira et al. (2002), Graunt fez uma análise
exaustiva do número de pessoas que morriam de várias doenças e estimou o número de
nascimentos de homens e de mulheres, mostrando, por exemplo, que nasciam mais homens
que mulheres e que, a cada 100 pessoas nascidas, 36 morriam aos 6 anos e que 7 sobreviviam
até os 70 anos. Segundo Lightner (1991), Graunt foi a primeira pessoa a lidar com inferência
estatística na análise de dados de massa.
Graunt publicou sua obra Natural and political observation made upon the bills of mortality
em 1662, e isso chamou a atenção do rei da Inglaterra (Carlos II), que propôs a Graunt ser
sócio fundador da Royal Society.
Willian Petty, que também era membro da Royal Society, trabalhou durante três anos
com John Graunt. Ele estimou a população de Londres da seguinte maneira: o número de
residências era 105.000 e, considerando que a média de membros da família era de seis
pessoas e que 10% das residências abrigavam duas famílias, ele concluiu que havia 695.000
P
habitantes em Londres (DROESBEKE; TASSI, 1990, p. 42). R
O
B
A
Essa técnica utilizada por Petty foi denominada “de extrapolação” ou “de multiplicação” B
I
e teve um enorme sucesso. Jean Joseph d’Expilly (1719-93) utilizou esta técnica com outro L
I
estimador, usando o fator “5” para residências urbanas e “4,5” para residências rurais. D
A
D
Segundo Jozeau (2001), Graunt utilizou a mesma técnica e inovou, extrapolando os E
dados de Londres (calculados por Petty) para a Inglaterra. E
E
S
Depois do trabalho de Graunt, o trabalho seguinte de grande importância foi o de T
A
Edmund Halley (1656-1742), que era matemático de Oxford, e em suas memórias de 1693 T
Í
publicou Degrees of mortality of mankind, em que fez um estudo cuidadoso das anuidades S
T
(LIGHTNER, 1991). I
C
A
Kendall (1978) argumenta que a Aritmética Política é o verdadeiro antepassado da

Estatística como é entendida hoje. Segundo Droesbeke e Tassi (1990), as técnicas desenvolvidas
na Aritmética Política passaram a ser utilizadas em detrimento dos recenseamentos e
favoreceram o aparecimento de enquetes parciais, que tiveram como justificativa o cálculo de
probabilidades.
A probabilidade começou como ciência empírica. Vários dos problemas propostos

nessa área do saber foram pensados por matemáticos, filósofos, naturalistas, advogados,
respondendo a uma necessidade social: o estudo de jogos de azar.
Girolamo Cardano (Jérôme Cardan) (1501-76), professor de matemática e medicina, jogou

diariamente por mais de 40 anos. Desde cedo em sua vida, ele determinou que, se não jogasse
apostando algum dinheiro, nenhuma compensação seria obtida por um tempo perdido em jogos,
tempo este que poderia utilizar inteiramente na busca de aprendizagem (LIGHTNER, 1991).
Como não queria gastar seu tempo em atividades não promissoras, ele analisou seriamente
as probabilidades de tirar um ás de um baralho de cartas e de obter a soma “7” no lançamento de
dois dados. Então, ele relatou os resultados dessas investigações, bem como suas experiências
em um manual de jogos chamado Liber de Ludo Aleae, publicado em 1539.
Perero (1994) explica que Cardano é considerado o pai da Teoria de Probabilidade,

pois nessa obra analisou os jogos de azar de forma sistemática. Em um capítulo intitulado “On
the cast of one die”, ele relatou: “Eu posso tirar 1, 3 ou 5, bem como posso tirar 2, 4 e 6. As
apostas são feitas de acordo com esta igualdade, se o dado é honesto e, em caso contrário,
elas são feitas muito maiores ou menores em proporção para a saída da verdadeira igualdade”
(BURTON, 1985 citado em LIGHTNER, 1991).
Nesse relato, é possível notar a transição do empirismo para o conceito probabilístico

P
R teórico de um dado honesto, que, segundo Lightner (1991), marca a fundação do campo da
O
B matemática que se denomina “probabilidade”, mas que, para aquela época, poderia ser “jogo”
A
B demais para os matemáticos e matemáticos demais para os jogadores.
I
L
I Embora exista esse trabalho de Cardano, para alguns historiadores a Teoria de
D
A Probabilidade começou efetivamente com a correspondência entre Pascal e Fermat, do fato
D
E de que uma das cartas evoca efetivamente o termo “Geometria do Acaso” para referir-se ao
E cálculo de probabilidades.
E
S
T Segundo Perero (1994), em 1650, Antoine de Gombaud, o Chevalier de Méré, um
A
T experiente jogador francês, tinha como problema entender por que 11 ocorria com mais
Í
S frequência do que 12 no lançamento de 3 dados e solicitou a Pascal que o ajudasse a solucionar
T
I – Pascal explicou que ele estava errado. Em seguida, Méré solicitou a Pascal resolver o
C
A problema dos pontos.2
Buscando solucionar esse problema, Pascal comunicou-o a Fermat, dando início à série
de cartas que são reputadas como origem desta teoria. Nessas cartas, pode-se encontrar o
problema corretamente resolvido por ambos, mas de maneiras diferentes. Nota-se que eles
lidavam com os fundamentos da teoria da probabilidade matemática, um evento que Eves
chama de “um grande momento em matemática” e que é considerado por alguns historiadores
o início da Teoria de Probabilidade (LIGHTNER, 1991).
Em 1657, Christian Huygens (1629-95) escreveu o primeiro tratado formal de probabilidade,

De Ratiociniis in Ludo Aleae, baseado nas correspondências entre Fermat e Pascal.
Somente em 1713 tem-se notícia de outra publicação fundamental para o

desenvolvimento dessa teoria, quando Ars Conjectandi, de Jakob Bernoulli (1654-1705), foi
publicado postumamente, e dá início ao enfoque frequentista do conceito de probabilidade.
Segundo Ferreira et al. (2002), a ligação das probabilidades com os conhecimentos

estatísticos veio dar uma nova dimensão à Estatística, considerando-se o início da inferência
estatística.
Lightner (1991) explica que, depois dos estudos pioneiros de Graunt e Halley, foi Abraham
De Moivre (1667-1754) quem prosseguiu o tipo de estudo que era feito na Aritmética Política.
De Moivre emigrou para a Inglaterra, onde conheceu Newton e Halley, e publicou

Doctrine of chances em 1718 sobre a Teoria do Acaso, em que expunha, entre outros assuntos,
a probabilidade de tirar bolas de cores diferentes de uma urna (FERREIRA et al., 2002).
Esse trabalho de De Moivre teve um importante papel no desenvolvimento da matemática

atuarial e sua relação com seguros de vida, e mais tarde ele preparou um material no qual
descreveu a curva normal de probabilidade (LIGHTNER ,1991, p. 627).
P
R
O
Segundo Lightner (1991), a partir de De Moivre, probabilidade e estatística entraram B
A
num período de transição, em que os conceitos foram examinados, aplicados a velhos e novos B
I
problemas além daqueles de jogos e tabelas de mortalidade, que registraram o começo da L
I
probabilidade e da estatística, respectivamente. D
A
D
Jakob Bernoulli (1654-1705) desenvolveu o que hoje chamamos de distribuição de E
Bernoulli, que consiste em dizer que um experimento aleatório tem duas possibilidades de E
resultado: sucesso e fracasso (configuração de urna de Bernoulli), que fora a base da distribuição E
S
binomial (FERREIRA et al., 2002). Outros membros da família Bernoulli também se destacam T
A
nesta área. Por exemplo, Daniel (1700-82) investigou o Paradoxo de Petersburg3, que consiste T
Í
na solução de um problema de jogo. S
T
I
C
A
Bernoulli também mostrou como o Cálculo Integral (que tinha surgido 60 anos antes)
poderia ser aplicado à probabilidade. Leonhard Euler (1707-83) sistematizou e organizou
muitos problemas probabilísticos, e Joseph Lagrange (1736-1813) também avançou na Teoria
de Probabilidade aplicando o cálculo diferencial.
Pierre Simon Laplace (1749-1827) publicou em 1812 sua obra intitulada Teoria analítica
das probabilidades, em que definiu, em um de seus princípios, a probabilidade pela qual o
número de vezes em que um determinado acontecimento pode ocorrer, dividido pelo número
total dos casos, considerando-se a hipótese de equiprobabilidade (FERREIRA et al., 2002).
Segundo Lightner (1991), embora o interesse de Laplace fosse o estudo da astronomia

(ele publicou Celestial Mechanics em 1799), ele também usou a Teoria de Probabilidade para
obter uma medida estatística de confiabilidade de resultados numéricos derivados de dados e
para determinar a probabilidade de certo fenômeno astronômico ser devido a causas definidas
em vez de ao puro acaso.3
Em 1812, Laplace publicou Théorie analytique des probabilités, em que organizou

tudo o que era conhecido sobre a teoria estatística e probabilística em uma primeira tentativa
de axiomatização. Segundo Lightner (1991), Laplace é frequentemente considerado o pai da
teoria moderna de probabilidade porque ele entendeu, talvez melhor que todos de seu tempo,
a significância da probabilidade para o mundo. Usando a Teoria de Probabilidade, um número
de matemáticos derivou vários tipos de distribuições matemáticas que descreveriam várias
populações, incluindo a distribuição de Bernoulli e de Poisson, o ajustamento da distribuição
normal descrita por Karl Friedrich Gauss (1777-1855), que devotou especial atenção à curva
normal, sua equação e suas aplicações (LIGHTNER, 1991, p. 629).
O começo da análise estatística de dados de censo foi feita em 1829 por Lambert
Adolphe Jacques Quetelet (1796-1874), na Bélgica.
P
R
O
B Francis Galton (1822-1911) descobriu a lei da regressão e o coeficiente de correlação
A
B em 1877. Começando em 1894, Karl Pearson (1857-1936) aplicou a probabilidade à biologia
I
L
e criou a área de estudo denominada Biometrics (LIGHTNER, 1991).
I
D
A Mas, durante o século XIX, descobriu-se que um grande número de fenômenos naturais
D
E nas ciências biológicas e na física seguia a distribuição normal dos erros aleatórios, e começa
E uma união dessas duas correntes (BENNETT, 2003, p. 122).
E
S
T No entanto, é apenas no final do século XIX que o desenvolvimento da matemática
A
T permite um avanço efetivo na Teoria de Probabilidade. O trabalho de Borel e de Lebesgue
Í
S permite a Kolmogorov, em 1933, publicar uma obra contendo a axiomatização da Teoria de
T
I Probabilidade.
C
A
Pelos apontamentos históricos pode-se considerar que o início da estatística deu-se

na Antiguidade com os recenseamentos e somente na Aritmética Política teve um avanço no
tipo de trabalho que era realizado. Esse período aconteceu do século VI antes de Cristo até o
século XVII após Cristo, o que soma 23 séculos.
Quanto à Teoria de Probabilidade, embora existam registros de jogos de azar na

Antiguidade, o desenvolvimento das ideias que formam a base da Teoria de Probabilidade
ocorreu com Cardano, no século XVI depois de Cristo (COUTINHO, 1994).
Um ponto em comum no surgimento das ideias da estatística e da probabilidade é que

ambas surgiram a partir de problemas empíricos, embora existam registros de mais matemáticos
envolvidos com os problemas de jogos de azar do que com problemas de recenseamentos.
Mas os caminhos dessas duas áreas permaneceram separados até o surgimento da Aritmética
Política (século XVII). Foi com a obra de De Moivre que se tem registro da união dos trabalhos
realizados pela estatística e pela probabilidade, o que dá início à área da Estatística denominada
Inferência.
Portanto, a partir do século XVII a relação entre a Estatística e a Probabilidade torna-

se indissociável, contribuindo para o desenvolvimento de estudos em diversas áreas do
conhecimento, como a biologia, a psicologia, entre outras.
REFERÊNCIAS
BENNETT, D. J. Aleatoriedade. Trad. de W. Barcellos. São Paulo: Martins Fontes, 2003.
COSTA NETO, P. Estatística. São Paulo: Edgar Blucher, 1977.
COUTINHO, C. de Q. e S. Introdução ao conceito de probabilidade por uma visão frequentista:

estudo epistemológico e didático. Dissertação (Mestrado em Matemática) - Pontifícia Universidade
Católica, São Paulo, 1994.
P
DROESBEKE, J. J.; TASSI, P. Histoire de la statistique. Paris: Presses Universitaires de France, R
1990. O
B
A
DUTARTE, P.; PIEDNOIR, J.-L. Grande et petite histoire de la statistique. In: DUTARTE, P.; B
PIEDNOIR, J.-L. Enseigner la statistique au lycée: des enjeux aux méthodes. Villetaneuse: I
L
Université de Paris 13/IREM, 2001. I
D
FERREIRA, M. J.; TAVARES, I.; TURKMAN, M. A. Notas sobre a história da estatística. Portugal: A
D
Instituto Nacional de Estatística, 2002. Disponível em: <http://alea.ine.pt/html/statofic/html/dossier/doc/ E
dossier6.pdf>. Acesso em: 15 dez. 2003.
E
JOZEAU, M.-F. Histoire des statistiques et des probabilités: un survol. In: L’Institut de Recherche E
sur l’Enseignement des Mathematiques (IREM) (Org.). Des statistiques à la pensée statistique. S
T
Montpellier: IREM, 2001. A
T
KENDALL, M. G. Where shall the history of statistics begin? In: PEARSON, E. S.; KENDALL, M. Í
S
Studies in the history of statistics and probability. Londres: Charles Griffin, 1978. T
I
LIGHTNER, J. E. A brief look at the history of probability and statistics. Mathematics Teacher, v. 84, C
A
n. 8, 1991.
NELDER, J. Statistics, science and technology. J. R. Statist.Soc. A, v. 149, Part 2, 1986.
PERERO, M. História e histórias de matemáticas. México: Grupo Editorial Ibero-Americano, 1994.
PORTER, T. M. The rise of statistical thinking, 1820-1900. Nova York: Princeton University Press, 1986.
SENN, S. Mathematics: governess or handmaid en? The Statistician, v. 47, n. 2, 1998.
Notas
1 Um exemplo dessas tabelas pode ser visto em Jozeau (2001, p. 57).
2 Lightner (1991) explica o que era o problema dos pontos: suponha que um jogador, por
exemplo, o Chevalier de Méré, e um de seus amigos estivessem num jogo de dados do
século XVII. Cada jogador aposta 30 pistolas (antiga moeda espanhola) que seu número
escolhido sairá três vezes num dado antes que o número do outro jogador saia três vezes.
Depois de o jogo ter começado, o número de Méré, 5, tinha saído duas vezes enquanto o
número de seu oponente, 3, tinha saído somente uma vez. Nesse momento, Méré recebe uma
mensagem urgente e o jogo deve parar. Como os jogadores deveriam dividir as 60 pistolas na
mesa? O amigo de Méré afirma que, considerando que a chance de ele obter duas jogadas
sortudas é metade da chance de Méré obter uma jogada sortuda, ele deveria receber 20
pistolas e Méré deveria receber 40. De Méré argumenta que, na próxima jogada, o pior que
poderia acontecer para ele seria perder sua vantagem, ocorrendo um empate, e então as
pistolas seriam divididas igualmente. Entretanto, se saísse 5 na próxima jogada, ele seria o
vencedor e receberia as 60 pistolas. De Méré afirma que, mesmo antes da jogada, ele deve
receber 30 pistolas e mais 15 que é a metade da certeza; portanto, ele deveria receber 45
e seu oponente 15. E ele estava certo. Pascal e Fermat decidiram esse resultado em suas
famosas correspondências. Eles também consideraram outros problemas relacionados ao
problema dos pontos, tal como a divisão do dinheiro apostado quando os dois jogadores
são desigualmente habilidosos ou quando mais do que dois jogadores estão apostando.
P
R
O
B 3 Um jogador lança uma moeda e um segundo jogador concorda em pagar uma quantidade
A
B em dinheiro se aparecer cara no 1º lançamento, o dobro do dinheiro se aparecer cara no
I
L 2º lançamento, 4 vezes a quantia inicial se aparecer cara no 3º lançamento, 8 vezes se sair
I
D cara no 4º lançamento, e assim sucessivamente. O paradoxo nasceu sobre quanto deveria
A
D
ser pago, antes do jogo, para ser honesto com ambos os jogadores. Uma grande diferença
E surgiu entre o senso comum e o raciocínio matemático (LIGHTNER, 1991, p. 628).
E
E FONTE: SILVA, Cláudia Borim; COUTINHO, Cileda de Queiroz e Silva. O nascimento da estatística
S e sua relação com o surgimento da teoria de probabilidade. Revista Integração, São Paulo, ano 11,
T n. 41, p. 191-196, 2005. Disponível em: <ftp://ftp.usjt.br/pub/revint/191_41.pdf>. Acesso em: 24 jan.
A
T 2013.
Í
S
T
I
C
A
RESUMO DO TÓPICO 2
• A distribuição de Bernoulli é a distribuição discreta de espaço amostral {0, 1}, com

probabilidades P(0) = 1 - p = q e P(1) = p. Sua função de distribuição de probabilidade é:
P(X=x) = px·qx-1
• A distribuição binomial é uma distribuição usada quando se tem um caso de distribuição de

Bernoulli repetida n vezes.
• A probabilidade de uma distribuição binomial é dada por:

P(X=x) = Cn,x px qn-x
• A distribuição de Poisson descreve a ocorrência de algum evento aleatório em um intervalo de

tempo ou espaço (ou algum volume de matéria) e sua função de distribuição de probabilidade
é: P(X=x) = (e-μ · μx)/x!
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A

IDADE
ATIV
AUTO

1 Uma escola recebe, em média, 20 alunos novos por ano. Qual é a probabilidade de
que, em um ano selecionado aleatoriamente, a escola não receba nenhum aluno
novo?
2 Considere que a probabilidade de nascimento de menino ou menina é a mesma,

determine a probabilidade de que, em 5 nascimentos:
a) apenas dois sejam meninos;
b) pelo menos dois sejam meninos.
3 Uma fábrica de balões apresenta 5% da sua produção com defeito. Numa amostra
de 100 balões, escolhidos ao acaso, qual é a probabilidade de:
a) 5 serem defeituosos;
b) no máximo 3 serem defeituosos.
4 Uma pesquisa médica verificou a eficiência de uma determinada droga para 95% da
P
R população. Se um médico receita essa droga para 3 pacientes, qual é a probabilidade
O
B de a droga não ser eficiente para nenhum deles?
A
B
I
L 5 Um teste com 10 questões de múltipla escolha, com 4 alternativas cada uma e com
I
D apenas uma alternativa correta, aprova o aluno que acertar, no mínimo, 7 questões.
A
D Qual é a probabilidade de aprovação de um aluno que não estudou?
E
E 6 Em uma rodovia há uma média de 5 acidentes por dia. Qual é a probabilidade de

E que, em um dia selecionado aleatoriamente,
S
T a) ocorra nenhum acidente?
A
T b) ocorram no máximo dois acidentes?
Í
S
T
I
C
A
7 Um telefone recebe chamadas a uma taxa de 0,8 por hora. Qual é a probabilidade
de, em 4 horas, receber:
a) exatamente 5 chamadas?
b) no máximo 3 chamadas?
c) pelo menos 4 chamadas?
8 Em uma gráfica verificou-se que, a cada 200 páginas impressas, ocorrem 50 erros
tipográficos. Ao selecionar 10 páginas ao acaso de um livro, qual é a probabilidade
de nenhuma conter erros? E no máximo duas terem erros?
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 2
TÓPICO 3
DISTRIBUIÇÕES DE PROBABILIDA-
DE PARA VARIÁVEIS CONTÍNUAS
1 INTRODUÇÃO
Até aqui você estudou distribuições discretas de probabilidades para variáveis finitas
e numeráveis. Mas, quando se deparar com populações infinitas ou amostras imensas, as
distribuições discretas são ineficazes, pois seus cálculos demorariam demais.
Justamente por isso se construiu a ideia de continuidade, pois não se tem mais um
conjunto enumerável de dados e sim uma infinidade não enumerável deles.
Mesmo parecendo mais difíceis, as distribuições contínuas, na maioria das vezes, são
de simples aplicação. Já a matemática que é aplicada nestes tipos de distribuição é um pouco
mais elaborada do que a que sustenta a distribuição discreta.
Na Unidade 3, você estudará outras aplicações que usam essas distribuições.

P
R
O
B
A
B
2 NORMAL I
L
I
D
A
A partir de agora você passará a estudar variáveis aleatórias contínuas. Das distribuições D
E
contínuas, a distribuição normal é, de longe, a mais comum, pois é a que ocorre com mais
E
frequência na natureza.
E
S
T
A distribuição normal é definida pelos parâmetros μ e σ (média e desvio padrão A
T
populacionais) e a sua função densidade de probabilidade é definida por: Í
S
T
I
C
A
A curva normal tem sempre o aspecto de sino. Veja a seguir:
Quando existir μ = 0 e σ = 1, chama-se a distribuição de normal padrão e sua função

densidade de probabilidade se reduz a:
P
R
O É possível transformar qualquer distribuição normal para uma distribuição normal
B
A
padrão. E com base na normal padrão existe a tabela Z de valores (Apêndice A) que contém
B todas as soluções de que você precisará, portanto, não terá que usar as funções anteriores
I
L para determinar os resultados das probabilidades.
I
D
A
D O que se faz é transformar uma normal qualquer para uma normal padrão e, a partir
E
daí, chegar à probabilidade procurada por meio da tabela Z.
E
E
S Se uma variável aleatória X tem distribuição normal de média μ e variância σ2 (X ~
T
A N(μ,σ2)), pode-se transformá-la numa variável aleatória Z de distribuição normal padrão de
T
Í média 0 e variância 1 (Z ~ N(0, 1)), através da fórmula:
S
T
I
C z = (x – μ)/σ
A
O esquema a seguir representa como proceder para transformar uma normal qualquer
em uma normal padrão, acompanhe com atenção.
Propriedades da distribuição normal padrão:
(i) E(X) = 0 (média ou valor esperado);

(ii) Var(X) = 1 (e, portanto, DP(X) = 1);
(iii) f (x) → 0 quando x → ±∞;
(iv) x = 0 é ponto de máximo de f (x);
(v) -1 e 1 são pontos de inflexão de f (x);
(vi) a curva normal padrão é simétrica em torno da média 0.
P
R
O
B
A
2.1 TABELA Z B
I
L
I
D
Existem vários tipos de tabelas que apresentam as probabilidades sob a curva normal A
D
padrão. A que será utilizada apresenta a probabilidade de a variável aleatória Z ser menor que E
z. (Apêndice A). E
E
S
T
A
T
Í
S
T
I
C
A
Como a área sob a curva de densidade é 1, a probabilidade de a variável aleatória Z

ser maior que z é obtida fazendo:
1 – P(Z < z), se z > 0
ou P(Z < z), se z < 0.
Como essa curva é simétrica em relação à média 0, a P(Z < 0) = 0,5 (ou P(Z > 0) =
0,5). Assim se você quiser saber a probabilidade de a variável aleatória Z estar entre 0 e z,
basta fazer:
P(Z < z) – 0,5, se z > 0
P
R
O
B
A
B
I
L
I
D
A ou 0,5 – P(Z < z), se z < 0.
D
E
E
S
T
A
T
Í
S
T
I
C
A
Para saber a probabilidade de Z estar entre z1 e z2, com z2 < z1, precisa-se fazer:
P(Z < z2 ) – P(Z <z2)
Exemplo 1:
Utilize a tabela Z (Apêndice A) para calcular P(Z > 1,65):
Solução:
Em z = 1,65 deve-se procurar 1,6 na 1ª coluna e 0,05 na 1ª linha, o cruzamento dessas

duas coordenadas é a P(Z < 1,65) = 0,9505. Como você precisa encontrar P(Z > 1,65), deverá
fazer 1 - P(Z < 1,65), então:
P(Z > 1,65) = 1 – 0,9505 = 0,0495.
Exemplo 2:
Utilize a tabela Z (Apêndice A) para calcular P(Z < -1,3)
Solução:
Como a curva é simétrica em relação à média 0, a P(Z < -1,3) é igual a P(Z > 1,3). P
R
Assim, O
B
P(Z < -1,3) = P(Z > 1,3) = 1 – P(Z < 1,3). Procurando z = 1,3 na tabela Z (1,3 parte inteira A
B
e a decimal, e 0,00 parte centesimal), tem-se que P(Z < 1,3) = 0,9032, então: I
L
I
D
P(Z < -1,3) = P(Z > 1,3) = 1 – P(Z < 1,3) = 1 – 0,9032 = 0,0968. A
D
E
Acompanhe alguns outros exemplos: E
E
S
Na tabela Z o número padronizado z é formado por três dígitos: a (parte inteira), b (parte T
A
decimal) e c (parte centesimal), z = a,bc. T
Í
S
T
A parte inteira e a decimal (a,b) aparecem na primeira coluna da tabela Z, e a parte I
C
centesimal você procura na primeira linha da tabela Z. A
Exemplo 3:
P(0 < Z < 2,36) = P(Z < 2,36) – 0,5.
Procurando z = 2,36 na tabela Z (2,3 parte inteira e a decimal, e 0,06 parte centesimal),
temos que P(Z < 2,36) = 0,9909, então:
P(0 < Z < 2,36) = 0,9909 – 0,5 = 0,4909.
Exemplo 4:
P(-2,1 < Z < 0) = 0,5 – P(Z < -2,1).
Devido à simetria da curva a P(Z < -2,1) = P(Z > 2,1) = 1 – P(Z < 2,1). Procurando z =
2,1 (2,1 parte inteira e a decimal, e 0,00 parte centesimal), tem-se que P( Z < 2,1) = 0,9821.
Assim a P(Z < -2,1) = 1 – P(Z < 2,1) = 1 – 0,9821 = 0,0179, então:
P(-2,1 < Z < 0) = 0,5 – P(Z < -2,1) = 0,5 – 0,0179 = 0,4821.
Exemplo 5:
P(-1,32 < Z < 0,92) = P(Z < 0,92) – P(Z < -1,32).
Procurando z = 0,92 na tabela Z (0,9 parte inteira e a decimal, e 0,02 parte centesimal),
tem-se P(Z < 0,92) = 0,8212. P(Z < -1,32) = P(Z > 1,32) = 1 – P(Z < 1,32), para z = 1,32 a P(Z
< 1,32) = 0,9066. Assim P(Z < -1,32) = 1 – 0,9066 = 0,0934, então:
P(-1,32 < Z < 0,92) = P(Z < 0,92) – P(Z < -1,32) = 0,8212 – 0,0934 = 0,7278.
P
R
O
B Nos testes de hipóteses, é comum querer saber que valor de z produz uma determinada
A
B área sob a curva normal padrão, de –z até z.
I
L
I Por exemplo, para que valor de z tem-se uma área sob a curva normal padrão de 0,90,
D
A de –z até z?
D
E
E A figura a seguir ilustra essa pergunta.

E
S
T
A
T
Í
S
T
I
C
A
Como a curva normal padrão é simétrica e a área total sob a curva é 1, a área branca
sob a curva vale 0,05. Assim, pode-se mudar a pergunta para: qual valor de z deixa uma área
menor que 0,95?
Basta localizar 0,95 no corpo da tabela Z (Apêndice A) para encontrar o valor de z.
Observando a tabela, o valor 0,95 está entre 0,9495 e 0,9505, então, pode-se dizer que
z está entre 1,64 e 1,65. Calculando a média entre esses dois valores, z = 1,645.
Veja que o que foi feito é comum nos testes de hipóteses do tipo bilateral (ou bicaudal).
Quando o teste for unilateral (ou unicaudal), é preciso obter o valor de z que determina uma
P
área sob a cauda da curva normal padrão. R
O
B
A
Por exemplo, para o valor de z positivo temos uma área de 0,05 sob a cauda da curva B
I
normal padrão? A figura a seguir ilustra essa pergunta. L
I
D
A
D
E
E
S
T
A
T
Í
S
T
Como a área branca sob a curva vale 0,95 e a tabela Z nos dá a P(Z < z), basta entrar I
C
com o valor 0,95, como feito no caso anterior. Assim z = 1,645. A
Se fosse necessário obter z negativo, a área estaria do lado esquerdo da curva e o

procedimento para obter z seria o mesmo, já que a curva é simétrica em relação à média.
Assim z valeria -1,645.

DE
ATIVIDA
AUTO
Que tal exercitar um pouco? Utilize a tabela Z (Apêndice A) para

calcular as probabilidades:
a) P(0,2 < Z < 1,35)
b) P(Z > - 3,5)
c) P(-1,96 < Z < 1,96)
d) Para que valor de z a área sob a curva normal padrão vale 0,95,
de –z até z?
2.2 ALGUNS EXEMPLOS
Agora que você já sabe como usar a tabela Z, acompanhe a resolução de alguns
exemplos de distribuição normal.
a) A altura de uma população têm média 1,70 m e desvio padrão de 0,2m. Um pesquisador,
ao tomar uma pessoa desta população, pretende determinar qual é a probabilidade de:
i) encontrar alguém com altura superior a 1,80 m;

ii) encontrar alguém com altura entre 1,4 m e 1,65 m;
P iii) encontrar alguém com altura inferior a 1,60 m.
R
O
B
A Solução:
B
I
L
I Note que μ = 1,70 e σ = 0,2, ou seja, tem-se um caso normal, mas ainda não se tem
D
A uma normal padrão, ou seja, não se pode usar a tabela Z. É preciso transformar essa normal
D
E em padrão usando:
E
z = (x – μ)/σ
S
T
A i) Você quer calcular a probabilidade de encontrar alguém acima de 1,80 m, ou seja, P(X >
T
Í 1,80).
S
T
I
C
A
Transformando x = 1,80 em z padrão, tem-se que:

z = (x – μ)/σ
z = (1,80 – 1,70)/0,2 = 0,5
O problema agora consiste em encontrar P(Z > 0,5). Como P(Z > 0,5) = 1 – P(Z < 0,5),
tem-se que P(Z > 0,5) = 1 – 0,6915 = 0,3085. Portanto, a P(X > 1,80) = P(Z > 0,5) = 0,3085.
O valor 0,6915 representa a probabilidade de encontrar alguém com menos de 1,80

m de altura.
ii) Você deve encontrar P(1,4 < X < 1,65), para isso transforme os valores x1 = 1,4 m e x2 =
1,65 m em z1 e z2 respectivamente. Tem-se então:
z = (x – μ)/σ
z1 = (1,4 – 1,7)/0,2 = -1,5
z2 = (1,65 – 1,7)/0,2 = -0,25
Agora o problema consiste em encontrar P(-1,5 < Z < -0,25) usando a tabela Z.
Como:
P(-1,5 < Z < -0,25) = P(Z < -0,25) – P(Z < -1,5) e
P(Z < -1,5) = P (Z > 1,5) = 1 – P(Z < 1,5) = 1 – 0,9332 = 0,0668
P(Z < -0,25) = P (Z > 0,25) = 1 – P(Z < 0,25) = 1 – 0,5987 = 0,4013,
Tem-se:
P(-1,5 < Z < -0,25) = 0,4013 – 0,0668 = 0,3345.
Portanto, a P(1,4 < X < 1,65) = P(-1,5 < Z < -0,25) = 0,33448.
P
R
O
B
A
UNI
B
I
L
I
D
A
Como você está lidando com número de pessoas, o arredondamento D
será para cima. E
E
S
iii) Você quer saber a P(X < 1,60). Transformando o valor x = 1,60 em z padrão, obtém-se z2 = T
A
(1,6 – 1,7)/0,2 = -0,5 T
Í
S
T
Agora o problema consiste em encontrar a P(Z < -0,5) na tabela Z. I
C
A
Como a P(Z < -0,5) = P(Z > 0,5) e P(Z > 0,5) = 1 – P(Z < 0,5), tem-se que:
P(Z < -0,5) = 1 – 0,6915 = 0,3085.
Portanto, a P(X < 1,60) = P(Z < -0,5) = 0,3085.
Em algumas situações onde há um grande número de elementos n, pode-se usar a

distribuição normal como uma boa aproximação de uma distribuição binomial, uma vez que o
cálculo de probabilidades com o modelo binomial se torna trabalhoso.
Por exemplo, um estudo do Sindicato dos Professores indica que cerca de 40% dos
professores têm problemas de estresse, oriundos das más condições de trabalho. Numa escola
com 100 professores, qual é a probabilidade de pelo menos 30 terem estresse?
Solução:
Considere a variável aleatória X o número de professores com estresse, então X = {0,

1, 2, 3, ..., 99, 100}.
i) Considerando o modelo binomial P(X=x) = Cn,x pxqn-x
n = 100 (total de professores)

p = 0,4 (probabilidade de estresse)
q = 0,6 (1 -0,4 = 0,6)
Pense que você quer saber a probabilidade de pelo menos 30 terem estresse, então X
pode ser 30, 31, 32, 33,..., 99 ou 100. Portanto, deve-se calcular a probabilidade de cada um
desses valores e depois somá-las.
P
R P(X ≥ 30) = P(X = 30) + P(X = 31) + P(X = 32) + ... + P(X = 99) + P(X = 100)
O
B
A
B Mesmo que você utilizasse o princípio da probabilidade complementar, o cálculo seria
I
L
trabalhoso, pois teria que calcular a probabilidade para os primeiros 30 valores que X (de 0 a
I 29) e depois subtrair esse resultado de 1.
D
A
D
E Resta então recorrer à distribuição normal. Para isso, precisa-se de dois parâmetros,
E média μ e o desvio padrão σ. Como a variável aleatória X, nesse caso, segue uma distribuição
E normal de p = 0,4 e n = 100.
S
T
A
T Lembre que você viu no Tópico 2 dessa unidade que:
Í
S
T
I E(X) = np = 100 . 0,4 = 40, então μ = 40, e
C
A Var(X) = npq = 100 . 0,4 . 0,6 = 24, então σ = √24 ≈ 4,9
ii) Modelo normal padrão z = (x – μ)/σ:

μ = 40
σ = 4,9
Para obter a probabilidade P(X ≥ 30), é necessário transformar x = 30 em z padrão:

z = (30 – 40)/4,9 ≈ -2,04
Agora o problema consiste em calcular a P(Z ≥ -2,04) na tabela Z.

P(Z ≥ -2,04) = P(Z ≤ 2,04) = 0,9793.
Portanto, a P(X ≥ 30) = P(Z ≥ -2,04)= 0,9793.
Barbetta (1999) considera uma aproximação razoável da distribuição binomial para a

normal se: np ≥ 5 e nq ≥ 5. Outros autores, mais rigorosos, consideram essa aproximação boa
quando np ≥ 15 e nq ≥ 15.
3 OUTROS TIPOS DE DISTRIBUIÇÃO
Na Unidade 3, você estudará os testes de hipóteses. Há alguns tipos de distribuição de

probabilidade que são comumente utilizadas na realização destes tipos de testes. A seguir, você
conhecerá as principais características das distribuições qui-quadrado, T de student e F.
Ademais, na Unidade 3, você aprofundará o estudo dos testes de hipóteses com a

utilização destas distribuições de probabilidade.
P
R
O
B
A
B
3.1 DISTRIBUIÇÃO QUI-QUADRADO I
L
I
D
A
Em uma distribuição normal, pode-se verificar que à razão segue uma D
E
distribuição denominada qui-quadrado, .
E
E
Nos testes de independência, o qui-quadrado é obtido somando-se a diferença S
T
ao quadrado entre as frequências observadas e as esperadas, dividido pelas frequências A
T
esperadas. Í
S
T
I
C
A
Onde:
O = observado e
E = esperado
Se o qui-quadrado for igual a zero, então não existe associação entre as variáveis. O
qui-quadrado não mede força de associação e não é suficiente para estabelecer relação de
causa e efeito.
3.1.1 Qui-quadrado com (n – 1) graus de liberdade
A distribuição qui-quadrado pode ser aproximada por um modelo qui-quadrado de

parâmetro n – 1, denominado graus de liberdade da distribuição (gl). Essa distribuição é
representada por X2 (n-1).
Existe uma família de distribuições qui-quadrado, dependendo do número de graus de

liberdade.
P
R
O
B
A
B
I
L
I
D
A
D
E
Obtêm-se os graus de liberdade de acordo com o tipo de teste que se pretende aplicar.
E
Será visto na Unidade 3 o teste de independência (ou associação) qui-quadrado e, para
E
S este, tem-se que: gl = (r – 1)∙(s – 1), onde r é o número de linhas e s o número de colunas da
T
A tabela.
T
Í
S A distribuição qui-quadrado é assimétrica e se torna “menos” assimétrica à medida que
T
I os graus de liberdade aumentam. Para grandes amostras, a distribuição qui-quadrado tende
C
A para uma distribuição normal.
Os valores da distribuição são sempre não negativos (maiores ou iguais a zero).
Devido à complexidade de sua função densidade, as probabilidades serão obtidas

da tabela de distribuição qui-quadrado (Apêndice B). A tabela de distribuição qui-quadrado
apresenta os valores X2 de acordo com os graus de liberdade (gl) e o nível de significância.
Os graus de liberdade se encontram na primeira coluna e os níveis de confiança na

primeira linha da tabela.
O cruzamento da coluna com a linha apresenta o valor X2 tabelado (X2tab).
No Tópico 1 da Unidade 3, você entenderá melhor o que significa esse nível de

significância. Por enquanto, considere como sendo uma probabilidade de ocorrência de um
valor amostral, representado pela letra grega α (alfa).
Por exemplo, se você está trabalhando com uma distribuição qui-quadrado com 15
graus de liberdade, qual é o valor de X2tab, cuja probabilidade de ocorrência de um valor X2
maior ou igual a X2tab é 5% (α = 0,05)?
P
R
O
B
A
B
I
Analisando na tabela qui-quadrado, tem-se que X2 tab = 24,9958. O que significa que L
em uma distribuição com gl = 15 há uma probabilidade de 0,05 de ocorrer um valor X2 maior I
D
ou igual a 24,9958. A
D
E
Agora, se você quiser saber entre quais valores de X2 tab (X2 A e X2 B) tem-se 90% de E
uma distribuição com gl = 15, deve considerar um nível de significância α = 0,1, sendo α/2 = E
S
0,05 para cada cauda da distribuição qui-quadrado. T
A
T
Í
S
T
I
C
A
Veja a seguir:
O valor de X2 B já é conhecido, X2 B = 24,9958 (é o mesmo procedimento do exemplo

anterior). Como a tabela da distribuição qui-quadrado (Apêndice B) considera as áreas na
cauda à direita, para encontrar o valor de X2 A deve-se entrar com o nível de significância de
1 – 0,05 = 0,95, portanto X2 A = 7,2609.
Assim, numa distribuição com gl = 15, há uma probabilidade de 0,90 de ocorrer um

valor X entre 7,2609 e 24,9958.
2

IDADE
ATIV
AUTO
Para exercitar, encontre o valor de X2 tab para uma distribuição

com:
a) gl = 1 e α = 5%
b) gl = 10 e α = 10%
c) gl = 15 e α = 2,5%
P
R
O
B
A
B
I 3.2 DISTRIBUIÇÃO T–STUDENT
L
I
D
A Suponha que Z seja uma distribuição normal padrão e que V tenha uma distribuição X2
D
E (qui-quadrada) com n – 1 graus de liberdade.
E
E
S
T
A
T
Í
S
T
I
C
A
A distribuição t é uma distribuição similar à normal só que com caudas mais largas, o
que gera uma probabilidade maior para valores afastados da média. Ela também é simétrica
e campaniforme.
O único parâmetro utilizado para definir a distribuição t é o grau de liberdade (gl = n – 1).
Quanto maior o grau de liberdade, mais próximo a uma normal estará a distribuição t.
Para os testes estatísticos que utilizam a distribuição t-Student, o grau de liberdade é

simplesmente: gl = n – 1.
Os valores da distribuição t podem ser obtidos da tabela de distribuição t-Student

(Apêndice C). A tabela de distribuição t-Student apresenta os valores t de acordo com os graus
de liberdade (gl) e o nível de significância.
P
R
Os graus de liberdade se encontram na primeira coluna e os níveis de confiança na O
B
primeira linha da tabela. O cruzamento da coluna com a linha apresenta o valor t tabelado A
B
(ttab). I
L
I
D
Assim, ao trabalhar com uma amostra de 15 elementos e obter o valor t tabelado (ttab) A
D
com um nível de significância de 5%, temos que: gl = 16 – 1 = 15 e α = 5% = 0,05. Cruzando E
esses valores na tabela t-Student, ttab = 1,7531. E
E
S
T
A
T
Í
S
T
I
C
A
IDADE
ATIV
AUTO
Para exercitar, encontre o valor de ttab para uma distribuição com:

a) gl = 1 e α = 5%
b) gl = 10 e α = 10%
c) gl = 15 e α = 2,5%
3.3 DISTRIBUIÇÃO F
Essa distribuição é usada para verificar se as variâncias de duas populações distintas

são estatisticamente idênticas.
P
R
O Considere duas populações com distribuição normal com médias μ1, μ2 e variâncias
B
A σ11 e σ22.
B
I
L
I Retire uma amostra aleatória de tamanho n1 da primeira população, tendo uma variância
D
A S21, e outra amostra aleatória de tamanho n2 da segunda população com variância S22.
D
E
E A estatística (S21/σ21)/ (S22/σ22) indica a relação entre as razões das variâncias amostral
E e da população.
S
T
A
T Supondo que as variâncias amostrais sejam oriundas de amostras aleatórias
Í
S
independentes e com as mesmas variâncias populacionais, então: F = S21/ S22.
T
I
C A distribuição teórica que modela essa razão denomina-se distribuição F.
A
Os valores da distribuição F são sempre não negativos (maiores ou iguais a zero) e

serão obtidos da tabela de distribuição F (Apêndice D).
Esses valores dependem de dois graus de liberdade: gl1 = n1 – 1 (do numerador) e

gl2 = n2 – 1 (do denominador). Assim, para cada par de graus de liberdade há uma curva de
distribuição F.
A tabela de distribuição F apresenta o valor Ftab que delimita a região sob a curva na
cauda direita, com graus de liberdade gl1 e gl2. Assim, para cada nível de significância há uma
tabela de distribuição F. No Apêndice D, apresentamos três tabelas, com α = 1%, α = 2,5% e
α = 5%.
Os graus de liberdade gl1 se encontram na primeira linha e os gl2 na primeira coluna. O

cruzamento da linha com a coluna apresenta o valor F tabelado (Ftab) do nível de significância
adotado.
Suponha duas amostras independentes n1 = 14 e n2 = 11, então gl1 = 14 – 1 = 13 e gl2

P
= 11 – 1 = 10. O valor Ftab que delimita a região sob curva na cauda direita com um nível de R
O
significância de 1% é Ftab = 4,6496. B
A
B
I
Isso significa que em uma distribuição com gl1 = 13 e gl2 = 10 há uma probabilidade de L
I
1% de ocorrer valores de F maiores ou iguais a 4,6496. D
A
D
E

E
DE
ATIVIDA E
AUTO S
T
A
Pratique e encontre o valor de Ftab para uma distribuição com: T
Í
a) gl1 = 1, gl2 = 7 e α = 1% S
b) gl1 = 5, gl2 = 25 e α = 2,5% T
c) gl1 = 9, gl2 = 40 e α = 5% I
C
A
RESUMO DO TÓPICO 3
• Se uma variável aleatória X tem distribuição normal de média μ e variância σ2, podemos
transformá-la numa variável aleatória Z de distribuição normal padrão de média 0 e variância
1, através da fórmula: z = (x – μ)/σ.
• A curva normal padrão é simétrica em relação à média 0 e a área sob essa curva é 1.
• A tabela normal padrão (Apêndice A) apresenta a probabilidade de a variável aleatória Z ser

menor que z.
• Os valores da distribuição qui-quadrado podem ser obtidos pela tabela do Apêndice B e

esses valores dependem dos graus de liberdade e do nível de significância.
• Os valores da distribuição t-Student podem ser obtidos pela tabela do Apêndice C e esses
valores dependem dos graus de liberdade e do nível de significância.
• Os valores da distribuição F podem ser obtidos pela tabela do Apêndice D e esses valores
dependem de dois graus de liberdade (gl1 e gl2) e do nível de significância.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A

IDADE
ATIV
AUTO

Lembre-se de que você tem à disposição, no Material de Apoio do Ambiente Virtual de
Aprendizagem, os gabaritos das autoatividades. Consulte-os sempre que necessário.
1 A probabilidade de uma empresa produzir uma peça defeituosa é de 10%. Ao

selecionar aleatoriamente uma amostra de 400 peças, qual é a probabilidade de que,
no máximo, 30 tenham defeito?
2 Em uma empresa de perfumes, o volume do conteúdo dos frascos segue uma

distribuição normal de média 70 ml e desvio padrão 2,5 ml. Ao selecionarmos um
frasco ao acaso, qual é a probabilidade de:
a) ter mais de 70 ml?
b) ter menos de 70 ml?
c) ter entre 65 e 75 ml?
3 Os salários mensais dos metalúrgicos são distribuídos normalmente em torno de uma

média de R$ 500,00 e desvio padrão de R$ 90,00. Determine a probabilidade de um
operário ter salário mensal:
a) maior que R$ 600,00;
P
b) menor que R$ 600,00; R
O
c) entre R$ 400,00 e R$ 600,00. B
A
B
I
4 Usando as informações do exercício 4, determine quantos funcionários de uma L
I
metalúrgica com 100 funcionários ganham entre R$ 400,00 e R$ 600,00. D
A
D
E
5 Suponha que os pesos dos estudantes de uma escola de Ensino Médio seguem uma
E
distribuição normal com média de 55 kg e desvio padrão 4,3 kg. Selecionando um
E
estudante ao acaso, qual é a probabilidade de ele pesar: S
T
a) menos de 45 kg? A
T
b) entre 45 kg e 60 kg? Í
S
c) mais de 60 kg? T
I
C
A
IAÇÃO
AVAL

unidade.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3
INFERÊNCIA ESTATÍSTICA: Estimação

e testes de hipóteses
A partir desta unidade você será capaz de:
• estimar os principais parâmetros populacionais;
• realizar testes de hipótese para a média, variância, proporção;
• realizar testes de hipóteses para comparar médias;
• aplicar teste de independência para verificar se duas variáveis

possuem grau de dependência.
PLANO DE ESTUDOS
A Unidade 3 está dividida em 3 tópicos. No final de cada um

deles você poderá exercitar o conteúdo fazendo as autoatividades.
P
R
O
B
A
TÓPICO 1 – PROCESSO DE Estimação B
I
L
I
TÓPICO 2 – Testes de hipóteses PARA MÉDIA, D
A
VARIÂNCIA E PROPORÇÃO D
E
TÓPICO 3 – Testes de hipóteses PARA E
COMPARAÇÃO DE MÉDIAS E GRAU DE E

S
DEPENDÊNCIA T
A
T
Í
S
T
I
C
A
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3
TÓPICO 1
PROCESSO DE Estimação
1 INTRODUÇÃO
Você se lembra da disciplina de Estatística? Mais uma vez, neste caderno buscaremos
elementos da estatística para subsidiar nosso estudo. Para iniciar esta Unidade 3 é importante
que você conheça (ou relembre) alguns processos de estimação. Com base neste primeiro
tópico, você poderá entender com mais facilidade os tópicos seguintes, que apresentam os
testes de hipóteses paramétricos. Nesses testes verifica-se se uma população possui ou não
determinado parâmetro. Para que você entenda, parâmetro é um valor geralmente desconhecido
e que está associado a uma característica da população, como: média, variância, desvio padrão
e proporção.
Testes como estes são necessários porque em alguns casos não é possível reunir todos
os dados de uma população para aferir o parâmetro desejado. Assim, os testes de hipóteses
se baseiam na amostra, ou seja, em uma parte da população.
P
R
Para obter um resultado confiável em qualquer teste estatístico, o pesquisador deve O
B
se preocupar com a coleta de dados da amostra. Claro, se você cometer um “vício” na coleta A
B
da amostra, certamente tornará o resultado do teste tendencioso. Para evitar essa possível I
influência externa, existem metodologias de amostragem abordadas detalhadamente no L
I
Caderno de Estudos de Estatística. D
A
D
E
Sendo assim, serão apresentadas neste tópico as estimativas dos parâmetros
E
populacionais para realizar os testes estatísticos. Veja a seguir como calcular cada uma dessas
E
estimativas, iniciando pela média. S
T
A
T
Í
S
T
I
C
A
2 Média
A média você já conhece, é o parâmetro populacional mais utilizado para representar os

valores de uma variável aleatória. Também conhecida como média aritmética, é definida como a
razão da soma dos valores da variável aleatória pela quantidade de valores. Matematicamente,
o estimador da média populacional fica definido como:
n
∑x
i=1
i
, onde: x é a média amostral; xi são os valores da variável; n quantidade de
x=
valores. n

Quando n for igual ao tamanho da população, temos a média populacional µ (lê-se: mi).
Como isso nem sempre acontece, dizemos que x é um estimador de µ.
Exemplo 1:
Com o objetivo de verificar quantos pares de calçados, em média, são vendidos por
mês, o proprietário de uma loja coletou as vendas de três tipos de sapatos, dos seis últimos
meses de sua loja:
Mês
1 2 3 4 5 6 Total
Tipo de calçado
Infantil 21 15 14 31 18 22 121
Feminino 52 36 27 59 31 61 266
Masculino 12 5 8 17 3 19 64
Total 85 56 49 107 52 102 451
P
R
O Com base nesses dados, estime a média de vendas mensais de calçados nessa loja.
B
A
B
I Solução:
L
I
D
A Considerando a variável aleatória X, o número de vendas mensais, temos: X = {85, 56,
D
E 49, 107, 52, 102}, n = 6 e:
E
E
S
T
A
T
Í
S
T
I
C
A
UNI
Você deve se lembrar das regras de arredondamento da Estatística,

os resultados das estimativas serão dados com 4 dígitos após a
vírgula.
3 variância
A variância também é uma medida bastante utilizada na inferência estatística, e representa

a variação, em relação à média, dos elementos de uma variável aleatória. Matematicamente,
o estimador da variância populacional fica definido como:
, onde: s2 é a variância populacional; xi são os valores da variável; x é a

média amostral; n quantidade de valores.
UNI
A utilização do denominador (n – 1) ao invés de n no estimador
da variância serve para obter uma estimação não tendenciosa. A
demonstração matemática desse “artifício” pode ser encontrada
em Magalhães e Lima (2010, p. 215-216).
Se no lugar do divisor n – 1 fosse utilizado o tamanho da população, teríamos a variância

populacional σ2 (sigma ao quadrado). Como nem sempre temos o tamanho da população, P
R
dizemos que s é um estimador de σ .
2 2
O
B
A
B
Exemplo 1: I
L
I
D
Considerando o exemplo “vendas de calçados”, estime a variância populacional das A
D
vendas mensais de calçados. E
E
Solução: E
S
T
A
Já se sabe que: x == 7
575,1667
,1667 e n = 6. T
Í
S
T
Assim: I
C
A
3.1 desvio padrão
O desvio padrão você também já conhece. Ele representa uma medida de variabilidade
mais próxima dos elementos da variável aleatória, e é definido como a raiz quadrada da
variância. Matematicamente, o estimador do desvio padrão populacional é:
,
onde: s é o desvio padrão e s2 é a variância.
Se você tirar a raiz quadrada da variância populacional, terá o desvio padrão populacional
σ (lê-se: sigma). Como nem sempre se tem a variância populacional, diz-se que s é um
estimador de σ.
Exemplo 1:
Considerando ainda o exemplo das vendas de calçados, estime o desvio padrão das
vendas mensais de calçados.
Solução:
P
R
O Basta você extrair a raiz quadrada da estimativa s2 = 683,7667.
B
A
B
I
Assim:
L = 26,1489
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
4 proporção
O estimador da proporção populacional p̂ (p chapéu) de uma variável aleatória com

uma determinada característica A, é dado pela fórmula: , onde n(A) é o número de
elementos da variável aleatória, de tamanho n, com a característica de interesse A.
Se n fosse igual ao tamanho da população, você teria a proporção populacional p. Como

isso quase não acontece, diz-se que p̂ é um estimador de p.
Exemplo 1:
Considerando ainda o Exemplo 1 (vendas de calçados), estime a proporção de calçados

infantis vendidos nos últimos 6 meses.
Solução:
Considerando que A seja as vendas de calçados infantis, temos que n(A) = 121. Como
foram vendidos 451 pares de calçados nesse últimos 6 meses, n = 451.
Assim:
(÷11)
(ou 0,2683 ou 26,83%).

(÷111)
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
RESUMO DO TÓPICO 1
Caro(a) acadêmico(a)! Verifique no quadro a seguir os estimadores populacionais

trabalhados nesse tópico.
Parâmetros Símbolos (parâmetros Estimadores

populacionais populacionais) populacionais
Média µ
Variância σ²
Desvio padrão σ
Proporção p
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A

ID ADE
ATIV
AUTO

Aprendizagem os gabaritos das Autoatividades. Consulte-os sempre que necessário.
1 O quadro e os valores apresentados a seguir são fictícios e representam o resultado

de uma grande pesquisa sobre população praticante de exercício físico no Brasil e nas
regiões brasileiras. Os dados estão divididos quanto ao sexo, área/sexo e área.
População fumante
Regiões Sexo Área/sexo

Brasileiras
Urbana Rural
Total Homens Mulheres
Total Homens Mulheres Total Homens Mulheres
Brasil 44.840.402 35.099.710 9.740.692 35.281.715 26.753.198 8.528.517 9.558.687 8.346.512 1.212.175
Região
3.514.898 2.822.616 692.282 2.325.379 1.776.650 548.729 1.189.519 1.045.966 143.553
Norte
Região
12.763.114 10.129.040 2.634.074 8.375.218 6.311.667 2.063.551 4.387.896 3.817.373 570.523
Nordeste
Região
18.840.494 14.532.028 4.308.466 16.772.754 12.724.072 4.048.682 2.067.740 1.807.956 259.784
Sudeste
Região Sul 6.644.573 5.211.064 1.433.509 5.209.693 3.958.647 1.251.046 1.434.880 1.252.417 182.463
Região
Centro- 3.077.323 2.404.962 672.361 2.598.671 1.982.162 616.509 478.652 422.800 55.852
Oeste
P
R
O
Com base nos dados do quadro, determine: B
A
a) a média de mulheres que praticam exercícios físicos nas regiões brasileiras; B
I
b) a média de homens que praticam exercícios físicos nas áreas urbana e rural das L
I
regiões brasileiras; D
c) a variância e o desvio padrão dos que praticam exercícios físicos nas regiões A
D
brasileiras; E
d) a variância e o desvio padrão dos que praticam exercícios físicos nas áreas urbana E
e rural das regiões brasileiras; E

S
e) qual região tem a maior proporção de mulheres que praticam exercícios físicos (em T
A
relação ao total de que praticam exercícios físicos de cada região)?; T
Í
f) qual área tem a maior proporção de homens que praticam exercícios físicos (em S
T
relação ao total de que praticam exercícios físicos de cada área)?. I
C
A
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3
TÓPICO 2
Testes de hipóteses PARA MÉDIA,

VARIÂNCIA E PROPORÇÃO
1 INTRODUÇÃO
Para que servem testes de hipóteses? Servem para verificar se a diferença entre um
parâmetro populacional e uma estimativa é atribuída à aleatoriedade da amostra ou a diferença
é tão grande a ponto de haver desconfiança na integridade da amostra.

A partir de agora, por trabalhar com amostras, você deverá se acostumar com as
expressões: certeza estatística, igualdade estatística, diferença significativa, diferença não
significativa, entre outras.
Essas expressões fogem um pouco do senso comum, pois na vida cotidiana é muito
simples verificar se algo é ou não igual a outro, porém quando se trata de estatística nada é
igual e nada é diferente antes de se aplicar testes de hipóteses. Veja neste tópico e no tópico
seguinte um pouco mais sobre estes testes.
P
R
O
B
A
B
I
2 Hipóteses L
I
D
A
Para realizar um teste de hipóteses você deve formular duas hipóteses a respeito da D
E
afirmação, denominadas de H0 e H1.
E

E
Importante! Saiba que a hipótese H0 será chamada de hipótese nula, ou seja, é a S
T
hipótese que “anula” o teste. Enquanto a hipótese H1 ou hipótese alternativa é a que o teste A
T
quer provar. Veja o exemplo 1 e o exemplo 2 a seguir: Í
S
T
I
Exemplo 1: C
A
Numa pesquisa para comparar a eficácia de engorda entre duas rações para bovinos,
têm-se as seguintes hipóteses:
Considerando que podemos comparar a eficácia de engorda dos bovinos por meio das
médias de engorda das duas rações (ração 1 e 2), temos que µ1 e µ2 são as médias populacionais
de engorda dos bovinos tratados pelas rações 1 e 2, respectivamente.
Assim:
H0: µ1 = µ2 (média de engorda da ração 1 é igual à média de engorda da ração 2)
H1: µ1 ≠ µ2 (média de engorda da ração 1 é diferente da média de engorda da ração 2)
• Lembre-se: H0 = hipótese nula, ou seja, a hipótese que “anula” o teste. H1 = hipótese

alternativa, a que o teste quer provar.
Exemplo 2:
Numa pesquisa de qualidade, o INMETRO gostaria de verificar se a duração das

lâmpadas de uma determinada marca é menor que o valor X anunciado na embalagem.
Nesse caso:
H0: µ = X (média de duração das lâmpadas é igual ao valor anunciado X)
H1: µ < X (média de duração das lâmpadas é menor que o valor anunciado X)
Exemplo 3:
Numa pesquisa para verificar se a média de idade de uma população é diferente de

20, temos as seguintes hipóteses:
H0: µ = 20 (média populacional é igual a 20 anos)
P
R H1: µ ≠ 20 (média populacional é diferente de 20 anos)
O
B
A
B Lembre sempre, quando você efetua um teste de hipótese, sempre obterá a
I
L
resposta tendo como referência H0, ou seja, se após o teste você verificar que a hipótese
I certa é a hipótese nula pode aceitar H0, mas, se verificar que a hipótese certa é a hipótese
D
A alternativa, deve rejeitar H0, ao invés de citar H1.
D
E
E
S
T
A
T
Í
S
T
I
C
A
3 Erros do tipo I e II
Por mais cuidado que se tenha ao coletar os dados de uma pesquisa, a estimação dos
dados jamais estará livre de erros. E ao realizar um teste de hipóteses existem dois tipos de
erros que podem ser cometidos:
Erro do tipo I (α)

Erro do tipo II (β)
A seguir, você entenderá melhor o que cada um representa.
3.1 Erro do Tipo I (α)
O erro do tipo I (α) significa rejeitar H0 que, na verdade, deveria ter sido aceita. Ou
seja, no exemplo 1 acima, deveria ter sido dito que as médias são diferentes para aceitar H0.
Porém, como são iguais, deve-se rejeitar H0, o que ocasiona o erro do tipo I (α).
É importante que essa probabilidade de cometer o erro do tipo I seja pequena, pois assim
a chance de rejeitar uma hipótese verdadeira também será pequena. A essa probabilidade dá-
se o nome de nível de significância do teste que é representado pela letra grega α (alfa).
O valor 1 – α representa a probabilidade de aceitar uma hipótese verdadeira quando

ela é verdadeira e a esse valor damos o nome de nível de confiança.
P
R
O
B
A
B
UNI I
L
I
D
O nível de significância do teste α será definido no início do A
teste. D
E
E
S
T
A
T
Í
S
T
I
C
A
3.2 Erro do Tipo II (β)
O erro do tipo II (β) significa aceitar H0 que, na verdade, você deveria ter rejeitado.
No caso do exemplo 1 acima, deveria ter sido dito que as médias são iguais para rejeitar H0.
Porém, como são diferentes, deve-se aceitar H0, o que ocasiona o erro do tipo II (β).
Assim, deseja-se que a probabilidade de cometer o erro do tipo II também seja

pequena para que a chance de aceitar uma hipótese falsa seja pequena. Essa probabilidade
é representada pela letra grega β (beta).
Para Guerra e Donaire (1991) a diferença 1 – β representa a probabilidade de rejeitar

uma hipótese falsa quando ela é falsa, e o valor 1 – β é chamado de poder do teste.
O quadro a seguir resume esses dois erros, veja:
H0 verdadeira H0 falsa
Decisão Rejeitar H0 Erro do tipo I (α) Decisão correta (1 – β)
Aceitar H0 Decisão correta (1 – α) Erro do tipo II (β)
UNI
Lembre! O erro do tipo I ocorre quando se rejeita H0 e o erro do

tipo II ocorre quando se aceita H0.
P
R Apesar de, na maioria das vezes, o pesquisador só se preocupar com o erro do tipo I,
O
B é o erro do tipo II que dá o verdadeiro poder de a pesquisa apresentar o resultado esperado.
A
B
I
L O estudo sobre os erros I e II gera debates maravilhosos. Como um está relacionado ao
I
D outro, a diminuição de um leva ao aumento do outro, o pesquisador experiente tem que achar
A
D um equilíbrio entre os erros. Contudo, na nossa atual condição, você pode desconsiderar o
E
erro II para as pesquisas iniciais.
E
E
S
T
A
T
Í
S
T
I
C
A
4 Exemplos de Testes de Hipóteses
Este item é destinado às resoluções de alguns casos de testes de hipóteses, os conceitos

que serão utilizados serão explicados passo a passo. Serão utilizadas a distribuição normal, a
distribuição t, a distribuição F e a distribuição qui-quadrado divididas em quatro exemplos em
ordem crescente de dificuldade.
UNI
É importante que você leia os exemplos na ordem, pois eles

explicam todos os detalhes. Entretanto, o que foi explicado no
primeiro exemplo não será repetido no segundo.
Os testes de hipóteses podem ser de três tipos diferentes, e o que muda é a hipótese
alternativa (H1). Veja a seguir:
a) teste bicaudal ou bilateral

H0: µ = 245
H1: µ ≠ 245
P
Rejeição Rejeição R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
b) teste unicaudal à direita ou unilateral à direita

H0: µ = 72
H1: µ > 72
c) teste unicaudal à esquerda ou unilateral à esquerda

H0: µ = 900
H1: µ < 900
A área das regiões amarelas sob as caudas da curva normal correspondem à

probabilidade de cometer o erro do tipo I (α). Essas regiões são limitadas pelo valor crítico Xc
que divide a área sob a curva normal em duas regiões: região de aceitação de H0 e região de
rejeição de H0.
P
UNI
R
O
B No caso do teste bicaudal, o valor α fica dividido para as duas
A regiões amarelas com área α/2 .
B
I
L
I
D
A Acadêmico(a), não se preocupe com como e quando usar cada um dos tipos anteriores,
D
E bem como a compreensão do que significa e como definir a(s) área(s) de rejeição de H0 e a área
E de aceitação de H0 nos testes de hipóteses. Isso será explicado nas resoluções dos próximos
E exemplos para desvio padrão conhecido e desvio padrão desconhecido, acompanhe!
S
T
A
T
Í
S
T
I
C
A
4.1 Teste de hipóteses para a média

quando o σ (desvio padrão da população) é conhecido
Exemplo:
O INMETRO fará uma inspeção numa fábrica de tijolos que afirma que o tamanho dos
seus tijolos segue uma distribuição normal com µ = 20 cm e σ = 2 cm. Para a verificação o
inspetor recolheu uma amostra com 10 unidades e obteve as seguintes medidas: 18, 23, 20,
21, 22, 23, 22, 21, 21, 20. O INMETRO admite um erro estatístico de 5% (nível de significância
5%), ou seja, nível de confiança 95%, em outras palavras α = 0,05.
Solução:
Fazendo a estimativa da média do tamanho dos tijolos x , temos: x = = 21,1 cm

Um pesquisador que não entende de estatística falaria que a média dos tijolos é maior que
o valor informado pela empresa, contudo nós sabemos que estamos lidando com uma amostra
e temos que tomar cuidado nas conclusões, por isso o teste de hipóteses é essencial.

É esse teste que indicará se a diferença entre a média populacional (µ = 20 cm)
informada pela empresa e a estimativa x = 21,8 cm, obtida através da amostra recolhida pelo
pesquisador, é significante ou apenas casual devido à aleatoriedade da amostra.

Como o objetivo do INMETRO é inspecionar se a média do tamanho dos tijolos é
diferente de 20 cm, devemos confrontar as seguintes hipóteses:
H0: µ = 20 cm
P
H1: µ ≠ 20 cm R
O
B
A
Você está diante de um exemplo em que o desvio padrão populacional (σ) é conhecido, B
I
na vida real dificilmente encontraremos tal situação, porém, didaticamente esse exemplo é L
I
fundamental para você entender os próximos. D
A
D
E
A distribuição da média amostral x , convenientemente padronizada, se comporta
E
segundo um modelo normal com µ = 0 e σ2 = 1. Essa padronização é feita por meio da fórmula:
E
. S
T
A
T
Í
S
T
I
C
A
UNI
O Teorema Central do Limite garante que essa padronização, para

n grande, segue um modelo normal, com média 0 e variância 1.
Para mais detalhes desse teorema consulte Magalhães e Lima
(2010).
Agora, para resolver o teste, calcule o valor z padronizado e o compare com os valores
críticos tabelados ztab. O valor ztab é obtido entrando na tabela Z (Apêndice A) com o valor 1 –
α/2 = 1 – 0,025 = 0,975, assim ztab = 1,96.
Calculando z:
O valor 21,1 cm na curva normal é equivalente ao 1,74 na curva normal padrão, veja
o esquema:
Curva normal informada pela Curva normal padrão
empresa µ=0eσ=1
µ = 20 e σ = 2
P
R
O
B
A
B
I
L
I Se a média amostral padronizada estiver na área de rejeição, ou seja, no exemplo for
D
A maior que o valor crítico 1,96 ou menor que o valor crítico -1,96, não se rejeita H0, do contrário,
D
E se aceita.
E
E Obteve-se 1,74 como média amostral (já padronizada), então, você tem que -1,96 <
S
T 1,74 < 1,96, o que indica que 1,74 está na região de aceitação de H0.
A
T
Í
S
Você pode concluir então que as médias amostrais e populacionais são iguais a um
T nível de significância de 5% (ou dizemos: a um nível de confiança de 95%).
I
C
A
Em outras palavras, a diferença obtida através da amostra não é significativa, então

não se pode afirmar que as especificações da empresa estão incorretas. Existe 5% de chance
de você estar errado nessa conclusão (nível de significância).
Caso o INMETRO desejasse inspecionar se a média do tamanho dos tijolos é menor

que 20 cm ou maior que 20 cm, você estaria diante de um teste unilateral. Com isso seria
necessário adequar a hipótese alternativa para cada tipo de teste, H1: µ < 20 cm (unilateral à
esquerda) e H1: µ > 20 cm (unilateral à direita).
Como a média amostral é maior que a média populacional, não é preciso testar a
hipótese H1: µ < 20 cm, pois o valor z (padronizado) ficará sempre na região de aceitação de
H0, considerando α pequeno.
Assim, teste apenas a hipótese H1: µ >20 cm!

Unilateral à direita
Solução:
H0: µ = 20 cm
H1: µ > 20 cm
A padronização da estimativa da média populacional permanece a mesma

. O que muda é o valor crítico (ztab), pois o nível de significância
corresponde somente à área sob a cauda direita.
Veja o esquema a seguir:
P
R
O
B
A
B
I
L
I
D
A
D
Observe que o fato de o teste ser unilateral aumenta a área sob a cauda direita da curva E
diminuindo o valor crítico (ztab). Nesse caso, rejeita-se H0 a um nível de significância de 5% E
porque o valor z padronizado está na região de rejeição de H0 (1,645 < 1,74). Assim, a média E
S
populacional é maior que 20 cm a um nível de confiança de 95%. T
A
T
Í
S
T
I
C
A
4.2.2 Teste de hipóteses para a média

quando o σ (desvio padrão da população)
é desconhecido
Exemplo:
Suponha que você precisa testar a hipótese que a média da estatura da população de
brasileiros adultos de sexo masculino seja 1,72 m contra a hipótese de que é diferente, a um
nível de significância de 5%.
Na amostra feita são obtidas as seguintes alturas:

1,65 1,80 1,70 1,68 1,77 2,15 1,88 1,60 1,70 1,80
1,84 1,68 1,65 1,50 1,74 1,72 1,66 1,68 1,65 1,71
1,73 1,70 1,70 1,78 1,67
Solução:

Observe que não há o desvio padrão populacional, e na maioria dos problemas práticos
não haverá mesmo! Porém, na resolução, o que muda apenas é a tabela a ser utilizada.
A amostra dá as seguintes estimativas:

n = 25, x = 1,7256 e s = 0,1179 (número de elementos, média e desvio padrão).
Há agora as seguintes hipóteses:
H0: µ = 1,72m
H1: µ ≠ 1,72m
P
R
O Como a variância populacional é desconhecida, a padronização da estimativa da média
B
A amostral deve ser feita com a estimativa da variância populacional s2, o que torna a função
B
I densidade dessa padronização diferente da normal.
L
I
D
A Essa nova densidade é denominada t-Student, que foi estudada na Unidade 2. Assim,
D
E você poderá calcular essa padronização através da fórmula: tcalc = .
E
E Para resolver o teste é preciso comparar o valor do t calculado (tcalc) com o valor crítico
S
T t tabelado (ttab). O valor ttab é encontrado na tabela t (Apêndice C) na intersecção da linha 24
A
T
(“n – 1”) com a coluna 2,5% ( a/2). Com isso tem-se ttab = 2,064.
Í
S
T Obtendo o valor tcalc:
I
C
A
tcalc=
Conclusão: aceita-se H0.
A média populacional não é diferente a 1,72 cm a um nível de significância de 5%. Você

pode afirmar isso, pois o valor 0,237 está entre os valores críticos, ou seja, está na região de
aceitação de H0.
4.3 Teste de hipóteses para a VARIÂNCIA

POPULACIONAL σ2
Exemplo:
Deseja-se testar a hipótese que a variância das médias dos alunos EAD da disciplina de
Estatística seja 5,3 contra a hipótese de que é diferente, a um nível de significância de 10%.
Para realizar o teste foi coletada uma amostra com as seguintes notas:
5,9 6,5 8,0 9,6 4,0 3,4 8,0 6,0 6,5 8,4 P
4,0 8,5 9,3 8,5 8,2 6,0 5,1 3,5 6,0 5,2 R
O
6,2 7,0 5,5 7,0 7,9 6,4 4,6 4,0 7,0 7,0 B
A
B
I
A amostra nos dá as seguintes estimativas: n = 30, x = 6,44 e s2 = 2,97 (número de L
I
elementos, média e desvio padrão). D
A
D
Temos agora as seguintes hipóteses: E
H0: σ2 = 5,3 E
S
H1: σ2 ≠ 5,3 T
A
T
Í
Como visto na Unidade 2, em uma distribuição normalmente distribuída, a razão (n-1)s
2
S
σ2 T
I
segue uma distribuição qui-quadrado. Assim, o cálculo usado para o teste de hipóteses para C
a variância populacional é: χ2calc = (n-1)s .
2
A
σ2
Para resolver o teste é necessário comparar os valores de χ2tab (χ2A e χ2B, pois o teste é
bicaudal) com o valor crítico χ calc. O valor χ A é encontrado na tabela qui-quadrado (Apêndice
2 2
B) na intersecção da linha 29 (n – 1) com a coluna 0,05 (a/2),χ2 = 42,5569, e o valor χ B na

2
A
intersecção da linha 29 com a coluna 0,95 (1- α/2), χ B = 17,7084.

2
Obtendo o valor χ :χ
2 2
calc calc =
Conclusão: Rejeita-se H0.
A variância populacional é diferente a 5,3 a um nível de significância de 10%. Você pode

afirmar isso, pois o valor 16,25 é menor que o valor crítico 17,7084, ou seja, está na região de
rejeição de H0.
P
R 4.4 Teste de hipóteses para a proporção
O populacional p
B
A
B Exemplo:
I
L
I
D O diretor de um colégio disse que existe uma taxa de 15% de reprovação entre seus
A
D estudantes. Para verificar se a taxa de reprovação é diferente, com α = 2%, selecionou-se
E
aleatoriamente uma amostra de 300 estudantes e verificou-se que 36 reprovaram.
E
E
S Solução:
T
A
T
Í O diretor afirma que a proporção de reprovados p = 15% = 0,15. Da amostra selecionada,
S
T
estimamos uma proporção
I
C
A
Temos então as seguintes hipóteses:

H0: p = 0,15
H1: p ≠ 0,15
Considerando que a distribuição da proporção amostral p̂ pode ser aproximada por um

modelo normal, resolve-se o problema comparando o valor de z padronizado com os valores
críticos tabelados (ztab).
O valor z padronizado para proporção é obtido pela fórmula: z = .
Calculando z: z =
UNI
O valor ztab = 2,33 é obtido entrando na tabela Z (Apêndice A)

com o valor 1 – α/2 = 1 – 0,01 = 0,99.
P
R
O
Conclusão: aceita-se H0. B
A
B
I
A proporção populacional não é diferente de 15% a um nível de significância de 2%. L
I
Afirmamos isso porque o valor padronizado -1,45 está entre -2,33 e 2,33 (-2,33 < -1,455 < D
A
2,33), ou seja, está na região de aceitação de H0. D
E
E
S
T
A
T
Í
S
T
I
C
A
RESUMO DO TÓPICO 2
Neste tópico, você viu que:
• Para realizar um teste de hipóteses precisamos:

1º: estabelecer as hipóteses H0 e H1;
2º: com base na H1 e no nível de significância (α) estabelecer as regiões de aceitação e
rejeição de H0 e o valor crítico;
3º: calcular o valor da variável do teste;
4º: aceitar ou rejeitar H0 pela comparação do valor calculado no 3º passo com a região de
aceitação ou rejeição.
• Nos testes de hipótese para a média, quando o desvio padrão populacional é conhecido, a
estimativa amostral da média é padronizada pela fórmula: z = .
• Nos testes de hipótese para a média, quando o desvio padrão populacional é desconhecido,
a estimativa amostral da média é padronizada pela fórmula: tcalc = .
• Nos testes de hipótese para a variância populacional, o cálculo usado é χ2calc = .
• Nos testes de hipótese para a proporção populacional, a estimativa amostral da proporção

é padronizada pela fórmula: z = .
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A

ID ADE
ATIV
AUTO

1 Determine as hipóteses H0 e H1, nos seguintes casos (testes):

a) uma pesquisa pretende verificar se a média de uma população é diferente de 20;
b) o professor de probabilidade e estatística deseja averiguar se a variância das notas
de seus alunos é igual a 4,8 contra a hipótese de que é maior;
c) uma pesquisa deseja verificar se a proporção de fumantes entre as mulheres é menor
que 30%.
2 Com base nas hipóteses formuladas em cada item do exercício anterior, diga se o
teste é bilateral, unilateral à esquerda ou unilateral à direita.
3 Uma amostra de 25 elementos apresentou média de 123. Sabe-se que a variância

populacional é igual a 81. Ao nível de significância de 5%, teste a hipótese que a
média populacional é igual a 120 (µ = 120) contra a hipótese que:
a) µ > 120
b) µ ≠ 120
P
R
O
4 Uma fábrica de baterias para notebook afirma que suas baterias têm um tempo B
A
médio de duração de 4 horas. Para verificar tal fato, uma loja que trabalha com essa B
I
fábrica selecionou aleatoriamente 10 baterias e verificou os seguintes tempos de L
I
duração de cada bateria: 3,9 h; 4,1 h; 3,8 h; 4,3 h; 3,5 h; 3,7 h; 3,5 h; 4,2 h; 3,7 h; 4 D
A
h. Utilizando α = 5%, podemos concluir que o tempo médio de duração das baterias D
E
desse fabricante é menor que 4 horas?
E
E
5 Para verificar se há excesso no processo de enchimento de caixas de 1 kg de cereal, S
T
o controle de qualidade da empresa verificou que uma amostra de 30 caixas de cereal A
T
tem peso médio de 1,3 kg com desvio padrão 0,65 kg. Em nível de significância de Í
S
1%, o que se pode concluir? T
I
C
A
6 Se o fabricante de cereais, da questão anterior, deseja verificar se há deficiência e

excesso no enchimento das caixas, o que você conclui utilizando o mesmo nível de
significância?
7 Numa amostra de 25 elementos de uma população normal obteve-se variância de

16. Em nível de significância de 10%, teste a hipótese que a variância populacional
é 20 (σ2 = 20) contra a hipótese que:
a) σ2 ≠ 20
b) σ2 > 20
8 Uma fábrica de parafusos afirma que o desvio padrão do diâmetro de seus parafusos
é de 0,1 mm. O controle de qualidade toma uma amostra aleatória de 51 parafusos e
constata um desvio padrão de 0,15 mm. Utilizando um nível de significância de 1%,
podemos dizer que o desvio padrão dos parafusos é superior a 0,1 mm?
9 Para verificar se certa moeda é honesta, foi lançada a moeda 100 vezes ao ar e
anotado o resultado da face voltada para cima. Se nesse experimento foram obtidas
60 coroas, podemos dizer que a moeda não é honesta? (use α = 5%).
10 Uma empresa de cigarros afirmou que a proporção de mulheres fumantes em 1990

é de 40%. Para verificar se houve um aumento na proporção de mulheres fumantes,
tomou-se uma amostra de 400 mulheres e verificou-se que 260 fumam. Em nível de
significância de 5%, o que podemos concluir?
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
UNIDADE 3
TÓPICO 3
Testes de hipóteses PARA COMPARAÇÃO

DE MÉDIAS E GRAU DE DEPENDÊNCIA
1 INTRODUÇÃO
Muitas vezes, o pesquisador está interessado em comparar duas populações com

relação à sua média. Para isso, é estimada a média amostral ( x ) e aplicado o teste t-Student
(t de Student) para comparação das médias.
O teste t-Student sofre modificações de acordo com a natureza das amostras utilizadas.
Portanto, você entenderá neste tópico como aplicar o teste t-Student para comparação de
duas médias.
Neste tópico, você poderá ver também que a aplicação do teste qui-quadrado serve
para verificar se duas variáveis têm algum grau de dependência.
P
R
2 teste T de student para comparação de médias O
B
A
B
I
Quando se comparam duas médias populacionais, deve-se estar atento à natureza das L
I
amostras coletadas, pois é um indicativo do tipo de teste t-Student a ser utilizado. D
A
D
E
Se as amostras foram coletadas da mesma população, só que em momentos distintos,
E
dizemos que os dados coletados são dados pareados. Por exemplo, as notas obtidas por um
E
grupo de estudantes antes e depois de estudarem. S
T
A
T
Se as amostras foram coletadas de populações distintas, dizemos que os dados Í
S
coletados são dados não pareados. Por exemplo, as notas obtidas por um grupo de estudantes T
I
que estudou e outro grupo de estudantes que não estudou. C
A
A aplicação do teste t-Student para dados pareados e não pareados será explicada durante
a resolução dos próximos exemplos, para dados pareados e não pareados, acompanhe!
2.1 PARA dados pareados
Exemplo:
Dez cobaias foram submetidas a tratamento com um novo tipo de ração. Os pesos
em gramas, antes e após o tratamento, são dados a seguir (supõe-se que provenham de
distribuições normais). A 1% de significância, pode-se dizer que houve um aumento nos pesos
das cobaias?
Cobaia 1 2 3 4 5 6 7 8 9 10
Antes 655 698 678 610 570 748 699 587 639 671
Depois 660 710 684 617 567 743 710 590 646 685
UNI
Falar em dados pareados significa dizer que os dados da pesquisa

vieram da mesma amostra, só que são tomados antes e após uma
dada intervenção. Por exemplo: peso antes e depois do tratamento
com a nova ração.
Solução:
Observe que é um caso de dados pareados, ou seja, os resultados são dos mesmos
P indivíduos em momentos diferentes, e pode-se criar uma variável nova que facilitará os cálculos
R
O deste teste.
B
A
B
I
Crie então a variável di que será a diferença entre o antes e o depois de cada indivíduo
L i e calcule a média e o desvio padrão de di.
I
D
A
D Veja:
E
E
S
T
A
T
Í
S
T
I
C
A
Cobaia (i) Xantes Xdepois di (Xdepois-Xantes)

1 655 660 5
2 698 710 12
3 678 684 6
4 610 617 7
5 570 567 -3
6 748 743 -5
7 699 710 11
8 587 590 3
9 639 646 7
10 671 685 14
Média 5,7
Desvio padrão 6,13
UNI
Calcule os estimadores ( x e s) do quadro anterior. Se você está

encontrando dificuldades no cálculo dos estimadores, volte ao
Tópico 1 dessa unidade.
Caso o tratamento não altere o peso das cobaias, o valor esperado para a média das
diferenças será zero. Se o tratamento altera os pesos, então o valor esperado das diferenças
é diferente de zero. Como a média das diferenças é maior que zero, existem as seguintes
hipóteses:
H0: xd = 0 (os pesos das cobaias são iguais mesmo após tratamento)
H : x > 0 (os pesos após o tratamento são maiores ou a nova ração engorda)
1 d
P
R
Você pode usar os dados dos dis para chegar ao tcalc, fazendo assim: O
B
tcalc = . A
B
I
L
Falta achar o valor crítico, chamado de ttab, pois é coletado na tabela t (Apêndice C). I
D
A
D
Para usar a tabela precisa-se saber do grau de liberdade (n – 1 = 10 – 1 = 9) e o nível E
de significância (α = 1% = 0,01). Com esses dados obtém-se ttab = 2,8214. E
E
S
T
A
T
Í
S
T
I
C
A
Conclusão:
No valor crítico 2,8214 começa a região de rejeição de H0, o que indica que qualquer
valor maior que ele estará na região de rejeição. tcalc = 2,94, logo ele se encontra na região de
rejeição e por isso podemos concluir que as cobaias engordaram, pois rejeitamos H0, os pesos
medidos depois são, em média, maiores que os medidos antes, a um nível de significância
de 1%.
2.2 PARA dados não pareados
Nos casos dos testes para comparação de médias em dados não pareados, leve em
consideração as variâncias populacionais. São três casos particulares, veja:
1º - quando as variâncias populacionais são conhecidas

(neste caso use o teste Z da distribuição normal padrão);
2º - quando as variâncias populacionais são desconhecidas e iguais;
3º - quando as variâncias populacionais são desconhecidas e diferentes.
P
R Como normalmente você não terá as variâncias populacionais, você estudará aqui apenas
O
B exemplos do 2º ou do 3º caso. Porém, você pode perguntar: como saberei, estatisticamente
A
B falando, se as variâncias são iguais?
I
L
I
D Resposta à pergunta: usando um teste de hipóteses auxiliar, conhecido como teste de
A
D hipótese para a igualdade de duas variâncias. O exemplo a seguir apresentará este tipo
E
de teste, acompanhe.
E
E
S
Exemplo:
T
A
T Deseja-se verificar se as variâncias de 2 máquinas de encher perfumes são iguais.
Í
S Extraem-se duas amostras, uma de cada máquina (suponha que os volumes das amostras
T
I seguem uma distribuição normal):
C
A
Máquina A: 15 elementos, média = 61 ml, variância = 0,3 ml
Máquina B: 20 elementos, média = 60 ml, variância = 0,11 ml
Qual é a sua conclusão a 5% de significância?
Solução:
Como o objetivo é verificar se as variâncias são iguais ou não, têm-se as seguintes

hipóteses (por enquanto):
H0: σ2A = σ2B

H1: σ2A ≠ σ2B
Você viu na Unidade 2 que em uma distribuição normalmente distribuída a razão das
s2
variâncias s21 segue uma distribuição F. Por comodidade, sempre considere a maior variância
1
no numerador e a menor variância no denominador.
Dessa forma, simplifica-se o teste para o caso unilateral à direita com nível de
significância α/2 e hipóteses:
σA2
H0: 2 = 1 (significa que as variâncias populacionais são iguais)
σB
σ2
H1: A2 > 1 (significa que as variâncias populacionais são diferentes)
σB
Assim, para resolver o teste, compare o valor Ftab (Apêndice F) com o valor crítico Fcal.
Para obter o valor crítico faça: Fcal = .
0,3
Então, F = 0,11 = 2,7273
cal
Para obter o valor Ftab, deve-se considerar gl1 = 15 – 1 = 14 (grau de liberdade do P

R
numerador), gl2 = 20 – 1 = 19 (grau de liberdade do denominador) e α = 2,5%. O
B
A
B
Assim, Ftab = 2,6469. I
L
I
D
A
D
E
E
S
2,7273 T
A
T
Í
S
T
I
C
A
Portanto, você pode rejeitar a hipótese de que as variâncias populacionais desconhecidas

são iguais com uma chance de erro de 0,05 (α =5%).
Após identificar se as variâncias desconhecidas são iguais ou não, você aplica o teste
t-Student para cada caso, conforme os exemplos a seguir.
1º CASO: variâncias populacionais são desconhecidas e diferentes
Exemplo:
Para verificar se a eficiência da rede particular de ensino é diferente da rede pública

de ensino da cidade X, foram tomadas duas amostras (assumidas normalmente distribuídas)
uma de cada rede:
Amostra 1: Rede particular – 30 alunos, média = 8,6, variância = 5,1

Amostra 2: Rede pública – 30 alunos, média = 6,4, variância = 3,3
Qual conclusão devemos tomar em um nível de significância de 5%?
UNI
Como as médias não foram obtidas da mesma rede de ensino,

você está diante de um caso de dados não pareados.
Solução:
Primeiramente verifique se as variâncias populacionais desconhecidas são realmente

iguais. Como você já estudou isso, essa verificação é por sua conta, combinado? Para continuar
P
R o exemplo assuma que elas são iguais.
O
B
A
B O primeiro passo é estabelecer as hipóteses:
I
L
I
D
H0: µ1 = µ2 (médias iguais ⇒ eficiências iguais)
A H1: µ1 ≠ µ2 (médias diferentes ⇒ eficiências diferentes)
D
E
E Supondo (sabendo) que as variâncias populacionais desconhecidas são iguais, deve-se
E estimá-la pela média ponderada das variâncias amostrais, conforme a seguinte fórmula:
S
T
A
T
Í
S
T
I
C
A
Assim, tem-se a seguinte variância ponderada: S2 =

.

Agora basta calcular o valor crítico tcalc pela fórmula: tcalc e compará-
lo com o valor ttab.
Calculo de tcalc:
Para obter o valor crítico ttab, entre na tabela t-Student (Apêndice C) com α = 0,025
(0,05/2) e como as variâncias foram consideradas iguais os graus de liberdade são obtidos
fazendo: nA + nB – 2.
Assim, gl = 58 (30 + 30 – 2), e o ttab fica em torno de 2.
UNI
Na tabela do Apêndice C não aparece o valor de ttab para gl = 58,

mas tem-se o valor de ttab para gl = 60, o que nos permite dizer
que ttab ≅ 2 para gl = 58 e α = 0,025.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
Conclusão:
E
S
T
Como tcalc = 4,1588 é maior que ttab, rejeita-se H0, pois o valor calculado está na região A
de rejeição, a um nível de confiança de 95%. T
Í
S
T
Pode-se dizer ainda assim: conclui-se com 95% de confiança (ou uma chance de erro I
C
de 5%) que há diferença entre as médias dos alunos da rede pública e privada de ensino. A
2º CASO: variâncias populacionais são desconhecidas e diferentes
Exemplo:
Deseja-se saber se 2 máquinas de encher frascos de perfumes estão fornecendo o

mesmo volume médio em ml. Extraem-se duas amostras, uma de cada máquina (suponha que
os volumes das amostras seguem uma distribuição normal):
Máquina A: 15 elementos, média = 61 ml, variância = 0,3 ml2

Máquina B: 20 elementos, média = 60 ml, variância = 0,11 ml2
Qual é a sua conclusão a 5% de significância?
UNI
É fácil identificar que as médias de cada máquina não foram

obtidas dos mesmos indivíduos (pesos), por isso é que você está
num caso de dados não pareados.
Solução:
Você já viu no primeiro exemplo desse tópico, que as variâncias populacionais

desconhecidas são diferentes. Então, veja as hipóteses:
H0: µ1 = µ2 (médias iguais ⇒ volumes iguais)

H1: µ1 ≠ µ2 (médias diferentes ⇒ volumes diferentes)
P
R
O
B
A Para o caso em que as variâncias populacionais desconhecidas são diferentes, estima-
B
I
L se a variância através da fórmula: s2 =
I
D
A
D
E
Assim, obtém-se a seguinte variância: s2 = .
E
E Agora basta calcular o valor crítico tcalc, pela fórmula: tcalc = e compará-lo com
S
T o valor ttab.
A
T
Í
S Cálculo de tcalc: tcalc = .
T
I
C
A Como as variâncias populacionais são desconhecidas e diferentes a variável t terá os
graus de liberdade calculados pela fórmula a seguir:
Cálculo de gl:
Com isso a variável t-Student terá 23 graus de liberdade, e para obter o valor ttab você
consulta na tabela t (Apêndice C) o α = 0,025 (0,05/2) e gl = 23, assim ttab = 2,0687.
Conclusão:
Como tcalc = 6,2617 é maior que o ttab = 2,0687, rejeita-se H0, pois o valor calculado está
na região de rejeição, a um nível de confiança de 95%. P
R
O
B
Você ainda pode dizer: conclui-se com 95% de confiança (ou uma chance de erro de 5%) A
B
que há diferença entre os volumes médios dos frascos fornecidos pelas duas máquinas. Seria I
L
recomendável descobrir qual das duas está com problemas para efetuar as correções necessárias. I
D
A
D
E
3 Teste de independência E
S
T
A
T
Este teste é baseado na distribuição qui-quadrado e serve para verificar se duas Í
S
variáveis têm algum grau de associação ou dependência. Assim como os demais testes, você T
I
os estudará a partir de alguns exemplos. C
A
UNI
Saiba que o qui-quadrado não é um teste para medir a “força”

da dependência, ele só diz se há ou não dependência entre as
variáveis.
Com o objetivo de investigar se há dependência entre o time de futebol que torce e o

estado em que mora o torcedor, foram entrevistados, aleatoriamente, 765 torcedores de um país.
As respostas obtidas estão na tabela de dados observados a seguir. Em nível de significância
de 5%, o que se pode concluir?
TABELA DE DADOS OBSERVADOS (O)

Bairro Rio de Janeiro São Paulo Santa Catarina Total
Time
Flamengo 100 60 90 250
Corinthians 140 85 160 385
Figueirense 20 40 70 130
Total 260 185 320 765
Solução:
H0: A preferência pelo time do coração independe do bairro

H1: A preferência pelo time do coração depende do bairro
A partir da tabela de dados observados deve ser criada uma tabela teórica contendo
os dados esperados.
P
R Cada elemento ei,j dessa nova tabela é obtida dividindo o produto entre o total da linha
O
B i e o total da coluna j pelo total geral, ou seja:
A
B
I
L
I
D
A
D
E
E
TABELA DE DADOS ESPERADOS (E)
E Bairro Rio de Janeiro São Paulo Santa Catarina
S
T Time
A
T Flamengo 84,9673 60,4575 104,5752
Í Corinthians 130,8497 93,1046 161,0458
S
T Figueirense 44,1830 31,4379 54,3791
I
C
A
UNI
Veja o cálculo de alguns elementos da tabela de dados

esperados:
A diferença entre os valores esperados e observados é medida pela fórmula:
χ2calc , onde r é o número de linhas e s o número de colunas.
Assim os valores χ2calc se comportam como um modelo de distribuição qui-quadrado

com (r – 1) x (s – 1) graus de liberdade.
Para facilitar o cálculo de χ2calc, veja o quadro a seguir, onde estão confrontados os
valores observados (O) com os esperados (E).
Valores Observados – O Valores Esperados – E (O – E) (O – E)² (O – E)²

E
Santa Catarina São Paulo Rio de Janeiro
100 84,9673 15,0327 225,9815 2,6596

P
R
140 130,8497 9,1503 83,7285 0,6399 O
B
20 44,1830 -24,1830 584,8178 13,2363 A
B
I
60 60,4575 -0,4575 0,2093 0,0035 L
I
85 93,1046 -8,1046 65,6841 0,7055 D
A
40 31,4379 8,5621 73,3094 2,3319 D
E
90 104,5752 -14,5752 212,4354 2,0314 E
160 161,0458 -1,0458 1,0936 0,0068 E

S
T
70 54,3791 15,6209 244,0130 4,4873 A
T
Í
Qui-Quadrado = χ²calc 26,1022 S
T
I
C
A
Basta agora achar o valor crítico χ²tab para confrontarmos com o χ²calc, se o calculado
for maior que o tabelado rejeita-se H0, caso contrário, se aceita.
Para achar o tabelado precisa-se do nível de significância 0,05 e do grau de liberdade

que é (r – 1) x (s – 1) = (3 – 1) x (3 – 1) = 4. Olhando na tabela χ² (Apêndice B) temos que χ²tab
= 9,4877.
Conclusão:
Rejeita-se H0 em um nível de significância de 5%, assim se pode dizer que há algum tipo
de dependência entre o time do coração e o bairro em que mora o torcedor. Pode-se afirmar
isso, pois 26,1022 > 9,4877.
esta leitura complementar tem como objetivo integrar o estudo de Distribuição de

Probabilidades realizado neste tópico. Se quiser saber mais ou entender melhor, a título de
curiosidade, após a leitura, entre em contato com a Tutoria Interna de Matemática.
P
R
O AS DISTRIBUIÇÕES DE PROBABILIDADE T, F e QUI-QUADRADO:
B
A TEORIA E PRÁTICA COM O USO DA PLANILHA
B
I
L Lori Viali – PUCRS e UFRGS1 – viali@pucrs.br
I
D Hélio Radke Bittencourt – PUCRS – heliorb@pucrs.br
A
D
E
INTRODUÇÃO
E
E
S De acordo com Bayer et al. (2005), conteúdos de Probabilidade geralmente são
T
A lecionados em disciplinas de Estatística no Ensino Superior. Bittencourt e Viali (2006) ressaltam
T
Í
que, salvo eventuais exceções, os únicos cursos de graduação brasileiros que têm disciplinas
S dedicadas apenas à Probabilidade são os de Bacharelado em Estatística. Portanto, devido
T
I
C 1 Professor titular do Departamento de Estatística, Faculdade de Matemática da PUCRS.
A Professor adjunto do Departamento de Estatística, Instituto de Matemática da UFRGS.
às restrições impostas pela carga horária e amplo conteúdo programático, os conteúdos

probabilísticos ou são omitidos ou trabalhados de forma inadequada.
O nível de profundidade a ser trabalhado em conteúdos de Probabilidade depende do

curso para o qual a disciplina é destinada e da carga horária dispensada. De uma forma geral
as distribuições Binomial e Normal constam do programa de quase todas as disciplinas de
Probabilidade e Estatística oferecidas. Entretanto as distribuições t de Student, F de Snedecor
e qui-quadrado, necessárias principalmente na área de exatas, são geralmente suprimidas
do conteúdo de Probabilidade e inseridas diretamente na parte Inferencial. A despeito do
papel preponderante que os modelos probabilísticos t, F e χ2 desempenham na inferência
estatística é raro encontrar algum texto didático de Probabilidade que apresente esses modelos.
Invariavelmente essas distribuições são apresentadas inseridas em conteúdos de amostragem,
estimação ou mesmo no teste de hipóteses em livros de Estatística. Geralmente livros textos
de Estatística abordam Probabilidade, mas esses modelos dificilmente serão aí encontrados.
Essa abordagem tem a vantagem de evitar a necessidade de apresentar o algoritmo dessas
funções, isto é, suas fórmulas. Por outro lado dificulta a compreensão e reforça a confusão
entre estatística e probabilidade, ou seja, entre a realidade e o modelo dessa realidade.
1 A ESTATÍSTICA E A PROBABILIDADE NO ENSINO SUPERIOR
Nos últimos anos ocorreram reformas curriculares que tinham como um dos principais
objetivos a redução do tempo para conclusão em um grande número de cursos de graduação.
Cury (2001) comenta as novas diretrizes curriculares dos cursos de Engenharia e apresenta
opções metodológicas para que tal diminuição não represente perda de qualidade. Nas
disciplinas de Cálculo, por exemplo, antes de tais reformas, parte dos alunos da área das
Ciências Exatas tinha contato com conteúdos mais aprofundados. Funções, limites, derivadas,
integrais e séries, entre outros, eram distribuídos em duas, três ou até quatro disciplinas que
contemplavam de oito a 16 créditos. P
R
O
As disciplinas de Estatística também sofreram alterações com os novos currículos. B
A
Nos cursos de Engenharia as mudanças foram pequenas, pois, na maioria dos casos, elas já B
I
estavam reduzidas a uma única disciplina de quatro créditos. Em outras áreas, no entanto, o L
I
corte foi mais dramático de forma que hoje é difícil encontrar um curso de qualquer área que D
A
contemple mais de uma disciplina de Estatística. Saliente-se que, quando se está falando de um D
E
curso de Estatística, a Probabilidade está incluída. Mesmo antes das reformas curriculares era
E
raro existirem disciplinas separadas para Estatística e Probabilidade. Assim, via de regra, uma
E
disciplina denominada de Estatística engloba, além de Estatística, a Probabilidade e algumas S
T
vezes alguns conteúdos de Análise Combinatória. Por este motivo não é de surpreender que A
T
grande parte dos alunos não saiba a diferença entre Estatística e Probabilidade, pois mesmo Í
S
professores da área fazem confusão entre as duas disciplinas e os textos didáticos geralmente T
I
reforçam essa visão confusa entre as duas áreas. C
A
Portanto, devido às limitações de tempo e de conhecimento de Cálculo, alguns tópicos de

Probabilidade estão sendo suprimidos dos programas. Nos tópicos subsequentes mostraremos
como é possível apresentar conteúdos que envolvem cálculo não elementar fazendo uso de
planilha eletrônica.
2 PROBABILIDADE E ESTATÍSTICA: ASPECTOS HISTÓRICOS
A partir do início do século passado a Estatística teve o seu grande desenvolvimento

graças às contribuições da Probabilidade. Sabe-se que a Estatística Inferencial depende
pesadamente da Probabilidade. Mas essa harmonia e simbiose entre as duas áreas não significa
que ambas são idênticas. A Probabilidade continua a existir e a se desenvolver a despeito de
suas aplicações à Estatística. O mesmo ocorre com a Matemática que, independente de suas
inúmeras aplicações, continua a crescer e a progredir por si só.
A Estatística pode ser caracterizada como a análise e a interpretação de dados, tratando-

se de uma disciplina aplicada. A Probabilidade, por sua vez, é um ramo da Matemática que
trata da incerteza, isto é, procura modelar fenômenos não determinísticos. A origem de ambas
é diferente, assim como cada uma trilhou o seu próprio caminho até o final do século 19 ou,
talvez um pouco antes, quando ocorreu o encontro e a partir daí desenvolveu-se a Inferência e
as coisas não foram mais as mesmas. A Probabilidade continuou a evoluir independentemente,
mas o vigor dessa união foi muito mais prolífico para a Estatística.
Hoje praticamente todos os campos do conhecimento possuem aplicações específicas

da Estatística, sendo que alguns ganharam denominação própria como a Econometria, a
Bioestatística ou Biometria, a Psicometria, a Sociometria, a Quimiometria, a Geoestatística,
a Astroestatística, a Demografia e a Epidemiologia. Outros ainda emprestam o nome como
a Estatística Ambiental, Industrial, Financeira, Climatológica, Computacional, Matemática,
Espacial, Oficial e a Agrícola. Existem ainda áreas que aparentemente nada têm a ver, mas que
P
R em geral são incluídas dentro desse grande termo guarda-chuva “Estatística”. A Simulação ou
O
B
Método Monte Carlo, a Teoria da Decisão, dos Jogos e da Informação, os Ensaios Clínicos, os
A
B
Números Índices, o Projeto de Experimentos, a Atuária, a Amostragem e o Controle Estatístico
I do Processo. É praticamente impossível dizer se é a Estatística ou a Probabilidade quem mais
L
I contribui a cada uma dessas áreas.
D
A
D
E Tanto a Estatística quanto a Probabilidade têm-se mostrado férteis para a criação
E de novas áreas de conhecimento. O entendimento de cada uma dessas áreas depende do
E conhecimento de suas raízes. Como foi mencionado, o que ocorreu da junção da Estatística
S
T com a Probabilidade foi uma fonte de novas aplicações sem, no entanto, eliminar cada uma
A
T das duas áreas individualmente. Assim, a Probabilidade continua como um dinâmico ramo da
Í
S Matemática, bastante jovem, quando comparada com a Aritmética, a Álgebra ou o Cálculo.
T
I A Probabilidade só foi axiomatizada em 1933 com a obra de Komogorov2, “Fundamentos da
C
A 2 Andrey Nikolaevich Kolmogorov (1903 - 1987). Matemático Russo.
Teoria da Probabilidade”. Talvez seja o desenvolvimento recente o responsável por parte da

confusão encontrada.
A Probabilidade pode e deve ser estudada e compreendida isoladamente, isto é, sem

a Estatística. Os Parâmetros Curriculares Nacionais (PCN+) da Educação Básica percebem
e destacam essa diferença quando colocam (p. 126): “[...] a Estatística e a Probabilidade
devem ser vistas, então, como um conjunto de ideias e procedimentos que permitem aplicar a
Matemática em questões do mundo real, mais especialmente aquelas provenientes de outras
áreas”. No Ensino Superior a realidade é diferente. A quase totalidade dos livros textos de
Estatística apresentam um capítulo ou mais de probabilidade. Nesses capítulos geralmente são
tratados conceitos básicos, modelos probabilísticos discretos e contínuos. Entre os modelos
contínuos a curva normal é quase sempre o único apresentado. Os livros mais detalhados
vão um pouco além apresentando também os modelos uniforme e exponencial. Geralmente a
uniforme e a exponencial não são mais mencionadas após, pois, a menos que o texto apresente
teoria das filas ou simulação, eles terão poucas aplicações na Estatística. Já o modelo normal
é imprescindível para o desenvolvimento da Amostragem, Estimação por intervalo e Testes
de Hipóteses. No entanto, para desenvolver esses tópicos será necessário também o uso da
distribuição t de Student, qui-quadrado (χ2) e eventualmente a distribuição F de Snedecor.
A distribuição t foi desenvolvida por William Sealey Gosset (1876-1937) em um artigo

publicado na revista Biometrics, em março de 1908, enquanto trabalhava como químico da
cervejaria Guinness de Dublin, Irlanda. Como a empresa não permitia publicações com o nome
real de funcionários, ele utilizou o pseudônimo de “Student”. Ele precisava de um modelo
que pudesse ser utilizado com pequenas amostras e percebeu que, se elas fossem retiradas
de uma população unimodal e simétrica, as mesmas poderiam ser caracterizadas pelo seu
tamanho amostral.
Se uma população (variável) X de média x e variabilidade (desvio padrão) s for

P
padronizada por meio da transformação Z = (x – x)/s, então a variável Z terá uma média “zero” R
O
e desvio padrão unitário. Essa mudança de fato coloca a variável centrada em torno da origem B
A
e reduz a variabilidade a um. Ela, no entanto, não altera a forma da variável, isto é, se a variável B
I
tiver certa assimetria e determinada curtose (achatamento), a mudança manterá esses valores. L
I
Assim se X for normal ela continuará tendo um comportamento normal. Gosset já conhecia D
A
isso; o que ele de fato precisava descobrir era qual o comportamento da variável Z = (x – x)/s D
quando o valor de X fosse desconhecido e estimado por meio de uma amostra. Também já era E
conhecido na época que para grandes amostras a variável Z continuava praticamente normal E
padrão, isto é, com média igual a zero e variabilidade igual a um (LEHMANN, 1999). E
S
T
A
O problema de Gosset era saber qual seria o comportamento dessa variável quando as T
Í
amostras fossem pequenas. O que ele percebeu é que esse resultado mantinha a simetria em S
T
torno de zero, mas não a variabilidade, ou seja, que a variabilidade dependia agora do tamanho I
C
A
da amostra utilizada, quanto menor mais variáveis eram os resultados. Assim o modelo t de
Student pode ser caracterizado por um único parâmetro, o tamanho amostral.
O modelo t, nem sempre, está associado com pequenas amostras. Apesar de ter-se
originado dessa forma, desenvolveu-se e ganhou vida própria. Em geral ele é especificado
com um parâmetro genérico gl que é denominado de “graus de liberdade” e quando necessário
estabelecer a relação com valores amostrais coloca-se gl = n - 1, isto é, o parâmetro do modelo
probabilístico t é igual ao número de elementos amostrais subtraído de uma unidade.
A distribuição χ2 ou qui-quadrado foi desenvolvida inicialmente, de acordo com Upton e

Cook (2002), pelo físico alemão Ernst Carl Abbe (1840-1905) em 1863 e de forma independente
pelo engenheiro geodesista alemão Friedrich Robert Helmert (1843-1917) em 1875. O modelo
foi batizado e popularizado pelo estatístico britânico Karl Pearson (1857-1936) em 1900, ano no
qual ele desenvolveu uma das mais populares aplicações do modelo: o teste de aderência.
A distribuição qui-quadrado também é definida por um único parâmetro gl que está

relacionado ao tamanho amostral (gl = n – 1). Outra maneira de caracterizá-la é como a soma
dos quadrados de gl normais padrão independentes. Além de todas as aplicações dos testes
de aderência e independência, William Gemmell Cochran (1909-1980) mostrou que ela é igual,
a menos de uma constante, a distribuição da variância amostral.
O modelo F de Snedecor foi inicialmente desenvolvido por Ronald Aylmer Fisher (1890-
1962) em 1922 e, por isso, ele é também conhecido por distribuição de Fisher-Snedecor. Em
1934 foi tabelado por George Waddell Snedecor (1881-1974) que também introduziu a letra F
para representá-lo, homenageando dessa forma o seu real criador (DAVID, 2003). O modelo
F é fundamental para as áreas de Planejamento de Experimentos, Análise de Variância e de
Regressão.
P
R Pode-se observar que a origem dos três modelos é diversa, mas que, de fato, apresentam
O
B algumas características comuns. Os três modelos apresentam aplicações na Estatística
A
B Inferencial e, se juntarmos a elas o modelo normal, teremos talvez o quarteto de modelos que
I
L
desempenha o principal papel num variado leque de técnicas estatísticas tanto paramétricas
I quanto não paramétricas. As características mais notórias que esses três modelos apresentam
D
A são a dependência da função gama e de não serem integráveis analiticamente.
D
E
E Propõe-se, então, a utilização da planilha para que o aluno seja capaz de trabalhar de
E uma forma dinâmica e interativa com os três modelos, construindo por si próprio as tabelas
S
T e as representações gráficas que são onipresentes de uma forma estática nos textos de
A
T Estatística.
Í
S
T 3 A FUNÇÃO GAMA E AS DISTRIBUIÇÕES t, F E χ²
I
C
A
A função gama é considerada uma extensão do fatorial para o domínio dos números
complexos, com exceção dos números inteiros negativos. Essa função é geralmente vista em
cursos avançados de cálculo, sendo definida por:
∞
Gama (x) = Γ(x) = ∫0 tx-1e -tdt
Ela apresenta algumas propriedades peculiares, como, por exemplo:
Γ(x+1) = x!
Γ(x+1) = x Γ(x)
Γ(1/2) = √π
Graficamente a função Gama tem um comportamento estranho, especialmente para

os números negativos devido aos pontos de descontinuidade. A Figura 1 mostra o gráfico da
função Gama apenas para os números positivos que são de maior interesse.
FIGURA 1 – GRÁFICO DA FUNÇÃO GAMA NO DOMÍNIO DOS NÚMEROS

REAIS POSITIVOS
P
R
O
B
A
B
I
L
I
D
A
D
E
E
Matematicamente a distribuição t de Student tem como único parâmetro o valor de k –
E
graus de liberdade – utilizando a função Gama tanto no seu numerador como no denominador, S
T
conforme segue: A
T
Í
S
T
I
C
A
x = 1, 2, 3, ... xϵℜ
Para qualquer valor inteiro e positivo de x a distribuição t assume uma forma muito
parecida com a curva normal-padrão (Z) sendo que a aproximação será tanto melhor quanto
maior for o valor de x. A Figura 2 apresenta a forma da distribuição de Student para alguns
valores de x.
A distribuição qui-quadrado está definida apenas para valores não negativos de x e,

assim como a t, depende dos graus de liberdade k conforme segue:
x = 1, 2, 3, ... x ϵ [0; ∞)
Já a distribuição F de Snedecor depende de dois parâmetros denominados também

de graus de liberdade. O primeiro (m) é o grau de liberdade do numerador e o segundo (n) do
denominador. Na estatística ela é caracterizada como o quociente de duas variâncias e, portanto,
de duas distribuições qui-quadrado. Cada parâmetro, da mesma forma que nos modelos
anteriores, é associado ao tamanho amostral menos um. Uma das possíveis representações
da função densidade de probabilidade da F, em termos da função Gama, é dada por:
P
R
O m, n = 1, 2, 3, ... x ϵ [0; ∞)
B
A
B
I
L
I Como pode ser observado, os três modelos possuem funções densidade de probabilidade
D
A de difícil manuseio para quase a totalidade dos alunos de graduação. Assim a planilha pode
D
E ser um ótimo recurso para que esses modelos possam ser visualizados e trabalhados de uma
E forma bem mais simples.
E
S
T
4 A PLANILHA COMO RECURSO PARA O MANUEIO DOS MODELOS
A
T
Í A manipulação desses modelos pela planilha bem como a construção de tabelas
S
T podem ser realizadas por alunos oriundos de diferentes cursos. Obviamente, quanto maior
I
C formação matemática e computacional o aluno tiver, mais detalhes dos algoritmos podem ser
A
tratados. De qualquer forma todos têm algo a ganhar com a abordagem computacional em
relação à leitura pura e simples das tabelas de um livro. Em geral os números, apresentados
nas tabelas, serão para a grande maioria dos alunos um completo mistério. Eles não sabem
e provavelmente nunca entenderão o significado dos valores lidos e, portanto, a interpretação
correta de qualquer resultado que dependa desses valores estará comprometida.
Se o aluno for oriundo das Ciências Exatas, então cálculos de probabilidade podem ser
realizados por meio de integrais. Se o aluno for das Ciências Sociais, Humanas ou Biomédicas
pode ser feita uma associação entre os valores da tabela e as áreas sob as curvas (distribuições).
Dessa forma os alunos teriam mais condições de entender conceitos como nível de significância
ou o motivo da rejeição de uma hipótese.
A planilha mais difundida e utilizada, a MS Excel, não apresenta diretamente os algoritmos

para a geração dos modelos aqui tratados. Modelos como a normal e a exponencial apresentam
funções prontas tanto para o cálculo dos valores da função densidade de probabilidade f(x)
quanto do cálculo dos valores da função de distribuição acumulada F(x) = P(X ≤ x). A função
densidade de probabilidade permite a representação gráfica do modelo e a função de distribuição
acumulada o cálculo direto das integrais (áreas) e, portanto, a construção das tabelas.
Com os modelos t, χ2 e F o usuário não teve a mesma sorte, pois a empresa colocou
apenas opções para o cálculo das áreas. Deve-se tomar cuidado nesses casos, pois existe
uma falta de padronização de comandos nas funções do Excel. Os valores fornecidos para
estas três distribuições não é a F(x), isto é, não é a área à esquerda de x, como ocorre com a
curva normal e a exponencial. Para a distribuição t, a planilha fornece a soma das áreas das
caudas, isto é, P(|T| > t). Assim deve-se tomar o cuidado de dividir o resultado por dois para
ter-se uma área unilateral, isto é, a F(t). Um outro resultado que pode causar problemas para o
usuário iniciante é o fato de a planilha não apresentar a integral ou área para valores negativos
da variável t. Não há nenhum motivo aparente por que esse caso foi apresentado dessa forma.
Uma especulação é de que o programador seguiu o formato das tabelas e, se ficar atento a
P
outras situações, pode-se quase ter certeza disso. Os retornos para o modelo χ2 também não R
O
seguiram o exponencial e o normal, aqui a planilha fornece a área à direita, isto é, 1 – F(x) ao B
A
invés da esperada F(x). O usuário, principalmente o iniciante, precisa tomar um cuidado maior, B
I
pois isso não fica claro nos procedimentos da função e nem a “ajuda” do recurso esclarece esse L
I
ponto. Para a distribuição F a planilha reserva a mesma opção da qui-quadrado fornecendo a D
A
área à direita. Aqui é reforçada a suspeita de que o programador do software tenha seguido D
as opções das tabelas dos livros textos para implementar essas opções já que o mais fácil e E
mais didático teria sido simplesmente apresentar a F(x) em todos os casos. E
E
S
Mesmo com a falta de padronização das funções probabilísticas do Excel, o cálculo das T
A
áreas pode ser feito com algum cuidado. A representação gráfica desses modelos, entretanto, T
Í
não pode ser feita de forma simples e direta, mas, apesar da relativa dificuldade, é possível S
T
construí-las. I
C
A
Para se determinar os gráficos é necessário considerar cada modelo individualmente. O

modelo χ2 pode ser determinado como um caso particular da distribuição Gama (não confundir
com a função Gama) que é calculada facilmente pela planilha. Para se entender melhor do que
se está falando vai-se esclarecer como os modelos probabilísticos foram implementados em
alguns casos na planilha. A Figura 2 ilustra a situação para o caso da distribuição Normal.
FIGURA 2 – CÁLCULOS DOS VALORES F(X) E F(X) PARA O MODELO NORMAL
Na Figura 2 pode-se observar que existem quatro argumentos. Na primeira linha rotulada
de “x” são passados os valores da variável que se quer obter a f(x) ou a F(x). Na segunda e
terceira linha são apresentados os parâmetros da função, no caso do modelo normal, esses
parâmetros são a média e o desvio padrão. A quarta e última é uma variável lógica que admite
apenas dois valores: “verdadeiro (1)” e “falso (0)”. Se quisermos calcular o valor da imagem da
P
R função no ponto x, então o parâmetro cumulativo (quarta linha) deve ser colocado como “falso”
O
B ou “zero”. Se, por outro lado, o desejado for a área, isto é, F(x) então o parâmetro “cumulativo”
A
B deve ser colocado como “verdadeiro” ou “um”. Tudo seria didaticamente perfeito se essa
I
L
metodologia fosse mantida para todas as funções. Como o ideal não existe, o que se observa
I é que para os três modelos sendo discutidos aqui a planilha não apresenta a quarta linha, isto
D
A é, estas funções não têm o parâmetro “cumulativo”. Para esses três casos só foi colocada a
D
E opção do cálculo da área. A Figura 3 mostra uma aplicação usando o modelo Normal.
E
E
S
T
A
T
Í
S
T
I
C
A
FIGURA 3 – CONSTRUÇÃO DA FDP E DA FD DO MODELO NORMAL
A Figura 4 mostra a janela de cálculo para o modelo χ2, ilustrando a falta do argumento
“cumulativo”. Assim nesse caso não é possível o uso dessa função para o cálculo da f(x) e,
portanto, para a determinação da forma do modelo. Felizmente para esse caso a janela da
distribuição Gama é semelhante a da normal, isto é, fornece o parâmetro cumulativo e como
consequência a possibilidade do cálculo de f(x).
FIGURA 4 – JANELA DA PLANILHA ILUSTRANDO O CÁLCULO DE VALORES DA χ2
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A Figura 5 ilustra a situação. Assim para determinar as formas gráficas do qui-quadrado, A
T
pode-se utilizar a distribuição fazendo o parâmetro gl = 2 e o parâmetro gl = n - 2, onde x é o Í
S
parâmetro desejado para o modelo χ2. T
I
C
A
FIGURA 5 – ILUSTRAÇÃO DO CÁLCULO DE VALORES DA DISTRIBUIÇÃO GAMA
Para construir o gráfico da distribuição t de Student a única alternativa é a utilização da

função LNGAMA(x) disponível no Excel na categoria das funções estatísticas. Aqui convém
distinguir entre a função Gama e a distribuição de probabilidade Gama. Elas não são a mesma
coisa e a relação que apresentam é que a função densidade Gama, tal qual os três modelos
mencionados, depende da função Gama. A função LNGAMA(x) retorna o logaritmo da função
gama no ponto x, ou seja, resolve a difícil integral apresentada anteriormente. Infelizmente a
planilha não dispõe diretamente da função gama, mas fornece uma função que nos permite
obtê-la. Assim se quisermos somente o valor de f(x), será necessário tomar o antilogaritmo,
isto é, calcular EXP(LNGAMA(x)). A Figura 6 mostra a construção do modelo t de Student de
forma semelhante a utilizada na Figura 3, só que agora utilizando diretamente um algoritmo
fornecido pelo usuário e não pela planilha.
Deve-se admitir que essa não é uma opção trivial e simples de ser implementada, mas
P as alternativas podem ser piores. Uma opção seria simplesmente não se mencionar o assunto e
R
O continuar fazendo o que é feito, mostrando um texto com a ilustração do modelo, recurso esse
B
A que parece não vem dando resultados animadores. Uma segunda opção seria tentar utilizar
B
I um software específico e com mais recursos como o Maple, Derive, Mathematica, MathLab,
L
I SPSS, Statistica, Minitab etc. Aqui se vai esbarrar no problema já mencionado anteriormente
D
A do pouco tempo para muito conteúdo, pois qualquer um desses pacotes exigirá muito mais
D
E
tempo e esforço do que uma planilha para que um usuário iniciante consiga alguns resultados
E
úteis ou satisfatórios. Além disso poucos ou talvez nenhum desses softwares farão parte do
futuro profissional do aluno uma vez que são raras as empresas que os utilizam.
E
S
T
A
T
Í
S
T
I
C
A
FIGURA 6 – CONSTRUÇÃO DE MODELOS DA T DE STUDENT
Para o modelo F de Snedecor, deve ser seguido um caminho semelhante ao da

determinação do modelo t. A Figura 7 ilustra o cálculo dos valores da distribuição acumulada
F. Pela figura pode-se perceber que não existe uma alternativa para a obtenção de valores da
fdp (função densidade de probabilidade), pois aqui, a exemplo dos demais casos, o parâmetro
“CUMULATIVO” não foi oferecido. Assim a planilha oferece diretamente apenas o cálculo das
áreas sob o modelo, nesse caso, a exemplo da função qui-quadrado a área à direita.
Como a planilha não fornece opções de cálculo direto para os valores da função
densidade do modelo F é, então, necessária a utilização direta da fórmula já apresentada para
esse modelo. Convém reconhecer que mesmo com o uso da planilha esse não é um caminho
de todo modo simples. No entanto, acredita-se que os efeitos colaterais advindos como a maior
familiaridade com o recurso e a habilidade de digitar e manusear algoritmos mais sofisticados
sejam compensatórios. O conhecimento um pouco mais aprofundado do recurso será uma P
R
vantagem competitiva do aluno quando ele se tornar profissional e, dependendo da área, essa O
B
habilidade poderá ser decisiva na conquista de uma posição melhor no mercado de trabalho. A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
FIGURA 7 – ILUSTRAÇÃO DO CÁLCULO DE VALORES DA DISTRIBUIÇÃO F
5 CONCLUSÃO
A restrição de carga horária no ensino de Estatística e Probabilidade é uma realidade

que precisa ser enfrentada. A utilização de recursos computacionais, além de tornar o ensino
mais dinâmico e mais afinado com a realidade, permite que conteúdos que seriam tratados
jornalisticamente ou descartados sejam abordados de uma forma consistente e com maior
profundidade, uma vez que podem ser praticamente vivenciados e não apenas notificados.
Boyle, já em 1998, colocava que: “Na Universidade o Excel tornou-se um componente

compulsório de muitas matérias e cursos. Isso é particularmente verdadeiro nas faculdades e
escolas de administração e negócios, comércio e economia.” O mesmo autor complementa:
“Como resultado dessa tendência, alguns professores de estatística se sentem obrigados, ou
P são fortemente encorajados, a seguir essa tendência e utilizar a planilha para ensinar estatística
R
O abandonando pacotes como o SPSS e o Minitab.”
B
A
B Logo em seguida esclarece o motivo dessa situação: “O poder e a versatilidade da
I
L planilha, sua relevância e seu uso disseminado na educação e nos locais de trabalho não
I
D podem ser ignorados.”
A
D
E
Também confirma a avaliação feita pelos autores, de que a planilha tem muitas
E
vantagens, mas também apresenta deficiências como recurso instrucional colocando que:
E
S
T Entretanto a utilização das planilhas comercialmente disponíveis para o ensino
A
T
de estatística apresenta significativas deficiências. Em particular uma planilha
Í comercial não foi feita para lecionar estatística, nem para pesquisa estatística
S e certo esforço e tempo pode ser necessário para se gerar saídas estatísticas
T úteis (BOYLE, 1998, p. 2).
I
C
A
Certamente a situação evoluiu sensivelmente de 1998 para 2007, mas isso não significa
que tudo foi resolvido. A planilha não é certamente o recurso perfeito, mas será que ele existe?
Concorda-se com Boyle em algumas críticas, mas não se acredita que seja mais necessário
muito esforço e tempo para se produzir saídas estatísticas satisfatórias. Por mais tempo e
esforço que a planilha exija, certamente qualquer outro pacote exigirá mais. Bittencourt e Viali
(2006) colocam que com planilha eletrônica o aluno é agente ativo do aprendizado e que, nesta
proposta, pode-se verificar que a participação dele vai bem além do que a simples leitura de
tabelas t, F e χ2.
REFERÊNCIAS
BAYER, A.; ECHEVESTE, S.; BITTENCOURT, H. R.; ROCHA, J. Preparação do formando

em matemática-licenciatura plena para lecionar estatística no ensino fundamental e médio.
In: ENCONTRO NACIONAL DE PESQUISA EM EDUCAÇÃO EM CIÊNCIAS, 5., 2005, Bauru.
Anais... Bauru: [s.n.], 2005.
BITTENCOURT, H. R.; VIALI, L. Contribuições para o ensino da distribuição normal ou curva

de Gauss em cursos de graduação. In: SIMPÓSIO INTERNACIONAL DE PESQUISA EM
EDUCAÇÃO MATEMÁTICA, 3., 2006, Águas de Lindoia, SP. Anais... Curitiba: UFPR Editora,
2006. p. 1-16.
BOYLE, Robin George. PACE2000 - Stand alone software package and add-in for microsoft
excel designed for teaching statistics at introductory-intermediate level. ICOTS 5, Singapore,
p. 811-17, 1998.
BRASIL. Secretaria de Educação Média e Tecnológica. PCN + Ensino Médio: orientações

educacionais complementares aos parâmetros curriculares nacionais. linguagens, códigos e
suas tecnologias. Brasília: Ministério da Educação/Secretaria de Educação Média e Tecnológica,
2002.
CURY, Helena. Diretrizes curriculares para os cursos de engenharia e disciplinas matemáticas:

opções metodológicas. Revista de Ensino de Engenharia, v. 20, n. 2, p. 1-7, 2001.
DAVID, Herbert A. The history of statistics in the classroom. JOINT STATISTICAL MEETING. P
San Francisco, California. August, 2003. R
O
B
LEHMANN, E. L. Student and small-sample theory. Statistical Science, v. 14, n. 4, p. 418- A
426, 1999. B
I
L
UPTON, Graham; COOK, Ian. A dictionary of statistics. Oxford (NY): Oxford University Press, I
D
2002. A
D
E
VIALI , Lori; BITTENCOURT, Hélio Radke. As distribuições de probabilidade t, f e qui-quadrado:
teoria e prática com o uso da planilha. In: Anais do IX ENEM. Salvador: Sbem, 2008. Disponível E
em: <http://www.sbem.com.br/files/ix_enem/Html/comunicacaoCientifica.html>. Acesso em: 18 E
dez. 2011. S
T
A
FONTE: Disponível em: <http://www.sbem.com.br/files/ix_enem/Html/comunicacaoCientifica.html>. T
Acesso em: 24 jan. 2013. Í
S
T
I
C
A
RESUMO DO TÓPICO 3
Neste tópico, você viu que:
• Dados pareados vêm da mesma amostra, só que são tomados antes e após uma dada
intervenção.
• Dados não pareados vêm de amostras diferentes.
• Para realizar um teste t-Student para comparação de médias precisamos:

1º: estabelecer as hipóteses H0 e H1;
2º: com base na H1 e no nível de significância (α) estabelecer as regiões de aceitação e
rejeição de H0 e o valor crítico;
3º: calcular o valor da variável do teste;
4º: aceitar ou rejeitar H0 pela comparação do valor calculado no 3º passo com a região de
aceitação ou rejeição.
Quando o teste for para comparação de médias em dados pareados, o valor da variável
do teste (3º passo) é calculado pela fórmula: tcalc = .
Quando o teste for para comparação de médias em dados não pareados com variâncias
populacionais desconhecidas e iguais, o valor da variável do teste (3º passo) é dado pela
fórmula: tcalc = .
P
R
O
B
A Quando o teste for para comparação de médias em dados não pareados com variâncias
B
I populacionais desconhecidas e diferentes, o valor da variável do teste (3º passo) é dado pela
L
I fórmula: tcalc= .
D
A
D
E
Para verificar a igualdade de duas variâncias populacionais desconhecidas calculamos
o valor da variável do teste pela fórmula: .
E
E
S
T
A • O teste de independência serve para verificar se duas variáveis têm algum grau de
T
Í dependência.
S
T
I
C • Os passos para realizar o teste de independência são os mesmos dos outros testes, e a
A
fórmula usada para calcular o valor da variável do teste é:χ2calc = .

IDADE
ATIV
AUTO

1 Uma fábrica de sapatos infantis deseja verificar se o investimento feito em propagandas

resultou em um aumento no número de sapatos vendidos na região Sul do Brasil.
O quadro a seguir apresenta o número de sapatos vendidos, em um mês qualquer,
antes e depois a propaganda.
Antes da propaganda Depois da propaganda

Paraná 10,3 mil 13 mil
Santa Catarina 12 mil 11,5 mil
Rio Grande do Sul 9,7 mil 10,2 mil
A 5% de significância, podemos concluir que o investimento em propagandas

contribuiu para o aumento do número de sapatos vendidos?
2 Após um programa de capacitação, foram verificadas as diferenças na produtividade

diária de 8 funcionários: +4, -1, 0, +2, -1, +3, 0, 1. Em nível de significância de 10%
e supondo que as diferenças seguem uma distribuição normal, podemos dizer que P
R
o programa de capacitação aumentou a produtividade dos funcionários? E a 5% de O
B
significância, o que podemos concluir? A
B
I
3 Deseja-se saber se 2 máquinas de empacotar erva-mate estão fornecendo o mesmo L
I
peso médio em kg. Para isso extraem-se ao acaso duas amostras, uma de cada D
A
máquina: D
E
Máquina A: 15 amostras, média = 0,51 kg, variância = 0,0020 kg2
E
Máquina B: 20 amostras, média = 0,48 kg, variância = 0,0135 kg2
E
S
T
Supondo que os pesos amostrais seguem uma distribuição normal, qual é a sua A
T
conclusão a 5% de significância? Í
S
T
I
C
A
4 Com a finalidade de verificar se há diferença entre as vendas de grandes marcas de

cervejas, o dono de uma rede de supermercados registrou o número de caixas vendidas
de 3 marcas concorrentes durante um mês em 5 supermercados de sua rede.
Supermercado Marca A Marca B Marca C

1 304 297 348
2 236 482 554
3 134 315 195
4 351 176 410
5 110 273 347
Comparando-as duas a duas, verifique se há diferença significativa entre essas

marcas. Use α = 10%.
5 Para verificar a eficácia de duas rações na engorda de tilápias, realizou-se um

experimento com 20 tilápias, todas com mesmo tempo de vida. As tilápias foram
divididas aleatoriamente em dois grupos: no primeiro grupo, com 8 tilápias, usou-se
a ração A; no segundo grupo, as 12 tilápias foram tratadas com a ração B. No final
de um mês encontraram-se as seguintes médias de peso:
Ração A: média = 1,26 kg; variância = 0,0053 kg2
Ração B: média = 1,31 kg; variância = 0,0013 kg2
A 5% de significância, podemos concluir que as rações produzem efeitos
diferentes?
6 Um empresa de ônibus está testando a durabilidade de duas marcas de pneus. Para

isso, testou 8 pneus de cada marca e constatou: para a marca G uma durabilidade
média de 34.100 km e variância 122.650 km2; para a marca P uma durabilidade
média de 32.500 km e variância 100.850 km2. Ao nível de significância de 1% teste a
hipótese de que a durabilidade média dos pneus da marca G é maior que da marca
P
R P (para gl1 = gl2 = 7 e α = 0,005 use Ftab = 8,8854).
O
B
A
B 7 Em um estudo para verificar se existe relação entre o consumo de cigarro e a ocorrência
I
L de enfisema pulmonar, um hospital selecionou 125 pacientes ao acaso. De acordo com
I
D o quadro de resultados a seguir, podemos concluir que as ocorrências de enfisema
A
D pulmonar e o consumo de cigarros são independentes? (Use α = 5%.)
E
E Enfisema Sim Não

E Fumantes
S
T Sim 39 29
A Não 23 34
T
Í
S
T
I
C
A
IAÇÃO
AVAL

unidade.
P
R
O
B
A
B
I
L
I
D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
194
REFERÊNCIAS
BARBETTA, P. A. Estatística aplicada às ciências sociais. 3. ed. Florianópolis: Ed. da UFSC, 1999.
BERGE, C. Principles of combinatorics. New York: Academic Press, 1971. v. 72.
BRASIL. Parâmetros Curriculares Nacionais - Ensino Médio (Parte III). Brasília: MEC, 2000.
Disponível em: <http://portal.mec.gov.br/seb/arquivos/pdf/ciencian.pdf>. Acesso em: 24 mar. 2012.
______. Parâmetros Curriculares Nacionais - Ensino Fundamental (Matemática). Brasília: MEC,

1997. Disponível em: <http://portal.mec.gov.br/seb/arquivos/pdf/livro03.pdf>. Acesso em: 24 mar.
2012.
DASSIE, Bruno Alves et al. Curso de análise combinatória e probabilidade: aprendendo com a
resolução de problemas. Rio de Janeiro: Ciência Moderna, 2009.
FONSECA, Jairo S. da; MARTINS, Gilberto de A. Curso de estatística. 6. ed. São Paulo: Atlas,1996.
GUERRA, M. J.; DONAIRE, D. Estatística intuitiva. 5. ed. São Paulo: LTC, 1991.
HAZZAN, Samuel. Fundamentos de matemática elementar: combinatória, probabilidade. 7. ed. São

Paulo: Atual, 2004.
IEZZI, Gelson; DOLCE, Osvaldo; DEGENSZAJN, David; PÉRIGO, Roberto; ALMEIDA, Nilze de.
Matemática ciência e aplicações. São Paulo: Atual, 2001. v. 2.
LIPSCHUTZ, Seymour. Probabilidade. São Paulo: Markron Books, 1993.
MACHADO, Antonio dos Santos. Matemática, temas e metas. São Paulo: Atual, 1986. v. 3.
MAGALHÃES, Marcos Nascimento; LIMA, Antônio Carlos Pedroso de. Noções de probabilidade e
estatística. 7. ed. São Paulo: Edusp, 2010.
MELLO, Margarida P.; SANTOS, José Plinio O. dos; MURARI, Idani T. C. Introdução à análise
P combinatória. 4. ed. Rio de Janeiro: Ciência Moderna, 2007.
R
O
B MEYER, Paul L. Probabilidade: aplicações à estatística. Rio de Janeiro: LCT, 2000.
A
B
I
MORETTIN, Luiz Gonzaga. Estatística básica: probabilidade e inferência. São Paulo: Pearson,
L 2010.
I
D MYERS, Raymond H.; WALPOLE, Ronald E. Probabilidade e estatística. São Paulo: Pearson
A
D Education, 2009.
E
SPIEGEL, Murray R. Probabilidade e estatística. São Paulo: Bookmann, 2004.
E
E VAZQUEZ, Cristiane Maria Roque; MALAGUTTI, Pedro Luiz A. Atividades experimentais de

S análise combinatória no ensino médio em uma escola estadual. In: ENCONTRO DA REDE DE
T
A PROFESSORES, PESQUISADORES E LICENCIANDOS DE FÍSICA E DE MATEMÁTICA, 2., 2009,
T São Carlos. Anais... São Carlos: UFSCAR, 2009. Disponível em: <http://www.enrede.ufscar.br/
Í participantes_arquivos/E5_Vazquez_TA.pdf>. Acesso em: 24 mar. 2012.
S
T
I
C
A
APÊNDICE 195
APÊNDICES
APÊNDICE A
Tabela Z (Normal Padrão)
P(Z<z)
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817 P
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857 R
O
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890 B
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916 A
B
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936 I
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952 L
I
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964 D
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974 A
D
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981 E
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986 E
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
E
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993 S
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995 T
A
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997 T
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998 Í
S
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 T
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 I
C
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 A
196 APÊNDICE
APÊNDICE B
Distribuição Qui-Quadrado
P(χ2(n-1) ≥ χ2tab) = α
gl 0,990 0,950 0,900 0,500 0,100 0,050 0,025 0,010 0,005

1 0,0002 0,0039 0,0158 0,4549 2,7055 3,8415 5,0239 6,6349 7,8794
2 0,0201 0,1026 0,2107 1,3863 4,6052 5,9915 7,3778 9,2103 10,5966
3 0,1148 0,3518 0,5844 2,3660 6,2514 7,8147 9,3484 11,3449 12,8382
4 0,2971 0,7107 1,0636 3,3567 7,7794 9,4877 11,1433 13,2767 14,8603
5 0,5543 1,1455 1,6103 4,3515 9,2364 11,0705 12,8325 15,0863 16,7496
6 0,8721 1,6354 2,2041 5,3481 10,6446 12,5916 14,4494 16,8119 18,5476
7 1,2390 2,1673 2,8331 6,3458 12,0170 14,0671 16,0128 18,4753 20,2777
8 1,6465 2,7326 3,4895 7,3441 13,3616 15,5073 17,5345 20,0902 21,9550
9 2,0879 3,3251 4,1682 8,3428 14,6837 16,9190 19,0228 21,6660 23,5894
10 2,5582 3,9403 4,8652 9,3418 15,9872 18,3070 20,4832 23,2093 25,1882
11 3,0535 4,5748 5,5778 10,3410 17,2750 19,6751 21,9200 24,7250 26,7568
12 3,5706 5,2260 6,3038 11,3403 18,5493 21,0261 23,3367 26,2170 28,2995
13 4,1069 5,8919 7,0415 12,3398 19,8119 22,3620 24,7356 27,6882 29,8195
14 4,6604 6,5706 7,7895 13,3393 21,0641 23,6848 26,1189 29,1412 31,3193
15 5,2293 7,2609 8,5468 14,3389 22,3071 24,9958 27,4884 30,5779 32,8013
16 5,8122 7,9616 9,3122 15,3385 23,5418 26,2962 28,8454 31,9999 34,2672
17 6,4078 8,6718 10,0852 16,3382 24,7690 27,5871 30,1910 33,4087 35,7185
18 7,0149 9,3905 10,8649 17,3379 25,9894 28,8693 31,5264 34,8053 37,1565
19 7,6327 10,1170 11,6509 18,3377 27,2036 30,1435 32,8523 36,1909 38,5823
20 8,2604 10,8508 12,4426 19,3374 28,4120 31,4104 34,1696 37,5662 39,9968
21 8,8972 11,5913 13,2396 20,3372 29,6151 32,6706 35,4789 38,9322 41,4011
22 9,5425 12,3380 14,0415 21,3370 30,8133 33,9244 36,7807 40,2894 42,7957
23 10,1957 13,0905 14,8480 22,3369 32,0069 35,1725 38,0756 41,6384 44,1813
24 10,8564 13,8484 15,6587 23,3367 33,1962 36,4150 39,3641 42,9798 45,5585
25 11,5240 14,6114 16,4734 24,3366 34,3816 37,6525 40,6465 44,3141 46,9279
26 12,1981 15,3792 17,2919 25,3365 35,5632 38,8851 41,9232 45,6417 48,2899
27 12,8785 16,1514 18,1139 26,3363 36,7412 40,1133 43,1945 46,9629 49,6449
28 13,5647 16,9279 18,9392 27,3362 37,9159 41,3371 44,4608 48,2782 50,9934
P
29 14,2565 17,7084 19,7677 28,3361 39,0875 42,5570 45,7223 49,5879 52,3356
R 30 14,9535 18,4927 20,5992 29,3360 40,2560 43,7730 46,9792 50,8922 53,6720
O
B
31 15,6555 19,2806 21,4336 30,3359 41,4217 44,9853 48,2319 52,1914 55,0027
A 32 16,3622 20,0719 22,2706 31,3359 42,5847 46,1943 49,4804 53,4858 56,3281
B 33 17,0735 20,8665 23,1102 32,3358 43,7452 47,3999 50,7251 54,7755 57,6484
I
L 34 17,7891 21,6643 23,9523 33,3357 44,9032 48,6024 51,9660 56,0609 58,9639
I 35 18,5089 22,4650 24,7967 34,3356 46,0588 49,8018 53,2033 57,3421 60,2748
D
A 36 19,2327 23,2686 25,6433 35,3356 47,2122 50,9985 54,4373 58,6192 61,5812
D
E
37 19,9602 24,0749 26,4921 36,3355 48,3634 52,1923 55,6680 59,8925 62,8833
38 20,6914 24,8839 27,3430 37,3355 49,5126 53,3835 56,8955 61,1621 64,1814
E 39 21,4262 25,6954 28,1958 38,3354 50,6598 54,5722 58,1201 62,4281 65,4756
E 40 22,1643 26,5093 29,0505 39,3353 51,8051 55,7585 59,3417 63,6907 66,7660
S
T
41 22,9056 27,3256 29,9071 40,3353 52,9485 56,9424 60,5606 64,9501 68,0527
A 42 23,6501 28,1440 30,7654 41,3352 54,0902 58,1240 61,7768 66,2062 69,3360
T 43 24,3976 28,9647 31,6255 42,3352 55,2302 59,3035 62,9904 67,4593 70,6159
Í
S 44 25,1480 29,7875 32,4871 43,3352 56,3685 60,4809 64,2015 68,7095 71,8926
T 45 25,9013 30,6123 33,3504 44,3351 57,5053 61,6562 65,4102 69,9568 73,1661
I
C 50 29,7067 34,7643 37,6886 49,3349 63,1671 67,5048 71,4202 76,1539 79,4900
A
APÊNDICE 197
APÊNDICE C
Distribuição t-Student
P(t(n-1) ≥ ttab) = α
gl 0,25 0,10 0,05 0,025 0,01 0,005

1 1,0000 3,0777 6,3137 12,7062 31,8210 63,6559
2 0,8165 1,8856 2,9200 4,3027 6,9645 9,9250
3 0,7649 1,6377 2,3534 3,1824 4,5407 5,8408
4 0,7407 1,5332 2,1318 2,7765 3,7469 4,6041
5 0,7267 1,4759 2,0150 2,5706 3,3649 4,0321
6 0,7176 1,4398 1,9432 2,4469 3,1427 3,7074
7 0,7111 1,4149 1,8946 2,3646 2,9979 3,4995
8 0,7064 1,3968 1,8595 2,3060 2,8965 3,3554
9 0,7027 1,3830 1,8331 2,2622 2,8214 3,2498
10 0,6998 1,3722 1,8125 2,2281 2,7638 3,1693
11 0,6974 1,3634 1,7959 2,2010 2,7181 3,1058
12 0,6955 1,3562 1,7823 2,1788 2,6810 3,0545
13 0,6938 1,3502 1,7709 2,1604 2,6503 3,0123
14 0,6924 1,3450 1,7613 2,1448 2,6245 2,9768
15 0,6912 1,3406 1,7531 2,1315 2,6025 2,9467
16 0,6901 1,3368 1,7459 2,1199 2,5835 2,9208
17 0,6892 1,3334 1,7396 2,1098 2,5669 2,8982
18 0,6884 1,3304 1,7341 2,1009 2,5524 2,8784
19 0,6876 1,3277 1,7291 2,0930 2,5395 2,8609
20 0,6870 1,3253 1,7247 2,0860 2,5280 2,8453
21 0,6864 1,3232 1,7207 2,0796 2,5176 2,8314
22 0,6858 1,3212 1,7171 2,0739 2,5083 2,8188
23 0,6853 1,3195 1,7139 2,0687 2,4999 2,8073
24 0,6848 1,3178 1,7109 2,0639 2,4922 2,7970
25 0,6844 1,3163 1,7081 2,0595 2,4851 2,7874
26 0,6840 1,3150 1,7056 2,0555 2,4786 2,7787
27 0,6837 1,3137 1,7033 2,0518 2,4727 2,7707
28 0,6834 1,3125 1,7011 2,0484 2,4671 2,7633
29 0,6830 1,3114 1,6991 2,0452 2,4620 2,7564 P
30 0,6828 1,3104 1,6973 2,0423 2,4573 2,7500 R
O
40 0,6807 1,3031 1,6839 2,0211 2,4233 2,7045 B
50 0,6794 1,2987 1,6759 2,0086 2,4033 2,6778 A
B
60 0,6786 1,2958 1,6706 2,0003 2,3901 2,6603 I
120 0,6765 1,2886 1,6576 1,9799 2,3578 2,6174 L
I
∞ 0,6745 1,2816 1,6449 1,9600 2,3264 2,5758 D
A
D
E
E
S
T
A
T
Í
S
T
I
C
A
I
Í
I
I
L
T
T
T
A
S
A
S
E
E
E
A
B
A
B
P
C
D
D
R
O
198
gl1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 40 120 ∞
gl2
1 4052,18 4999,34 5403,53 5624,26 5763,96 5858,95 5928,33 5980,95 6022,40 6055,93 6083,40 6106,68 6125,77 6143,00 6156,97 6208,66 6239,86 6260,35 6286,43 6339,51 6365,59
2 98,5019 99,0003 99,1640 99,2513 99,3023 99,3314 99,3568 99,3750 99,3896 99,3969 99,4078 99,4187 99,4223 99,4260 99,4332 99,4478 99,4587 99,4660 99,4769 99,4914 99,4987
3 34,1161 30,8164 29,4567 28,7100 28,2371 27,9106 27,6714 27,4895 27,3449 27,2285 27,1320 27,0520 26,9829 26,9238 26,8719 26,6900 26,5791 26,5045 26,4108 26,2207 26,1252
4 21,1976 17,9998 16,6942 15,9771 15,5219 15,2068 14,9757 14,7988 14,6592 14,5460 14,4523 14,3737 14,3064 14,2486 14,1981 14,0194 13,9107 13,8375 13,7452 13,5583 13,4633
5 16,2581 13,2741 12,0599 11,3919 10,9671 10,6722 10,4556 10,2893 10,1577 10,0511 9,9626 9,8883 9,8248 9,7700 9,7223 9,5527 9,4492 9,3794 9,2912 9,1118 9,0204
6 13,7452 10,9249 9,7796 9,1484 8,7459 8,4660 8,2600 8,1017 7,9760 7,8742 7,7896 7,7183 7,6575 7,6050 7,5590 7,3958 7,2960 7,2286 7,1432 6,9690 6,8800
7 12,2463 9,5465 8,4513 7,8467 7,4604 7,1914 6,9929 6,8401 6,7188 6,6201 6,5381 6,4691 6,4100 6,3590 6,3144 6,1555 6,0579 5,9920 5,9084 5,7373 5,6496
8 11,2586 8,6491 7,5910 7,0061 6,6318 6,3707 6,1776 6,0288 5,9106 5,8143 5,7343 5,6667 5,6089 5,5588 5,5152 5,3591 5,2631 5,1981 5,1156 4,9461 4,8588
9 10,5615 8,0215 6,9920 6,4221 6,0569 5,8018 5,6128 5,4671 5,3511 5,2565 5,1779 5,1115 5,0545 5,0052 4,9621 4,8080 4,7130 4,6486 4,5667 4,3977 4,3106
10 10,0442 7,5595 6,5523 5,9944 5,6364 5,3858 5,2001 5,0567 4,9424 4,8491 4,7716 4,7058 4,6496 4,6008 4,5582 4,4054 4,3111 4,2469 4,1653 3,9965 3,9090
11 9,6461 7,2057 6,2167 5,6683 5,3160 5,0692 4,8860 4,7445 4,6315 4,5393 4,4624 4,3974 4,3416 4,2933 4,2509 4,0990 4,0051 3,9411 3,8596 3,6904 3,6025
12 9,3303 6,9266 5,9525 5,4119 5,0644 4,8205 4,6395 4,4994 4,3875 4,2961 4,2198 4,1553 4,0998 4,0517 4,0096 3,8584 3,7647 3,7008 3,6192 3,4494 3,3608
13 9,0738 6,7009 5,7394 5,2053 4,8616 4,6203 4,4410 4,3021 4,1911 4,1003 4,0245 3,9603 3,9052 3,8573 3,8154 3,6646 3,5710 3,5070 3,4253 3,2547 3,1654
Distribuição F
APÊNDICE d
APÊNDICE
14 8,8617 6,5149 5,5639 5,0354 4,6950 4,4558 4,2779 4,1400 4,0297 3,9394 3,8640 3,8002 3,7452 3,6976 3,6557 3,5052 3,4116 3,3476 3,2657 3,0942 3,0040
15 8,6832 6,3588 5,4170 4,8932 4,5556 4,3183 4,1416 4,0044 3,8948 3,8049 3,7299 3,6662 3,6115 3,5639 3,5222 3,3719 3,2782 3,2141 3,1319 2,9594 2,8684
P(Fgl1; gl2 ≥ Ftab) = 0,01
16 8,5309 6,2263 5,2922 4,7726 4,4374 4,2016 4,0259 3,8896 3,7804 3,6909 3,6162 3,5527 3,4981 3,4506 3,4090 3,2587 3,1650 3,1007 3,0182 2,8447 2,7528
17 8,3998 6,1121 5,1850 4,6689 4,3360 4,1015 3,9267 3,7909 3,6823 3,5931 3,5185 3,4552 3,4007 3,3533 3,3117 3,1615 3,0676 3,0032 2,9204 2,7458 2,6530
18 8,2855 6,0129 5,0919 4,5790 4,2479 4,0146 3,8406 3,7054 3,5971 3,5081 3,4338 3,3706 3,3162 3,2689 3,2273 3,0771 2,9831 2,9185 2,8354 2,6597 2,5660
19 8,1850 5,9259 5,0103 4,5002 4,1708 3,9386 3,7653 3,6305 3,5225 3,4338 3,3596 3,2965 3,2422 3,1949 3,1533 3,0031 2,9089 2,8442 2,7608 2,5839 2,4893
20 8,0960 5,8490 4,9382 4,4307 4,1027 3,8714 3,6987 3,5644 3,4567 3,3682 3,2941 3,2311 3,1769 3,1296 3,0880 2,9377 2,8434 2,7785 2,6947 2,5168 2,4212
25 7,7698 5,5680 4,6755 4,1774 3,8550 3,6272 3,4568 3,3239 3,2172 3,1294 3,0558 2,9931 2,9389 2,8917 2,8502 2,6993 2,6041 2,5383 2,4530 2,2696 2,1694
30 7,5624 5,3903 4,5097 4,0179 3,6990 3,4735 3,3045 3,1726 3,0665 2,9791 2,9057 2,8431 2,7890 2,7418 2,7002 2,5487 2,4526 2,3860 2,2992 2,1108 2,0062
40 7,3142 5,1785 4,3126 3,8283 3,5138 3,2910 3,1238 2,9930 2,8876 2,8005 2,7273 2,6648 2,6107 2,5634 2,5216 2,3689 2,2714 2,2034 2,1142 1,9172 1,8047
60 7,0771 4,9774 4,1259 3,6491 3,3389 3,1187 2,9530 2,8233 2,7185 2,6318 2,5587 2,4961 2,4419 2,3943 2,3523 2,1978 2,0984 2,0285 1,9360 1,7263 1,6006
120 6,8509 4,7865 3,9491 3,4795 3,1735 2,9559 2,7918 2,6629 2,5586 2,4721 2,3990 2,3363 2,2818 2,2339 2,1915 2,0346 1,9325 1,8600 1,7628 1,5330 1,3805
∞ 6,6349 4,6052 3,7816 3,3192 3,0172 2,8020 2,6393 2,5113 2,4073 2,3209 2,2477 2,1847 2,1299 2,0815 2,0385 1,8783 1,7726 1,6964 1,5923 1,3246 1,0000
gl1
gl2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 40 120 ∞
1 647,789 799,500 864,163 899,583 921,848 937,111 948,217 956,656 963,285 968,627 973,025 976,708 979,837 982,528 984,867 993,103 998,081 1001,41 1005,60 1014,02 1018,26
2 38,5063 39,0000 39,1655 39,2484 39,2982 39,3315 39,3552 39,3730 39,3869 39,3980 39,4071 39,4146 39,4210 39,4265 39,4313 39,4479 39,4579 39,4646 39,4729 39,4896 39,4979
3 17,4434 16,0441 15,4392 15,1010 14,8848 14,7347 14,6244 14,5399 14,4731 14,4189 14,3742 14,3366 14,3045 14,2768 14,2527 14,1674 14,1155 14,0805 14,0365 13,9473 13,9021
4 12,2179 10,6491 9,9792 9,6045 9,3645 9,1973 9,0741 8,9796 8,9047 8,8439 8,7935 8,7512 8,7150 8,6838 8,6565 8,5599 8,5010 8,4613 8,4111 8,3092 8,2573
5 10,0070 8,4336 7,7636 7,3879 7,1464 6,9777 6,8531 6,7572 6,6811 6,6192 6,5678 6,5245 6,4876 6,4556 6,4277 6,3286 6,2679 6,2269 6,1750 6,0693 6,0153
6 8,8131 7,2599 6,5988 6,2272 5,9876 5,8198 5,6955 5,5996 5,5234 5,4613 5,4098 5,3662 5,3290 5,2968 5,2687 5,1684 5,1069 5,0652 5,0125 4,9044 4,8491
7 8,0727 6,5415 5,8898 5,5226 5,2852 5,1186 4,9949 4,8993 4,8232 4,7611 4,7095 4,6658 4,6285 4,5961 4,5678 4,4667 4,4045 4,3624 4,3089 4,1989 4,1423
8 7,5709 6,0595 5,4160 5,0526 4,8173 4,6517 4,5286 4,4333 4,3572 4,2951 4,2434 4,1997 4,1622 4,1297 4,1012 3,9995 3,9367 3,8940 3,8398 3,7279 3,6702
9 7,2093 5,7147 5,0781 4,7181 4,4844 4,3197 4,1970 4,1020 4,0260 3,9639 3,9121 3,8682 3,8306 3,7980 3,7694 3,6669 3,6035 3,5604 3,5055 3,3918 3,3329
10 6,9367 5,4564 4,8256 4,4683 4,2361 4,0721 3,9498 3,8549 3,7790 3,7168 3,6649 3,6209 3,5832 3,5504 3,5217 3,4185 3,3546 3,3110 3,2554 3,1399 3,0798
11 6,7241 5,2559 4,6300 4,2751 4,0440 3,8807 3,7586 3,6638 3,5879 3,5257 3,4737 3,4296 3,3917 3,3588 3,3299 3,2261 3,1616 3,1176 3,0613 2,9441 2,8828
12 6,5538 5,0959 4,4742 4,1212 3,8911 3,7283 3,6065 3,5118 3,4358 3,3736 3,3215 3,2773 3,2393 3,2062 3,1772 3,0728 3,0077 2,9633 2,9063 2,7874 2,7249
2,8821 2,8372 2,7797 2,6590 2,5955
Distribuição F
3,1975 3,1532 3,1150 3,0819 3,0527 2,9477

APÊNDICE
13 6,4143 4,9653 4,3472 3,9959 3,7667 3,6043 3,4827 3,3880 3,3120 3,2497
14 6,2979 4,8567 4,2417 3,8919 3,6634 3,5014 3,3799 3,2853 3,2093 3,1469 3,0946 3,0502 3,0119 2,9786 2,9493 2,8437 2,7777 2,7324 2,6742 2,5519 2,4872
P(Fgl1; gl2 ≥ Ftab) = 0,025
15 6,1995 4,7650 4,1528 3,8043 3,5764 3,4147 3,2934 3,1987 3,1227 3,0602 3,0078 2,9633 2,9249 2,8915 2,8621 2,7559 2,6894 2,6437 2,5850 2,4611 2,3953
16 6,1151 4,6867 4,0768 3,7294 3,5021 3,3406 3,2194 3,1248 3,0488 2,9862 2,9337 2,8890 2,8506 2,8170 2,7875 2,6808 2,6138 2,5678 2,5085 2,3831 2,3163
17 6,0420 4,6189 4,0112 3,6648 3,4379 3,2767 3,1556 3,0610 2,9849 2,9222 2,8696 2,8249 2,7863 2,7526 2,7230 2,6158 2,5484 2,5020 2,4422 2,3153 2,2474
18 5,9781 4,5597 3,9539 3,6083 3,3820 3,2209 3,0999 3,0053 2,9291 2,8664 2,8137 2,7689 2,7302 2,6964 2,6667 2,5590 2,4912 2,4445 2,3842 2,2558 2,1869
19 5,9216 4,5075 3,9034 3,5587 3,3327 3,1718 3,0509 2,9563 2,8801 2,8172 2,7645 2,7196 2,6808 2,6469 2,6171 2,5089 2,4408 2,3937 2,3329 2,2032 2,1333
20 5,8715 4,4613 3,8587 3,5147 3,2891 3,1283 3,0074 2,9128 2,8365 2,7737 2,7209 2,6758 2,6369 2,6030 2,5731 2,4645 2,3959 2,3486 2,2873 2,1562 2,0853
25 5,6864 4,2909 3,6943 3,3530 3,1287 2,9685 2,8478 2,7531 2,6766 2,6135 2,5603 2,5149 2,4756 2,4413 2,4110 2,3005 2,2303 2,1816 2,1183 1,9811 1,9055
30 5,5675 4,1821 3,5894 3,2499 3,0265 2,8667 2,7460 2,6513 2,5746 2,5112 2,4577 2,4120 2,3724 2,3378 2,3072 2,1952 2,1237 2,0739 2,0089 1,8664 1,7867
40 5,4239 4,0510 3,4633 3,1261 2,9037 2,7444 2,6238 2,5289 2,4519 2,3882 2,3343 2,2882 2,2481 2,2130 2,1819 2,0677 1,9943 1,9429 1,8752 1,7242 1,6371
60 5,2856 3,9253 3,3425 3,0077 2,7863 2,6274 2,5068 2,4117 2,3344 2,2702 2,2159 2,1692 2,1286 2,0929 2,0613 1,9445 1,8687 1,8152 1,7440 1,5810 1,4821
120 5,1523 3,8046 3,2269 2,8943 2,6740 2,5154 2,3948 2,2994 2,2217 2,1570 2,1021 2,0548 2,0136 1,9773 1,9450 1,8249 1,7462 1,6899 1,6141 1,4327 1,3104
199
∞ 5,0239 3,6889 3,1161 2,7858 2,5665 2,4082 2,2875 2,1918 2,1136 2,0483 1,9927 1,9447 1,9027 1,8656 1,8326 1,7085 1,6259 1,5660 1,4835 1,2684 1,0000
I
Í
I
I
L
T
T
T
B
A
B
A
S
A
S
E
E
E
A
P
C
D
D
R
O
I
Í
I
I
L
T
T
T
S
A
S
E
E
E
A
B
A
B
A
P
C
D
D
R
O
200
gl1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 40 120 ∞
gl2
1 161,446 199,499 215,707 224,583 230,160 233,988 236,767 238,884 240,543 241,882 242,981 243,905 244,690 245,363 245,949 248,016 249,260 250,096 251,144 253,254 254,317
2 18,5128 19,0000 19,1642 19,2467 19,2963 19,3295 19,3531 19,3709 19,3847 19,3959 19,4050 19,4125 19,4188 19,4243 19,4291 19,4457 19,4557 19,4625 19,4707 19,4873 19,4957
3 10,1280 9,5521 9,2766 9,1172 9,0134 8,9407 8,8867 8,8452 8,8123 8,7855 8,7633 8,7447 8,7286 8,7149 8,7028 8,6602 8,6341 8,6166 8,5944 8,5494 8,5265
4 7,7086 6,9443 6,5914 6,3882 6,2561 6,1631 6,0942 6,0410 5,9988 5,9644 5,9358 5,9117 5,8911 5,8733 5,8578 5,8025 5,7687 5,7459 5,7170 5,6581 5,6281
5 6,6079 5,7861 5,4094 5,1922 5,0503 4,9503 4,8759 4,8183 4,7725 4,7351 4,7040 4,6777 4,6552 4,6358 4,6188 4,5581 4,5209 4,4957 4,4638 4,3985 4,3650
6 5,9874 5,1432 4,7571 4,5337 4,3874 4,2839 4,2067 4,1468 4,0990 4,0600 4,0274 3,9999 3,9764 3,9559 3,9381 3,8742 3,8348 3,8082 3,7743 3,7047 3,6689
7 5,5915 4,7374 4,3468 4,1203 3,9715 3,8660 3,7871 3,7257 3,6767 3,6365 3,6030 3,5747 3,5503 3,5292 3,5107 3,4445 3,4036 3,3758 3,3404 3,2674 3,2298
8 5,3176 4,4590 4,0662 3,8379 3,6875 3,5806 3,5005 3,4381 3,3881 3,3472 3,3129 3,2839 3,2590 3,2374 3,2184 3,1503 3,1081 3,0794 3,0428 2,9669 2,9276
9 5,1174 4,2565 3,8625 3,6331 3,4817 3,3738 3,2927 3,2296 3,1789 3,1373 3,1025 3,0729 3,0475 3,0255 3,0061 2,9365 2,8932 2,8637 2,8259 2,7475 2,7067
10 4,9646 4,1028 3,7083 3,4780 3,3258 3,2172 3,1355 3,0717 3,0204 2,9782 2,9430 2,9130 2,8872 2,8647 2,8450 2,7740 2,7298 2,6996 2,6609 2,5801 2,5379
11 4,8443 3,9823 3,5874 3,3567 3,2039 3,0946 3,0123 2,9480 2,8962 2,8536 2,8179 2,7876 2,7614 2,7386 2,7186 2,6464 2,6014 2,5705 2,5309 2,4480 2,4045
12 4,7472 3,8853 3,4903 3,2592 3,1059 2,9961 2,9134 2,8486 2,7964 2,7534 2,7173 2,6866 2,6602 2,6371 2,6169 2,5436 2,4977 2,4663 2,4259 2,3410 2,2962
13 4,6672 3,8056 3,4105 3,1791 3,0254 2,9153 2,8321 2,7669 2,7144 2,6710 2,6346 2,6037 2,5769 2,5536 2,5331 2,4589 2,4123 2,3803 2,3392 2,2524 2,2064
Distribuição F
APÊNDICE
14 4,6001 3,7389 3,3439 3,1122 2,9582 2,8477 2,7642 2,6987 2,6458 2,6022 2,5655 2,5342 2,5073 2,4837 2,4630 2,3879 2,3407 2,3082 2,2663 2,1778 2,1307
15 4,5431 3,6823 3,2874 3,0556 2,9013 2,7905 2,7066 2,6408 2,5876 2,5437 2,5068 2,4753 2,4481 2,4244 2,4034 2,3275 2,2797 2,2468 2,2043 2,1141 2,0658
P(Fgl1; gl2 ≥ Ftab) = 0,05
16 4,4940 3,6337 3,2389 3,0069 2,8524 2,7413 2,6572 2,5911 2,5377 2,4935 2,4564 2,4247 2,3973 2,3733 2,3522 2,2756 2,2272 2,1938 2,1507 2,0589 2,0096
17 4,4513 3,5915 3,1968 2,9647 2,8100 2,6987 2,6143 2,5480 2,4943 2,4499 2,4126 2,3807 2,3531 2,3290 2,3077 2,2304 2,1815 2,1477 2,1040 2,0107 1,9604
18 4,4139 3,5546 3,1599 2,9277 2,7729 2,6613 2,5767 2,5102 2,4563 2,4117 2,3742 2,3421 2,3143 2,2900 2,2686 2,1906 2,1413 2,1071 2,0629 1,9681 1,9168
19 4,3808 3,5219 3,1274 2,8951 2,7401 2,6283 2,5435 2,4768 2,4227 2,3779 2,3402 2,3080 2,2800 2,2556 2,2341 2,1555 2,1057 2,0712 2,0264 1,9302 1,8780
20 4,3513 3,4928 3,0984 2,8661 2,7109 2,5990 2,5140 2,4471 2,3928 2,3479 2,3100 2,2776 2,2495 2,2250 2,2033 2,1242 2,0739 2,0391 1,9938 1,8963 1,8432
25 4,2417 3,3852 2,9912 2,7587 2,6030 2,4904 2,4047 2,3371 2,2821 2,2365 2,1979 2,1649 2,1362 2,1111 2,0889 2,0075 1,9554 1,9192 1,8718 1,7684 1,7110
30 4,1709 3,3158 2,9223 2,6896 2,5336 2,4205 2,3343 2,2662 2,2107 2,1646 2,1256 2,0921 2,0630 2,0374 2,0148 1,9317 1,8782 1,8409 1,7918 1,6835 1,6223
40 4,0847 3,2317 2,8387 2,6060 2,4495 2,3359 2,2490 2,1802 2,1240 2,0773 2,0376 2,0035 1,9738 1,9476 1,9245 1,8389 1,7835 1,7444 1,6928 1,5766 1,5089
60 4,0012 3,1504 2,7581 2,5252 2,3683 2,2541 2,1665 2,0970 2,0401 1,9926 1,9522 1,9174 1,8870 1,8602 1,8364 1,7480 1,6902 1,6491 1,5943 1,4673 1,3893
120 3,9201 3,0718 2,6802 2,4472 2,2899 2,1750 2,0868 2,0164 1,9588 1,9105 1,8693 1,8337 1,8026 1,7750 1,7505 1,6587 1,5980 1,5543 1,4952 1,3519 1,2539
∞ 3,8414 2,9957 2,6049 2,3719 2,2141 2,0986 2,0096 1,9384 1,8799 1,8307 1,7886 1,7522 1,7202 1,6918 1,6664 1,5705 1,5061 1,4591 1,3940 1,2214 1,0000

Probabilidade e Estatística

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Probabilidade e Estatística

Încărcat de

Drepturi de autor:

Formate disponibile

GRUPO

Prof.ª Ana Luisa Fantini Schmitt

Revisão, Diagramação e Produção:

Ficha catalográfica elaborada na fonte pela Biblioteca Dante Alighieri

ISBN 978-85-7830- 676-2

Olá, acadêmico(a), bem-vindo(a) à disciplina de Probabilidade e Estatística!

Na teoria das probabilidades, você estudará as experiências aleatórias, ou seja,

Na inferência estatística, você estudará os processos de estimação e os testes de

Para facilitar o seu estudo, o Caderno de Estudos de Probabilidade e Estatística

Espero que este caderno o(a) conduza aos conhecimentos da probabilidade e da

Prof.ª Ana Luisa Fantini Schmitt

PROBABILIDADE E ESTATÍSTICA iii

UNIDADE 1: COMBINATÓRIA, PROBABILIDADE E TEOREMA DE BAYES ................ 1

TÓPICO 1: COMBINATÓRIA ............................................................................................. 3

TÓPICO 2: PROBABILIDADE ......................................................................................... 33

TÓPICO 3: TEOREMA DE BAYES .................................................................................. 53

UNIDADE 2: VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE ... 81

TÓPICO 1: VARIÁVEIS ALEATÓRIAS ........................................................................... 83

TÓPICO 2: DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS

TÓPICO 3: DISTRIBUIÇÕES DE PROBABILIDADE PARA VARIÁVEIS

UNIDADE 3: INFERÊNCIA ESTATÍSTICA: Estimação e testes

TÓPICO 1: PROCESSO DE Estimação .................................................................... 141

TÓPICO 2: Testes de hipóteses PARA MÉDIA, VARIÂNCIA E PROPORÇÃO .. 149

TÓPICO 3: Testes de hipóteses PARA COMPARAÇÃO DE MÉDIAS E GRAU DE

PROBABILIDADE E ESTATÍSTICA vii

PROBABILIDADE E ESTATÍSTICA viii

A partir desta unidade, você será capaz de:

 compreender os conceitos e definições de combinatória e

 entender a aplicação do Teorema de Bayes;

 considerar possíveis aplicações de combinatória e probabilidade

Esta primeira unidade está dividida em quatro tópicos. No

A combinatória é a parte da Matemática em que são estudadas as técnicas de contagens

Por convenção, neste caderno, será utilizada apenas a palavra

Você estudará neste primeiro tópico conceitos, definições e ideias do Princípio

2 PRINCÍPIO FUNDAMENTAL DA CONTAGEM

Veja aqui a representação das

Baseado no exemplo descrito, você pode compreender facilmente a definição do

Princípio Fundamental da Contagem: se uma ação é composta de duas etapas

Esta situação de escolher um conjunto calça-blusa-sapato pode ser interpretada como

E Para exercitar, você pode montar a árvore de possibilidades para o

Os clientes de um banco devem escolher uma senha, formada por 4 algarismos de 0 a

Como resolver a questão para obter este resultado?

Você pode utilizar a ideia do Princípio Fundamental da Contagem organizando as

 Primeiro dígito: 10 opções, pois você pode utilizar qualquer número de 0 a 9.

Agora, basta multiplicar as opções para cada dígito:

Veja outros exemplos:

Fatorial: dado um número natural qualquer n, sendo n >1 define-se: n! = n · (n-1) ·

Para exercitar, vamos simplificar e calcular os fatoriais a seguir:

Do mesmo modo, como nos exemplos anteriores, a melhor solução é desenvolver o

Neste momento a equação está resumida a: (n+1)·(n) = 20. Resolvendo a multiplicação

Aplicando a fórmula de Bhaskara chega-se às raízes n1 = -5 e n2 = 4. Como não se pode

A fórmula de Bhaskara é utilizada para resolver equações de

Mais adiante, você verá um exemplo em que se leva em conta a

4.1.1 Permutações com elementos diferentes

( __ , __ , __ , __ , __ ) cada espaço separado por vírgula representa uma etapa.

1ª etapa: você deve escolher a 1ª vogal da permutação. Ela pode ser a ou e ou i ou o

Visualizando o esquema anterior, você deve lembrar-se do Princípio

Pelo Princípio Fundamental da Contagem, concluímos que podemos formar 5 · 4 · 3 ·

Se você quiser generalizar o exemplo acima para qualquer número de permutações de

4.1.2 Permutações com elementos repetidos

Há casos de permutações em que se considera a repetição dos elementos. Os

Se você levar em consideração a repetição da letra A, haverá apenas três

ANA, AAN e NAA

Mas, se, como no exemplo 2 da seção 4 (PERMUTAÇÃO), você considerar cada A do

( , , , , __ ) cada espaço separado por vírgula representa uma etapa.

Isto sugere que em (x + a)n os coeficientes são os da linha de numerador n do Triân