Sie sind auf Seite 1von 93

Probabilidade

Probabilidade E Estatística Elaborado por Paul CHEGE Traduzido para Português por Paulo Diniz African Virtual

E Estatística

Elaborado por Paul CHEGE Traduzido para Português por Paulo Diniz

por Paul CHEGE Traduzido para Português por Paulo Diniz African Virtual university Université Virtuelle Africaine

African Virtual university Université Virtuelle Africaine Universidade Virtual Africana

Nota

_
_

Universidade Virtual Africana

Este document é publicado sob as condições da Creative Commons http://en.wikipedia.org/wiki/Creative_Commons Atribuição

http://creativecommons.org/licenses/by/2.5/

Licenca (abreviada “cc-by”), Versão 2.5.

Licenca (abreviada “cc-by”), Versão 2.5. Por CC São reservados alguns direitos

Por CC São reservados alguns direitos

Índice

_
_

Universidade Virtual Africana

I.

Probabilidade e Estatística

3

II.

Conhecimentos prévios (Pre-requisitos)

3

III.

Tempo

3

IV.

Materiais

3

V.

Justificativa/Filosofia do módulo

3

VI.

Conteúdos

.4

6.1

Visão geral

.4

6.2

Plano/Esboço

.5

6.3

Diagrama de organização dos conteúdos

………………………………….

6

VII.

Objectivos do módulo………………………………………………………

7

VIII.

Actividades específicas de aprendizagem…………………………………

7

IX.

Actividades de ensino e aprendizagem

9

X.

Lista de conceitos chaves (Glossário)

12

XI.

Lista de materiais de leitura obrigatória

.18

XII.

Lista de recursos……………………………….…………………………… 19

XIII.

Lista de Links (Sítios da Internet) úteis……………………………………

20

XIV.

Actividades de aprendizagem

21

XV.

Síntese do modulo…………………………………………………………

112

XVI.

Avaliação sumativa

113

XVII.

Referencias…………………………………………………………………… 121

XVIII.

Registos de estudantes

122

XIX.

Principal Autor do módulo

123

I. Probabilidade e Estatística

Por Paul Chege

Univeridade

Africana

II. Conhecimentos prévios (Pre-requisitos)

_
_

Virtual

Para frequentarem este modulo, os estudantes precisam ter conhecimentos sobre

Probabilidade e Estatística do Ensino Secundário

III. Tempo

O tempo total para este modulo é de 120 horas de estudo.

IV. Material

Os estudantes deverão ter acesso aos textos nucleares de leitura que estão especificados em Também diante. precisarão de usar o computador para terem acesso total aos textos nucleares de leitura.

Adicionalmente, os estudantes deverão estar aptos para instalar e usar o Sofware wx Maxima para

exercitarem conceitos algébricos

V. Importância do Módulo/Filosofia do Módulo

Probabilidade e Estatística, para além de ser uma área chave para o ensino de matérias

do ensino secundário, constitui uma base muito importante para o ensino da Matemática do

nível superior. A Estatística é uma área fundamental da Matemática com aplicação em muitas

outras disciplinas e é útil em análise de processos em produção industrial. O estudo da

Estatística providencia especialistas (Estatísticos) capazes de recolher e analisar dados

referentes a uma determinada população e fazer as respectivas inferências sobre certas

características desta. Os Estatísticos providenciam aos governos e organizações instrumentos

concretos que podem ajudar aos gestores na tomada de decisão perante uma determinada

situação. Por exemplo, com base na Probabilidade e Estatística, pode-se analisar a taxa de

expanção de doenças, as alterações da densidade populacional, pode-se fazer a previsão

meteorológica, etc.

O estudo da da teoria de Probabilidade ajuda na tomada de decisão dos agentes

governamentais e das organizações, usando como base a teoria de chances. Por exemplo,

pode-se predizer a quantidade de crianças de sexo masculino e de sexo feminino nascidas

dentro de um determinado período e também projectar a quantidade de chuva que uma

determinada região pode esperar, com base em alguns dados históricos sobre as

regularidades/padrões de chuva dessa região.

A teoria de Probabilidade também tem sido extensivamente usada na determinação de

qualidade (alta, média e baixa) de produtos industriais, por exemplo, para prever o número de

peças defeituosas num processo de produção industrial.

VI. Conteúdos

6.1 Visão geral

Este módulo é composto por três unidades:

_
_

African Virtual University

Unidade 1: Estatística Descritiva e Distribuição de Probabilidades

A Estatística descritiva é uma unidade que é desenvolvida ou como uma extensão da

matemática do nível secundário ou como uma introdução para estudantes que se iniciam no

estudo da Estatística. Introduzem-se nesta unidade as medidades de tendência central e de

dispersão e também o conceito de probabilidade e o seu tratamento teórico.

Unit 2: Variáveis aleatórias e Distribuições

Esta unidade exige como pre-requisito a unidade 1. É desenvolvida a desde o conceito de

Momento e função geradora de Momento, desiguladades de Markov e de Chebychev, algumas

distribuições univariadas, distribuições bivariadas de probabilidade e probabilidades condicionais.

Esta unidade dá algum subsídio para a análise de coeficientes de correlacão e para funções de

distribuição de variáveis aleatórias, tais como a distribuição qui-quadrado, distribuição T e a

distribuição F

Unit 3: Teoria de Probabilidade

Esta unidade é desenvolvida a partir da unidade 2. Nesta unidade faz-se a análise de

Probabilidade usando funções de indicadores. Introduz-se a desigualdade de Bonferoni, funções

geradoras, função característica e independência estatística de amostras aleatórias. Desenvolve o

conceito de função para diferentes variáveis aleatórias e termina com o tratamento dos teoremas de

convergência e de limite central.

6.2 Plano: Programa

_
_

African Virtual University

Unidade 1 ( 40 horas): Estatística Descritiva e Distribuição de Probabilidades

Nível 1. Prioridade A. Sem pre-requisitos.

Distribuição de frequências relativas, distribuição de frequências acumuladas, curvas de

frequências, média moda e mediana. Quartís e percentís, desvio padrão, distribuições simétricas

e assimétricas. Probabilidade, espaço amostral, evento, definição de probabilidade, propriedades

da probabilidade, variáveis aleatórias, distribuição de probabilidades, valor esperado (média) de

uma variável aleatória, algumas distribuições particulares: distribuição de Bernoulli, distribuição

Binomial, de poisson, Geométrica, Hipergeométrica, Uniforme, Exponencial e distribuição

Normal. Distribuição de frequências bivariadas, tabelas de probabilidades conjuntas e

probabilidades marginais

Unidade 2 ( 40 horas): Variáveis Aleatórias e Distribuições de Testes

Nível 2. Prioridade B. O pre-requisito é a Estatística 1

Momentos e funções geradoras de Momentos, desigualdades de Markov e de

Chebychev, distribuições univariadas especiais. Distribuição de probabilidades bivariadas,

distribuições de probabilidades conjuntas, condicionais e marginais. Independência, regressão e

correlação de dados bivariadas, cálculo de coeficientes de regressão e de correção, função

distribuição de variáveis aleatórias, distribuição normal bivariada. Distribuições derivadas, tais

como qui-quadrado, T e F.

Unidade 3 ( 40 horas): Teoria de Probabilidade

Nível 3. Prioridade C. O pre-requisito é Estatística 2.

Probabilidade: Uso de funções indicadoras. Desigualdade de Bonferoni de vectores aleatórios. Funções

geradoras. Função característica. Independência estatística de amostras aleatórias. Distribuição multinomial.

Função de várias variáveis aleatórias. Independência de X e de S2 em amostras normais, estatísticas de ordem,

convergência e teorema de limite. Exercícios práticos.

6.3. Diagrama de organização dos conteúdos

de ordem, convergência e teorema de limite. Exercícios práticos. 6.3. Diagrama de organização dos conteúdos

VII. Objectivos

_ _
_ _

African Virtual University

African Virtual University

No fim deste modulo, os estudantes deverão ser capazes de calcular as medidas de

tendência central e de dispersão em estatística e resolver tarefas de probabilidade baseadas

nas leis probabilisticas e fazer testes de hipóteses usando a teoria de probabilidades

VIII. Objectivos específicos de aprendizagem

(Objectivos instrucionais)

Unidade 1: Estatística Descritiva e Distribuição de Probabilidades ( 40 Horas)

No fim desta unidade, os estudantes deverão ser capazes de:

Desenhar várias curvas de frequência;

Calcular a média, moda, mediana, quartís, decís, percentís e desvio padrão de dados

agrupados ou não;

Definir e enunciar as propriedades da Probabilidade;

Ilustrar as variáveis aleatórias, distribuição de probabilidades e valor esperado de uma

variável aleatória;

Ilustrar as distribuições de Bernoulli, Binomial, Poisson, Geométrica, Hipergeométrica,

Uniforme, Exponencial e Normal;

Unidade 2: Variáveis Aleatórias e Distribuição de Testes ( 40 Horas)

No fim desta unidade, os estudantes deverão ser capazes de:

Ilustrar Momentos e funções geradoras de Momentos;

Analisar as desigualdades de Markov e de Chebychev;

Examinar algumas distribuições univariadas de probabilidade, distribuições

bivariadas de probabilidades, probabilidades conjuntas, marginais e condicionais;

Mostrar a independência de variáveis, correlação e regressão;

Calcular os coeficientes de correlação e regressão para dados bivariados;

Mostrar a função distribuição de varíáveis aleatórias;

Examinar a distribuição normal bivariada;

Ilustrar as distribuições derivadas, tais como a qui-quadrado, a T e a distribuição F.

_
_

African Virtual University

Unidade 3: Teoria de Probabilidade ( 40 Horas)

No fim desta unidade, os estudantes deverão ser capazes de:

• Usar as funções de indicadores em Probabilidades;

• Mostrar a desigualdade de Bonferoni;

• Ilustrar funções geradora e característica;

• Examinar a independência estatistica de amostras aleatórias e a distribuição multinomial;

• Avaliar funções de várias amostras aleatórias;

• Illustrar a independência de X e S2 em amostras normais de estatísticas de ordem;

Mostrar a distribuição normal multivariada;

• Illustrar os teoremas de convergência e de limite;

• Resolver exercícios práticos.

_
_

African Virtual University

IX. Actividades de Ensino e de Aprendizagem

9.1 Pre-Avaliação

A Matemática Básica é um pre-requisito para a Probabilidade e Estatística.

Tarefas

1. Se jogarmos um dado, a probabilidade de se obter um número maior que 4 é:

dado, a probabilidade de se obter um número maior que 4 é: 2. Uma carta é

2. Uma carta é extraida aleatoriamente de um baralho de 52 cartas. A probabilidade de ser Rainha é:

um baralho de 52 cartas. A probabilidade de ser Rainha é: 3. São dados 100 números,

3. São dados 100 números, dos quais 20 são 4s, 40 são 5s, 30 são 6s e os restantes são 7s. Encontre a média aritmética desses números.

dos quais 20 são 4s, 40 são 5s, 30 são 6s e os restantes são 7s.

4) Calcule a média dos seguintes dados.

4) Calcule a média dos seguintes dados. A frican Virtual Universit y _0 5) Encontre a

African Virtual University _0

média dos seguintes dados. A frican Virtual Universit y _0 5) Encontre a moda dos seguintes

5) Encontre a moda dos seguintes dados: 5, 3, 6, 5, 4, 5, 2, 8, 6, 5, 4, 8, 3, 4, 5, 4, 8, 2, 5 e 4.

A. 4

B. 5

C. 6

D. 8

6) O valor da probabilidade pode variar:

A. de 0 a 1

B. de -1 a +1

C. de 1 a 100

D. de 0 a

1

2

7) Encontre a mediana dos seguintes dados: 8, 7, 11, 5, 6, 4, 3, 12, 10, 8, 2, 5, 1, 6, 4.

A. 12

B. 5

C. 8

D. 6

8) Encontre a amplitude total dos seguintes valores: 7, 4, 10, 9, 15, 12, 7, 9.

A. 9

B. 11

C. 7

D. 8.88

A frican Virtual Universit y 9) Se jogarmos duas moedas e verificarmos as f aces

African Virtual University

9) Se jogarmos duas moedas e verificarmos as faces voltadas para cima, o espaço amostral será:

A. C, K e CK

B. CC, CK, KC, KK

C. CC, CK, KK

D. C, K

10)

Se uma letra for escolhida aleatoriamente da palavra “Mississippi”, encontre a probabilidade De que seja um “i”

encontre a probabilidade De que seja um “i” Chave de respostas 1. B 2. A 3.

Chave de respostas

1.

B

2.

A

3.

D

4.

C

5.

B

6.

A

7.

D

8.

B

9.

B

10. D

Comentários Pedagógicos para estudantes

Esta pré-avaliação destina-se a dar aos estudantes uma visão sobre o que devem lembrar

sobre Probabilidade e Estatística. Uma pontuação inferior a 50% nesta pre-Avaliação

indica que o estudante precisa de rever os conteúdos de Probabilidade e Estatística do

nível

familiarizar antes de avançar com este módulo. Faça a revisão

da Probabilidade e Estatística do ensino secundário para dominar o básico se tem

problemas com esta pré-avaliação.

secundário.

A

pré-avaliação

abrange

os

conceitos

básicos

com

os

quais

os

estudantes precisam de se

A frican Virtual Universit y X. Conceitos Chaves ( Glossário) Eventos mutuamente exclusivos: Dois eventos

African Virtual University

X. Conceitos Chaves ( Glossário)

Eventos mutuamente exclusivos: Dois eventos dizem-se mutuamente exclusivos se não podem ocorrer ao mesmo tempo.

Variância de um conjunto de dados é definida como a raiz quadrada do desvio padrão, isto é, Var =

S 2 .

Experimento aleatório: é o processo de observação ou de acção cujos resultados, embora possam ser descritos no seu conjunto, não são determináveis à prior, antes da realização da experiência. Ex:

tirar aleatoriamente uma carta de um baralho ou lançar um dado e verificar o número obtido. Espaço amostral: é o conjunto de todos resultados possíveis de um experimento. Ex., se lançarmos uma moeda e verificarmos a face de cima esperamos dois resultados possíveis (cara ou coroa). Portanto, o espaço amostral é (C; K). Variável aleatória: é uma função que assume valores reais para todos resultados possíveis de um experimento aleatório.

Amostra aleatória: aquela que é construida por métodos envolvendo uma componente imprevisível. Distribuição de Bernoulli: é uma distribuição de probabilidade discreta, que assume o valor 1 com probabilidade p de sucesso e valor 0, com probabilidade de fracasso q = 1- p. Distribuição Binomial: é uma distribuição de probabilidade discreta, que dá conta do número de sucessos em n experimentos aleatórios independentes, cada um com apenas dois resultados possíveis (um correspondendo ao sucesso e outro, ao fracasso). A probabilidade de sucesso p, é sempre a mesma para cada experimento. Distribuição Hipegeomátrica: é uma distribuição de probabilidade discreta que descreve o número de sucessos em uma amostra de tamanho n, retirada de uma população finita de tamanho N, sem reposição. Distribuição de Poisson: é uma distribuição de probabilidade discreta, que expressa a

probabilidade

ocorrerem com uma taxa média conhecida, e independentemente do

intervalo de tempo. Correlação: é uma medida de associação entre duas variáveis. Regressão: é uma medida usada para examinar a relação entre uma variável dependente e uma independente.

Teste qui-quadrado:

distribuição qui-quadrado quando a hipótese nula é verdadeira, ou qualquer teste em

que a distribuição de probabilidades da estatística de teste (assumindo que a hipótese nula é verdadeira) pode ser aproximada a uma distribuição qui-quadrado, tanto quanto melhor, fazendo o tamanho da amostra suficientemente grande.

Distribuição Normal multivariada: é uma distribuição de probabilidade específica, que pode

de vários eventos que ocorrem em um determinado período de tempo, se

esses eventos

é um teste de hipótese estatística em que a estatística de teste tem

uma
uma
ser
ser

considerada uma generalização da distribuição normal univariada, para dimensões mais grandes.

teste-t é qualquer teste de hipótese estatística para dois grupos, em que a estatística de teste tem

uma
uma

distribuição t de Student se a hipótese nula é verdadeira.

Termos estatísticos

Termos estatísticos A frican Virtual Universit y 1. Dados   brutos :   são dados não

African Virtual University

1.

Dados

 

brutos:

 

são

dados

não

organizado

numericamente.

2.

Rol:

é

um

arranjo

dos

dados

numéricos

em

ordem

crescente

de

magnitude.

3.

Amplitude

total:

é

a

diferença

entre

o

maior

e

o

menor

valor

dos

dados.

4.

Intervalos de classes: Em uma série de dados agrupados por exemplo, 21-30, 31-40 etc, o

classe.

5. Limites da Classe: Em um intervalo de classe, por exemplo, 21-30, 21 e 30 são chamados de

intervalo

21-30

é

chamado

de

intervalo

de

 

limites

de

classe.

6.

Limites inferior de classe (Lic): No intervalo da classe 21-30, o limite inferior da classe é

21

7.

Limite superior de classe (Lsc): no intervalo da classe 21-30, o limite superior da classe é

30

8.

Fronteiras dos Limites inferior e superior da classe: No intervalo da classe 21-30, a

fronteira do limite inferior de classe é de 20,5 e a do limite superior é 30.5. Essas fronteiras garantem, teoricamente, todos valores do intervalo de 21-30 estão incluidos no intervalo de

20,5-30,5.

9.

Amplitude de classe: É a diferença entre o limite superior e o inferior. Exemplo, para o

intervalo de 21-30, a amplitude é 9 e para o intervalo 20,5-30,5 a amplitude é 10.

10. Marca de classe ou ponto médio: é a média aritmética dos limites da classe. Para o intervalo

de 21-30, o ponto médio é

da classe. Para o intervalo de 21-30, o ponto médio é 11. Distribuição de frequências :

11. Distribuição de frequências: Um grande número de dados brutos, pode ser representado

na forma tabular, com as suas respectivas frequências. Por exemplo:

tabular, com as suas respectivas frequências. Por exemplo: Esta representação dos dados chama-se distribu ição de

Esta representação dos dados chama-se distribuição de frequências ou tabela de frequências

12. Frequências acumuladas: A frequência acumulada até um certo valor ou dado, é a soma as

frequências individuais precedentes incluindo a do próprio valor ou dado. Por exemplo:

incluindo a do próprio valor ou dado. Por exemplo: 13. Distribuição de frequências rela tivas. Na

13. Distribuição de frequências relativas. Na tabela seguinte,

de frequências rela tivas. Na tabela seguinte, A soma das frequências é A freqência relativa da

A soma das frequências é

rela tivas. Na tabela seguinte, A soma das frequências é A freqência relativa da classe 25

A freqência relativa da classe 25-29 é calculada dividindo a frequência desta classe pela soma

das frequências. Exemplo: A frequência relativa do intervalo de 25-29 é dada por

a frequê ncia desta classe pela soma das frequências. Exemplo: A frequência relativa do intervalo de
A frican Virtual Universit y 14. Curva de frequências acumuladas (Ogiva). Dada a tabela de

African Virtual University

14. Curva de frequências acumuladas (Ogiva). Dada a tabela de frequências abaixo,

acumuladas (Ogiva). Dada a tabela de frequências abaixo, Podemos construir o gráfico das frequências acumuladas

Podemos construir o gráfico das frequências acumuladas versus fronteiras dos limites superiores das classes.

versus fronteiras dos limites superiores das classes. Nota: No gráfico de frequências acumuladas, o primeiro
versus fronteiras dos limites superiores das classes. Nota: No gráfico de frequências acumuladas, o primeiro

Nota: No gráfico de frequências acumuladas, o primeiro ponto marcado é (24,5; 4). Se começássemos o gráfico neste ponto, este ficaria pendurado no eixo-0y. Para evitar

19,5 é a fronteira do limite

superior da classe (projectada) anterior.

isso, criamos

outro ponto (19,5, 0) como ponto de partida.

Formas de curvas de frequência

Formas de curvas de frequência A frican Virtual Universit y

African Virtual University

Formas de curvas de frequência A frican Virtual Universit y
Formas de curvas de frequência A frican Virtual Universit y
Formas de curvas de frequência A frican Virtual Universit y
Formas de curvas de frequência A frican Virtual Universit y
A frican Virtual Universit y XI. Lista de material de leitura obrigatória Leitura 1: Wolfram

African Virtual University

XI. Lista de material de leitura obrigatória

Leitura 1:

Wolfram MathWorld Acedido em 06.05.07)

Referência completa :http://mathworld.wolfram.com/Probabilty

Resumo: Esta referência fornece o material de leitura muito necessário em

Probabilidade e Estatística. A referência tem uma série de ilustrações que

capacitam o estudante através de diferentes metodologias de abordagem.

Wolfram MathWorld é uma enciclopédia matemática online especializada.

Justificação/Filosofia: Ele fornece as referências mais detalhadas para qualquer

tópico matemático.

Os estudantes devem começar por utilizar o mecanismo de

Leitura 2:

Wikipedia (visitado em 06.05.07)

Referência Completa : http://en.wikipedia.org/wiki/statistics Resumo: Wikipédia é uma enciclopédia on-line. É escrita pelos próprios leitores.

Está sempre renovada, já que novas entradas são continuamente revistas. Além

disso, tem-se revelado extremamente precisa. Os assuntos matemáticos que dão

detalhados.

entrada

são

muito

Justificação/Filosofia: A Wikipédia dá definições, explicações e exemplos que os

estudantes não podem acessar facilmente

em outros recursos. Pelo facto de a

W ikipedia ser atualizada com freqüência dá-se ao estudante a possibilidade de

Leitura 3:

MacTutor History of Mathematics (Acedido em 03.05.07)

Referência complete: http://www-history.mcs.standrews.ac.uk/Indexe s

Resumo: O Arquivo MacTutor é a história mais abrangente da matemática na

internet. Os recursos são organizados tendo em conta os temas históricos.

Justificação/Filosofia: Os estudantes devem pesquisar o arquivo MacTutor por

palavras-chave nos tópicos estão a estudar (ou pelo nome do módulo em si). É

importante

geral

de

Quando

matemática.

o estudante termina o curso e vai ensinar a matemática do ensino secudário, terá de

traser

Em particular, o papel das mulheres na história da matemática deve ser bem

estudado para ajudar os alunos a compreenderem que dificuldades as mulheres têm

enfrentado ainda que estejam a traser uma contribuição importante. Do mesmo

ter

uma

visão

onde a

matemática que está a ser estudada se encaixa na história da

o

assunto

para

seus

alunos.

modo,

o

papel

do

continente

Africano

deve

ser

estudado

para compartilhar

com

os

alunos

nas

escolas,

nomeadamente

os

primeiros

dispositivos de contagem (por exemplo, o osso Ishango) e também o papel da

matemática egípcia deve ser bem estudado.

XII. Lista de recursos obrigatórios

Recurso 1: Maxima.

XII. Lista de recursos obrigatórios Recurso 1: Maxima. A frican Virtual Unive rsity Referência Completa :

African Virtual University

Referência Completa: Uma cópia do Maxima em disco faz parte do material para este

curso

Os estudantes do ensino à distância são ocasionalmente confrontados com dificuldades

no ensino da matemática devido a falta de recursos que os possam guiar. A falta de

aulas presenciais orientadas por um docente pode levar os estudantes a uma estagnação

total, se não estiverem devidamente equipados de recursos que os ajudem a resolver

seus problemas de aprendizagem da matemática. Este impedimento pode ser resolvido

através de uso de recurso acompanhante: Maxima.

Justificação/Filosofia: Maxima é um software do grupo das fontes abertas que pode

permitir os estudantes a resolver equações lineares e quadráticas, sistemas de equações,

integração e diferenciação, executar manipulações algébricas: factorização,

simplificação, etc. Iste recurso é obrigatório para estudantes do ensino à distância

porque possibilita uma aprendizagem rápida usando as habilidades em TIC’s já

adquiridas.

Recurso 2: Graph

Referência Completa: Uma cópia de Graph, também acompanha este curso

É relativamente difícil desenhar gráficos de funções, especialmente funções complicadas com funções em três dimensões. Os estudantes à distância, inevitavelmente encontrarão situações em que precisarão de algum recurso para desenhar gráficos em matemática. Este curso é acompanhado de um software chamado Graph para ajudar os estudantes no desenho de gráficos. Contudo, os estudantes precisam de estar familiarizados com este software para o poderem usar facilmente.

Justificação/Filosofia: Graph é um software, dinâmico, do tipo fonte aberta, que os

estudantes podem ter acesso através do disco que lhes é disponizado. Este ajuda aos

estudantes de matemática a desenhar gráficos que de outro modo seriam bastante

difíceis. É fácil usar este software, desde que os estudantes invistam algum tempo para

aprenderem como funciona. Os estudantes sairão em vantagem porque poderão usar

este recurso em outras disciplinas durante e mesmo depois do curso. Notarão que é

muito útil quando forem ensinar a matemática no ensino secundário.

XIII. Lista de Links úteis

Link 1

Títlo :Wikipedia

XIII. Lista de Links úteis Link 1 Títlo : Wikipedia A frican Virtual Universit y _0

African Virtual University _0

URL:http://en.wikipedia.org/wiki/Statistics Descrição: Wikipedia é dicionário de todos matemáticos. É um recurso-aberto que freqüentemente é atualizado. A maioria dos estudantes, de quando em vez, encontrará problemas de referências para materiais de consulta. A maioria dos livros disponíveis só cobre partes ou seções dos conteúdos de Probabilidade e Estatística. Esta escassez de materiais pode ser superada com o uso de Wikipedia. É fácil aceder por pesquisa no “Google”. Justificação/Filosofia: A disponibilidade de Wikipedia resolve problemas cruciais de falta de materiais de aprendizagem em várias áreas de matemática. Estudantes deveriam ter experiência, em primeira mão, de Wekipedia para os ajudar nas suas aprendizagens. É um recurso grátis muito útil que não só resolve os problemas de estudante de materiais de referência mas também dirige os estudantes para outro websites relativamente úteis, bastando clicar nos ícones indicados. A sua utilidade é de reconhecida importância.

Link 2:

Título: Mathsguru

URL: http://en.wikipedia.org/wiki/Probability

Descrição: Mathsguru é um website que ajuda os estudantes a compreender várias da

Teoria de Números. É fácil acerder através de pesquisa no Google e disponibiliza

informações detalhadas sobre várias questões de Probabilidade. Oferece explicações e

exemplificações que facilmente os estudantes podem entender.

Justificação/Filosofia: Mathsguru oferece vias alternativas para estudantes acederem a

outros tópicos correlacionados, sugestões e soluções, podendo constituir uma grande

ajuda para os que encontram frustrações em obter livros que ajudem na aprendizagem

de Probabilidade. Oferece abordagens bastante úteis, tendo em consideração as várias

áreas do módulo de Probabilidade.

Link 3.

Título: Mathworld Wolfram

Descrição: Mathworld Wolfram é um website cheio de soluções para problemas de

Probabilidade. Os estudantes podem aceder a este recurso através de pesquisa no

Google. Wolfram também orienta os estudantes para outros websites úteis para

aprimorar as suas compreensões sobre os mesmos tópicos. Mathworld Wolfram é um

site que também providencia alguns subsídios sobre a Teoria de Números, desafios e

algumas orientações metodológicas. Ajuda também na Modelagem Matemática e é

fortemente recomendado para estudantes interessados em aprender a Teoria de

Números e outras áreas da Matemática. Ajuda a fazer ligação para outros websites

fornendo uma vasta gama de informações necessárias para estudantes compreenderem

os conteúdos de Probabilidade e Estatística.

XIV. Actividades de Aprendizagem

Unidade 1

XIV. Actividades de Aprendizagem Unidade 1 A frican Virtual Universit y 4 0 H o r

African Virtual University

40 Horas

Estatística Descritiva e Distribuição de Probabilidades

Uma fazendeira desenvolveu as seguintes actividades na sua fazenda:

1. Ela planta 80 mudas no primeiro dia de Março. No primeiro dia de Dezembro mede as

alturas das plantas.

2. Ela pesa todas as vacas da fazenda e regista os pesos no seu diário.

3. Faz o registo da produção de ovos da secção de avícula.

4. Faz o registo do tempo levado até entregar o leite à fábrica de processamento.

Os resultados dos registos estão indicados a seguir:

1. Alturas das plantas em cm

Os resultados dos registos estão indicados a seguir: 1. Alturas das plantas em cm 2. Pesos

2. Pesos de vacas em kg

Os resultados dos registos estão indicados a seguir: 1. Alturas das plantas em cm 2. Pesos
A frican Virtual Universit y 3. Número de Ovos 4. Tempo gasto até que o

African Virtual University

3. Número de Ovos 4. Tempo gasto até que o leite chegue ao processamento
3.
Número de Ovos
4.
Tempo gasto até que o leite chegue ao processamento
4. Tempo gasto até que o leite chegue ao processamento CASO 1: Uma empresa local que

CASO 1:

Uma empresa local que lida com serviços de extensão agrícola visita a fazendeira. Ela orgulhosamente produziu seus registos. O gestor agrícola ficou muito impressionado com registos mas percebe claramente que a fazendeira precisa de algumas habilidades em gestão de dados para permitir que ela tome boas decisões com base nos dados provenientes da sua fazenda. O gestor agrícola projeta um curso sobre processamento de dados para todos os farmeiros rurais. Durante a fase de planeamento do curso, são definidos os seguintes conceitos:

a)

Dados:

São

resultados

de

uma

observação.

Por

exemplo,

alturas

de

mudas

b)

Freqüência: taxa de ocorrência de um dado. Por exemplo, número de vacas pesadas.

c)

Média:

O

valor

médio

de

um

conjunto

de

dados

d)

Moda:

Dado

que

ocorre

com

maior

frequência.

e)

A mediana: Postos os dados em ordem crescente, a mediana é o elemento da posição

Aula 1: Introdução à Estatística

A Estatística Descritiva é utilizada para designar qualquer das várias técnicas utilizadas para sumarizar um conjunto de dados. Tais técnicas são geralmente classificadas em:

1. Descrição gráfica, em que usamos gráficos para sumarizar os dados.

2. Descrição Tabular, em que se usam tabelas para sumarizar os dados.

3. Descrição Paramétrica, em que se estimam os valores de determinados parâmetros que assumimos que completam a descrição do conjunto de dados.

Em geral, os dados estatísticos podem ser descritos como uma lista de indivíduos ou unidades e os dados associados a cada um deles.

1.

Pretende-se

Pretende-se mostrar estatisticamente o quanto certas medidas são parecidas. Em manuais de Estatística esta questão é respondida com base nas medidas de tendência central.

neste

momento

alcançar

dois

objectivos:

A frican Virtual Universit y Quando estamos resumindo uma certa quantidade de dados, como o

African Virtual University

Quando estamos resumindo uma certa quantidade de dados, como o comprimento, o peso ou a idade, é comum responder-se à primeira questão com o cálculo da média aritmética, a mediana, ou a moda. Às vezes, pode-se calcular os quartís, decís ou percentís.

As medidas mais comuns de variabilidade para dados quantitativos

são a variância; a sua

raiz quadrada, o desvio-padrão, a amplitude

total; o intervalo interquartil, e o desvio absoluto.

Aulas para os farmeiros

Aos farmeiros é lhes ensinado como calcular:

a)

A Média

A Média de um conjunto de dados é a soma de todos valores dividida pelo número

total de dados.

Exemplo:

Calcule a média dos seguintes conjuntos de dados

a soma de todos valores dividida pelo número total de dados. Exemplo: Calcule a média dos

Aula 2

Média de dados discretos

Aula 2 Média de dados discretos A frican Virtual University Exemplo: Encontre a media dos seguintes

African Virtual University

Exemplo: Encontre a media dos seguintes dados

Aula 2 Média de dados discretos A frican Virtual University Exemplo: Encontre a media dos seguintes
A frican Virtual Universit y

African Virtual University

A frican Virtual Universit y

FAÇA O SEGUINTE

FAÇA O SEGUINTE Calcule a media de: A frican Virtual Universit y Respostas

Calcule a media de:

FAÇA O SEGUINTE Calcule a media de: A frican Virtual Universit y Respostas

African Virtual University

FAÇA O SEGUINTE Calcule a media de: A frican Virtual Universit y Respostas

Respostas

FAÇA O SEGUINTE Calcule a media de: A frican Virtual Universit y Respostas

Aula 3

Moda

Exemplo

Aula 3 Moda Exemplo A frican Virtual University 1) Encontre a moda dos seguintes dados: 1,3,4,4,5,6,1,3,3,2,2,3,3,5

African Virtual University

1) Encontre a moda dos seguintes dados: 1,3,4,4,5,6,1,3,3,2,2,3,3,5

Solução:

A moda deste conjunto é o element que aparece mais vezes. Concretamente é o 3,

com frequência igual a 5.

2) Encontre a moda dos seguintes dados: 22, 24, 25,22, 27, 22, 25, 30, 25, 31

Solução:

.

2 2 e 25

conjunto de

dados diz-se bimodal

ocorrem três vezes cada um. Portanto, as modas são 22 e 25.

Neste caso, o

3) Encontre a moda dos seguintes dados:

Olhando para a distribuição de frequências, na tabela, conclui-se que a moda do conjunto

de dados é X = 3, com frequência 16.

4) Encontre a classe modal dos seguintes dados:

16. 4) Encontre a classe modal dos seguintes dados: Neste caso, a classe modal é 70

Neste caso, a classe modal é 70 – 74, porque apresenta a frequência mais alta 15.

FAÇA O SEGUINTE:

FAÇA O SEGUINTE: A frican Virtual Universit y Determine a moda ou a classe modal dos
FAÇA O SEGUINTE: A frican Virtual Universit y Determine a moda ou a classe modal dos

African Virtual University

Determine a moda ou a classe modal dos seguintes dados:

FAÇA O SEGUINTE: A frican Virtual Universit y Determine a moda ou a classe modal dos

Respostas

FAÇA O SEGUINTE: A frican Virtual Universit y Determine a moda ou a classe modal dos

Aula 4

Aula 4 A frican Virtual Universit y Mediana A mediana é o valor que se encontra

African Virtual University

Mediana A mediana é o valor que se encontra no centro da distribuição de dados, quando estes estão

dispostos na ordem crescente ou decrescente. Por exemplo, no conjunto 1; 2; 3; 4; 5, a

mediana é 3 porque aparece no centro. Isto é, o 3 divide o conjunto em duas partes iguais.

Nos dados 1; 2; 2; 3; 4; 5; 6; 7; 7; 8, temos 10 elementos e não existe um único no centro.

Ou seja, existem dois valores que formam o centro e, neste caso, a mediana é determinada

calculando a média aritmética destes dois valores.

Exemplo:

a média aritmética destes dois valores. Exemplo: Cálculo de mediana para dados agrupados em classes Exemplo:

Cálculo de mediana para dados agrupados em classes

Exemplo: Encontre a mediana dos seguintes dados em classes

Exemplo: Cálculo de mediana para dados agrupados em classes Exemplo: Encontre a mediana dos seguintes dados
A frican Virtual University _0 Definição: Limite superior e limite inferior de uma classe. Limite

African Virtual University _0

Definição: Limite superior e limite inferior de uma classe.

Limite inferior de classe (Li) ou a fronteira inferior de classe e Limite superior de classe (Ls) ou a

fronteira superior de classe. Exemplo, para o intervalo 20 – 24 a fronteira inferior é 19.5 e a superior é

24.5 e para o intervalo 35 – 39 as fronteiras inferior e superior são respectivamente 34.5 e 39.5.

Observa a tabela seguinte:

são respectivamente 34.5 e 39.5. Observa a tabela seguinte: Para determinar a mediana destes dados segue

Para determinar a mediana destes dados segue os seguintes passos:

1. Identificar a classe que contém a mediana. Neste caso, a mediana ocorre no intervalo 30 – 34,

onde se encontra o dado da posição 20.5.

2. Encontrar as fronteiras desta classe. Neste caso, são Li = 29.5 e s = 34.5.

3. Determinar as frequências acumuladas.

4. Determinar a amplitude desta classe. Faz-se Ls – Li = 34.5 – 29.5 = 5

5. Calcular a mediana fazendo:

– Li = 34.5 – 29.5 = 5 5. Calcular a mediana fazendo: Amplitude total de

Amplitude total de um conjunto de dados

A amplitude total de um conjunto de dados determina-se fazendo a diferença entre o valor

máximo e o mínimo do conjunto.

Exemplo: Para o conjunto 23,26,34, 47,63, a amplitude é 63 – 23 = 40 e para o conjunto 121,

65, 78, 203, 298, 174, a amplitude é 298 – 65= 233.

A frican Virtual Universit y Aula 5: Medidas de posição ou de Localização e de

African Virtual University

Aula 5: Medidas de posição ou de Localização e de dispersão

1) Quartís

Dados ordenados Segundo a sua magnitude, podem ser divididos em 4 partes iguais. As posições extremas destas divisões são os quartís. Assim, o primeiro quatil (Q 1 ), deixa 25% de elementos à esquerda. O segundo quatil (Q 2 ), deixa 50% de elementos à esquerda. Portanto, o segundo quartil coincide com a mediana. O terceiro quartil, deixa 75% de elementos à esquerda.

2) Semi-amplitude interquartil

A semi-amplitude interquartil é definida como

interquartil A semi-amplitude interquartil é definida como 3) Decís Quando os dados estão ordenados, podem ser

3) Decís Quando os dados estão ordenados, podem ser subdivididos em 10 partes iguais, contendo, cada uma, 10% do total de elementos. Cada parte corresponde a um decil e se denotam por D 1 , D 2 ,

D 3 ,

,

D 8 e D 9

4) Percentís Os percentís dividem o conjunto de dados em 100 partes iguais. Assim, podemos identificar 99

percentís, P 1 , P 2 , P 3 ,

,

P 98 e P 99

5) Desvio médio absoluto

O desvio médio absoluto de um conjunto de N dados, X 1 , X 2 ,

média dos desvios absolutos dos valores X j em relação à média, isto é,

X 3 ,

média dos desvios absolutos dos valores X j em relação à média, isto é, X 3

, X N , é definido como a

A frican Virtual Universit y Exemple Encontre o desvio médio absolute dos seguintes dados Solução

African Virtual University

Exemple Encontre o desvio médio absolute dos seguintes dados

Solução

3, 4, 6, 8, 9.

A média aritmética dos valores dados é

3, 4, 6, 8, 9. A média aritmética dos valores dados é E, portanto, o desvio

E, portanto, o desvio médio absoluto é

valores dados é E, portanto, o desvio médio absoluto é Dada uma tabela de frequências O

Dada uma tabela de frequências

o desvio médio absoluto é Dada uma tabela de frequências O desvio médio absoluto é determinado

O desvio médio absoluto é determinado usando a fórmula

o desvio médio absoluto é Dada uma tabela de frequências O desvio médio absoluto é determinado
A frican Virtual Universit y 5) Desvio Padrão O desvio padrão de um conjunto de

African Virtual University

5) Desvio Padrão

O desvio padrão de um conjunto de N dados X 1 , X 2 ,

dos desvios quadráticos, ou seja,

dados X 1 , X 2 , dos desvios quadráticos, ou seja, Para uma tabela de

Para uma tabela de frequências,

, X N , é definido como a média

de frequências, , X N , é definido como a média O dessvio padrão calcula-se fazendo

O dessvio padrão calcula-se fazendo

definido como a média O dessvio padrão calcula-se fazendo 6) Variância A variância de um conjunto

6) Variância

A variância de um conjunto de dados é definida como o quadrado do desvio padrão.

Geralmente usa-se o S 2 para denotar a variância calculada com base numa amostra de

para denotar a variância calculada com base numa amostra de uma população e considerar os respectivos

uma população e

considerar os respectivos desvios padrão.

para denotar a variância populacional. De mesmo modo podemos

A frican Virtual Universit y Exemplos Encontre a media e a amplitude dos seguintes dados:

African Virtual University

Exemplos

Encontre a media e a amplitude dos seguintes dados: 5,5,4,4,4,2,2,2

Solução

e a amplitude dos seguintes dados: 5,5,4,4,4,2,2,2 Solução E a amplitude é A = 5 –

E a amplitude é A = 5 – 2 = 3

Mediana

Exemplo

Dadas 13 observações 1,1,2,3,4,4,5,6,8,10,14,15,17, identifique a media

Neste caso, há que identificar a posição da media. Como o número total de dados é ímpar,

existe um só elemento no centro. Este elemento encontra-se na posição

N

1

13 1

2 2

= 7.

Daí que basta identificar o elemento que está na posição 7, nos dados ordenados.

Concretamente, a mediana é 5.

Mas quando o N é par, a mediana é calculada com base na média aritmética dos dois valores

da posição central.

Exemplo: No conjunto 1,1,2,2,3,4,4,5,6,8,10,14,15,17, o N = 14 e a mediana é calculada

fazendo a média aritmética dos números das posições

são 4 e 5. Portanto a mediana é

4 5 = 4.5

2

N

2

= 7 e

N +1 = 8. Estes números

2

FAÇA ISSO

Encontre a mediana dos seguintes dados:

FAÇA ISSO Encontre a mediana dos seguintes dados: A frican Virtual Universit y A Variância é

African Virtual University

a mediana dos seguintes dados: A frican Virtual Universit y A Variância é a média dos

A Variância é a média dos desvios quadráticos

y A Variância é a média dos desvios quadráticos Onde N é o número de observações

Onde N é o número de observações e a diferença X - X é o desvio em relação à média.

S 2 é a variância e a sua raíz é o desvo padrão.

A frican Virtual Universit y Exemplo Dado o conjunto 2,4,5,8,11. Determine a variância e o

African Virtual University

Exemplo

Dado o conjunto 2,4,5,8,11. Determine a variância e o desvio padrão.

Na tabela seguinte estão apresentados os cálculos até a soma dos desvios quadráticos

os cálculos até a soma dos desvios quadráticos Portanto, a variância S 2 = 5 0

Portanto, a variância S 2 =

50 = 10 e o desvio padrão S =

5

10
10

FAÇA ISSO

2 = 5 0 = 10 e o desvio padrão S = 5 10 FAÇA ISSO

1) Calcule a amplitude dos seguintes dados:

1,1,1,2,2,3,3,3,4,5

10) Calcule a variância e o desvio padrão dos seguintes dados: 1,2,3,4,5

Assimetria

Dada uma distribuição, podemos determinar um coeficiente que mede o quanto a

distribuição é assimétrica. Podemos considerar dois tipos de assimetria: Positiva ou

assimetria à direita e negativa ou assimetria à esquerda. Numa distribuição simétrica, a

média é igual a moda e a mediana. Na distribuição assimétrica positiva ou à direita, a

média é maior do que a moda e a mediana. Na distribuição assimétrica negativa ou à

esquerda, a média é menor do que a moda e a mediana.

Pode-se ver a seguir alguns exemplos:

A frican Virtual Universit y Primeiro coeficiente de Assimetria de Pearson Este coeficiente é definido

African Virtual University

Primeiro coeficiente de Assimetria de Pearson

Este coeficiente é definido como:

de Assimetria de Pearson Este coeficiente é definido como: Segundo coeficiente de Assimetria de Pearson Este

Segundo coeficiente de Assimetria de Pearson

Este coeficiente é definido como:

de Assimetria de Pearson Este coeficiente é definido como: O coeficiente de Assimetria determinado a partir

O coeficiente de Assimetria determinado a partir dos quartís.

coeficiente de Assimetria determinado a partir dos quartís. Coeficiente de Assimetria determinado a partir dos

Coeficiente de Assimetria determinado a partir dos percentís.

de Assimetria determinado a partir dos quartís. Coeficiente de Assimetria determinado a partir dos percentís.
A frican Virtual Universit y Exemplo: Encontre o percentil de ordem 25, para os seguintes

African Virtual University

Exemplo: Encontre o percentil de ordem 25, para os seguintes dados: 1, 2, 3, 4, 5, 6, 7, 9

Solução: Como o N = 8, faz N.(0,25) = 8.(0,25) = 2. O elemento da posição 2 é o 2 e o da

posição 3 é o 3. O percentil pedido está entre 2 e 3. Como a diferença entre estes dois

valores é 1, para encontrar o tal percentil faz (0,25).1 + 2 = 2,25

Encontre o percentil de ordem 50 dos dados do exercício anterior

Solução: 8.(0,50) = 4. O tal percentil entre o quarto e o quinto elemento, 4 e 5,

respectivamente. Como a diferença entre estes valor é 1, faz (0,50).1 + 4 = 4,5 que é o

percentil de ordem 50

4 e 5, respectivamente. Como a diferença entre estes valor é 1, faz (0,50).1 + 4

FAÇA ISSO

FAÇA ISSO A frican Virtual Universit y Encontre os percentís de ord e m 25, 50
FAÇA ISSO A frican Virtual Universit y Encontre os percentís de ord e m 25, 50

African Virtual University

Encontre os percentís de ord e m 25, 50 e 90 dos seguintes dados:

46,21,89,42,35,36,67,53,42,75,42,75,47,85,40,73,48,32,41,20,75,48,48,32,52,61

49,50,69,59,30,40,31,25,43,52,62,50

Respostas

a) 36

b) 48

Curtose

c) 73

O coeficiente de curtose mede o grau de achatamento de uma distribuição quando se compara a uma distribuição normal.

Exemplos:

de curtose mede o grau de achatamento de uma distribuição quando se compara a uma distribuição
de curtose mede o grau de achatamento de uma distribuição quando se compara a uma distribuição

FAÇA ISSO

FAÇA ISSO Encontre a moda dos seguintes dados: 1) 1,3,4,4,2,3,5,1,3,3,5,4,2,2,2,3,3,4,4,5 A frican Virtual Universit y _0

Encontre a moda dos seguintes dados:

1) 1,3,4,4,2,3,5,1,3,3,5,4,2,2,2,3,3,4,4,5

seguintes dados: 1) 1,3,4,4,2,3,5,1,3,3,5,4,2,2,2,3,3,4,4,5 A frican Virtual Universit y _0 2) Número de casamentos em

African Virtual University _0

2) Número de casamentos em cada 1000 pessoas na população Africana para os anos de 1965 a 1975

Virtual Universit y _0 2) Número de casamentos em cada 1000 pessoas na população Africana para
A frican Virtual Universit y 3) Número de mortes em cada 1000 pe ssoas ano

African Virtual University

3) Número de mortes em cada 1000 pessoas ano a ano de 1960 e de 1965 – 1975

1960

9.5

1965

9.4

1966

9.5

1967

9.4

1968

9.7

1969

9.5

1970

9.5

1971

9.3

1972

9.4

1973

9.3

1974

9.1

1975

8.8

Soluções

1. 3

2. 10.6

3. 9.5

1970 9.5 1971 9.3 1972 9.4 1973 9.3 1974 9.1 1975 8.8 Soluções 1. 3 2.

Probabilidade

Probabilidade A frican Virtual Universit y Conceitos importantes para o cálculo das probabilidades Para começarmos

African Virtual University

Conceitos importantes para o cálculo das probabilidades

Para começarmos com o cálculo das probabilidades é importante que definamos três conceitos

básicos:

1. Experimento ou fenómeno aleatório

2. Espaço amostral (conjunto fundamental ou espaço de resultados ou espaço de acontecimentos)

3. Evento ou acontecimento

I) Experimento Aleatório

Chama se Experimento Aleatório ao processo de observações ou de acção cujos resultados, embora podendo ser descritos no se u conjunto, não são determináveis à priori, antes da realização da experiência.

Um experimento Aleatório tem as seguintes características:

A possibilidade de repetição do experimento em condições similares;

Não se poder dizer à partida qual o resultado do experimento a se realizar, mas poder descreverse o conjunto de todos resultados possíveis;

A existência de regularidades quando o experimento é repetido muitas vezes.

Ex: Consideremos os seguintes experimentos

E1: largar uma pedra de certa altura e verificar o que vai acontecer

Para este experimento, uma questão é certa! A pedra vai cair

E2: Lançar uma moeda, ao ar, e verificar a face voltada para cima quando a moeda estiver no chão

Aquí, porque a moeda (honesta ou não viciada) tem duas faces, não sabemos à prior qual estará voltada para cima! Existem duas possibilidades.

Portanto, E1 é um experimento não aleatório enquanto que E2 é um experimento aleatório

Outros experimentos aleatório que podemos considerar, são por exemplo:

E3: Lançar duas moedas, ao ar, e verificar as faces de cima.

Neste experimento, os resultados possíveis são: (C,C); (C,K); (K,C) e (K,K) em que C é a face coroa e K é a face cara.

E4: Lançar um dado (de 6 faces) e verificar a face voltada para cima

Para este experimento os resultados esperados são 1 ; 2 ; 3; 4; 5; 6

II) Espaço Amostral ou Espaço de Resultados ou Espaço de acontecimentos ou Conjunto

Fundamental (S)

É o conjunto de todos resultados possíveis de um certo experimento

Ex: Para o experimento anterior (E2), o espaço amostral é S = (K , C)

Para o experimento E3 o conjunto fundamental é S = (C,C); (C,K); (K,C); (K,K)

Para o E4 o espaço de resultados é S = 1 ; 2 ; 3; 4; 5; 6

III) Evento ou acontecimento

Chama se Evento à qualquer subconjunto de S

Ex : Consideremos para o experimento E3 o acontecimento A: Saida da face cara pelo menos uma

Definições ou Conceitos de Probabilidade

Definições ou Conceitos de Probabilidade A frican Virtual Universit y Vamos destacar, aqui, três definições ou

African Virtual University

Vamos destacar, aqui, três definições ou conceitos de probabilidades:

I. Conceito Clássico de Probabilidade (Teoria Clássica de Laplace)

Se a uma experiência aleatória se podem associar N resultados possíveis, mutuamente exclusivos e igualmente prováveis, e se n(X) desses resultados tiverem o atributo X, então a

probabilidade de X é a fracção

n(X ) ; Isto é P(X) = n(X ) onde n(X) é o nº de resultados

N

N

favoráveis a X e N é o nº de resultados possíveis para o experimento

Ex: No experimento que consiste em lançar duas moedas e verificar a face de cima, o espaço amostral (S) tem 4 elementos ( resultados possíveis). Então N = 4. E os ca sos favoráveis ao evento A são 3. Portanto n(A) = 3.

Então P(A) =

n(A) =

3

N 4

II. Conceito frequencista de Probabilidade ou abordagem empírica

Se em N realizações de uma experiência, o acontecimento A se verificou n vezes, diz se que a

n

frequência relativa de A nas N realizações é f(A) = N

n

P(A) = limf(A) N

(quando N)

Para o caso do exemplo anterior, o número de realizações do experimento é N = 4 e a

n

frequência relativa de A é é f(A) = N

n

=

3

4

. Portanto a probabilidade de A é P(A) N

=

3

4

Portanto, aqui, a probabilidade aproxima se à frequência relativa do evento.

III. Conceito subjectivo ou personalista de probabilidade

Utilizando este conceito, a probabilidade de um acontecimento é dada pelo grau de credibilidade ou de confiança que cada pessoa dá à realização de um acontecimento. Baseia se na informação quantitativa (ex: frequência de ocorrência de um acontecimento) e/ou qualitativa (e x: informação sobre experiência passada em situações semelhantes) que o decisor possui sobre o acontecimento em causa. Diferentes decisores podem atribuir diferenmtes probabilidades ao mesmo acontecimento decorrentes da experiência, atitudes, valores, etc, que possuem.

Exemplo:

O João diz ao Manuel: Manuel, se tu passares da rua ao lado daquela casa a probabilidade de

seres corrido por um cãoguarda (dessa casa) é de 90%.

Mas

O Paulo diz ao Manuel: Manuel, se tu passares da rua ao lado daquela casa a probabilidade de

seres corrido por um cãoguarda (dessa casa) é de 50%.

Aqui, o João e o Paulo dão a mesma informação ao Manuel mas podes ver que eles atribuem probabilidades diferentes ao evento ser corrido ”

Pode ser que de 10 vezes que o João passou daquela rua foi corrido 9 vezes e que o Paulo teve uma sorte diferente e foi corrido apenas 5 vezes!

Portanto, cada um está usando as suas experiências passadas para definir a probabilidade de alguém ser corrido ao passar daquela rua.

Então as probabilidades por eles atribuídas ao evento acima são subjectivas.

Regras de Contagem

Regras de Contagem A frican Virtual Universit y 1) Factorial Definição: Factorial 4 ! = 4

African Virtual University

1) Factorial

Definição: Factorial 4 ! = 4 x 3 x 2 x 1 and 7! = 7 x 6 x 5 x 4 x 3 x 2 x 1

2) Permutação

Universit y 1) Factorial Definição: Factorial 4 ! = 4 x 3 x 2 x 1

FAÇA ISSO

FAÇA ISSO Resolva as seguintes tarefas: . A frican Virtual University A frican Virtual Universit y

Resolva as seguintes tarefas:

.

FAÇA ISSO Resolva as seguintes tarefas: . A frican Virtual University A frican Virtual Universit y

African Virtual University

African Virtual University

FAÇA ISSO Resolva as seguintes tarefas: . A frican Virtual University A frican Virtual Universit y

Exemplo:

Axiomas da teoria de probabilidades

Exemplo: Axiomas da teoria de probabilidades A frican Virtual Universit y ‐ Da necessidade de sistematização

African Virtual University

Da necessidade de sistematização dos conceitos empregues na teoria das probabilidades e da construção de um corpo teórico coerente surgem os três axiomas em que se baseiam todos os desenvolvimentos posteriores do campo das probabilidades.

Assim consideramos que P( ) é uma função que associa a todo o acontecimento A definido em S um nº compreendido no intervalo  ;  e que satisfaz os seguintes axiomas:

I. P(A)  , A S (onde S é o espaço amostral)

II. P(S) = 1, ( S é um acontecimento certo)

III. Sendo A e B acontecimentos mutuamente exclusivos definidos em S, ou seja A B  , tem se que P(A B) = P(A) P(B)

Em geral, se A 1 , A 2 , A 3 ,

P(A 1 A 2 A 3

, A n são acontecimentos mutuamente exclusivos definidos em S, então

A n ) = P(A 1 ) P(A 2 ) P(A 3 )

n

P( A n ) = P(A i )

i=1

Exemplo: Se lançarmos um dado, qual a probabilidade de obtermos 3 pontos ou 5 pontos?

1

Solução : P(3) = 6 ; P(5) = 6 e, portanto, P(3 ou 5) = 6

1

1

PROBABILIDADE DA MULTIPLICAÇÃO

1

+ 6

2

= 6

1

= 3

Em probabilidades, uma regra análoga ao princípio fundamental da contagem (estudado na análise combinatória), denominada regra do produto ou regra de multiplicação de probabilidades.

Enunciado:

Se um acontecimento é composto por vários eventos sucessivos e independentes, de tal modo que:

O

evento é A e a sua probabilidade é P(A)

O

evento é B e a sua probabilidade é P(B)

O

evento é C e a sua probabilidade é P(C)

.

.

.

.

.

.

.

.

.

O

K ésimo evento é K e a sua probabilidade é P(K),

Então a probabilidade de que os eventos A, B, C,

P(A B C

K) = P(A).P(B).P(C) P(K)

, K, ocorram nessa ordem é

Dois acontecimentos A e B, por exemplo, são independentes se e somente se a probabilidade de A ocorrer após B ter ocorrido é igual a probabilidade de A. Isto é, P(A após B) = P(A) ou

P(B após A) = P(B)

NOTA: Axiomas são proposições aceites sem demonstração

d) Alguns te oremas importantes

Os teoremas sempre precisam de ser demonstrados!

Teorema 1.

Dado um acontecimento A com probabilidade P(A), a probabilidade do seu complementar (acontecimento contrário) obtém se subtraíndo à unidade, a probabilidade de A; isto é

c

P( A ) = P(A ) = 1 – P(A)

Temos (B A) (B – A) = . Então os acontecimentos (B A) e (B – A) são mutuamente

exclusivos

Teorema 2.

Teorema 2. A frican Virtual University Aprobabilidade do acontecimento impossível; isto é P(  ) =

African Virtual University

Aprobabilidade do acontecimento impossível; isto é P( ) = 0

Teorema 3.

Dados dois acontecimentos A e B quaisquer, a probabilidade do acontecimento diferença B – A é P(B A) = P(B) P(A B)

Demonstração:

FIGURA:

‐ A) = P(B) – P(A  B) Demonstração: FIGURA: Da figura podes ver que (B

Da figura podes ver que (B A) (B – A) = . Então os acontecimentos (B A) e (B – A) são mutuamente exclusivos

Mas (B A) (B – A) = B

Então P(B) = P(B A) (B – A)] = P (B A) P(B – A) P(B – A) = P(B) P (B A) c.q.d

Teorema 4.

A probabilidade da união de dois acontecimentos quaisquer (não necessariamente mutuamente

exclusivos), A e B é

P(A B) = P(A) P(B) P (B A)

Consideremos alguns exemplos:

a) De um baralho de 52 cartas é escolhida aleatoriamente uma carta. Qual a probabilidade de ser um 10 ou coração.

4

Solução : A probabilidade de ser um 10 é P(10) = 52 ; a probabilidade de ser coração é

13

1

P(coração) = 52 e a probabilidade de ser 10 e coração P(10 e coração) = 52

.

Portanto, a probabilidade pedida é P(A B) = P(A) P(B) P (B A) = P(10) + P(coração) P(10

4

e coração) = P(10) + P(coração) P(10 e coração) = 52

13

1

+ 52 52

=

16

52

b) No lançamento de um dado, encontre a probabilidade de que se tenha obtido o número 4 sabendo que sabendo que o número obtido no lançamento foi par.

Solução: Trata se, aquí, de uma probabilidade condicional. Para dois eventos A e B, em geral, a probabilidade de ocorrência simultânea é dada por P(A B) = P(A/B).P(B) e, portanto,

P(A/B) =

(A

B)

P(B)

Sendo A: Saida do número 4 no lançamento de um dado e B: Saida de um número par no lançamento de um dado

1

3

então P(A B) = 6 e P(B) = 6 . Portanto, P(A/B) =

1

(A

B)

6

=

P(B)

3

6

1

= = 3

c) Uma caixa contém 3 bolas cor de laranja, 3 cor amarela e 2 cor branca. Três bolas são seleccionadas aleatoriamente sem reposição. Achar a probabilidade de sairem duas amarelas e uma branca.

3

Sejam, A 1 : Saida de bola amarela na primeira extracção. Então, P(A 1 ) = 8

A 2 : Saida de bola amarela na segunda extracção após ter saido amarela na primeira. Então,

2

P(A 2 ) = 7

B 3 : Saida de bola branca na terceira extracção após terem saido amarelas nas duas extracções

2

anteriores. Então, P(A 2 ) = 6

2

3 x 7 2 x 6

1

Então, a probabildade de sairem duas amarelas e uma branca será: 8

28

=

EXERCÍCIOS

1. De quantas maneiras diferentes 7 pessoas podem estar dispostas numa fila?

2. De quantas maneiras diferentes 3 canetas podem ser escolhidas de 12 canetas?

3. Se de um baralho de 52 cartas escolhermos 3, qual a probabilidade de todas serem ouro?

RESPOSTAS

1. (5040)

2.

(220)

3. (0,013)

LEIA

An Introduction to Probability and Rondam

Processes by Kenneth B & Gian-Carlo, páginas 1.

Rondam Processes by Kenneth B & Gian-Carlo, páginas 1. 1. 20-1.22 * Capítulo 1 de exercícios:

1. 20-1.22

* Capítulo 1 de exercícios: Sets, Events &

Probability pg 1.23-1.28 Números 1-12 & 14-20

2. 2.1-2.33

* Capítulo 2 de exercícios: Finite Processes pag. 2.33 Números 1, 2, 3, 13-20

3. Itroduction to Probability , by Charles M

Grinstead páginas 139-141

Variáveis Aleatórias

Variáveis Aleatórias (v. a)

Definição: Uma variável aleatória é uma função que associa a cada resultado possível de um experimento aleatório um número real.

(Harry Frank & Steve C Althoen, CUP, 1994, pág. 155).

Uma variável Aleatória é uma variável no sentido de que ela pode ser usada como um substituto de um número nas equações ou inequações. Sua aleatoriedade é completamente descrita pela sua função de distribuição acumulada que pode ser usada para determinar a probabilidade que ela toma para certos valores particulares.

Formalmente, uma variável aleatória é uma função mensurável de um espaço de probabilidades ao conjunto de números reais. Por exemplo, uma variável aleatória pode ser usada para descrever o processo de lançamento de um dado perfeito e os possíveis resultados {1, 2, 3, 4, 5, 6}. A representação mais óbvia é tomar estes conjunto como espaço amostral, a medida de probabilidade como sendo uma medida uniforme, e a função sendo a função identidade.

Variável Aleatória

Alguns consideram variável aleatória um nome inapropriado, uma vez que variável aleatória não é variável mas sim uma função que transforma resultados (de um experimento) em números reais. Seja A uma -álgebra e o espaço amostral de resultados relevantes ao experimento a ser levado a cabo. No

exemplo de lançamento do dado, o espaço de resultados é = {1, 2, 3, 4, 5, 6}, e A seria a potência do

conjunto. Neste caso, uma variável aleatória apropriada seria a função identide X() = , tal que se o resultado é um “1” então a variável aleatória é tabém 1. Um exemplo igualmente simples mas menos trivial é o exemplo no qual poderíamos lançar uma moeda: um espaço amostral adequado de resultados possíveis é = {H, T} (para cara ou coroa), e A igual ainda à potência de . Uma entre muitas variávis aleatórias possíveis definidas neste espaço é:

X() =

0,

1,

se

se

H

T

Matematicamente, uma variável aleatória é definida como uma função mensurável de um espaço amostral para algum espaço mensurável

Convergência de Variáveis Aleatórias

Na teoria de probabilidade, existem várias noções de convergência para variáveis aleatórias. Elas são listadas abaixo em ordem da sua força, isto é, qualquer noção de convergência subsequente na lista implica convergência de acordo com todas as noções de convergência precedentes.

Convergência em distribuição: Como o nome diz, uma sequência de variáveis aleatórias X 1 , X 2 ,

converge para a variável aleatória X em distribuição se as suas respectivas funções de distribuição

acumuladas F 1 , F 2 , contínua.

convergem para a função de distrbuição acumulada F, de X, sempre que F é

Convergência Fraca: A sequência de variáveis aleatórias X 1 , X 2 ,

uma variávela aleatória X se lim

é dita convergir fracamente para

n

P (| X

n

X

| ) = 0 para cada > 0. A Convergência Fraca é também

chamada deconvergência em probabilidade.

Convergência Forte: A sequência de variáveis aleatórias X 1 , X 2 ,

uma variávela aleatória X se lim P(| X

n

X ) = 1

n 

é dita convergir fortemente para

A convergência Forte é também conhecida como convergência quase certa.

Intuitivamente, convergência forte é uma versão mais forte da convergência fraca, e em ambos casos

as variáveis aleatórias X 1 , X 2 ,

convergência em distriubuição, os valores realizados das variáveis aleatórias não precisam de

convergir, e qual qualquer possível correlação entre eles é imaterial.

mostram uma correlação crescente com X. Todavia, no caso da

Lei dos Grandes Números

Se uma moeda perfeita é atirada para cima, sabemos que aproximadamente metade de vezes terá cara virada para cima, e outra metade terá coroa virada para cima. Também parece que quanto mais lançarmos a moeda, mais provável é que a razão de cara:coroa aproximará a 1:1. A probabilidade moderna permite-nos chegar formalmente ao mesmo resultado, apelidada de Lei de Grandes Números. Este resultado é notável porque em parte alguma foi assumido durante a construção da teoria e é completamente um ramo da teoria. Ligando teoricamente-deduzidas as probabilidades à sua frequência real de ocorrência no mundo real, este resultado é considerado como um pilar na história da teoria estatística.

A Lei forte de grandes números (SLLN – strong law of large numbers) afirma que se um evento de

probabilidade p é observado repetidamente durante experimentos independentes, a razão entre a fraquência observada do tal evento e o número total de repetições converge fortemente para p em probabilidade.

Em outras palavras, se X 1 , X 2 ,

são variáveis aleatórias independentes de Bernoulli tomando valores

1 com probabilidade p e 0 com probabilidade 1 – p, então a sequência de números aleatórios

X

n converge para p quase certamente, isto é,

n

P

lim

n 

n

i

1

X

i

n

p


1

Teorema Central do Limite

O teorema central do limite é a razão de ocorrência omnipresente da distribuição normal, para a qual

é um dos teoremas mais celebrados em probabilidade e estatística.

O teorema afirma que a média de muitas variáveis aleatórias independentes e identicamente

distribuidas tende para uma distribuição normal independentemente da qual distribuição original as

variáveis aleatórias seguem. Formalmente, seja X 1 , X 2 ,

médias 1 , 2 ,

variáveis aleatórias independentes com

,

e

variâncias  

Então, a sequência das variâveis aleatórias

Z n =

n

 ( X  )  i i i  1 n  2 
 (
X
)
 i
i
i  1
n
2
i
i  1

converge em distribuição para uma variável aleatória normal padrão.

Funções de Variáveis Aleatórias

Se temos uma variável aleatória X em e uma função mensurável f: R R,