You are on page 1of 6

Filipe A. R. Gaspar http://resumosdosecundario.blogspot.

pt/

Matemática Aplicada às Ciências Sociais (M.A.C.S.)


4 – Modelos de probabilidade
4.1 – Noções básicas
4.1.1 – Experiências e espaço de resultados
4.1.1.1 – Experiências
 Determinista – produz sempre o mesmo resultado;
 Aleatória – não se conhece o resultado antes de se realizar a experiência:
 Simples – produz-se uma ação;
 Composta – produzem-se duas ou mais ações.

4.1.1.2 – Espaço de resultados


O espaço de resultados ou espaço amostral é representado por S, E ou Ω, e é
constituído pelos resultados possíveis de uma experiência.

4.1.2 – Acontecimentos
4.1.2.1 – Tipos de acontecimentos
 Elementar – um único resultado;
 Composto – dois ou mais resultados;
 Certo – o resultado consta de todos os elementos: A = Ω;
 Impossível – o resultado não tem qualquer elemento: A = Ø ou A = { }.
Para a contagem de casos possíveis numa experiência, podem-se utilizar diagramas de
árvore ou tabelas de dupla entrada.
V (V,V)
V F
V
V (V,V) (V,F)
F (V,F)
(F,V)
F (F,V) (F,F)
V
F

F (F,F)

1
Filipe A. R. Gaspar http://resumosdosecundario.blogspot.pt/

4.1.2.2 – Operações com acontecimentos


Acontecimento união/ reunião
Acontecimento constituído por todos os resultados de A e B. Representa-se por A ∪ B.
S A∪B ou S A∪B Diagrama
de Venn
A B A B

Acontecimento interseção
Acontecimento constituído pelos resultados que pertencem simultaneamente a A e a
B. Representa-se por A ∩ B.
Quando há uma interseção entre dois acontecimentos, e se quer saber a probabilidade
de A ou B ocorrerem sem que ambos possam ocorrer simultaneamente, deve-se
descobrir o valor de A ∩ B, e, de seguida, subtrai-lo com A + A ∩ B e B + A ∩ B. Para se
descobrir o valor de A ∩ B, somam-se os valores de todos os acontecimentos (ainda
com A∩B incluído) e, de seguida, subtraem-se com o total.
S

A A∩B B

Acontecimentos disjuntos ou mutuamente exclusivos


Acontecimentos que não têm elementos em comum.
S
A∩B={}
A B

Acontecimento complementar ou contrário


Acontecimento constituído por todos os resultados de S que não pertencem a A.
Representa-se por Ā ou Ac.
De acordo com as leis de De Morgan, ̅̅̅̅̅̅̅
A ∩ B = A ∪ B e ̅̅̅̅̅̅̅
A ∪ B = A ∩ B.
S

A Ā

2
Filipe A. R. Gaspar http://resumosdosecundario.blogspot.pt/

4.1.2.3 – Acontecimentos independentes


Dois acontecimentos são independentes quando a realização de um deles não
interfere na probabilidade da realização do outro: P(A ∩ B) = P(A) × P(B).

4.2 – Cálculo de probabilidades


4.2.1 – Lei de Laplace
nº de resultados favoráveis a A
P(A) =
nº de resultados que constituem S

4.2.2 – Probabilidade condicional, probabilidade total e regra de


Bayes
4.2.2.1 – Probabilidade condicional
P(A ∩ B) P(A) × P (B|A)
Probabilidade de A tendo em conta que B = P(A|B) = =
P(B) P(B)

4.2.2.2 – Teorema da probabilidade total


Seja S constituído por B1, B2, …, Bk, e A um acontecimento.
P(A) = P(B1) × P(A|B1) + P(B2) × P(A|B2)+ … + P(Bk) × P(A|Bk)

B1 B2 B3

4.2.2.3 – Regra de Bayes


P(A ∩ Bi) P(Bi) × P (A|Bi)
P(Bi|A) = = P(B1) × P(A|B1) + P(B2) × P(A|B2)+ … + P(Bk) × P(A|Bk)
P(A)

4.3 – Distribuição de probabilidades


4.3.1 – Variável aleatória e distribuição de probabilidades de
uma variável aleatória discreta
Uma variável aleatória é uma variável cujo valor é um resultado numérico associado
ao resultado de uma experiência aleatória, e é representada por X, Y ou Z.
Uma variável aleatória é discreta se toma um nº finito de valores ou um nº infinito
numerável.
Uma variável aleatória é contínua se toma todos os valores de um intervalo ou reunião
de intervalos.
Chama-se distribuição de probabilidades ou função massa de probabilidades de uma

3
Filipe A. R. Gaspar http://resumosdosecundario.blogspot.pt/

variável aleatória discreta X à aplicação que


a cada valor xi da variável X faz corresponder
a respetiva probabilidade pi. Tal representa-
se por:

4.3.1.1 – Valor médio e desvio-padrão populacional de uma


distribuição de probabilidades
O valor médio (µ) de uma distribuição de probabilidades é obtido pela multiplicação
de cada valor xi pela respetiva probabilidade e à soma dos resultados obtidos, ou seja:
n

µ = ∑ xi pi
i=1

Num jogo: quando µ > 0 – o jogo é favorável ao jogador; quando µ = 0 – o jogo é


equitativo; µ < 0 – o jogo é favorável à casa.
O desvio-padrão populacional (σ) de uma distribuição de probabilidades é igual à raiz
quadrada da variância populacional (σ2) de uma distribuição de probabilidades, ou
seja, σ = √σ2.
A variância populacional é igual à multiplicação de cada resultado (xi - µ)2 pela
probabilidade pi = P(X=xi), e à soma dos resultados obtidos, ou seja:
n

σ2 = ∑(xi − µ)2 pi
i=1

4.3.2 – Distribuição binomial


4.3.2.1 – Modelo de distribuição binomial
No modelo de distribuição binomial:

 Há n provas idênticas;
 Em cada prova da experiência aleatória, são apenas possíveis dois resultados – o
sucesso A ou o insucesso Ā;
 O resultado de cada prova é independente dos resultados obtidos anteriormente;
 A probabilidade do sucesso A (p) não varia de uma prova para outra;
 Todas as experiências têm reposição.
A variável aleatória X é discreta e pode assumir os valores 0, 1, 2, …, n, e representa o
nº de sucessos nas n provas. Esta chama-se variável aleatória com distribuição
binomial de parâmetros n e p, e representa-se por B (n,p).

4
Filipe A. R. Gaspar http://resumosdosecundario.blogspot.pt/

Para se determinar a probabilidade de uma variável aleatória X discreta com


distribuição binomial assumir valores como 1, 2, …, n, utiliza-se a seguinte fórmula:
n!
P(X = k) = × pk (1 − p)n−k , k = 0, 1, 2, … , n
k! (n − k)!
Na qual X é a variável aleatória, k o valor
pretendido, n o nº de provas e p a probabilidade Casio: Stat – Dist – Binm – Bpd
de sucesso. – Var: Num= n; P = p; x = k

Valor médio e desvio-padrão populacional da distribuição binomial


 µ = n × p;
 σ2 = n × p × (1-p);
 σ = √σ2.

4.3.3 – Distribuição normal


Para as variáveis aleatórias contínuas, utiliza-se o modelo normal. A função densidade,
curva normal ou curva de Gauss, que se representa por uma curva com forma de sino,
é, para a população, o equivalente ao histograma para a amostra.

4.3.3.1 – Características da curva normal


 É simétrica em relação ao valor médio µ da variável;
 Uma variável aleatória X com distribuição
normal de valor médio µ e desvio-padrão σ
representa-se por N (µ,σ);
 Quanto maior for o desvio-padrão σ, mais
achatada é a curva;
 A área compreendida entre a curva e o
eixo dos xx é igual a 1;
 A área abaixo da curva distribui-se em intervalos da seguinte forma:

5
Filipe A. R. Gaspar http://resumosdosecundario.blogspot.pt/

 Probabilidades de
diferentes intervalos
representam-se por
P(A≤X≤B), e podem ser
calculados a partir dos
valores da curva ao lado,
ou através da
calculadora.

Casio: Stat – Dist –


Norm – Ncd

4.3.3.2 – Distribuição normal estandardizada


Distribuição normal standard/ estandardizada/ tipificada é aquela em que N (0,1), na
qual µ = 0 e σ = 1.
Para se estandardizar uma variável X da distribuição N (µ,σ), tem que se transformar a
X− µ
variável em Z de distribuição N (0,1). Para tal, utiliza-se a seguinte fórmula: Z = .
σ