Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Organizadores
Antônio Carlos Brolezzi
Elvia Mureb Sallum
Martha S. Monteiro
Elaboradoras
Cristina Cerri
Lisbeth K. Cordani
2
módulo
Nome do Aluno
GOVERNO DO ESTADO DE SÃO PAULO
Governador: Geraldo Alckmin
Secretaria de Estado da Educação de São Paulo
Secretário: Gabriel Benedito Issac Chalita
Coordenadoria de Estudos e Normas Pedagógicas – CENP
Coordenadora: Sonia Maria Silva
PROGRAMA PRÓ-UNIVERSITÁRIO
Coordenadora Geral: Eleny Mitrulis
Vice-coordenadora Geral: Sonia Maria Vanzella Castellar
Coordenadora Pedagógica: Helena Coharik Chamlian
Coordenadores de Área
Biologia:
Paulo Takeo Sano – Lyria Mori
Física:
Maurício Pietrocola – Nobuko Ueta
Geografia:
Sonia Maria Vanzella Castellar – Elvio Rodrigues Martins
História:
Kátia Maria Abud – Raquel Glezer
Língua Inglesa:
Anna Maria Carmagnani – Walkyria Monte Mór
Língua Portuguesa:
Maria Lúcia Victório de Oliveira Andrade – Neide Luzia de Rezende – Valdir Heitor Barzotto
Matemática:
Antônio Carlos Brolezzi – Elvia Mureb Sallum – Martha S. Monteiro
Química:
Maria Eunice Ribeiro Marcondes – Marcelo Giordan
Produção Editorial
Dreampix Comunicação
Revisão, diagramação, capa e projeto gráfico: André Jun Nishizawa, Eduardo Higa Sokei, José Muniz Jr.
Mariana Pimenta Coan, Mario Guimarães Mucida e Wagner Shimabukuro
Cartas ao
Aluno
Carta da
Pró-Reitoria de Graduação
Caro aluno,
Com muita alegria, a Universidade de São Paulo, por meio de seus estudantes
e de seus professores, participa dessa parceria com a Secretaria de Estado da
Educação, oferecendo a você o que temos de melhor: conhecimento.
Conhecimento é a chave para o desenvolvimento das pessoas e das nações
e freqüentar o ensino superior é a maneira mais efetiva de ampliar conhecimentos
de forma sistemática e de se preparar para uma profissão.
Ingressar numa universidade de reconhecida qualidade e gratuita é o desejo
de tantos jovens como você. Por isso, a USP, assim como outras universidades
públicas, possui um vestibular tão concorrido. Para enfrentar tal concorrência,
muitos alunos do ensino médio, inclusive os que estudam em escolas particulares
de reconhecida qualidade, fazem cursinhos preparatórios, em geral de alto
custo e inacessíveis à maioria dos alunos da escola pública.
O presente programa oferece a você a possibilidade de se preparar para enfrentar
com melhores condições um vestibular, retomando aspectos fundamentais da
programação do ensino médio. Espera-se, também, que essa revisão, orientada
por objetivos educacionais, o auxilie a perceber com clareza o desenvolvimento
pessoal que adquiriu ao longo da educação básica. Tomar posse da própria
formação certamente lhe dará a segurança necessária para enfrentar qualquer
situação de vida e de trabalho.
Enfrente com garra esse programa. Os próximos meses, até os exames em
novembro, exigirão de sua parte muita disciplina e estudo diário. Os monitores
e os professores da USP, em parceria com os professores de sua escola, estão
se dedicando muito para ajudá-lo nessa travessia.
Em nome da comunidade USP, desejo-lhe, meu caro aluno, disposição e vigor
para o presente desafio.
Caro aluno,
Com a efetiva expansão e a crescente melhoria do ensino médio estadual,
os desafios vivenciados por todos os jovens matriculados nas escolas da rede
estadual de ensino, no momento de ingressar nas universidades públicas, vêm se
inserindo, ao longo dos anos, num contexto aparentemente contraditório.
Se de um lado nota-se um gradual aumento no percentual dos jovens aprovados
nos exames vestibulares da Fuvest — o que, indubitavelmente, comprova a
qualidade dos estudos públicos oferecidos —, de outro mostra quão desiguais
têm sido as condições apresentadas pelos alunos ao concluírem a última etapa
da educação básica.
Diante dessa realidade, e com o objetivo de assegurar a esses alunos o patamar
de formação básica necessário ao restabelecimento da igualdade de direitos
demandados pela continuidade de estudos em nível superior, a Secretaria de
Estado da Educação assumiu, em 2004, o compromisso de abrir, no programa
denominado Pró-Universitário, 5.000 vagas para alunos matriculados na terceira
série do curso regular do ensino médio. É uma proposta de trabalho que busca
ampliar e diversificar as oportunidades de aprendizagem de novos conhecimentos
e conteúdos de modo a instrumentalizar o aluno para uma efetiva inserção no
mundo acadêmico. Tal proposta pedagógica buscará contemplar as diferentes
disciplinas do currículo do ensino médio mediante material didático especialmente
construído para esse fim.
O Programa não só quer encorajar você, aluno da escola pública, a participar
do exame seletivo de ingresso no ensino público superior, como espera se
constituir em um efetivo canal interativo entre a escola de ensino médio e
a universidade. Num processo de contribuições mútuas, rico e diversificado
em subsídios, essa parceria poderá, no caso da estadual paulista, contribuir
para o aperfeiçoamento de seu currículo, organização e formação de docentes.
1
SCHOENFELD A. H. “Learning to think mathematically: Problem solving, metacognition and sense
making in mathematics”. In: D. A. Grouws (Ed.). Handbook of research on mathematicas teaching and
learning. p. 334-370. Nova Iorque: MacMillan, 1992.
Apresentação
do módulo
Uma das ferramentas mais utilizadas hoje em dia pelos cientistas, analistas
econômico-sociais, profissionais liberais, jornalistas etc. é a Estatística, que
descreve os dados observados e desenvolve a metodologia para a tomada de
decisão em presença da incerteza. O verbete estatística foi introduzido no
século XVIII, tendo origem na palavra latina status (Estado), e serviu inicial-
mente a objetivos ligados à organização político-social, como o fornecimento
de dados ao sistema de poder vigente. Hoje em dia, os modelos de aplicação
da Teoria Estatística se estendem por todas as áreas do conhecimento, como
testes educacionais, pesquisas eleitorais, análise de riscos ambientais, finan-
ças, controle de qualidade, análises clínicas, data mining, índices de desen-
volvimento, modelagem de fenômenos atmosféricos etc. Podemos informal-
mente dizer que a Teoria Estatística é uma ferramenta que ajuda a tomar deci-
sões com base na evidência disponível, decisões essas afetadas por margens
de erro, calculadas através de modelos de probabilidade.
No entanto, a probabilidade se desenvolveu muito antes de ser usada em
aplicações da Teoria Estatística. Um dos marcos consagrados na literatura
probabilística foi a correspondência entre B. Pascal (1623-1662) e P. Fermat
(1601-1665), onde o tema era a probabilidade de ganhar em um jogo com dois
jogadores, sob determinadas condições. Isso mostra que o desenvolvimento da
teoria de probabilidades começou com uma paixão humana, que são os jogos
de azar, mas evoluiu para uma área fortemente teórica, em uma perspectiva de
modelar a incerteza, derivando probabilidades a partir de modelos matemáti-
cos. A análise combinatória deve grande parte de seu desenvolvimento à ne-
cessidade de resolver problemas probabilísticos ligados à contagem, mas hoje
há diversas áreas em que seus resultados são fundamentais para o desenvolvi-
mento de teorias, como, por exemplo, a área de sistemas de informação.
Esta apostila tratará das três áreas descritas na introdução: estatística, pro-
babilidade e combinatória. Para o desenvolvimento dos temas, foi difícil a
escolha da ordem e do conteúdo, limitados que fomos pelo tempo disponível
para o desenvolvimento de cada assunto. Optamos por fazer um tratamento
sucinto de dados, através da estatística descritiva, por oferecer algumas no-
ções de probabilidade, a fim de trabalhar situações ligadas à incerteza, bem
como apresentar elementos de análise combinatória, visando desenvolver o
raciocínio para solucionar certos tipos de problemas de contagem dando me-
nos ênfase ao uso de fórmulas.
Unidade 1
Estatística descritiva
Organizadores
A Estatística é um veículo para que os indivíduos, de modo geral, desen- Antônio Carlos
volvam a capacidade de aproveitar as fontes disponíveis de informação para Brolezzi
expressar e construir suas próprias idéias. Além disso, como já dissemos, es- Elvia Mureb
sas noções são parte integrante de todas as áreas do conhecimento e certa- Sallum
mente serão de grande utilidade para o curso universitário, qualquer que seja Martha S.
a área de interesse do estudante, pois praticamente todas as carreiras universi- Monteiro
tárias contêm uma disciplina de Estatística, a qual tornou-se um suporte para o
desenvolvimento do conhecimento. Elaboradora
Lisbeth K. Cordani
Cada vez mais os meios de comunicação nos apresentam
gráficos e medidas estatísticas resumidas de natureza
descritiva. Esse é um material de apoio que deve ser utilizado
para aprender os conceitos com base em notícias de nosso
próprio cotidiano. Os gráficos e as estatísticas descritivas
normalmente não são um fim em si mesmos, mas constituem
uma parte importante do processo de análise.
Esta seção tem como objetivo mostrar aos alunos como se trabalha um
conjunto de dados simples, quer sejam de natureza numérica quer sejam de
natureza qualitativa. Esses dados normalmente constituem uma amostra de
determinada população de interesse de alguma área científica, econômica,
social etc. É muito difícil uma pesquisa envolver todos os elementos de uma
determinada população (o Censo faz isso), por motivos vários, e é por isso
que se recorre às amostras (que são subconjuntos de populações).
POPULAÇÃO
Conjunto de todos os indivíduos (ou elementos) de interesse.
AMOSTRA
Qualquer subconjunto de uma população.
ANÁLISE DE DADOS
Vamos iniciar a análise descritiva propondo uma tarefa para a classe: cada
um deverá medir o palmo de sua mão direita (em cm) com uma régua e regis-
trar o valor inteiro mais próximo. Se a leitura da régua informar uma medida
com 5 como o primeiro decimal (ex. 18,5 cm), vamos propor um arredonda-
mento rápido, mas grosseiro: considere 19 cm, se o dia de seu nascimento for
par, e 18 cm, se for impar. A classe pode discutir esse critério, pensando com
19 18 23 20 20 21 20 20 19 20
F F M F M M F M F M
20 20 21 21 20 21 19 17 19 19
M M M F F M F F F F
21 21 20 20 21 22 20 21 18 20
M M M F M M M M F F Tabela 1
PALMO freqüência f
17 1
18 2
SEXO f
19 5
M 16
20 12
F 14
21 8
22 1
23 1 Tabela 2
PREENCHA
PALMO freqüência f
17
18
SEXO f
19
M
20
F
21
22
23
∑X
i =1
i
Média aritmética de palmo = X = (1)
n
onde X é a representação para palmo (cada um pode escolher a sua represen-
tação), X é a notação usual para média de X e n é o número de elementos.
Fazendo então o cálculo, vem:
X = [(17 + 18 + 18 +……….+ 22 + 23) / 30] ≅ 20 cm
(aqui o resultado é uma dízima periódica e vamos trabalhar com este valor aproximado)
∑ f .X i i
X= i =1 (2)
n
onde fi é a freqüência do valor Xi, n é a soma de f i e a média é evidentemente
igual à anterior:
X = [(1. 17 + 2. 18 + 5. 19 + 12 . 20 + 8 . 21 + 1. 22 + 1. 23) / 30 ] ≅ 20 cm
A classe deverá fazer a média dos valores obtidos da variável PALMO de
todos os seus alunos.
Tanto no caso dos dados da Tabela 1 como naqueles da Tabela 2, não houve
nenhuma perda de informação e os valores da média são idênticos. Se a tabela
de freqüências disponível fosse a Tabela 4 (que apresentaremos adiante) então
haveria perda de informação, pois os dados estariam compactados em classes e
o cálculo da média seria feito com o ponto médio de cada classe como valor de
X – assim, com perda de informação, a média obtida não seria necessariamente
igual à anterior. Não vamos aqui explorar esse conteúdo para o cálculo de me-
didas descritivas, uma vez que com os recursos computacionais atuais não é
necessário dividir os dados em classes com esse objetivo. No entanto, veremos
uma aplicação gráfica com a Tabela 4, cujos dados estão divididos em classes.
A mediana da variável palmo é um valor que divide o conjunto dos valo-
res dessa variável em duas partes: metade dos valores é inferior (ou igual) à
mediana e a outra metade apresenta valores maiores (ou iguais) à mediana.
Para encontrar a mediana é então necessário ordenar os valores da variável e
verificar o valor que ocupa a posição central. Se o número de elementos for
par, e esse é o caso do exemplo (com n = 30), toma-se para mediana a média
aritmética entre os dois valores centrais – neste caso será a média entre o 15o
e o 16 o elementos. Ordenando os dados de palmo do menor para o maior
(pode ser também ao contrário), tem-se:
17 18 18 19 19 19 19 19 20 20
20 20 20 20 20 20 20 20 20 20
21 21 21 21 21 21 21 21 22 23
Tabela 3
18 25
Você deve ter percebido que na família B todos os valores estão concen-
trados e na família A os valores estão dispersos. Esse aspecto não é percebido
se calcularmos somente a média, pois, como vimos, ela é igual para ambas as
famílias. Isso mostra que devemos complementar a medida de posição com
mais alguma coisa a fim de caracterizar as famílias quanto à variável palmo.
Voltaremos a este exemplo oportunamente.
Há uma idéia permeando esta discussão que diz respeito à diferença de
comportamento entre os dois grupos: é a idéia de variabilidade. Medidas des-
critivas de variabilidade representam a dispersão dos dados e podem ser defi-
nidas também por medidas resumo das variáveis numéricas em estudo. Fala-
remos aqui da amplitude, variância e desvio padrão.
A amplitude é a medida mais simples de variabilidade e é obtida através da
diferença entre os valores máximo e mínimo da variável em estudo, ou seja:
Aqui é bom frisar que o intuitivo seria fazer esta média com n no denomina-
dor – questões teóricas, fora do escopo deste texto, nos levam a usar (n – 1),
principalmente em casos onde estamos usando amostras. Quanto à unidade
associada à variância, ela não é a mesma unidade dos dados originais e sim o
quadrado dela – neste exemplo, a unidade da variância é cm2. Com os dados
da Tabela 1 temos:
[(19 – 20)2 + (18 – 20)2 +(23 – 20)2 + … + (18 – 20)2 + (20 – 20)2]
Variância =
(30 – 1)
Variância ≅ 1,48 cm2
TENTE FAZER
No caso da tabela de freqüências com os dados da Tab ela 1, como seria feito o cálculo
abela
da variância? Recalcule e compare com o valor obtido anteriormente.
Exemplo 2: com os dados da Tabela 1 vamos verificar o que foi dito acima. A
média ( X ) é 20 e vamos considerar o desvio padrão como sendo 1,2. Daí vem:
Para verificar quantos são os valores que estão nos intervalos de interesse,
podemos nos reportar à Tabela 3, que representa os dados da Tabela 1 de
modo ordenado. Verifica-se assim que:
- no intervalo em a, (18,8; 21,2), encontramos 25 valores na Tabela 3 (83%).
- no intervalo em b, (17,6; 22,4), encontramos 28 valores na Tabela 3 (93%).
- no intervalo em c, (16,4; 23,6), encontramos 30 valores na Tabela 3 (100%).
T ENTE FAZER
Para os dados coletados em classe determine a porcentagem dos valores que pertencem
a cada um dos intervalos definidos acima. Compare com os resultados do Exemplo 2.
22|–24 2
Tabela 4
TENTE FAZER
Construa a tabela de freqüências das diferenças entre as medidas da mão esquerda e da
mão direita e o correspondente histograma. Use as freqüências relativas na ordenada.
O último gráfico que veremos neste tópico é aquele que relaciona duas
variáveis numéricas: diagrama de dispersão, que nada mais é do que a repre-
sentação em um eixo de coordenadas cartesianas de pares associados a duas
variáveis numéricas. A Tabela 5 mostra mais duas variáveis coletadas na amos-
tra dos trinta adultos: a altura e o peso. Normalmente (mas não obrigatoria-
mente) o gráfico de dispersão das variáveis peso e altura mostra um compor-
tamento crescente (aproximadamente linear), com a possível interpretação de
que peso e altura são diretamente proporcionais.
Unidade 2
Probabilidade
Organizadores
Mais do que um arcabouço técnico, o racio- Antônio Carlos
cínio estatístico é uma forma de pensar e, asso- Brolezzi
ciado ao Cálculo de probabilidades, permite a
investigação de certas regularidades, de padrões Elvia Mureb
Sallum
de comportamento, com conclusões tomadas
levando em conta um risco associado. Se estivermos interessados em saber Martha S.
qual a probabilidade de obter 10 Caras em 10 lançamentos independentes de Monteiro
uma moeda honesta temos um problema de probabilidade a ser resolvido (e a Elaboradora
resposta é exata: (1/2)10). Por outro lado, se temos em mãos uma moeda e
Lisbeth K. Cordani
queremos saber se ela é honesta, podemos, por exemplo, jogá-la 10 vezes
(jogadas independentes uma da outra) e observar o resultado. Se o resultado
for 10 Caras, o que podemos concluir sobre a “honestidade” da moeda? Tere-
mos uma conclusão tão precisa quanto a obtida na resposta anterior? A res-
posta é não, pois qualquer que seja nossa decisão sobre a moeda, temos um
risco associado (ou seja, posso dizer que ela não é honesta – e ela ser honesta
– ou posso dizer que ela é honesta – e ela não ser honesta). O primeiro exem-
plo refere-se a um problema de probabilidade e o segundo é um problema
estatístico. De fato, neste segundo exemplo temos uma informação de uma
amostra (resultado de 10 lances de uma moeda) e queremos tirar uma conclu-
são para a população (probabilidade de Cara) – esta operação é chamada de
inferência estatística, e é construída levando-se em conta uma margem de
erro na conclusão, obtida através de raciocínio probabilístico. Na seção ante-
rior vimos como trabalhar com amostras, sob o ponto de vista de análise de
dados. Não abordaremos aqui nesta apostila a análise inferencial (que pode
ser vista nas referências bibliográficas) e passaremos a desenvolver noções
básicas de probabilidade.
Como já comentamos na introdução, a área de probabilidade começou a ser
desenvolvida para responder questões propostas em jogos de azar, desde o sé-
culo XVII, mas a área desenvolveu-se muitíssimo desde então. O termo pro-
babilidade faz parte do senso comum e as pessoas vivem o cotidiano calculan-
do tacitamente algumas probabilidades: desde situações de sua vida pessoal
(organizando-se para chegar ao trabalho no horário, levando em conta as cir-
cunstâncias do tráfego; agasalhando-se ao sair de casa se a previsão do tempo
indicar uma frente fria; não tomando determinados remédios que possam ter
efeitos colaterais em parte das pessoas etc) até tomadas de decisão em sua vida
profissional (abrir um negócio, aplicar dinheiro na Bolsa de Valores etc.).
Trabalharemos aqui algumas noções elementares do cálculo de probabili-
dades, para começar a pensar a incerteza. Antes mesmo de definir o termo
probabilidade, vamos caracterizar três situações distintas:
Respostas:
1 – P(F) = ? Resposta: P(F) = (200/400) = 1/2 = 0,5 (ou 50%)
2 – P(NÃO) = ? Resposta: P(NÃO) = (210/400) = 0,525 (ou 52,5%)
3 –P ( NÃO ou F) = ? (União U)
Resposta: P (NÃO ou F)= (210 + 200 – 60)/400 = (350/400)= (7/8) =
= 0,875 (ou 87,5%)
U
4 – P(NÃO e F) = ? (Intersecção )
Resposta: P(NÃO e F) = (60/400) = 0,15 (ou 15%).
Como responder à questão 6? Aqui surge uma linguagem nova: dado que.
Isso significa que queremos um valor de probabilidade, mas temos alguma
informação adicional (dado que = sabendo que). A notação que usaremos
para dado que será uma barra vertical | , como a seguir:
T ENTE FAZER
Com os dados do Exemplo 3 mostre, usando a expressão (11), que os eventos NÃO e F
são dependentes (ou não são independentes).
TENTE FAZER
Mostre que dois eventos disjuntos não são independentes.
TENTE FAZER
Usando os dados do Exemplo 3, mostre que:
P(SIM) = 1 – P(NÃO) e que P(M) = 1 – P(F). Ou seja,
A c) , para A U A c = S (espaço amostral).
P(A) = 1 – P(A
P(M | SIM)
M P(SIM e M) = (190/400).(50/190)
50/190
= 0,125 (ou 12,5%)
SIM
140/190
190/400 F P(SIM e F) = (190/400).(140/190)
= 0,35 (ou 35%)
60/210
F P(NÃO e F) = (210/400).(60/210)
= 0,15 (ou 15%)
T ENTE FAZER
No espaço a seguir, faça um diagrama de árvore iniciando pela característica sexo.
Verifique que o conjunto dos resultados associados aos caminhos constitui o espaço
amostral já visto.
180.000
1/2
90.000 Perde: (1/2)p
p
(1-p)
100.000 Ganha: (1/2)p (1-p)
80.000 1/2
1/2
40.000 Perde: (1/2)p (1-p)
Resposta:
a) O investidor pode ficar com qualquer dos seguintes valores (e respectivas
probabilidades): R$ 225 000,00 [(½)p], R$ 90 000,00 [(½)p], R$ 100 000,00
[½(1-p)] ou R$ 40 000,00 [½(1-p)].
b) Levando em conta as quatro possibilidades, o investidor só não perde na
primeira delas. Como, segundo a revista, a probabilidade de perder é de 70%,
a probabilidade de não perder (complementar!) é de 30% e temos então que
(½) p = 0,30. Portanto p = 0,60.
Outra maneira de chegar a este resultado é igualar a probabilidade de
perder a 70%, ou seja,
Probabilidade da União
U
P(A ou B) = P(AU B) = P(A) +P(B) – P(A B)
Probabilidade Condicional
P(A | B) = P(A B) / P(B) para P (B) ≠ 0
U
Probabilidade Conjunta
U
P(A B) = P(A|B) . P(B) = P(B|A) . P(A)
Unidade 3
Combinatória*
Organizadores
Antônio Carlos
Brolezzi
Qual é a chance de se ganhar na Loto ou na Mega-Sena? E na Loteria Elvia Mureb
Esportiva? Calcular a probabilidade de se ganhar num jogo de azar passa Sallum
muitas vezes por conhecer todos os elementos com os quais se está lidando e Martha S.
depois quais desses são os elementos “ganhadores”. Por exemplo, se uma Monteiro
moeda é lançada duas vezes, sucessivamente, temos quatro possíveis resulta-
dos: (cara, cara), (coroa, cara), (cara, coroa) e (coroa, coroa). Se “ganhamos” Elaboradora
quando obtivermos exatamente duas caras, então, se a moeda for honesta, só Cristina Cerri
temos uma chance em quatro de ganhar. Neste caso foi fácil contar quantos
são os casos possíveis (espaço amostral) e quantos são os (eventos) favorá-
veis. E se fossem 50 lançamentos? E no caso de jogos como da Loto ou da
Mega-Sena, quantas são todas as combinações possíveis de números?
Assim, para a resolução de problemas desse tipo, é essencial conhecer a
quantidade de elementos de determinados conjuntos, sem ter que, efetiva-
mente, listá-los e contá-los. Em outras situações concretas também é necessá-
rio saber o número de elementos de determinados conjuntos.
que muitos problemas de contagem podem ser tratados usando apenas alguns
princípios básicos. Vamos enfatizar a compreensão plena do problema trata-
do e o reconhecimento da técnica adequada em cada caso, não as fórmulas,
que são muito úteis, mas resolvem apenas tipos especiais de problemas.
Vamos começar discutindo um problema simples de contagem. Em um car-
dápio de um restaurante italiano estão listados 5 tipos de massas e 7 tipos de
molhos distintos. Quantos pedidos distintos podem ser feitos? É fácil obter a
resposta: 35. Foi utilizado um princípio básico de contagem: para cada tipo de
massa escolhida tem-se 7 molhos diferentes para escolher, e assim, temos 5 x 7
diferentes pratos.
Vamos retomar o problema das placas de carros na cidade de São Paulo.
Quantas placas de automóveis podem ser formadas usando-se três letras (in-
clusive K, Y e W) e quatro algarismos? Veja o esquema abaixo de uma placa
de automóvel:
1a 2a 3a 1o 2o 3o 4o
letra letra letra algarismo algarismo algarismo algarismo
Para formar uma placa, temos que escolher uma letra entre 26 para colo-
car na primeira posição. Escolhida essa letra, temos 26 escolhas possíveis
para a segunda posição. Então temos 26 x 26 = 676 possibilidades de preen-
chimento das duas primeiras letras da placa. Mas ainda temos que preencher
mais uma casa com uma letra. Assim podemos ter 26 x 26 x 26 = 17.576
maneiras de preencher a placa com 3 letras. Falta ainda colocar os 4 algaris-
mos. Em cada posição temos 10 escolhas de algarismos. Então temos 10 x 10
x 10 x 10 x 10 = 10.000 possibilidades. Portanto, no total teremos 175.760.000
placas. Como para cada carro temos apenas uma placa, esta é a quantidade de
carros que podem ser lacrados na cidade de São Paulo!
Neste caso, esta técnica de efetuar a contagem foi eficiente.
T ENTE FAZER
Você fará um exame cuja prova é composta de 10 questões de múltipla escolha com 5
alternativas por questão cada uma. Quantos são os gabaritos possíveis?
Princípio da Multiplicação
Se uma decisão d1 pode ser tomada de p1 maneiras e se, uma vez tomada a decisão d1 , a
decisão d2 puder ser tomada de p2 maneiras, então o número de maneiras de se tomarem
as decisões d1 e d2 é p1 x p2 maneiras.
TENTE FAZER
- Quantos números naturais de 3 algarismos distintos existem? (Preste atenção: as
decisões envolvidas podem ser tomadas em várias ordens. Qual é a mais conveniente?)
- Quantos números naturais pares de 3 algarismos distintos existem? (Qual a dificuldade
maior deste problema?)
onde cada vértice é um país. Uma linha ligando os vértices significa que os
países têm fronteiras em comum. Um outro problema fascinante deste tipo é o
Problema das Sete Pontes de Königsberg, que foi resolvido por L. Euler em
1735. Como este é um assunto bastante vasto, não o discutiremos aqui. Se
você ficou interessado, leia sobre o problema na Revista do Professor de Ma-
temática (Alguns problemas clássico sobre grafos, n. 12, 1988) ou no site
http://www.prof2000.pt/users/agnelo/pontesh.htm.
Voltemos aos problemas de contagem.
T ENTE FAZER
- De quantos modos 3 pessoas podem se sentar em 5 cadeiras em fila? (Resposta 60)
- Quantos números de quatro dígitos são maiores que 2400 e
(a) têm todos os dígitos diferentes? (Resposta 3864)
(b) não têm dígitos iguais a 3, 5 ou 6? (Resposta 1567)
(c) satisfazem às duas condições acima simultaneamente? (Resposta 560)
- Quantos subconjuntos possuem um conjunto de n elementos? (Resposta 2n)
Discuta com seus colegas o raciocínio usado em cada resolução, pois às vezes obtém-se
a resposta correta por métodos incorretos.
ELIMINANDO REPETIÇÕES
Vamos ver agora outros tipos de problemas de contagem.
Quantas comissões de 4 alunos podem ser formadas numa classe de 7
alunos?
Para o primeiro lugar da comissão temos 7 escolhas, para o segundo lugar
6 escolhas, para o terceiro lugar 5 escolhas e para o quarto lugar 4 escolhas, o
que nos dá, pelo princípio da multiplicação, 7.6.5.4 = 840 escolhas de 4 alu-
nos. Entretanto, 840 não é a quantidade total de comissões! Note que a co-
missão formada pelos alunos A, B, C e D é a mesma daquela formada por B,
D, C e A. Precisamos saber quantas vezes cada comissão foi contada repe-
tidamente. Fixemos 4 alunos (uma comissão). De quantas maneiras podemos
formá-la? Chamando um aluno por vez, para a primeira chamada temos 4
opções, para a segunda 3, para a terceira 2 e para a quarta apenas 1. Logo
FAZENDO GENERALIZAÇÕES
Do que discutimos até aqui podemos ver que alguns problemas de contagem
são muito semelhantes e envolvem sempre o mesmo tipo de raciocínio e cálculo.
Numa escolha de m objetos dentre n objetos distintos, no qual m < n, a
ordem em que fazemos a escolha determina objetos diferentes. Em todas essas
situações, o número de escolhas possíveis é n(n-1).(n-2)...(n-m+1). Por serem
muito freqüentes recebem um nome especial: arranjo simples de m elementos
em n, ou como é mais comum, arranjo de n elementos tomados m a m. Uma
notação bastante usada para indicar esse resultado é
n!
Anm =
( n − m)!
Em outras situações, temos que fazer uma escolha de m objetos dentre n
objetos, onde m < n, e a ordem em que fazemos a escolha não determina obje-
tos diferentes. Se a ordem fosse relevante, obteríamos n(n-1).(n-2)...(n-m+1)
coleções de objetos. Só que essa quantidade de coleções é maior do que a
correta, já que as coleções estão sendo contadas várias vezes. Para eliminar
essas repetições usamos, então, a divisão, como nos exemplos vistos anterior-
mente. O número de coleções é:
n( n − 1) ⋅ ( n − 2)...( n − m + 1)
m( m − 1) ⋅ ( m − 2)...2 ⋅1
Como também essa situação é bastante comum, ela recebe um nome espe-
cial: combinação simples de m elementos em n, ou ainda, combinação de n
elementos tomados m a m. E o resultado é denotado por
n! n
Cnm = =
m !( n − m)! m
DESAFIOS
Vamos propor alguns problemas de contagem de diferentes graus de difi-
culdade. Ao tentar resolvê-los, lembre-se: problemas de aparência simples
podem ser difíceis. Para resolvê-los procure fazer uma representação. Lem-
bre-se que o objetivo é o de contar o número de objetos de uma certa classe.
Tente identificar precisamente quando um objeto pertence à classe e quando
dois deles devem ser considerados distintos. Examine quantas decisões você
deve tomar para executar a contagem.
Caso ainda não esteja claro como proceder, tente outras estratégias. Tente
dividir em subcasos que você saiba resolver. Pode ser útil “esquecer” algumas
das condições exigidas para que um objeto pertença à coleção. Isso, em geral,
dará origem a uma classe maior que a desejada. É necessário, portanto, ex-
cluir posteriormente os objetos “indesejados”. Depois que, aparentemente, o
problema foi resolvido, repense na sua solução, veja se você não está contan-
do alguns casos mais de uma vez ou está se esquecendo de algum.
1. No quadro abaixo, de quantos modos é possível formar a palavra MATEMATICA,
partindo de M e indo sempre para a direita ou para baixo?
M
M A
M A T
M A T E
M A T E M
M A T E M A
M A T E M A T
M A T E M A T I
M A T E M A T I C
M A T E M A T I C A
O TRIÂNGULO DE PASCAL
Num jogo de moedas, jogam-se 4 moedas simultaneamente. Se o vence-
dor for o que conseguir obter exatamente 3 caras e 1 coroa, quantas são as
possíveis combinações ganhadoras?
1 1
0 1
2 2 2
0 1 2
3 3 3 3
0 1 2 3
4 4 4 4 4
0 1 2 3 4
5 5 5 5 5 5
0 1 2 3 4 5
6 6 6 6 6 6 6
0 1 2 3 4 5 6
Triângulo de Pascal
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 32 21 7 1
... ...
1 3 + 3 1
1 4 6 4 1
1. Michael Stifel (1486-1567) é considerado como o maior algebrista alemão do século XVI.
KK + KC + CK + CC = (K + C) (K + C)
KK + 2KC + CC = (K + C) (K + C)
K3 + 3 K2 C + 3 KC 2+ C 3 = (K + C)3
n n n n n
( K + C ) n = K n + K n −1C + K n −1C 2 + ... + KC n −1 + C n
0 1 2 n − 1 n
Bibliografia
BUSSAB, W.O.; MORETTIN, P. A. Estatística Básica. São Paulo: ed. Saraiva,
2002.
CARNEIRO, V.C. Colorindo Mapas. Revista do Professor de Matemática. São
Paulo: SBM, n. 29, 31-35, 1995.
CERRI, C.; DRUCK, I. F.; PEREIRA, A. L. Combinatória Sem Fórmulas. Pro-
jeto Pró-Ciências, São Paulo: Fapesp, 2002.
CERRI, C.; DRUCK, I .F. Combinatória Sem Fórmulas. Projeto PEC – Cons-
truindo Sempre – PEB II, São Paulo: USP-SEE, 2003.
EVES, H. Introdução à História da Matemática.3. ed. Tradução de H.
Domingues. Campinas: ed. Unicamp, 2002.
IEZZI, G. et al. Matemática: Ciência e Aplicações., v. 1, 2 e 3. São Paulo: ed.
Atual, 2001.
MAGALHÃES, M. N.; LIMA, A. C. P. Noções de Probabilidade e Estatística.
São Paulo: Edusp, 2004.
MACHADO, A. S. Matemática na escola do segundo grau. vol 1, 2 e 3. São
Paulo: ed. Atual, 1996.
MORGADO et al. Análise Combinatória e Probabilidades. Rio de Janeiro:
SBM, 1991.
PAIVA, M. Matemática.2. ed. vol 1, 2 e 3. São Paulo: ed. Moderna, 2003.
Sobre os autores
Cristina Cerri
Docente do Instituto de Matemática e Estatística (IME) da USP, fez Licen-
ciatura e Mestrado em Matemática na USP. Seu doutorado, na área de Análise
Funcional, foi realizado na USP e na University of New Mexico nos EUA.
Participa de projetos de capacitação e atualização de professores e foi coorde-
nadora da área de Matemática do Programa Construindo Sempre USP-SEESP.
Lisbeth K. Cordani
Licenciada e bacharela em Matemática (USP), mestra em Estatística (USP)
e doutora em Educação (USP). Docente (aposentada) do IME-USP, atualmen-
te é professora titular do CEUN-IMT. Tem oferecido oficinas de Estatística e
participado de projetos para professores universitários e do Ensino Médio.
Anotações
Anotações
Anotações
Anotações
Anotações