Problemas de probabilidade e combinações em turmas pequenas: guia prático
Trabalhar com dados reais de uma classe com 14 alunos exige cuidado diferente do que usar exemplos genéricos de livros didáticos. O tamanho reduzido da amostra muda completamente a abordagem estatística e probabilística que você pode aplicar.
Quando usar distribuições exatas versus aproximações normais
A regra prática que muitos professores esquecem: com n=14, a aproximação normal para a binomial só funciona razoavelmente bem quando p está perto de 0,5. Se você estiver calculando probabilidades de seleção de alunos para comissões ou grupos, use a hipergeométrica diretamente, não tente normalizar. No meu primeiro ano lecionando, errei feio ao aproximar uma probabilidade hipergeométrica de selecionar 3 meninas de um grupo de 14 (8 meninas, 6 meninos) para uma banca. A aproximação normal deu 0,287; o cálculo exato foi 0,311. O erro relativo foi de 7,7%, aceitável em alguns contextos, mas inaceitável quando se trabalha com notas de corte ou critérios rigorosos de seleção.
O cálculo correto usa C(8,3)×C(6,0)/C(14,3) = 56×1/364 0,154 para exatamente 3 meninas, ou a soma acumulada para "pelo menos 3". Ferramentas como o R com phyper() ou até planilhas com HPER_geo() resolvem em segundos.
Método passo a passo para problemas comuns
Vou cobrir os três tipos de questão que mais aparecem com turmas de 14 estudantes: formação de comissões, distribuição de notas e probabilidade condicional.
Formação de comissões e grupos
Se a pergunta é "de quantas formas podemos formar uma comissão de 5 alunos com pelo menos 2 meninas em uma classe com 14 alunos onde há 8 meninas e 6 meninos", faça a conta por complementação. Total de comissões sem restrição: C(14,5) = 2002. Comissões com 0 ou 1 menina: C(8,0)×C(6,5) + C(8,1)×C(6,4) = 6 + 8×15 = 126. Portanto, comissões válidas = 2002 - 126 = 1876. Probabilidade = 1876/2002 0,937.
Isso mostra algo contra-intuitivo: com 8 meninas em 14 alunos, é muito difícil formar uma comissão de 5 sem ter pelo menos 2 meninas. A intuição muitas vezes subestima esse efeito em amostras pequenas.
Distribuição de notas e testes de hipótese
Com apenas 14 observações, testes t de Student são apropriados, mas o poder estatístico é baixo. Se a média da turma for 6,2 com desvio padrão de 1,8, um teste t de uma amostra contra a hipótese de média igual a 7 produzirá um valor-t de (6,2-7)/(1,8/14) -1,66, com p-valor aproximado de 0,12. Isso significa que, mesmo com uma diferença aparente de 0,8 pontos, você não tem evidência suficiente para rejeitar a hipótese nula com =0,05. O erro tipo II é alto aqui. Muitos professores interpretam erroneamente isso como "não há diferença", quando na verdade é "não temos dados suficientes para concluir".
👉 Clique no botão abaixo para saber mais sobre o assunto!
A solução prática: calcule o intervalo de confiança de 95% usando t de Student com 13 graus de liberdade. O fator crítico é aproximadamente 2,16. O intervalo será 6,2 ± 2,16×(1,8/14) = 6,2 ± 0,93, ou seja, entre 5,27 e 7,13. A média hipotética de 7 está dentro do intervalo, confirmando a indecisão estatística.
Probabilidade condicional com dependência
Um problema que aparece frequentemente envolve a probabilidade de dois alunos específicos serem sorteados consecutivamente para apresentar trabalhos. Em uma classe com 14 alunos, a probabilidade de A ser sorteado primeiro é 1/14. Dado que A já foi sorteado, a probabilidade de B ser sorteado segundo é 1/13. A probabilidade conjunta é (1/14)×(1/13) = 1/182 0,0055. Muitos calculadoras automáticas erram ao tratar isso como eventos independentes, usando (1/14)² = 1/196. A diferença parece pequena, mas em cálculos subsequentes se acumula.
Se a questão for "qual a probabilidade de A e B apresentarem juntos, em qualquer ordem", multiplique por 2: 2/182 = 1/91 0,011.
Pegadinhas comuns e como evitá-las
O erro mais frequente é confundir combinações com permutações. Se a ordem de seleção importa (por exemplo, presidente, vice e secretario), use P(14,3) = 14×13×12 = 2184. Se não importa, use C(14,3) = 364. A diferença é fator de 6, que é 3! Outro erro comum: tratar reposição como não reposição. Se você sortear nomes com devolução à urna entre os sorteios, os eventos são independentes. Sem devolução, são dependentes. A distinção altera completamente o cálculo e a maioria dos problemas de sala de aula usa sem reposição.
Para turmas pequenas, também vale a pena considerar simulações de Monte Carlo como verificação. Generate 10.000 comissões aleatórias em Python com numpy.random.choice e conte as que satisfazem os critérios. O resultado deve convergir para o valor teórico, e qualquer discrepância maior que 0,01 sinaliza erro no raciocínio combinatorial.
Ferramentas recomendadas
Para cálculos rápidos, calculadoras online como ostattcalc.com ou geoGebra oferecem funções combinatórias e probabilísticas. Para trabalho acadêmico, R com pacotes como tidyverse facilita a manipulação. Planilhas eletrônicas com funções COMBIN(), HIPER.GEOM() e TDIST() também são funcionais para a maioria dos casos. Evite calcular fatoriais manualmente acima de 14! Se precisar, use logaritmos: log(C(n,k)) = log(n!) - log(k!) - log((n-k)!). Tabelas de logaritmos ou calculadoras científicas resolvem isso sem estouro de capacidade.
O tamanho da amostra de 14 alunos é um ponto de atenção constante. Não generalize conclusões para populações maiores sem considerar a margem de erro ampliada. Um procedimento que funciona bem com n=30 pode falhar completamente com n=14, e o inverso também é verdadeiro: técnicas exatas que seriam excessivas para grandes amostras tornam-se necessárias e viáveis.
