INSTITUTO SUPERIOR DE CIÊNCIAS E EDUCAÇÃO A DISTÂNCIA

Departamento de Ciências de Educação

Curso de Licenciatura em Ensino de Português

Probabilidade (Noções)

Felício Raibo: 81220532

Nampula, Março de 2022

 i

INSTITUTO SUPERIOR DE CIÊNCIAS E EDUCAÇÃO A DISTÂNCIA

Departamento de Ciências de Educação

Curso de Licenciatura em Ensino de Português

Probabilidade (Noções)

Trabalho de Campo a ser submetido na

Coordenação do Curso de Licenciatura em
Ensino de Português da UnISCED.
O Tutor

Felício Raibo: 81220532

Nampula, Março de 2022

Índice

Introdução...................................................................................................................................3

1. Probabilidades (Noções).........................................................................................................4

1.1. Distribuições Bidimensionais (correlação e regressão).......................................................4

1.1.1. Análise da correlação de duas variáveis através de gráfico (diagrama de dispersão)......5

1.1.2. Análise da correlação de duas variáveis através do coeficiente de correlação.................6

1.2. Noção intuítiva e frequencista das probabilidades (Lei dos Grandes números e Axiomas
de probabilidade)........................................................................................................................9

1.2.1. Noção intuitiva das probabilidades...................................................................................9

1.2.2. Noção de probabilidade obtida a partir da noção de frequência relativa..........................9

1.2.3. Axiomatização do conceito de probabilidade.................................................................10

Conclusão..................................................................................................................................13

Referências bibliográficas.........................................................................................................14

ii
Introdução
Para além de estudar a média, mediana, moda, variância, percentil, etc. de uma série
estatística também pode-se fazer um estudo estatístico com duas variáveis da mesma
população simultaneamente (ao mesmo tempo) a fim de investigar a sua relação, como se
mostra ao longo deste trabalho, as chamadas distribuições bidimensionais. Falaremos também
de probabilidades, que não é algo novo; pois, no nosso dia-a-dia utilizamos o conceito de
probabilidade, mesmo sem saber. Por exemplo: Quando dissemos frases do tipo: a chance de
alguém ganhar na Loto é muito pequena. Ou, quando dissemos, ele teve muita sorte. Ou
ainda, quando dissemos: “se não usarmos máscara num local onde há muitas pessoas, a
probabilidade de nós sermos infectados pelo novo coronavírus é bem grande”; também
quando dissemos: “É provável cair chuva hoje”…Então, nesse trabalho vamos aprender
também a quantificar essas frases.

O presente trabalho da cadeira de Estatística Aplicada fala sobre: “Probabilidade (noções) ”

com vista a descrever as definições de probabilidade (frequencista e clássica) e as
distribuições bidimensionais. Para alcançar esse objectivo definem-se os seguintes objectivos
específicos:
 Descrever as distribuições Bidimensionais (correlação e regressão);
 Definir as probabilidades na forma intuitiva e frequencista (Lei dos Grandes números
e Axiomas de probabilidade);
 Mostrar a aplicação das distribuições bidimensionais e das probabilidades na
resolução de problemas concretos.

A pertinência deste trabalho surge na medida em que o mesmo vai nos permitir compreender
a aplicação das noções intuitiva e frequencista de probabilidade e das distribuições
bidimensionais na resolução de problemas concretos.

O conteúdo deste trabalho resulta da consulta bibliográfica de obras da internet e outras em

físico, e todas as obras consultadas estão devidamente listadas no texto e na última página
deste trabalho. Quanto a estrutura do trabalho, o trabalho comporta-se em capa, contracapa,
um índice completo, esta introdução, segue-se o desenvolvimento, conclusão – onde são
apresentados os aspectos marcantes constatados ao longo da realização deste trabalho e
termina com as referências bibliográficas.

3
1. Probabilidades (Noções)
1.1. Distribuições Bidimensionais (correlação e regressão)
Depois de termos estudado as variáveis isoladamente – distribuições unidimensionais –
vamos agora estudar duas variáveis em conjunto e ver se existe ou não alguma relação entre
elas – distribuições bidimensionais.

Exemplos:
 O número de elementos do agregado familiar e o número de compartimentos da
habitação.
 O tempo de estacionamento num parque e o preço a pagar.
 O número de trabalhadores numa obra e o tempo de construção da mesma.

Quando existe alguma ligação de dependência entre duas variáveis diz-se que existe uma
correlação entre elas (Magalhães & Lima, 2004, p.85).

As distribuições estatísticas envolvendo o estudo da relação entre duas variáveis chamam-se

distribuições bidimensionais.

Há caracteres entre os quais é impossível descobrir qualquer relação, como por exemplo, o
peso dos alunos e a respectiva nota em filosofia. Diz-se que estes são caracteres
independentes.

Diz-se que há influência de um carácter neutro.

O maior ou menor grau de dependência estatística entre duas variáveis traduz-se por um
número – o coeficiente de correlação que só varia de – 1 a 1.
 Correlação positiva – as variáveis evoluem em geral no mesmo sentido.
Exemplo: altura e o peso das pessoas.
 Correlação negativa – as variáveis evoluem em sentido contrário quando uma
aumenta a outra tende a diminuir.
Exemplo: intensidade da chuva e a temperatura do ar.
 Correlação nula – não há influência de uma variável na outra, as variáveis são
independentes.
Exemplo: a idade do pai e a nota de desenho de cada aluno.

4
Se o coeficiente de correlação for igual a 1 ou a -1, então a dependência entre duas variáveis é
tão rigorosa que se pode traduzir por uma lei matemática: diz – se que há uma dependência
funcional (Magalhães & Lima, 2004, p.89).

A dependência funcional é um caso extremo da dependência estatística.

1.1.1. Análise da correlação de duas variáveis através de gráfico (diagrama de dispersão)

De uma distribuição bidimensional de variáveis xi e yi podemos fazer uma representação
gráfica num sistema de eixo dos x x’ e os da outra variável no eixo dos y y’. A essa
representação chama – se diagrama de dispersão (Neder, 2003).

Se todos os pontos desse diagrama se situar nas proximidades de uma recta (recta de
regressão), a correlação diz – se linear.

Um diagrama de dispersão ou nuvem de pontos é uma representação gráfica para os dados

bivariados, em que cada par de dados ( xi , yi) é representado por um ponto, num sistema de
eixos coordenados (Neder, 2003).
Chama-se ponto médio ou centro de gravidade da nuvem de pontos ao ponto de coordenadas
( x, y ) , em que x e y representam as médias aritméticas de cada uma das variáveis ().

Recta de regressão – é a recta que melhor se ajusta aos pontos do diagrama de dispersão.

Correlação positiva Correlação negativa Correlação nula

Os pontos distribuem-se Os pontos distribuem-se pelos Os pontos distribuem-se
no 1º e 3º quadrantes 2º e 4º quadrantes pelos quatro quadrantes

O método mais simples consiste em desenhar uma recta com a ajuda de uma régua e
começamos por:

5
  Desenhar o diagrama de dispersão;
 Marcar o centro de gravidade;
 Desenhar a recta que passa pelo centro de gravidade de modo que os pontos se
distribuam igualmente abaixo e acima da recta (Neder, 2003).

1.1.2. Análise da correlação de duas variáveis através do coeficiente de correlação

É possível, ainda, quantificar a correlação e concluir se é mais ou menos forte.

Uma das medidas que permite estabelecer o grau de correlação existente entre as variáveis é
denominado COEFICIENTE DE CORRELAÇÃO ou COEFICIENTE DE PEARSON ,
que se designa por, r ,e toma valores entre -1 e 1.
n
∑ ( x i− x ) . ( y i − y )
i=1
r=

√∑ ( √∑ (
n n
2
x i −x ) . yi − y )2
Calcula-se o r através de uma fórmula i=1 i=1 ou usando a
calculadora gráfica (Magalhães & Lima, 2004, p.97).

Depois de obtido o valor de r ∈ [ −1 , 1 ] , avalia-se a intensidade da correlação de acordo com

a seguinte escala:

Exemplo:
Os dados abaixo são referentes a alturas de 4 filhos em metros (m) e peso de 4 pais em
quilogramas (kg).

Altura (m) 1,6 1,4 1,8 1,2

Peso (kg) 80 60 90 65

a) Qual é a variável dependente e independente?

b) Construa o diagrama de dispersão entre a altura dos filhos e peso dos pais.
c) A partir do diagrama o que ele sugere, quanto a correlação entre as duas variáveis.

6
 d) Calcule a correlação entre as duas variáveis.
e) Classifique a correlação encontrada.
f) Encontre o modelo (equação) de regressão do exercício em causa.
g) Interprete de acordo com o enunciado os parâmetros b 0 e b 1, ou β 0 e β 1.

Resposta:

a) Altura dos filhos – variável independente e peso dos pais – variável dependente.

b)

100
90
80
70
60
50
Y

40
30
20
10
0
1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9
X

c) O gráfico sugere uma correlação positiva.

d)

Total
X 1,6 1,4 1,8 1,2 6
Y 80 60 90 65 295
X ∙Y 128 84 162 78 452
X
2
2,56 1,96 3,24 1,44 9,2
Y2 6400 3600 8100 4225 22325

7
n=4 ; ∑ x =6; ∑ y=295; ∑ x ∙ y =452 ; ∑ x 2=9,2; ∑ y2 =22325

n ∙ ∑ x i ∙ y i − ∑ xi ∙ ∑ y i
r xy =
√[ n ∙ ∑ x −(∑ x ) ][ n∙ ∑ y −(∑ y ) ]
i
2
i
2
i
2
i
2

4 ∙ 452−6 ∙ 295
r xy=
√ [ 4 ∙ 9,2−6 ] ∙ [ 4 ∙ 22325−295 ]
2 2

1808−1770
r xy =
√ 0,8 ∙2275
38 38
r xy = = ≈ 0,000089
√ 1820 42,6615

e) Como r xy =0,000089 , então, 0< r xy <0,5 , logo trata-se de correlação positiva fraca

f) O modelo de regressão é dado por: ^y =b0 +b1 x

Onde:

b 0= y +b1 ∙ x

b 1=
∑ x i ∙ y i−n ∙ x ∙ y
∑ x i2−n ∙ x 2
b 0 – é o ponto de intersecção com o eixo Oy , ele caracteriza o nível médio do índice de
resultado quando a variável de causa é igual a zero.

b 1 – é o coeficiente angular da recta de regressão, ele caracteriza a variação média do índice

do resultado (variável dependente) sob a influencia da variação do índice de causa (variável
independente) em uma unidade de medida.

^y – é o valor teórico ou estimado a partir da equação de regressão, quando são conhecidos

todos os parâmetros da equação.

Assim, dados: n=4 ; ∑ x =6; ∑ y=295; ∑ x ∙ y =452; ∑ x 2=9,2; x=1,5; y=73,75 ;

2
x =2,25

b 1=
∑ x i ∙ y i−n ∙ x ∙ y = 452−4 ∙ 1,5 ∙73,75
∑ x i2−n ∙ x 2 9,2−4 ∙2,25

8
 452−442,50 9,5
b 1= = =47,5
9,2−9 0,2

De, b 0= y +b1 ∙ x , vem: b 0=73,75+47,5 ∙ 1,5=145

Logo: ^y =b0 +b1 x ⟹ ^y =145+ 47,5 x

g) Interpretação: Como b 0=145 isto significa que o nível médio peso dos pais no inicio era
de 145 kg e para cada aumento de 1 m de altura dos filhos aumentam em 47,5 kg.

1.2. Noção intuítiva e frequencista das probabilidades (Lei dos Grandes números e
Axiomas de probabilidade)
1.2.1. Noção intuitiva das probabilidades
Chistine (2006) afirma que a definição clássica de probabilidade, considera um espaço
amostral Ω finito em que todos os seus eventos elementares são igualmente prováveis. Nessas
condições, a probabilidade de um evento A⊂Ω é calculada como a razão entre o número de
casos favoráveis ao evento A (eventos elementares de A) e o número de casos possíveis
número de casos favoraveis a A A
(número de eventos elementares de Ω). Ou seja: P ( A )= =
núme rode casos possíveis ¿Ω
A definição clássica de probabilidade é bastante intuitiva e resolve muitos problemas práticos,
no entanto não é suficiente para resolver todos os problemas que podem ser encontrados
(Chistine, 2006, p.55).

1.2.2. Noção de probabilidade obtida a partir da noção de frequência relativa

A noção frequencista de probabilidades afirma que a frequência relativa de um acontecimento
tende a estabilizar num determinado valor a medida que o número de vezes em que se realiza
a experiencia aumenta, é esse valor que toma para a probabilidade (Ferreira & Carvalho, s.d.).

Exemplo:
Lançamento de uma moeda ao ar e registo do número de vezes em que saiu cara.
No de lançamentos (n ) No de vezes que saiu cara ( f i) f
Frequência relativa ( f r= i )
n
10 4 0,400
20 11 0,550
40 18 0,450
80 42 0,525
160 84 0,525
320 156 0,487
640 321 0,502
9
 1280 630 0,492
2000 1003 0,501
Olhando a tabela acima nota-se que, as frequências relativas, embora não sejam as mesmas,
tendem a estabilizar-se a volta de 0,5; valor que também se chama probabilidade do
acontecimento: “sair cara”.

Portanto:
Ao número a volta do qual estabiliza a frequência relativa de um acontecimento, quando o
numeri de repetições da experiência cresce consideravelmente, chama-se probabilidade do
acontecimento.

Ao número a volta do qual estabiliza a frequência relativa de um acontecimento, quando o

número de repetições da experiência cresce consideravelmente, chama-se probabilidade do
acontecimento.

1.2.3. Axiomatização do conceito de probabilidade

Seja S o espaço amostral e P(S) o conjunto das suas partes. Chama-se probabilidade a toda
aplicação p do conjunto P(S) no conjunto [0, 1] de números reais (Pinto & Neves, 1994), que
verifica os seguintes axiomas:
 Axioma 1: A probabilidade de qualquer acontecimento A do conjunto P(S) é o
número compreendido entre 0 e 1.
0≤P ( A )≤1 , com A  S
P(A) será igual a 0 quando for um evento impossível.

Exemplo: A probabilidade de ocorrência de uma face voltada para cima mostrar o valor 9 no
0
P= =0
lançamento de um dado honesto é impossível. 6
P(A) será igual a 1 quando for um evento certo.

 Axioma 2: A probabilidade do acontecimento certo é 1 (P(S)=1).

n(S )
P( A )= =1
De facto, se A é um evento certo, então A∩S=S , logo, A=S, assim, n(S ) .
 Axioma 3: se A  B representa a ocorrência de A ou de B ou de ambas, então:

P ( A∪B )=P ( A ) + P ( B )−P ( A∩B )

10
Esta regra pode ser alargada para a reunião de três acontecimentos:
P ( A∪B∪C )=P ( A ) +P ( B )+ P ( C )−P ( A∩B )−P ( A∩C ) −P ( B∩C ) +P ( A∩B∩C )
Em particular, para eventos mutuamente exclusivos (disjuntos),
P ( A∪B )=P ( A ) + P ( B ) porque P ( A∩B )=0

Se
A 1 , A2 ,..., A n são n eventos mutuamente exclusivos, que tem probabilidades P1 ,P 2 ,...,Pn ,

respectivamente, a probabilidade de ocorrência de todos eventos é:

P=P1 + p 2 +. ..+Pn

Exemplo: Uma bola é retirada ao acaso de uma urna que contém 6 vermelhas, 4 brancas e 5
azuis. Determine a probabilidade da bola retirada ser vermelha ou branca.
Resolução:
6 2
P ( A )= =
P(A)- probabilidade de ser vermelha 15 5
4
P (B)=
P(B)- probabilidade de ser branca 15

Porque são eventos mutuamente exclusivos P ( A∩B )=0

2 4 6+4 2
P ( A∪B )=P ( A ) + P ( B )= + = =
5 15 15 3 .
Exemplo: se A é evento “extracção de um às de um baralho” e B evento “extracção de uma
carta de espada”, então qual é a probabilidade de extracção de um às ou de uma carta de
espadas ou de ambas?

Resolução:
A e B não são eventos mutuamente exclusivos visto que pode ser extraído o às de espada.
Assim:
4 13 1 16 4
P ( A∪B )= + − = =
52 52 52 52 13
4
P ( A )=
Obs. 52 ( há 4 às de 52 cartas)
13
P (B)=
52 (há 13 espadas de 52 cartas)
1
P ( A∩B )=
52 ( nos 4 às 1 é de espadas)

11
Destes axiomas deduz-se o seguinte teorema:

Teorema 1: se A é um evento complementar de A, então P ( A )+P ( A )=1 ou

P ( A )=1−P( A ) .

Exemplo: Uma bola é retirada ao acaso de uma urna que contém 6 vermelhas, 4 brancas e 5
azuis. Qual é a probabilidade dela não ser vermelha?

Resolução:
Seja A evento que consiste na retirada de uma bola vermelha.
6 6 2
P( A )= = = =0,4
6 +4 +5 15 5 ou 40%.
2 3
P ( A )=1−P( A )=1− = =0,6
E A , o evento de não ser bola vermelha, então: 5 5 ou 60%.

12
Conclusão
Diante do exposto acima pode-se notar que em momentos de grande incerteza, marcados por
mudanças radicais em termos sociais, políticos e comportamentais, administrar uma empresa
ou organização de qualquer natureza se torna extremamente difícil. Surge a necessidade de
aprofundar o conhecimento da estatística para aplicar na tomada decisão correctas aos
problemas apresentados, dai a relevância confirmada nesse trabalho em término.

A percentagem de ocorrência de algo (dado) numa série estatística, é dada pela frequência
relativa percentual do mesmo dado na série considerada.

Ao longo do trabalho falou-se de probabilidade em termos de definição frequencista e

clássica. O que difere na definição frequencista de probabilidade da definição clássica de
probabilidade é a practicidade, pois enquanto a definição clássica é mais prática nos cálculos a
frequencista é prática nos experimentos. Pela definição clássica aprendemos que a
probabilidade é dada pelo quociente do número de casos favoráveis pelo número de casos
possíveis num dado experimento/evento. Caso favorável é aquilo que se pretende verificar, é a
“parte”, e aparece na pergunta (nas alíneas). Casos possíveis correspondem ao espaço
amostral, ao total dos casos. Para determinar o espaço amostral no caso do lançamento de dois
objectos (que pode ser moeda, dado, etc.) ou lançamento sequenciado/sucessivo (no caso de
lançamento dum objecto duas vezes), pode-se determinar o Espaço amostral através de uma
tabela de dupla entrada, um diagrama em árvore ou ainda um xadrez.

Há, portanto, uma estreita relação entre teoria de conjuntos e teoria de probabilidades,
sobretudo quando se trata de determinar o número de casos possíveis e favoráveis, pois o
espaço amostral bem como o espaço favorável ambos são dados na forma de conjuntos, e o
número de casos é dado pelo cardinal desses conjuntos.

13
Referências bibliográficas
Chistine, D. (2006). Estatística sem Matemática para Psicologia (3ª Ed.). São Paulo,
Artmed Editora.
Ferreira, M. A. N. & Carvalho, M. L. B. (s.d.). Exercícios de matemática 10º ano.
Porto Editora. Lisboa.
Lima, I. & Gomes, F. (2003). Xeqmat. Matemática 12º. Editorial. O livro. Lisboa.

Magalhães, M.N. & Lima, A.C.P. (2004). Noções de Probabilidade e Estatística (6ª Ed.).
Edição revisada., São Paulo: EDUSP
Neder, H. D. (2003). Apostila de estatística: Curso de Estatística Aplicada. Brasil.

Pinto, H. S. & Neves, I. C. (1994). Métodos quantitativos. Edições ASA. Lisboa.

14