Carlos Maurício Cune Junior

Délfio Emerson Mário André

Equibal Maximiano Ramiro
Ferdinando Fernando António
Fernanda Castro Jorge
Joaquim Paulo Joaquim
Natalino Agostinho Queba
Silvestre Caná Ricardo
Suleimane Cheikna Wagué

Conceito de Probabilidade

Universidade Rovuma
Nampula
2024
 Carlos Maurício Cune Junior

Délfio Emerson Mário André

Equibal Maximiano Ramiro

Ferdinando Fernando António

Fernanda Castro Jorge

Joaquim Paulo Joaquim

Natalino Agostinho Queba

Silvestre Caná Ricardo

Suleimane Cheikna Wagué

Conceito de probabilidade

(Licenciatura em Engenharia Electrónica 3°ano)

Trabalho de carácter avaliativo apresentado pela

Faculdade de Engenharia e ciências tecnológicas,
curso de Licenciatura em Engenharia Electrónica, 3°
ano, na cadeira de Estatística Aplicada

Docente: Joaquim Alberto Nhoca

Universidade Rovuma

Nampula

2024
Sumário
1. Introdução............................................................................................................................ 4
2. Objectívos............................................................................................................................ 5
2.1. Objetivos gerais: ........................................................................................................... 5
2.2. Objetivos específicos: .................................................................................................. 5
3. Conceito de Probabilidade .................................................................................................. 6
3.1. Experimento aleatório e ponto amostral................................................................... 6
3.2. Espaço amostral........................................................................................................ 6
3.3. Evento....................................................................................................................... 7
4. Densidade de distribuição normal ..................................................................................... 10
4.1.Parâmetros ................................................................................................................... 11
4.2. Função Densidade de Probabilidade ...................................................................... 12
4.3. Caclulando as probabilidades de uma distribuição normal .................................... 12
5. Distribuição de probabilidade de variável aleatória discreta e contínua ........................... 13
5.1. Variável aleatória ....................................................................................................... 13
5.2. Variável aleatória discreta ...................................................................................... 14
5.3. Funcão de distribuição ........................................................................................... 15
5.4. Variável Aleatória Contínua................................................................................... 15
5.5. Função de Distribuição........................................................................................... 16
5.6. Valor Esperado de uma Variável Aleatória Discreta ............................................. 17
5.7. Valor Esperado de uma Variável Aleatória Contínua ............................................ 17
5.8. Variância de uma variável aleatória ....................................................................... 18
5.8.1. Propriedades da Variância .................................................................................. 18
5.9. Exemplo de variância variável aleatória contínua.................................................. 19
5.10. Exemplo de variância variável aleatória discreta ............................................... 20
6. Distribuição Normal .......................................................................................................... 20
6.1. Usando a tabela da Normal Padrão ........................................................................ 25
6.2. Leitura da Tabela .................................................................................................... 25
7. Conclusão .......................................................................................................................... 26
8. Bibligráfia .......................................................................................................................... 27
 1. Introdução
A probabilidade é um conceito fundamental em estatística e matemática, que permite analisar
a incerteza e a aleatoriedade de eventos. Ela está presente em diversas áreas do conhecimento,
como na economia, na engenharia, na medicina, entre outras.

Uma das distribuições de probabilidade mais importantes é a distribuição normal, que possui
uma forma de sino e é caracterizada pela sua média e desvio padrão. A densidade de distribuição
normal é uma função matemática que descreve a probabilidade de uma variável aleatória
contínua cair em um determinado intervalo. Para facilitar a leitura e interpretação dos valores
da distribuição normal, é comum utilizar tabelas padronizadas. Essas tabelas fornecem os
valores de probabilidade correspondentes a diferentes valores de uma variável aleatória
seguindo a distribuição normal.

Além da distribuição normal, também existem distribuições de probabilidade para variáveis

aleatórias discretas, como a distribuição de Poisson e a distribuição binomial. Nessas
distribuições, é possível calcular o valor esperado e a variância, que representam,
respectivamente, a média e a dispersão dos valores da variável aleatória.

Neste trabalho, iremos explorar esses conceitos e aplicá-los a diferentes contextos, a fim de
compreender e analisar a aleatoriedade e a incerteza presentes em diversos fenômenos do
mundo real.

4
 2. Objectívos
2.1. Objetivos gerais:
1. Compreender e explicar o conceito de probabilidade, entendendo sua importância e
aplicações em diferentes contextos.

2. Analisar e compreender a densidade de distribuição normal, identificando suas características

e propriedades.

3. Desenvolver habilidades para interpretar e utilizar tabelas de distribuição normal,

reconhecendo a importância dessas ferramentas na análise estatística.

4. Estudar e comparar a distribuição de probabilidade de uma variável aleatória discreta e

contínua, identificando suas diferenças e semelhanças.

2.2. Objetivos específicos:

1. Definir e exemplificar o conceito de probabilidade, demonstrando sua importância na análise
de eventos aleatórios.

2. Explicar o conceito de distribuição normal, em particular a densidade de distribuição normal,

e sua aplicação em diversas áreas como estatística e ciências naturais.

3. Capacitar o aluno a utilizar tabelas de distribuição normal para realizar cálculos de

probabilidades e encontrar valores críticos.

4. Investigar a distribuição de probabilidade de uma variável aleatória discreta, identificando

suas características e aplicando-a em situações reais.

5
 3. Conceito de Probabilidade

Probabilidade- é o estudo das chances de obtenção de cada resultado de um experimento

aleatório. A essas chances são atribuídos os números reais do intervalo entre 0 e 1. Resultados
mais próximos de 1 têm mais chances de ocorrer. Além disso, a probabilidade também pode
ser apresentada na forma percentual.

3.1.Experimento aleatório e ponto amostral

Um experimento aleatório pode ser repetido inúmeras vezes e nas mesmas condições e, mesmo
assim, apresenta resultados diferentes. Cada um desses resultados possíveis é chamado
de ponto amostral.

São exemplos de experimentos aleatórios:

a) Cara ou coroa

Lançar uma moeda e observar se a face voltada para cima é cara ou coroa é um exemplo
de experimento aleatório. Se a moeda não for viciada e for lançada sempre nas mesmas
condições, poderemos ter como resultado tanto cara quanto coroa.

b) Lançamento de um dado

Lançar um dado e observar qual é o número da face superior também é

um experimento aleatório. Esse número pode ser 1, 2, 3, 4, 5 ou 6 e cada um desses resultados
apresenta a mesma chance de ocorrer. Em cada lançamento, o resultado pode ser igual ao
anterior ou diferente dele. Observe que, no lançamento da moeda, as chances de repetir o
resultado anterior são muito maiores.

c) Retirar uma carta aleatória de um baralho

Cada carta tem a mesma chance de ocorrência cada vez que o experimento é realizado, por isso,
esse é também um experimento aleatório.

3.2.Espaço amostral
O espaço amostral (Ω) é o conjunto formado por todos os resultados possíveis de
um experimento aleatório. Em outras palavras, é o conjunto formado por todos
os pontos amostrais de um experimento. Veja exemplos:

6
a) O espaço amostral do experimento “cara ou coroa” é o conjunto S = {Cara, Coroa}.
Os pontos amostrais desse experimento são os mesmos elementos desse conjunto.

b) O espaço amostral do experimento “lançamento de um dado” é o conjunto S = {1, 2, 3, 4,

5, 6}. Os pontos amostrais desse experimento são 1, 2, 3, 4, 5 e 6.

O espaço amostral também é chamado de Universo e pode ser representado pelas outras
notações usadas nos conjuntos. Além disso, todas as operações entre conjuntos valem também
para espaços amostrais.

O número de elementos do espaço amostral, número de pontos amostrais

do espaço amostral ou número de casos possíveis em um espaço amostral é representado da
seguinte maneira: n(Ω).

3.3.Evento
Um evento é qualquer subconjunto de um espaço amostral. Ele pode conter nenhum elemento
(conjunto vazio) ou todos os elementos de um espaço amostral. O número de elementos do
evento é representado da seguinte maneira: n(E), sendo E o evento em questão.

São exemplos de eventos:

a) Sair cara em um lançamento de uma moeda

O evento é sair cara e possui um único elemento. A representação dos eventos também é feita
com notações de conjuntos:

E = {cara} O seu número de elementos é n(E) = 1.

b) Sair um número par no lançamento de um dado.

O evento é sair um número par: E = {2, 4, 6} O seu número de elementos é n(E) = 3.

Os eventos que possuem apenas um elemento (ponto amostral) são chamados de simples.
Quando o evento é igual ao espaço amostral, ele é chamado de evento certo e
sua probabilidade de ocorrência é de 100%. Quando um evento é igual ao conjunto vazio, ele
é chamado de evento impossível e possui 0% de chances de ocorrência.

7
 3.4.Cálculo da probabilidade
Seja E um evento qualquer no espaço amostral Ω. A probabilidade do evento A ocorrer é a
razão entre o número de resultados favoráveis e o número de resultados possíveis. Em outras
palavras, é o número de elementos do evento dividido pelo número de elementos do espaço
amostral a que ele pertence.

P(E) = n(E)
n(Ω)

Observações:

 O número de elementos do evento sempre é menor ou igual ao número de elementos

do espaço amostral e maior ou igual a zero. Por isso, o resultado dessa divisão sempre está
no intervalo 0 ≤ P(A) ≤ 1;

 Quando é necessário usar porcentagem, devemos multiplicar o resultado dessa divisão por
100 ou usar regra de três;

A probabilidade de um evento não acontecer é determinada por:

P(A-1) = 1 – P(A)

apenas um elemento.

Qual é a probabilidade de, no lançamento de uma moeda, o resultado ser cara?

Observe que o espaço amostral só possui dois elementos e que o evento é sair cara e, por isso,
possui:

Exemplos:

( )
p( ) = ( )

P( ) =

p( ) = 0,5 = 50%

8
Qual é a probabilidade de, no lançamento de duas moedas, obtermos resultados iguais?

Solução:

Representando cara por C e coroa por K, teremos os seguintes resultados possíveis: (C, K); (C,
C); (K, C); (K, K).

O evento obter resultados iguais possui os seguintes casos favoráveis: (C, C); (K, K)

Há quatro casos possíveis (número de elementos do espaço amostral) e dois casos favoráveis
(número de elementos do evento), logo:

( )
p( ) = ( )
P( ) = p( ) = 0,5 = 50%

Qual é a chance de não sair o número 1 no lançamento de um dado? Solução:

Temos duas maneiras de resolver esse problema. Note que não sair o número 1 é o mesmo que
sair qualquer outro número. Faremos o mesmo cálculo de probabilidade considerando que o
evento possui cinco elementos.

A outra maneira é usar a fórmula para a probabilidade de um evento não ocorrer:

P(A-1) = 1 – P(E)

O evento que não pode ocorrer possui apenas um elemento, logo:

P(A-1) = 1 – P(E)

P(A-1) = 1 – n(E)
n(Ω)

P(A-1) = 1 – 1
6

P(A-1) = 1 – 0,166..

P(A-1) = 0,8333… = 83,3%

9
 4. Densidade de distribuição normal
A distribuição normal- é um modelo bastante útil na estatística, e não seria uma surpresa pois
a soma de efeitos independentes (ou efeitos não muito correlacionados) deveriam, se houvesse
muitos desses se distribuir normalmente (sempre sujeito a certos pressupostos). Nos séculos
dezoito e dezenove, alguns matemáticos e físicos desenvolveram uma função densidade de
probabilidade que descrevia os erros experimentais obtidos em medidas físicas Caire, 2012. De
certa forma todo e qualquer processo de mensuração está sujeito a um erro de medida. Esse erro
pode ter diferentes fontes, desde a variação de tempertura, tempo, entre inúmeras outras
características não identificáveis.

Na época (século dezoito) a sua aplicação inicial era apenas como uma conveniente
aproximação da distribuição binomial, mais tarde no século XIX a distribuição normal ganhou
importância com os trabalhos de Abraham de Moivre (em The Doctrine of Chances), Pierre
Simon Laplace e Carl Friedrich Gauss. A grande utilidade dessa distribuição (função
densidade de probabilidade) está associada ao fato de que aproxima de forma bastante
satisfatória as curvas de frequências de medidas físicas, essa curva é conhecida como
distribuição normal ou gaussina.

A distribuição normal possui dois parâmetros, a média (μ) ou seja onde está centralizada e a
variância (σ2>0) que descreve o seu grau de dispersão. Ainda, é comum se referir a dispersão
em termos de unidades padrão, ou seja desvio padrão (σ) Cabe salientar que como qualquer
outro modelo, dependendo dos parâmetros, teremos diferentes distribuições normais.
É importante lembrar que a variável X se distribui de forma contínua (variável contínua)
de −∞<x<+∞ e a área total sob a curva do modelo é unitária (ou seja 1).

10
4.1.Parâmetros

 μ é a média da distribuição
 σ² é a varância da distribuição
 σ é o desvio padrão da distribuição, note que √ σ2=σ

Observe na figura abaixo uma distribuição normal com parâmetros μ=20,σ2=4, ou (σ=2)

Exemplo de uma normal com parâmetros μ=−15,σ2=6ou (σ=2.44949)

O modelo da função normal pode se expresso matemáticamente da seguinte forma:

Variável Aleatória Generalizada

Seja X uma variável aleatória contínua com média μ em que −∞<x<∞−, e σ>0.

11
 4.2.Função Densidade de Probabilidade
𝟏 𝒙 𝝁 𝟐
𝟏
𝒇(𝒙) = 𝟐
𝒆_ 𝟐 𝝈 −∞<𝒙<∞
𝟐𝝅𝝈

Valor Esperado e variância Cálculo da Probabilidade

E[X] = μ V(X) = σ ℙ(𝑎 < 𝑥 < 𝑏) = √

𝑒 𝑑𝑥

Cabe notar que a integral da função densidade de probabilidade normal não possui solução
analítica, sendo neste caso o seu cálculo deve ser realizado por uma aproximação, método
numérico.

Por exemplo, pode-se utilizar o método numérico (regra de Newton-cotes, ponto-médio,

trapezoidal, Simpson, etc..) ou outros métodos de aproximação. Seja a área sob a curva no
intervalo [a,b] a probabilidade de algo ocorrer entre os valores de a até b. É importante salientar
que o valor da densidade, ou seja os valores de fX(x) representam as densidades, enquanto que
a área sob essas densidades é a probabilidade.

4.3.Caclulando as probabilidades de uma distribuição normal

Para uma distribuição normal dada por X∼N(μ=10,σ2=4) podemos calcular as seguintes
probabilidades, ou seja, as áreas sob a curva da distribuição normal utilizando o R (é só clicar
em code). Logo mais, veremos como calcular utilizando a tabela da normal padrão.

Exemplo: a probabilidade entre os valores de X no intervalo [8,12]

12
5. Distribuição de probabilidade de variável aleatória discreta e contínua
Uma variável aleatória é discreta se sua imagem (ou conjunto de valores que ela assume) for
um conjunto finito ou enumerável. Se a imagem for um conjunto não enumerável, dizemos
que a variável aleatória é contínua.

5.1. Variável aleatória - uma variável aleatória é uma função real (isto é, que assume valores
em R) definida no espaço amostral Ω de um experimento aleatório. Dito de outra forma, uma
variável aleatória é uma função que associa um número real a cada evento de Ω.

A questão que se coloca, agora, é: como atribuir probabilidade aos valores, ou intervalo de
valores, de uma variável aleatória?

EXEMPLO: Dois dados Consideremos o lançamento de dois dados equilibrados. Como já

visto, o espaço amostral desse experimento é formado pelos pares ordenados (i, j) em que i, j =
1, 2, 3, 4, 5, 6. Esse é um experimento em que o espaço amostral não é formado por números.
Suponhamos que nosso interesse esteja no máximo das faces dos dois dados. Neste caso, a v.a.
X = “máximo das 2 faces” é uma variável discreta, que pode assumir os valores 1, 2, 3, 4, 5, 6,
conforme ilustrado na Tabela 1.1.

Podemos ver que o valor X = 2 corresponde ao evento A = {(1, 2), (2, 1), (2, 2)}, enquanto o
valor X = 1 corresponde ao evento B = {(1, 1)}. Sendo assim, é de se esperar que o valor 2 seja
mais provável que o valor 1, uma vez que todos os pares são equiprováveis. Podemos calcular
a probabilidade de X = 2 usando a seguinte equivalência de eventos:

{X = 2} ≡ A = {(1, 2), (2, 1), (2, 2)}

13
Dessa forma, obtemos

P(X = 2) = P(A) = 3 36

De maneira análoga, obtemos:

P({X = 1}) = 1 36
P({X = 3}) = 5 36
P({X = 4}) = 7 36
P({X = 5}) = 9 36
P({X = 6}) = 11 36
Observe que conseguimos estabelecer uma probabilidade para cada valor da variável aleatória.
Esse exemplo ilustra o conceito de função de probabilidade de uma v.a. discreta, que será
apresentado mais adiante.

5.2.Variável aleatória discreta

Denomina-se X uma variável aleatória discreta se o número de valores possíveis de X for um
conjunto de pontos finito ou infinito enumerável.
Exemplos:
_ Número de ações vendidas de uma empresa.
_ Número de erros de trasmissão em um processo.
_ Número de aparelhos defeituosos em uma
produção.

Definição: Seja X uma variável aleatória discreta. A cada possível resultado xi associaremos
um número pi = P(X = xi), denominado probabilidade da variável aleatória X assumir o valor
xi, satisfazendo as seguintes condições:
0 ≤ 𝑝(𝑥 ) ≤ 7∀𝑖 ∑𝑝(𝑥𝑖) = 1

A função P é denominada função de probabilidade

Considere o experimento do lançamento de duas moedas. Seja a variável aleatória o número

de caras obtidas. Construa a função de probabilidade X.
Solução: X assume os seguintes valores. X= { 0,1,2}

Temos que: 𝑃(𝑥 = 0) = 𝑃(𝑘, 𝑘) =

14
 P(X=1) = P(C,K) + P(K,C)=

P(X=2) = P(C,C) =

Denotamos a função de probabilidade de X por

5.3.Funcão de distribuição
Dada uma variável aleatória discreta X, definimos F(x) a função de distribuição acumulada
ou, simplesmente, função de distribuição (f.d) de X, dada por:

𝐹 × = 𝑃(𝑋 ≤ 𝑥) 𝐹( ) = 𝑃(𝑋 = 𝑥 )

Considerando o exemplo anterior, a função de probabilidade de X é denotada por:

Por conseguinte, a função de distribuição acumulada de X é dada por:

A distribuição de probabilidades permite a definição de um modelo matemático apropriado a

cada situação. Os modelos para v.a’s discretas que estudaremos serão os Modelos Binomial e
Poisson.
5.4.Variável Aleatória Contínua
Quando uma v.a é contínua, ela pode assumir qualquer valor em um dado intervalo.
Exemplos:
 resistência de um material;
 _ concentração de CO2 na água
 _ tempo de vida de um componente eletrônico;
 _ tempo de resposta de um sistema computacional;
15
Seja X uma variável aleatória contínua. A funçãode densidade de probabilidade (f.d.p.) f(x) é
uma função que satisfaz as seguintes condições:
𝑓(𝑥) ≥ 0, ∀𝑥 ∈ 𝑅 ∫ 𝑓(𝑥) 𝑑𝑥 = 1
Sejam a e b quaisquer no intervalo, -∞ < a < b < +∞ temos que:

𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝑓(𝑥) 𝑑𝑥

𝑃(𝛼 ≤ 𝑋 ≤ 𝑑) representa a área sob a curva da função densidade de probabilidade f(x).

Para qualquer valor específico de X, digamos x0, P(X = x0) = 0, pois:

𝑃(𝑥 = 𝑥 ) = 𝑓(𝑥) 𝑑𝑥 = 0

Como a probabilidade de X assumir valores em pontos isolados é nula, temos que:

𝑃( 𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃 (𝑎 ≤ 𝑋 < 𝑏)
=𝑃 (𝑎 ≤ 𝑋 < 𝑏) = P (a< 𝑋 < 𝑏)
5.5.Função de Distribuição
A definição de função de distribuição para o caso contínuo é dada por:

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = 𝑓(𝑥) 𝑑𝑥

Suponha que X é uma variável aleatória contínua com a seguinte fdp:

2𝑥
𝑓(𝑥) = 𝑂<𝑥<1
0

16
 5.6.Valor Esperado de uma Variável Aleatória Discreta
Valor Esperado de uma variável aleatória, é o que se espera de uma v.a. em média a longo
prazo. O valor esperado também pode ser chamado muitas vezes de média ou expectância ou
ainda de esperança matemática de uma v.a.

O valor esperado é uma outra função, ou seja, uma forma de calcular a média dos valores da
v.a. ponderada pelas suas probabilidades. A notação para essa função é E[.].

𝐸[𝑋] = 𝜇 = 𝑥 ⋅ 𝑃𝑥(𝑥)

Pode se ler essa expressão como a soma de todos os valores de x multiplicados pelas suas
probabilidades pX(0).
Do exemplo anterior temos:

𝐸[𝑋] = 𝜇 = 𝑥 ⋅ 𝑃𝑥(𝑥)

E[𝑋] = 𝜇= 0 . px (0) + 1 . px (1)

𝐸[𝑋] = 𝜇 = 0. (0,5) + 1 . (0,5)
𝐸[𝑋] = 𝜇 = 0.5
Podemos interpretar esse valor como o que se espera da v.a. Xem média a longo prazo, ou
seja o que se espera em média de uma longa sequência de valores 00 e 11, onde o 00 ocorre
com probabilidade de 0.50.5 e o 11 ocorre com probabilidade de 0.50.5.
Isso seria equivalente a uma média de uma longa (infinita) sequência do tipo:
0,0,1,0,1,0,1,1,1,0,0,1,0,1,0,0,1,1,1,0,1,0,.....

5.7.Valor Esperado de uma Variável Aleatória Contínua

Seja X uma variável aleatória contínua com fdp f(x). O valor esperado de X será definido por:

𝜇 = 𝐸(𝑋) = 𝑥𝑓(𝑥) 𝑑𝑥

Considere o exemplo do lançamento de duas moedas, onde a variável aleatória X = número de

caras obtidas no lançamento de 2 moedas. Relembrando que a função de probabilidade é:

17
Obtemos E(X) por:

Obs: isto representa que, ao lançarmos 2 moedas esperamos que, em média, em um dos
lançamentos apareça uma Cara.

Considere a variável aleatória contínua do exemplo anterior, com a seguinte fdp:

obtemos a E(X) por:

5.8.Variância de uma variável aleatória

Um outro parâmetro importante que caracteriza uma variável aleatória é a variância. A variância
fornece a dispersão dos valores da variável
em relação ao valor esperado. Definição: Seja X uma variável aleatória (discreta ou
contínua)com esperança dada por E(X). A variância de X é definida por:

Var(X)= E(𝑋 − 𝜇) = 𝐸(𝑥 ) − [𝐸(𝑥)]

Notação: Var(X) = 𝜎
A variância é sempre positiva, Var(X)≥0

Var(X) é expressa em unidades quadradas (o que torna difícil a sua interpretação).

5.8.1. Propriedades da Variância

Sejam X uma v.a. e c é constante, então. A variância de uma constante é zero:
Var(c) = 0;
Somando-se ou subtraindo-se uma constante à variável aleatória, sua variância não se altera:
18
 Var(c = X) = Var(X):

Multiplicando-se c por uma v.a X, sua variância multiplicada pelo quadrado da constante:
Var(cX) = 𝐶 Var(X):

Propriedades da Variância

Sejam X e Y duas variáveis aleatórias independentes, a variância da soma/subtração de

variáveis aleatórias equivale a soma das variâncias de X e Y :
Var(X = Y ) = Var(X) + Var(Y ):

Exemplo: Considerando a variável aleatória discreta X com função de probabilidade dada

por:

Calcule a Var(X).

5.9.Exemplo de variância variável aleatória contínua

Seja X uma variável aleatória contínua com a seguinte função de densidade:

Calcular Var(X). Solução: Var(X)= E(x) - [E(X)]

19
 5.10. Exemplo de variância variável aleatória discreta
Uma livraria mantém os registros das vendas diárias dos livros. Com os dados construiu a
seguinte distribuição de probabilidade da variável aleatória X = número de livros
vendidos por semana:

a) Calcule a probabilidade de vender mais que 2 livros por

semana.
b) Calcule a probabilidade de vender no máximo um livro.
c) Calcule o número esperado de livros vendidos por semana.
d) Calcule a variância dos livros vendidos por semana.
e) Seja Y = 3X2 + X 2 o lucro da livraria em função dos
livros vendidos. Qual o lucro esperado da livraria?

6. Distribuição Normal
Um modelo probabilístico é aquele que nos diz, ou melhor, nos traduz na forma de números o
comportamento de uma variável. Por exemplo, já fizemos algumas análises das variáveis altura
e peso. Considerando o caso de grandes amostras aleatórias ou mesmo da população, tanto o
peso como a altura tem um comportamento muito parecido. Vejamos, por exemplo, a variável

20
altura, considerando-se o sexo masculino e sendo a população os habitantes do Mocambique.
Essa variável é dita Normal, conforme discutiremos mais adiante.

Essa distribuição de freqüência denominada curva normal, considerada um modelo

teórico ou ideal que resulta muito mais de uma equação matemática do que de um real
delineamento de pesquisa com coleta de dados. A curva normal é um tipo de curva simétrica,
suave, cuja forma lembra um sino. Ela é unimodal, sendo seu ponto de freqüência máxima
situado no meio da distribuição, em que a média, a mediana e a moda coincidem.

Para exemplificarmos, suponhamos 2000 lançamentos de 200 moedas honestas. Utilizando um

software de simulação, obtivemos os seguintes resultados:
[80 ... 81] 5
[82 ... 83] 6
[84 ... 85] 16
[86 ... 87] 19
[88 ... 89] 39
[90 ... 91] 60
[92 ... 93] 91
[94 ... 95] 111
[96 ... 97] 165
[98 ... 99] 194
[100 ... 101] 227
[102 ... 103] 220
[104 ... 105] 206
[106 ... 107] 174
[108 ... 109] 155
[110 ... 111] 123
[112 ... 113] 84
[114 ... 115] 49
[116 ... 117] 21
[118 ... 119] 18
[120 ... 121] 6
[122 ... 123] 8
21
[124 ... 125] 2
[126 ... 127] 1
sample mean = 102.132
sample st dev = 7.238

A partir desses dados, construímos o histograma:

Observando tal histograma e a tabela anterior, notamos que a média está entre as duas classes
com maior freqüências. Além disso, considerando-se a média, percebemos que o histograma
parece ser simétrico ao redor dela. A freqüência é menor quanto mais nos afastamos da média,
tanto para mais quanto para menos, sendo que as menores
freqüências ocorrem nas pontas do gráfico.
Se aumentarmos a quantidade de classes, por exemplo, elevando para 40, obtemos oseguinte
histograma:

Note que quanto mais classes usamos, mais fácil fica identificarmos um formato criado pelas
colunas do histograma. Esse formato faz lembrar um sino, conforme a figura seguinte:

22
“Limpando” o gráfico acima, temos

Essa curva que chamamos de sino recebe um nome especial: Curva Normal.
A Curva Normal é a representante do modelo normal e é obtida a partir da função densidade
que nada mais é do que uma função que origina o gráfico anterior.

Assim, se X é uma variável aleatória com distribuição Normal com média m e variância s2
(notação: X ~ N(m, s2)) então a sua densidade é dada por:

1 ( )
+(𝑥) = 𝑒
𝜎√2𝜋

A Normal apresenta as seguintes propriedades:

- é simétrica ao redor da média;

- a área sobre a curva é igual a 1;
- para valores muito grandes de x, tendendo a infinito (ou muito pequenos, tendendo a
menos infinito), a curva tende a zero.

23
Note que conforme o caso, poderemos ter curvas com formatos diferentes, ou seja, mais para a
direita, mais para a esquerda, mais ou menos achatadas... enfim, cada caso poderá gerar uma
curva diferente. Vejamos mais um caso.
Consideremos o lançamento de dois dados não viciados. Estamos interessados em analisar a
soma dos resultados obtidos em cada jogada. Realizando uma simulação e construindo o
histograma dos resultados, obtemos:

No caso simulado, obtivemos:

sample mean = 7.07200
sample st dev = 2.34282
Ou seja, m = 7,07 e s = 2,34, onde m indica a média e s o desvio padrão da amostra.
Isolando a curva da normal temos:

24
 6.1.Usando a tabela da Normal Padrão
Existem algumas variações de apresentação da tabela. No nosso caso, utilizaremos uma tabela
tal que: P(0 £ Z £ zc) = p, ou seja, a probabilidade fornecida pela tabela (p) corresponde ao
intervalo que vai de 0 até um certo número zc no eixo x. Esquematicamente, a tabela da normal
nos fornece a probabilidade correspondente à área a seguir:

6.2.Leitura da Tabela
Veja, esquematicamente, como deve ser a leitura da tabela:

25
7. Conclusão
Neste trabalho, abordamos conceitos fundamentais da teoria da probabilidade, tais como o
conceito de probabilidade, a densidade de distribuição normal, a leitura de tabelas de
distribuição normal e as distribuições de probabilidade de variáveis aleatórias discreta e
contínua.

A probabilidade é uma medida da chance de ocorrência de um evento, sendo representada por

um valor entre 0 e 1. A distribuição normal, por sua vez, é uma distribuição de probabilidade
contínua que é simétrica em torno da média e possui a forma de sino. A leitura de tabelas de
distribuição normal é essencial para encontrar a probabilidade de um evento específico ocorrer
dentro de um determinado intervalo. Além disso, discutimos a distribuição de probabilidade de
uma variável aleatória discreta, que é caracterizada por uma função de probabilidade que atribui
uma probabilidade para cada possível valor da variável. Já a distribuição de uma variável
aleatória contínua é caracterizada pela densidade de probabilidade, que representa a
probabilidade de a variável assumir valores em um intervalo específico.

Por fim, abordamos o valor esperado e a variância de uma distribuição de probabilidade. O

valor esperado é a média ponderada dos possíveis valores de uma variável aleatória, enquanto
a variância mede a dispersão dos valores em torno do valor esperado.

Assim, podemos concluir que a teoria da probabilidade é essencial para a tomada de decisões
em diversos campos, como estatística, engenharia, economia e ciências naturais. O
conhecimento dos conceitos discutidos neste trabalho é fundamental para a compreensão e
aplicação de modelos probabilísticos em situações reais.

26
8. Bibligráfia

1.Montgomery, DC; Runger, GC. Estatística aplicada e probabilidade para engenheiros. Rio de
Janeiro: LTC Editora, 2016 (6ª Edição).

2.Bussab, WO; Morettin, PA. Estatística Básica. São Paulo: Editora Saraiva, 2006 (5ª Edição).

3.Magalhães, MN; Lima, ACP. Noções de Probabilidade e Estatística. São Paulo: EDUSP,
2008 (6ª edição).

4.Andrade, DF; Ogliari, PJ. Estatística para as ciências agrárias e biológicas, com noções de
experimentação. Florianópolis: Editora da UFSC, 2013.

5.Barbetta, PA. Estatística aplicada às Ciências Sociais. Florianópolis: Editora da UFSC, 2014.

6.Dantas, CAB. Probabilidade: um curso introdutório. São Paulo: EDUSP, 2008.

7.Morettin, LG. Estatística básica: probabilidade e inferência. São Paulo: Pearson, 2010.

8.Navidi, W. Probabilidade e estatística para ciências exatas. Porto Alegre: Bookman, 2012.

9.Spiegel, MR; Schiller, J; Srinivasan, A. Probabilidade e estatística. Porto Alegre: Bookman,

2013.

27