Escolar Documentos
Profissional Documentos
Cultura Documentos
Estatistica Conceito de Probabilidde
Estatistica Conceito de Probabilidde
Conceito de Probabilidade
Universidade Rovuma
Nampula
2024
Carlos Maurício Cune Junior
Conceito de probabilidade
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.
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.
5
3. Conceito de Probabilidade
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
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.
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.
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.
O evento é sair cara e possui um único elemento. A representação dos eventos também é feita
com notações de conjuntos:
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:
Quando é necessário usar porcentagem, devemos multiplicar o resultado dessa divisão por
100 ou usar regra de três;
P(A-1) = 1 – P(A)
apenas um elemento.
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%
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.
P(A-1) = 1 – P(E)
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..
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)
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
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.
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?
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:
13
Dessa forma, obtemos
P(X = 2) = P(A) = 3 36
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.
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
P(X=2) = P(C,C) =
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 )
𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝑓(𝑥) 𝑑𝑥
𝑃(𝑥 = 𝑥 ) = 𝑓(𝑥) 𝑑𝑥 = 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)
𝜇 = 𝐸(𝑋) = 𝑥𝑓(𝑥) 𝑑𝑥
17
Obtemos E(X) por:
Obs: isto representa que, ao lançarmos 2 moedas esperamos que, em média, em um dos
lançamentos apareça uma Cara.
Notação: Var(X) = 𝜎
A variância é sempre positiva, Var(X)≥0
Multiplicando-se c por uma v.a X, sua variância multiplicada pelo quadrado da constante:
Var(cX) = 𝐶 Var(X):
Propriedades da Variância
Calcule a Var(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:
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.
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
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:
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.
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.
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.
27