UNIDADE 3 E 4

INTRODUÇÃO A PROBABILIDADE E DISTRIBUIÇÃO NORMAL

Professor: Hudson Silva

1
3 INTRODUÇÃO A PROBABILIDADE

3.1 Definições:

3.1.1 Fenômenos Aleatórios

São fenômenos cujos resultados, mesmo em condições normais experimentação variam de
uma observação para outra, dificultando dessa maneira a previsão de um resultado futuro.
Exemplo 1: Retirar uma carta de um baralho com 52 cartas e observar seu “ naipe”.
Exemplo 2: Jogar um dado e observar o número mostrado na face de cima.

3.1.2 Espaço Amostral (S)

É um conjunto de todos os possíveis resultados de um experimento aleatório.
Exemplo 3: jogar um dado e observar o número da face de cima.
S = {1, 2, 3, 4, 5, 6}

Aplicações:
1. Lance um dado e uma moeda e construa o espaço amostral.

3.1.3 Evento
É um conjunto de resultados do experimento, ou, em outras palavras um subconjunto do
espaço amostral.

3.1.4 Eventos Mutuamente Exclusivos

Dois eventos mutuamente exclusivos, se eles não poderão ocorrer simultaneamente,
isto é, A ∩ B =

3.1.5 Probabilidade
A probabilidade P de um evento A é definida assim: se a pode ocorre de E maneiras diversas
dentre um total de S maneiras igualmente prováveis, então:
E
P = P(A) = , onde:
S
E é o n.º de casos favoráveis ao evento A.
S é o n.º de casos possíveis

2
Exemplo4: Tomamos 100 indivíduos de uma população e verificamos que 20 são fumantes.
Qual achance de seencontrar fumante nessa população?

3.2 Axiomas de Probabilidade

a) 0  P(A)  1
b) P(S) = 1

3.3 Regras da Adição

a) Se A e B são dois eventos quaisquer A e B e não são eventos mutuamente exclusivos então:
P(A  B) = P(A) + P(B) – P(A  B).

Exemplo 5: Numa cidade de 1.000 habitantes 80 tem problema respiratórios e 50 tem

problema gástricos e 20 tem ambos. Calcule a probabilidade de uma pessoa escolhida ao
acaso ter problema respiratório ou ter problema gástrico.

b) Se A e B forem eventos mutuamente exclusivos ( A  B =  ), então:

P (A  B ) = P(A) + P(B).

Exemplo 6: Em uma caixa há 2 fichas amarelas, 5 fichas azuis e 7 fichas verdes. Se

retiráramos uma única ficha. Qual a probabilidade dela ser verde ou amarela.

3.4 Regra do Complementar

Para qualquer A S, então
P (Ac) = 1 – P(A)

3
3.5 Eventos Independentes
Se dois eventos A e B são independentes quando a realização ou a não-realização de um dos
eventos não afeta a probabilidade da realização do outro e vice-versa, então:
P( A  B) = P( A).P(B)
P( A1  A2  A3  ...  An ) = P( A1 ).P( A2 ).P( A3 )...P( An )
Exemplo15: A probabilidade de um homem viver mais dez anos é 1/4 e a probabilidade de
sua esposa viver mais dez anos é 1/3, encontre as seguintes probabilidades:
a) Ambos estarem vivos dentro de dez anos.
b) Nenhum estar vivo dentro de dez anos.

3.7 Probabilidade Condicional

Seja “B” um evento arbitrário em um espaço amostral S, com P ( B ) 0. A probabilidade de
um evento “ A” ocorrer, uma vez que B tenha ocorrido, ou, em outras palavras, a
probabilidade condicional de A dado B, escrita P ( A/B ), é definida como:
P( A  B )
P ( A/B ) = , com P ( B )  0 pois B já ocorreu.
P (B )

Exemplo 7: Em certo colégio, 25% dos estudantes foram reprovados em matemática, 15% em
química e 10% em matemática e química ao mesmo tempo. Um estudante é selecionado
aleatoriamente.
a) Se foi reprovado em química, qual é a probabilidade de ele ter sido reprovado em
matemática?
b) Se foi reprovado em matemática, qual é a probabilidade de ter sido reprovado em química?
Solução:
Evento A = {estudantes que foram reprovados em matemática}
Evento B = {estudantes que foram reprovados em química}

Solução:

ncf ( A  B) 0,10 2 ncf ( B  A) 0,10 2

Item a.P (A/B ) = = = Item b.P (B/A ) = = =
ncf ( B) 0,15 3 ncf ( A) 0,25 5

4
3.8 Tabelas de contingência

Outra forma de apresentar o espaço amostral e os eventos é através das tabelas de

contingência. Uma tabela de contingência é uma classificação cruzada dos eventos utilizando-
se linhas e colunas. Esta é uma representação clara do número de possíveis resultados das
observações específicas, em especial, se existirem mais de dois eventos. As tabelas de
contingências são muito utilizadas.

Exemplo 8: Num período de um mês, selecionou-se uma amostra de 100 pacientes sofrendo
de determinada doença foram internados em um hospital especializado. Informações sobre o
método de tratamento aplicado em cada paciente e o resultado final obtido estão no quadro
abaixo:
Tabela de contingência para os variáveis tipos de tratamento
(A ou B) e a situação do paciente
Resultado
Tratamento
Cura total Cura parcial Morte Total
A 24 24 12 60
B 16 16 8 40
Total 40 40 20 100

Na tabela acima podemos definir os eventos com qualquer letra maiúscula. Por exemplo,
podemos definir os eventos:
CT = cura total
CP = cura parcial
M = morte
a. Se secionarmos aleatoriamente um paciente, a probabilidade de ter sido submetido ao
tratamento A?
b. Se selecionarmos aleatoriamente um paciente, a probabilidade de ter sido submetido ao
tratamento A e ter sido parcialmente curado é
c. Se selecionarmos aleatoriamente um paciente, a probabilidade de ter sido submetido ao
tratamento A ou ter sido parcialmente curado

5
4. DISTRIBUIÇÃO NORMAL OU GAUSSIANA
É um modelo de distribuição contínua de probabilidade, usada tanto para variáveis aleatórias
discretas como contínuas.
Uma variável aleatória X, que tome todos os valores reais -∞ < X < +∞ tem distribuição
normal quando sua função densidade de probabilidade (f.d.p) for da forma.

1 x−
2

1 − •  
 
f ( x) = e 2  , −  x+ 
2 •  •

Os parâmetros µ e σ seguem as seguintes condições:

−   x  +  e   0
Propriedades da distribuição Normal
a) O aspecto gráfico da função f tem semelhança de um sino, unimodal e simétrico em relação
a média µ.
b) A especificação da média µ e do desvio padrão σ é completamente evidenciado.
c) é unimodal, ou seja, no seu pico coincidem a média, a mediana e a moda.
d) A área total da curva equivale a 100%.

Figura: Distribuição Normal

4.1 Esperança Matemática da Distribuição Normal

E (X ) = 

4.2 Variância da Distribuição Normal

Var ( X ) = 2

6
4.3 Distribuição Normal Padronizada
Tem como objetivo solucionar a complexidade de f (X), através da mudança da variável, f
(Z).

x−
Z= e Z  N (0 ,1) , onde:


E ( Z ) =0 Var ( Z ) =1
x é o valor arbitrário.
µ é a média da distribuição normal.
σ é o desvio padrão da distribuição normal.

Uma medida padronizada costuma ser chamada de escore z. Um escore z informa-nos quantos
desvios padrões uma observação original da média da distribuição, e em que lado da média
está observação se localiza. Quando padronizadas, as observações maiores do que a média
ficam positivas e as menores do que a média, negativas.

A distribuição normal padronizada é uma distribuição Normal, com média zero edesvio
padrão 1.

RESULTADO: Se X  N (, 2), então:

P(a  X  b) = P(a  X  b) = P(a  X  b) = P(a  X  b) (Observe que não há diferença
em incluir o ponto ou não, pois, a área de um ponto é zero)

RESULTADO: Se X é uma variável aleatória com distribuição N(, 2), então a variável
( X − )
padronizada Z = tem distribuição normal padronizada N(0, 1).

a− X − b− a− b−
P(a  X  b) = P    = P Z 
        

7
FIGURA 1: Gráfico da distribuição normal padronizada

Uso da tabela: Qual seria a probabilidade de ocorrer um número entre zero e z = 1,25 (em
notação matemática: P(0  Z  1,25) ), por exemplo?

A probabilidade de ocorrer valor entre zero e z = 1,25 ( P(0  Z  1,25) ) corresponde à área
pontilhada (cinza claro) na FIGURA 2.

FIGURA 2.

0 1,25

Essa probabilidade é encontrada na tabela no anexo A. Para mostrar como usa esse tipo de
tabela construiu-se parte dela na FIGURA 3.

Na primeira coluna da tabela apresentada na FIGURA 3 Está o valor 1,2 (para facilitar, este
valor foi sombreado). Na primeira linha da tabela está o valor 0,05 (para facilitar, este valor
também foi sombreado). O número 1,2 compõe, com a segunda decimal 0,05, resultando o
número z = 1,25. No cruzamento da linha z = 1,2 com a coluna 0,05 está o número 0,39445

8
(está sombreado). Essa é a probabilidade de ocorrer valor entre zero e z = 1,25 (
P(0  Z  1,25) , que corresponde à área pontilhada no gráfico.
FIGURA 3: Tabela parcial da distribuição normal padronizada.
0,00 0,01 0,02 0,03 0,04 0,05 0,06
0 0,00000 0,00399 0,00798 0,01197 0,01595 0,01994 0,02392

0,1 0,03983 0,04380 0,04776 0,05172 0,05567 0,05962 0,06356

0,2 0,07926 0,08317 0,08706 0,09095 0,09483 0,09871 0,10257

0,3 0,11791 0,12172 0,12552 0,12930 0,13307 0,13683 0,14058

0,4 0,15542 0,15910 0,16276 0,16640 0,17003 0,17364 0,17724

0,5 0,19146 0,19497 0,19847 0,20194 0,20540 0,20884 0,21226

0,6 0,22575 0,22907 0,23237 0,23565 0,23891 0,24215 0,24537

0,7 0,25804 0,26115 0,26424 0,26731 0,27035 0,27337 0,27637

0,8 0,28814 0,29103 0,29389 0,29673 0,29955 0,30234 0,30511

0,9 0,31594 0,31859 0,32121 0,32381 0,32639 0,32894 0,33147
1 0,34134 0,34375 0,34614 0,34850 0,35083 0,35314 0,35543
1,1 0,36433 0,36650 0,36864 0,37076 0,37286 0,37493 0,37698
1,2 0,38493 0,38686 0,38877 0,39065 0,39251 0,39435 0,39617
1,3 0,40320 0,40490 0,40658 0,40824 0,40988 0,41149 0,41309

Considere outro problema. Qual a probabilidade de ocorrer valor maior do que z = 1,25 (em
notação matemática P(Z  1,25) )? Essa probabilidade corresponde à área hachurada mais
escura na FIGURA 2. Como a probabilidade de ocorrer valor maior que zero é 0,5 e a
probabilidade de ocorrer valor entre zero e z = 1,25 é de 0,39445, a probabilidade pedida é:
0,5 – 0,39445 = 0,10555 ou 10,56%.
Finalmente, um último problema. Qual a probabilidade de ocorrer um valor menos
que z = -0,50? Essa probabilidade corresponde à área hachurada da FIGURA 4.
FIGURA4.

-0,50 0 0,50
9
P(Z  − 0,50)
Primeiro observe que a área em branco, entre zero e -0,50 ( P(−0,5  Z  0) , é igual à área
pontilhada entre zero e 0,50 ( P(0  Z  0,5) . Mas quanto vale está área? Procure na primeira
coluna da tabela a distribuição normal reduzida, o valor 0,5 e, na primeira linha, o valor zero,
para compor o número z = 0,50. No cruzamento entre a linha e a coluna está o valor 0,19156,
que é a probabilidade de ocorrer valor entre zero e z = 0,50.

Observe novamente a FIGURA 4. A probabilidade de ocorrer valor menor que z = -0,50 é

igual à probabilidade de ocorrer valor maior do que z = 0,50, isto porque a distribuição
normal é simétrica. Como a probabilidade de ocorrer valor maior do que a média zero é 0,50,
a probabilidade pedida é dada por:
P(Z  − 0,50) = 0,5 – 0,19156= 0,30844 ou 30,84%

Exemplo 9: Uma fábrica de carros sabe que os motores de sua fabricação têm duração com
distribuição normal, com média 150.000 km e desvio padrão de 5.000 km. Qual a
probabilidade de que o carro, escolhido ao acaso, dos fabricantes por essa fábrica, tenha um
motor que dure:
a) entre 140.000km e 160.000km

Transformação
X −
Z=



140000 150000 160000 -2,00 0 2,00

X − 140000 − 150000
z1 = = = −2,00
 5000
X − 160000 − 150000
z2 = = = 2,00
 5000

P(140000  X  160000) = P(−2,00  Z  2,00) = P(−2,00  Z  0) + P(0  Z  2,00) =

2 P(0  Z  2,00) = 0,9545
Observe na figura que P(-2,00 Z  0 ) = P(0  Z  2,00)

10
b) acima de 150.000km
P( X  150000) = P(Z  0) = 0,5

c) entre 160.000km e 170.000km

160000 − 150000
z1 = = 2,00
5000
170000 − 150000
z2 = = 4,00
5000
P(160000  X  170000) = P(2,00  Z  4,00) = P(0  Z  4,00) − P(0  Z  2,00) =
= 0,49997 − 0,47725 = 0,02272

Exemplo 10:Ao analisar a distribuição do peso corporal de 10.000 recém nascidos do sexo
masculino de uma população constatou-se que a média era igual a 3,4 Kg sendo o desvio
padrão igual a 0,6 Kg. Qual a probabilidade de um recém nascido do sexo masculino
apresentar:
a. Peso igual ou inferior a 2,5 Kg.
b. Peso entre 2,6 e 3,6 Kg.
c. Peso maior que 3,8 Kg,

Exemplo 11: Determine as probabilidades usando a tabela da distribuição normal:

a. P (0 < Z < 1,45)
b. P ( -0,53< Z < 1,48)
c. P ( Z> 0,63)
d. P ( Z< -1,25)

Exemplo 12: Suponha que a renda familiar de uma comunidade possa ser razoavelmente
aproximada por uma distribuição normal com média igual a 15 U.M. e desvio padrão igual a 3
U.M. Determine:
a. A probabilidade de que uma família, escolhido aleatoriamente, tenha renda entre 12,5 e 19 U.M.

[Link] uma amostra de 50 famílias, quantas famílias podemos esperar que tenham renda
inferior a 11,5 U.M.?

11
Referências

ANDERSON, D.R.; SWEENEY, D.J.; WILLIAMS, T.A. Estatística aplicada à

Administração e Economia. São Paulo: Pioneira, 2002.

BRUNI, A.L. Estatística Aplicada à Gestão Empresarial. São Paulo: Atlas, 2007.

CRESPO, A.A. Estatística Fácil. 14º ed. São Paulo: Saraiva, 1996.

FONSECA, J.S. e MARTINS, G. A. Curso de Estatística. [Link]. São Paulo: Atlas, 1996.

LIPSCHUTZ, S. Probabilidade e Estatística. [Link]. São Paulo: Makron Book, 1993.

MARTINS, G. A. Estatística Geral e Aplicada. São Paulo: Atlas, 2001.

PAGANO, M. e GAUVREAU, K. Princípios de Bioestatística. [Link]. São Paulo: Thomson,

2004.

SILVA, E.M.; GONÇALVES, V.; MUROLO, A.C.; SILVA, E.M. Estatística para os
cursos de: Economia, Administração e Ciências Contábeis. 2º ed. V. 1. São Paulo: Atlas,
1996.

12