You are on page 1of 16

III SEMINRIO INTERNACIONAL

DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

CONTRIBUIES PARA O ENSINO DA DISTRIBUIO NORMAL OU CURVA


DE GAUSS EM CURSOS DE GRADUAO
Hlio Radke Bittencourt
Departamento de Estatstica, PUCRS

Lori Viali
Departamento de Estatstica, PUCRS e UFRGS

RESUMO
A distribuio normal ou curva de Gauss-Moivre-Laplace o principal modelo
probabilstico contnuo, pois serve de base para a principal rea da Estatstica: a
Inferncia. A distribuio normal faz parte do currculo de praticamente todas as
disciplinas que envolvem Probabilidade, Estatstica ou Estocstica. Desta forma a
sua compreenso, alm da simples memorizao, fundamental para que o
processo de ensino-aprendizagem tenha sucesso. Neste estudo o ensino da
distribuio normal e do teorema do limite central feito com o recurso de trs
exemplos prticos. O primeiro explora a gerao de nmeros aleatrios e o
teorema do limite central; o segundo mostra a relao da mdia com o desvio
padro e o terceiro utiliza resultados de um concurso vestibular para ilustrar
clculos que envolvem a distribuio.
Palavras-chave: Educao Estatstica, distribuio Normal, curva de Gauss.

ABSTRACT
The normal distribution or Gauss-Moivre-Laplace model is the main continuous
model in the Probability theory, because it is the base to the Statistical Inference
area. The normal distribution is included in practically all disciplines involving
probability theory, statistics or randomness. In this way, it real understanding,
beyond simple memorization, is basic to a successful teach-learning process. In
this study the teaching of normal model and the central limit theorem are realized
using three practical examples as a resource. The first explores how to generate
random numbers in Excel and the central limit theorem; the second shows the
relation between mean and standard deviations in Normal distribution and the third
uses data from university entrance examinations to illustrate the calculation of
probabilities.
Keywords: Statistical Education, Normal distribution, Gaussian model.

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

1 Introduo
A distribuio normal ou curva de Gauss um modelo que descreve o
comportamento de vrios fenmenos aleatrios. Os contedos referentes a este
modelo geralmente esto inseridos em disciplinas de Probabilidade e/ou
Estatstica sob um tpico denominado variveis aleatrias contnuas.
Antes de prosseguir, faamos a distino entre Probabilidade e Estatstica.
Existe uma grande confuso entre estes dois termos, apresentados de maneira
equivocada numa grande quantidade de livros texto de Estatstica. Contrariando
muitos pensamentos, Probabilidade no uma rea da Estatstica, mas sim uma
rea da Matemtica que trata da modelagem de fenmenos aleatrios. Os
fenmenos ou a forma de trat-los podem ser divididos em dois tipos: os
determinsticos e os no-determinsticos ou probabilsticos. Os fenmenos
determinsticos so modelados pela matemtica atravs de equaes, equaes
diferenciais ou sistemas de equaes que fazem parte de grande quantidade de
disciplinas, como o clculo ou a lgebra, entre outras. Os fenmenos nodetermsticos

so

assuntos

da

teoria

da

probabilidade

que,

quase

invariavelmente, est inserida em disciplinas de Estatstica. Salvo eventuais


excees, os nicos cursos de graduao brasileiros que tm disciplinas
dedicadas apenas Probabilidade so os de Bacharelado em Estatstica. Bayer
et al. (2005) ressaltam que contedos de Probabilidade so geralmente
lecionados em disciplinas de Estatstica no Ensino Superior. J no ensino
fundamental e mdio, os contedos de Probabilidade e de Estatstica esto
includos em disciplinas de matemtica.
Mas, se Probabilidade uma rea da Matemtica, por que ela est to
relacionada Estatstica? A resposta para esta pergunta simples: a principal
rea da Estatstica denominada Estatstica Inferencial tem a sua base
alicerada sobre a Teoria da Probabilidade. A Estatstica Inferencial a rea que
permite ao pesquisador transcender os resultados encontrados numa amostra
para toda a populao da qual ela foi extrada. Mesmo numa grande amostra o
processo de inferncia est sujeita erros e, em sendo ela probabilstica,
possvel dimensionar esse erro.

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

A Inferncia Estatstica e a Teoria da Amostragem so tpicos


dependentes da Teoria das Probabilidades e destas o principal papel
desempenhado pela distribuio Normal. Esse modelo serve de base na
construo de intervalos de confiana e na realizao dos testes de hipteses. De
fato, na prtica, a distribuio t de Student at mais utilizada que o modelo
normal, mas mais fcil apresentar e entender o modelo de Student com a
compreenso anterior do modelo Normal.

2 Histrico
A distribuio normal foi introduzida inicialmente pelo matemtico francs
Abraham de Moivre (1667 1754) em um artigo que foi reimpresso na segunda
edio do seu livro A doutrina do acaso de 1738. Ele percebeu que medida
que nmero de eventos do lanamento de moedas aumentava a distribuio
binomial se aproximava de uma curva suave.
Seus resultados foram estendidos pelo francs Pierre Simon de Laplace
(1748 1827) em seu livro Teoria Analtica da Probabilidade de 1812, num
resultado que hoje conhecido como Teorema de Moivre-Laplace. Laplace
utilizou a distribuio na anlise de erros de experimentos. Ele tambm mostrou
que mesmo uma distribuio no sendo normal a mdia de repetidas amostras
dessa distribuio aproximadamente normal e que quanto maior for o tamanho
da amostra melhor ser essa aproximao.
O italiano Galileo Galilei (1564 - 1642) j havia notado que esses erros
eram simtricos e que os valores pequenos apresentavam uma freqncia de
ocorrncia maior do que os valores grandes.
A primeira pessoa a aplicar a distribuio normal na rea social foi o belga
Adolph Quetelet (1796-1874) que coletou dados sobre medidas do peito de
soldados escoceses e da altura de soldados franceses e verificou que elas
podiam ser modeladas pela distribuio.
De forma independente os matemticos alemes Robert Adrian (17751843) em 1808 e Carl Friedrich Gauss (1777 - 1855) em 1809 desenvolveram a

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

equao da distribuio e mostraram que modelava bastante bem os erros de


observaes astronmicas. Gauss utilizou a equao em 1809 para justificar o
MMQ (Mtodo dos Mnimos Quadrados), introduzido por Adrien Marie Legendre
(1752 - 1833), em 1809, mas j utilizado por ele desde 1794 (Stigler,1999; Daw e
Pearson, 1972)
A importncia dessa distribuio reside principalmente no fato de que
muitos

fenmenos

naturais

apresentam

uma

distribuio

normal

ou

aproximadamente normal. Alm disso, as mdias de amostras retiradas de


distribuio qualquer tendem a apresentar comportamento normal medida que o
nmero de observaes (tamanho da amostra) aumenta.
O nome de distribuio normal ou curva normal foi dado de forma
independente pelo filsofo americano Charles S. Peirce (1839 1914), pelo
antroplogo e geneticista britnico Francis Galton (1822 1911) e pelo
economista alemo Wilhelm Lexis (1837 1914) por volta de 1875. A terminologia
de curva em forma de sino foi cunhada em 1872 pelo francs Esprit Pascal
Jouffret que denominou a normal bivariada de superfcie campanular (bell
surface).
A distribuio normal mais conhecida como curva de Gauss dando razo
a lei da eponmia de Stigler de afirma nenhuma descoberta cientfica batizada
com o nome do seu descobridor original.

3 O ensino do modelo normal


Vrios pesquisadores j se preocuparam com o ensino da distribuio Normal.
Batanero et al (1999, 2001, 2004) conduziu estudos voltados ao ensino e
aprendizagem do modelo enfocando tambm a parte inferencial. Doane (2004)
mostrou que o ensino de distribuies probabilsticas pode ser mais eficaz com o
uso de simulaes, procedimento que tambm defendido por Viali (2004, 2005).
Em cursos de graduao o modelo aparece inserido no tpico dedicado as
variveis aleatrias contnuas quando o assunto Probabilidade e na
amostragem quando se tratar de Estatstica. Em geral, os modelos probabilsticos

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

contnuos so vistos aps os conceitos iniciais de probabilidade e de variveis


aleatrias discretas. Sugere-se que a apresentao do modelo normal seja
iniciada com o seu resgate histricos seguido de uma explorao grfica. Essa
explorao deve ressaltar o efeito dos parmetros na forma do modelo. A Figura
2, mostra um exemplo que os autores utilizam em disciplinas da rea de Exatas.

1,0

N(0; 1)
N(0; 0,5)
N(0; 2)

0,8

N(2; 1)
0,6

0,4

0,2

0,0
-5,0

-4,0

-3,0

-2,0

-1,0

0,0

1,0

2,0

3,0

4,0

5,0

6,0

Figura 2 Modelos normais desenhados com o auxlio da planilha

O clculo das probabilidades, reas sob a curva, talvez o exemplo


clssico do ensino tradicional que poderia ser classificado como espaguete.
Quase que invariavelmente os livros didticos apresentam regras sem nenhuma
especificao ou contexto de como essas reas (probabilidades) so obtidas e,
freqentemente, utilizam tabelas da parte positiva da normal padro reforando o
ensino memorialistico e mecnico.
O que propomos a utilizao da funo de distribuio acumulada que
pode ser associada com as freqncias acumuladas da estatstica descritiva.
possvel e conveniente fazer um paralelo entre os modelos probabilsticos, isto a
teoria, com os histogramas de variveis contnuas da estatstica descritiva. A
associao sempre benfica, pois est evocando os conhecimentos anteriores
do aluno numa abordagem construtivista. bvio que essa abordagem supe que
os contedos de descritiva tenham sido vistos antes dos de probabilidade o que

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

nem sempre o caso. Muitos cursos de Estatstica Bsica envolvendo contedos


de probabilidade comeam por ela,

desperdiando, assim, uma tima

oportunidade de tirar proveito da sinergia entre a prtica e a teoria e optando por


um ensino mecnico ao invs de construtivo.
O uso da Funo de Distribuio Acumulada, denotada por F(X), pode ser
feito com todos os modelos probabilsticos, sejam eles discretos ou contnuos. No
entanto ele se mostra de maior utilidade com os modelos contnuos,
especialmente com a curva normal, que no integrvel e exige a utilizao de
uma tabela ou de um software para o clculo das reas (probabilidades)
Assim se for estabelecido que f(x) a densidade do modelo a F(x) a
funo de distribuio ou de repartio, isto , F(x) = P(X x). Como existem
infinitas curvas normais no possvel tabelar a todas, assim, escolhe-se uma
para ser tabelada. A escolhida denominada normal padro e qualquer outro
modelo pode ser reduzido a ela atravs da mudana Z = (X )/. ovamente
aqui pode ser evocado a Estatstica Descritiva, lembrando o que ocorre quando
um conjunto de dados sofre a transformao acima. Fixado essa simbologia
pode-se ento utilizar a notao grega (convencional) para a densidade (z) e
para a funo de distribuio (z). Assim a rea esquerda (integral) da curva
normal padro ser dada por (z) = P(Z z). Com essa providncia possvel ter
uma regra de fcil entendimento que pode ser generalizada para as demais
situaes.
Evidentemente a carga simblica e de clculo pode ser maior ou menor
dependendo do curso que se est trabalhando sendo maior para a rea de exatas
e mais informal com as demais reas. Adotando uma tabela envolvendo os
percentis de -4 a mais 4 para a curva normal padro as demais situaes podem
ser colocadas da seguinte forma: clculo da rea direita da curva, isto , P(Z >
z) = 1 - P(Z z) = 1 - (z) = (-z), devido a simetria da curva.
O clculo da rea entre dois valores segue o mesmo raciocnio. Assim P(z1
< Z < z2) = F(z2) F(z1) = (z2) - (z1), evidenciando assim o teorema
fundamental do clculo. Essa associao no feita nos livros didticos,
perdendo-se assim uma boa oportunidade de integrao de contedos. O aluno,

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

mesmo o da rea de exatas, acaba vendo esse tipo de contedo apenas como
um conjunto de regras com pouco ou nenhum significado deixando de perceber
assim a beleza subjacente e a riqueza de idias e conceitos envolvidos. Com esta
forma de abordagem um assunto normalmente aborrecido passa a ter vida e o
aluno verifica que o esforo empregado no estudo do Clculo agora
compensado em parte.
Como exerccio, o professor pode solicitar aos alunos que obtenham as
seguintes probabilidades a partir de uma tabela ou com o recurso de um software.
importante ressaltar que, independentemente dos valores de e , estas
probabilidades se mantm.

P( X + ) = P(1 Z 1) 68,26%
P( 2 X + 2 ) = P(2 Z 2) 95,45%
P( 3 X + 3 ) = P(3 Z 3) 99,73%

Quadro 1 Caractersticas da distribuio Normal


1 x 2
f(x)=
exp
, para
2
2
1

x ;

+ 2 + 3

Valor esperado ou mdia = = E( X) = xf ( x )dx


Desvio-padro = DP(X) =

f ( x )dx 2 =

1 x 2
exp
dx = ( x )

2
2
x

P(X<x) =

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

>0

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

Quadro 2 Caractersticas da distribuio Normal-padronizada (Z)

f(z)=

x2
exp
, para
2
2
1

z ;

=0;

=1

Valor esperado ou mdia = = 0


Desvio-padro = DP(X) = = 1
z

P(Z<z) =

z2
exp dz = ( z ) (tabelada)
2
2
1

4 O Teorema do Limite Central


O teorema do limite central pode ser enunciado de diferentes formas, com maior
ou menor grau de rigor matemtico. Para aulas de Probabilidade e Estatstica
direcionadas maior parte dos cursos de graduao, o seguinte enunciado
suficiente:
Seja x1 , ..., xn , n

variveis aleatrias independentes e identicamente

distribudas com mdia e desvio-padro . A distribuio da soma das n


variveis tende a apresentar um comportamento Normal, como segue:
X1 + X2 + ... + Xn = X i ~ Normal ( n ; n 2 )

Este resultado pode ser utilizado para compreender o comportamento


probabilstico da mdia amostral X utilizando-se propriedades da Esperana e da
Varincia de variveis aleatrias:
n

Xi

X = i =1
n

~ Normal ;

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

5 Atividades Prticas
Neste item so apresentadas trs atividades prticas que podem ser
apresentadas em disciplinas de Estatstica ministradas em cursos de graduao.
Atividade 1 O Teorema do Limite central na prtica
devido ao teorema do limite central (TLC) que a distribuio Normal tem grande
destaque na Estatstica. O TLC garante que o comportamento probabilstico de
vrios estimadores possa ser descrito com boa aproximao pela distribuio
normal. Alm disso, muitas variveis encontradas na natureza tendem a
apresentar comportamento normal como outra conseqncia visvel deste
teorema. Quando observamos variveis na natureza ou em qualquer outro
experimento observacional, um dado valor observado pode ser considerado como
a resultante de um grande nmero de variveis e suas interaes, o que est em
sintonia com o TLC.
Para exemplificar o teorema utilizado o gerador de nmeros pseudoaleatrios da planilha Excel e algumas de suas funes. A primeira atividade
consiste em gerar k = 10, 30, 120 e 250 colunas com 1000 observaes cada
uma utilizando a funo ALEATRIO(), conforme mostrado na Figura 2. Para
cada valor de k cria-se uma coluna adicional com a soma e/ou a mdia dos k
valores. O recomendvel e utilizar mdia para se poder comparar os diferentes
valores de k.
A funo ALEATRIO() gera valores no intervalo [0;1] segundo uma
distribuio uniforme. O valor esperado e a varincia da Uniforme, neste intervalo,
so iguais a 1/2 e 1/12, respectivamente. A mdia de k variveis uniformes
converge para uma normal de mdia 1/2 e varincia igual a 1/12k. O aluno, dessa
forma, pode comprovar que, de fato, os valores aleatrios gerados se comportam
de acordo com o modelo.
A Tabela 1 resume os resultados da mdia e do desvio-padro esperados
e observados para diferentes valores de k. Os resultados comprovam o teorema
que deixa assim de ser uma questo de f para se tornar uma experincia

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

10

vivenciada. Pode-se observar que a soma e/ou mdia de uniformes j


aproximadamente normal para valores a partir de dez como ilustram os
histogramas da Figura 3.

Figura 2 Gerao de variveis uniformemente distribudas na planilha

Tabela 1 Valores da mdia e da varincia esperados e observados para diferentes


valores de k

Esperados
k
10
30
120
250

Esperana
0,5
0,5
0,5
0,5

Varincia
0,00833
0,00278
0,00069
0,00033

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

Observados
Mdia
0,497
0,500
0,500
0,500

Varincia
0,00739
0,00273
0,00069
0,00039

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

800

800

700

700

600

600

500

500

400

400

Nmero de amostras

Nmero de amostras

11

300
200
100
0
,20

,30

,40

,50

,60

300
200
100
0

,70

,20

Mdias para k=10

,30

,40

,50

,60

,70

,50

,60

,70

Mdias para k=30

800

800

700
600

600

500
400

Nmero de amostras

Nmero de amostras

400
300
200
100
0
,20

,30

,40

Mdias para k=120

,50

,60

,70

200

0
,20

,30

,40

Mdias para k=250

Figura 3 Histogramas da mdia de k: = 10, 30, 120 e 250 variveis uniformes

Atividade 2 A relao mdia + desvios-padro nos dados simulados


A Atividade 1 consistiu de uma simulao na qual foi verificada que a
convergncia para a distribuio Normal ocorre rapidamente. Nesta segunda
atividade o aluno dever verificar se os valores gerados por simulao obedecem
s probabilidades do modelo Normal. A funo da planilha utilizada para
contagem do nmero de observaes a CONT.SE.
Neste caso, pode-se contar quantas observaes esto acima da mdia
mais k desvios-padro e abaixo da mdia menos k desvios. Assim, como foram
simulados 1000 valores, eliminam-se aqueles que esto fora do intervalo da
mdia mais ou menos k desvios-padro. A Tabela 2 mostra que os resultados
simulados correspondem ao comportamento esperado para a curva Normal.

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

12

Tabela 2 Percentual de valores simulados no intervalo mdia mais ou menos um, dois e
trs desvios padro
k
10

30

120

250

Mdia
0,497

0,500

0,500

0,500

0,0860

mdia + 1 desvio
mdia + 2 desvios
mdia + 3 desvios

Esperado
(%)
68,27
95,44
99,74

Observado
(%)
671/1000 = 67,10
937/1000 = 93,70
997/1000 = 99,70

0,0523

mdia + 1 desvio
mdia + 2 desvios
mdia + 3 desvios

68,27
95,44
99,74

679/1000 = 67,90
951/1000 = 95,10
995/1000 = 99,50

0,0263

mdia + 1 desvio
mdia + 2 desvios
mdia + 3 desvios

68,27
95,44
99,74

681/1000 = 68,10
959/1000 = 95,90
998/1000 = 99,8

0,0198

mdia + 1 desvio
mdia + 2 desvios
mdia + 3 desvios

68,27
95,44
99,74

683/1000 = 68,30
950/1000 = 95,00
997/1000 = 99,70

Desvio-padro

Intervalo

Atividade 3 Calculando probabilidades utilizando dados de concurso vestibular


Nos ltimos oito anos o nmero de acertos de algumas matrias do concurso
vestibular da Universidade Federal do Rio Grande do Sul (UFRGS) vem
apresentando um comportamento que pode ser aproximado pela distribuio
Normal. Apesar do nmero de acertos ser claramente uma varivel discreta,
pode-se mostrar que o modelo Normal representa o fenmeno com fidelidade. A
ttulo de exemplo optou-se pela prova de Literatura do ano de 2006. A Figura 4
apresenta os resultados. Os alunos podem ter livre acesso a esses dados no site
da universidade (ver fonte da Figura 4).

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

13

Nmero de alunos

3500
3000
2500
2000
1500
1000
500
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Nmero de acertos (X)

Fo
nte: http://www.ufrgs.br/cvresultados/histogramas/

Figura 4 Grfico de colunas simples do nmero de acertos na prova de literatura da


UFRGS-2006 (N = 32710 candidatos)

O professor pode apresentar aos alunos a tabela de freqncias que


originou o grfico e solicitar aos alunos que encontrem a mdia e o desvio-padro
dos acertos utilizando os conhecimentos prvios de estatstica descritiva. A
Tabela 3 apresenta os resultados onde pode ser visto que a mdia 12,16
acertos e o desvio-padro 3,94 acertos.

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

14

Tabela 3 Distribuio de freqncias absolutas e relativas para o nmero de acertos na


prova de Literatura da UFRGS, 2006
xi
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Total

Nmero de
Alunos (fi)
5
5
32
111
275
650
1142
1588
2182
2772
3042
3222
3194
2876
2687
2231
1923
1492
1197
851
520
345
202
107
35
16
6
2
0
0
0
32710

% do nmero de
alunos (fri)
0,015
0,015
0,098
0,339
0,841
1,987
3,491
4,855
6,671
8,474
9,300
9,850
9,765
8,792
8,215
6,821
5,879
4,561
3,659
2,602
1,590
1,055
0,618
0,327
0,107
0,049
0,018
0,006
0,000
0,000
0,000
100,000

Acumulado do no % acumulado do
de alunos (Fi)
de alunos (Fri)
5
0,015
10
0,031
42
0,128
153
0,468
428
1,308
1078
3,296
2220
6,787
3808
11,642
5990
18,312
8762
26,787
11804
36,087
15026
45,937
18220
55,702
21096
64,494
23783
72,709
26014
79,529
27937
85,408
29429
89,969
30626
93,629
31477
96,231
31997
97,820
32342
98,875
32544
99,493
32651
99,820
32686
99,927
32702
99,976
32708
99,994
32710
100,000
32710
100,000
32710
100,000
32710
100,000
-

Com base na mdia e desvio-padro da prova o aluno pode calcular pela


distribuio Normal a probabilidade de um aluno escolhido ao acaso ter nota
superior a digamos 20 acertos. A partir da Tabela 3 pode calcular a proporo de
candidatos com nmero de acertos superior a 20. O Quadro 3 apresenta os
clculos e a comparao dos resultados, onde possvel constatar que os
resultados foram bastante semelhantes.

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

15

Quadro 3 Clculo de probabilidades supondo normalidade e comparao com


os resultados da prova de literatura da UFRGS, 2006
Proporo real de alunos com 21 acertos ou mais: 713 / 32.710 0,0218 = 2,18%
Proporo esperada de candidatos X ~ N(12,16; 3,94)

20 12 ,16

P( X > 20 ) = P Z >
= P( Z > 1,99 ) = 1 ( 1,99 ) 0,0233 = 2,33%
3,94

6 Consideraes Finais
A distribuio Normal lecionada nos cursos de graduao de todas as reas que
trabalham com investigao cientfica. Apesar de ser freqente a grande
quantidade de contedo para poucas horas-aula semanais, julgamos ser muito
difcil o ensino da distribuio normal se for ignorado os conceitos bsicos de
Probabilidade. Sem um conhecimento prvio de variveis aleatrias discretas e
contnuas, esperana e varincia, fica muito difcil conduzir aulas que realmente
colaborem para o verdadeiro aprendizado do aluno.
Neste artigo estimula-se que professores de Probabilidade e Estatstica
usufruam os recursos da planilha com atividades que ilustrem conceitos
probabilsticos e estatsticos, especialmente os recursos de simulao. A planilha
Excel permite a gerao de nmeros pseudo-aleatrios que seguem uma
distribuio Uniforme no intervalo [0;1]. A partir da Uniforme pode-se simular
quaisquer outras distribuies, ilustrando de uma forma concreta contedos de
outra forma ficariam apenas na memria de curto prazo e que poderiam ser
esquecidos to logo no fossem mais solicitados.
Com o recurso da planilha o aluno o agente da sua aprendizagem e
desta forma toma parte ativa na construo do seu conhecimento tornando dessa
forma indelvel.

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica

III SEMINRIO INTERNACIONAL


DE PESQUISA EM EDUCAO MATEMTICA

guas de Lindia - So Paulo 11 a 14 de outubro de 2006

16

Referncias
BATANERO, Carmen, TAUBER, L. SNCHEZ, M. V. Significado y compreensin
de la distribucin normal en un curso introductorio de anlisis de datos.
Quadrante. v. 10, n. 1, p. 59-92, 2001.
BATANERO, Carmen, TAUBER, L., MEYER, R. From Data Analysis to Inference:
A Research Project on Students' Understanding of The Normal Distribution. ISI 52
Session, Helsinki, Finland. 1999.
BATANERO, Carmen, TAUBER, L., SNCHEZ, M. V. Students reasoning about
the normal distribution. In D. Ben-Zvi y J.B. Garfield (Eds) The Challenge of
Developing Statistical Literacy, Reasoning, and Thinking. Dordrecht: Kluwer. p.
257-76, 2004.
BAYER, A.; ECHEVESTE, S.; BITTENCOURT, H. R. ; ROCHA, J. . Preparao
do formando em Matemtica-licenciatura plena para lecionar Estatstica no Ensino
Fundamental e Mdio. In: V Encontro Nacional de Pesquisa em Educao em
Cincias, 2005, Bauru, SP. Anais... , 2005. v.
DAW, R. H., PEARSON, E. S. Studies in the history of probability and statistics:
Abraham de Moivre's 1733 derivation of the normal curve: a bibliographical note,
Biometrika 59 (1972), 677-680.
DOANE D. P.

Using Simulation to Teach Distributions. Journal of Statistics

Education. v. 12, n. 1, 2004. http://www.amstat.org/publications/jse/v12n1/doane.html


STIGLER, Stephen. M.

Statistics on the Table. Cambridge (MA): Harvard

University Press. 1999 (p. 404-30)


VIALI, L. Utilizando recursos computacionais (planilhas) no ensino do clculo de
probabilidades. In: Helena Noronha Cury. (Org.). Disciplinas Matemticas em
Cursos Superiores: reflexes, relatos, propostas.. 1 ed. Porto Alegre: EDIPUCRS,
2004, v. 13, p. 351-395.
VIALI, L. O ensino de probabilidade com recurso da planilha. In: V CIBEM
(Congresso Ibero-Americano de Educao Matemtica), 2005, Porto. ACTAS,
2005.

Anais do III Seminrio Internacional de Pesquisa em Educao Matemtica


G12 - Ensino de probabilidade e estatstica