Prob - Aula - 01-02 PDF

UNIVERSIDADE FEDERAL RURAL DO SEMI-ÁRIDO
CAMPUS PAU DOS FERROS

DEPARTAMENTO DE CIÊNCIAS EXATAS E NATURAIS
ESTATÍSTICA
INTRODUÇÃO A
PROBABILIDADE
Prof. André Luiz Sena da Rocha
Prof. Hidalyn Theodory C. M. Souza
andre.rocha@ufersa.edu.br
UNIDADE II – INTRODUÇÃO A PROBABILIDADE
2.1 - Experimentos Aleatórios

2.2 - Espaço Amostral
2.3 - Eventos
2.4 - Resultados Equiprováveis
2.5 – Formulações dos Conceitos de Probabilidade
2.6 - Probabilidade Condicional
2.7 - Eventos Independentes
2.8 – Variável Aleatória Unidimensional
2.9 – Principais modelos de Probabilidade Discretos
- Distribuição de Bernoulli, Binomial e Poisson
2.10 - Principais modelos Probabilísticos Contínuos
- Distribuição Exponencial e Normal.
Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 2

Preliminares
❖ A TEORIA DA PROBABILIDADE:
• Relacionada com fenômenos (experimentos) cujos resultados não podem
ser antecipadamente previstos com exatidão.
• Mesmo que as condições de realização do experimento sejam mantidas
fixas, a variação do resultado nas repetições é inevitável.
• O termo “experimento” usado aqui não se restringe aos experimentos
laboratoriais, mas inclui as atividades que fornecem resultados com certa
variação.
• Do ponto de vista intuitivo, a probabilidade de um certo resultado é uma
medida numérica de quão provável é a ocorrência deste resultado.
• A seguir apresentamos alguns conceitos básicos que antecedem a definição
de probabilidade.

Preliminares
EXPERIMENTOS ALEATÓRIOS: São experimentos que ao serem
repetidos nas mesmas condições não produzem sempre o mesmo
resultado, ou seja, exibem variação nos seus resultados.
Exemplo 2.1: Sejam os experimentos aleatórios, denotados aqui por ε.

• ε1: Tempo, em horas, até a falha de um equipamento;
• ε2: Número de itens defeituosos em uma linha de produção em um
período de 24 horas;
• ε3: Ocorrência ou não da ruptura de uma viga a um peso x em toneladas;
Embora não sejamos capazes de afirmar qual o particular resultado deste experimento,
poderemos descrever o conjunto de todo os seus possíveis resultados.


2.3 - Eventos

Preliminares
ESPAÇO AMOSTRAL: Denotado por S ou Ω, é definido como o
conjunto de todos os possíveis resultados de um experimento aleatório.
Exemplo 2.2. Consideramos a seguir o espaço amostral associado a

cada um dos experimentos citados no Exemplo 1.
• Tempo, em horas, até a falha de um equipamento;
✓ Ω1 = { t ; t ≥ 0 }
• Número de itens defeituosos em uma linha de produção em um período
de 24 horas;
✓ Ω2 = {0, 1, ..., n}; sendo n o número máximo de itens produzidos em 1 dia.
• Ocorrência ou não da ruptura de uma viga a um peso x em toneladas;
✓ Ω3 = { sim , não }

2.3 - Eventos

Preliminares
EVENTO: É um subconjunto de um espaço amostral.
Exemplo 2.3. Os eventos Ai a seguir referem-se aos espaços amostrais

dados no Exemplo 3.
• Tempo, em horas, até a falha de um equipamento;
✓ A1 = {“ ocorre falha no mínimo em 3 horas ”} → A1 = { t, t ≥ 3};
• Número de itens defeituosos em uma linha de produção em um período
de 24 horas;
✓A2 = {“ menos de 5 itens defeituosos ”}→ A2 = { 0, 1, 2, 3, 4 };
• Ocorrência ou não da ruptura de uma viga a um peso x em toneladas;
✓A3 = {“viga com ruptura”} → A3 = { sim };
Também são eventos:

O próprio Ω, o conjunto vazio Ø, ou qualquer resultado individual de Ω.
Podemos usar as propriedades de conjuntos para combinar e obter novos

eventos como mostram as propriedades a seguir.
ESPAÇO AMOSTRAL = Conjunto de todos
os possíveis resultados
de um experimento
aleatório.
EVENTO

Eventos
Propriedades: Sejam A, B e Ai , i = 1, 2, ..., n, eventos.
1. A  B representa o evento em que A OU B (ou ambos) ocorrem;

A B
2. A ∩ B representa o evento em que A E B ocorrem;

A B
3. Ā representa o evento em que A não ocorre; A

Ā
n
4.  A representa o evento em que ao menos um dos Ai ocorre;
i =1
i
n
5.  A representa o evento em que todos os Ai ocorrem.
i =1
i
Exemplo: Sejam os conjuntos A={2,4,6,8,10,12}, B={10,12,14,16,18,20} e Ω={n ≥ 1}:

Eventos
EVENTOS DISJUNTOS OU EXCLUDENTES: Dois eventos A e B são disjuntos, ou

mutuamente excludentes, se não podem ocorrer simultaneamente, ou seja, A ∩ B =Ø.
Exemplo. Considere um experimento feito para avaliar a durabilidade de uma

lâmpada. O espaço amostral associado é Ω = {t; t ≥ 0}. Sejam A, B e C os eventos:
A = {t; t < 100},B = {t; 50 ≤ t ≤ 200} e C = {t; t > 150}.
Obtenha:
a) A U B = {t; t ≤ 200}.
b) A ∩ B = {t; 50 ≤ t < 100}.
c) A ∩ C = Ø. (A e C são disjuntos)
d) Ā = {t; t ≥ 100}.


2.3 - Eventos

Resultados Equiprováveis
❖ Muitos experimentos aleatórios sugerem que os distintos resultados de um

espaço amostral finito estejam associados, cada um deles, a um mesmo valor p,
que representa a probabilidade de sua ocorrência.
Cálculo da probabilidade : Seja o sorteio ao acaso de um elemento, dentre n

numeradas de 1 à n de um espaço amostral Ω. A probabilidade de cada elemento
(cada ponto amostral) será 1/n. Se um evento A, associado a este espaço é
formado por K pontos, ou seja A = 1, 2, ..., K, então se tem :
1 1 1 𝐾 #𝐴
𝑃 𝐴 = + +⋯+ = 𝑜𝑢 𝑠𝑒𝑗𝑎 𝑃 𝐴 =
𝑛 𝑛 𝑛 𝑛 #Ω
nº de elementos do evento A casos favoráveis

P( A) = =
nº de elementos do espaço  casos possíveis

Exemplo: Supondo que um jogador extraia, sem reposição, duas cartas por
vez de um baralho de 52 cartas. Observe então que:
(i) Cada par de cartas pode ser considerado uma combinação das 52 cartas, duas a
duas, e nesse caso, o espaço amostral seria dado por:
52 52! 52 ∙ 51 𝑐𝑜𝑚𝑏𝑖𝑛𝑎çõ𝑒𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠

#Ω= = = = 𝟏𝟑𝟐𝟔
2 2! 52 − 2 ! 2 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠, 𝑑𝑢𝑎𝑠 𝑎 𝑑𝑢𝑎𝑠
𝑛 𝑛!
em que 𝑝 = 𝐶𝑛,𝑝 = , ∀𝑛, 𝑝 ∈ ℕ∗ , 𝑝 < 𝑛 .
𝑝! 𝑛−𝑝 !
(ii) Se A for um evento (subconjunto) constituído pelas combinações somente de

cartas de Espadas, teremos:
13 13! 13 ∙ 12 𝑐𝑜𝑚𝑏𝑖𝑛𝑎çõ𝑒𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠 𝑑𝑒
A= = = = 𝟕𝟖 𝑐𝑎𝑟𝑡𝑎𝑠 de Espadas, 𝑑𝑢𝑎𝑠 𝑎
2 2! 13 − 2 ! 2 𝑑𝑢𝑎𝑠
78 1
Logo, 𝑃 𝐴 = = .
1326 17


2.3 - Eventos

Definições de Probabilidade: Abordagem Clássica
ABORDAGEM CLÁSSICA: Seja Ω um espaço amostral finito, formado por n eventos

elementares, igualmente prováveis (equiprováveis). Seja A um evento de Ω com m destes
elementos. Então a probabilidade de A é a fração
P(A) = m / n
Exemplo 2.4. Considere o lançamento de um dado “honesto”. Queremos obter a

probabilidade da ocorrência de um número par.
O espaço amostral associado é Ω = {1, 2, 3, 4, 5, 6}.
Resultados de Ω → disjuntos e equiprováveis. Se definimos A = {“número par”} = {2, 4,

6}, a probabilidade deste evento é dada por P(A) = 3/6 = 1/2.
Exemplo 2.5. Considere o lançamento de duas moedas. Queremos saber a

probabilidade do evento A = {“duas caras”}. Considere o espaço amostral Ω1 = {“duas
caras”, “duas coroas”, “uma cara e uma coroa”}.  Note que não há “coroa e cara”
Se usamos a definição acima com este espaço amostral, diríamos que P(A) = 1/3. Esta
resposta é falsa, pois os elementos de Ω1 não são equiprováveis. O espaço amostral
equiprovável seria Ω = {cc, ck, kc, kk} e como A = {cc} temos que P(A) = 1/4.
Definições de Probabilidade: Abordagem Frequentista
Suponha que lançamos um dado conhecido por favorecer a ocorrência do número 3.

• Os 6 eventos elementares do espaço amostral são igualmente prováveis? NÃO !!!
• Qual a probabilidade da ocorrência do número 1? A definição clássica não nos ajuda
neste caso.
Limitações da definição clássica: Só se aplica a espaços amostrais finitos e

equiprováveis. Isso levou a considerar outra forma de calcular probabilidade de um evento
partindo da frequência relativa do evento ao se repetir o experimento, n vezes, sob as
mesmas condições.

Frequência Relativa
O fato de existirem eventos num experimento que ocorrem com mais frequência
que outros, e mesmo aqueles que muito dificilmente ocorrem, leva a necessidade
de quantificar essas ocorrências. Desse modo, para experimentos que ocorrem
repetidas vezes e nas mesmas condições, define-se frequência relativa 𝒇𝒊 do
evento 𝐴 = {𝑎𝑖 } como
𝑛𝑖
𝑓𝑖 = ∀𝑖 ∈ {1, 2, … , 𝑘}
𝑁
em que 𝑛𝑖 é o número de vezes que ocorre o evento elementar 𝑎𝑖 .
Exemplo: Se um dado é lançado 50 vezes e verificarmos que o número 3 (evento

3) ocorre 7 vezes, teremos que a frequência relativa desse evento elementar é:
7
𝑓3 = = 0,14
50

Frequência Relativa
PROPRIEDADES:
𝑛𝑖
(i) 0 ≤ 𝑓𝑖 ≤ 1 , ∀𝑖, 𝑝𝑜𝑖𝑠 0 ≤ ≤1
𝑁
𝑛1 𝑛2 𝑛𝑘 𝑛1 + 𝑛2 + ⋯ 𝑛𝑘 𝑁
(ii) 𝑓1 + 𝑓2 + ⋯ + 𝑓𝑘 = 1 , 𝑝𝑜𝑖𝑠 + + ⋯+ = = =1
𝑁 𝑁 𝑁 𝑁 𝑁
(iii) Supondo 𝐴 ≠ ∅ um evento de Ω(A), tem-se que 𝐹(𝐴) é a razão entre o
número de vezes que o evento A ocorre pelo número de experimentos N,
isto é:
𝑛𝑖
𝐹(𝐴) = ෍ = ෍ 𝑓𝑖
𝑁
𝑎𝑖 ∈𝐴 𝑎𝑖 ∈𝐴
Exemplo: Se 𝐴 = {𝑎2 , 𝑎4 , 𝑎5 }, tem-se que

𝑛2 + 𝑛4 + 𝑛5
𝐹(𝐴) = = 𝑓2 + 𝑓4 + 𝑓5
𝑁
(iv) Para N suficientemente grandes, observa-se (experimentalmente) uma
tendência de estabilidade em torno de um número bem definido da frequência
relativa.
Exemplo 2.6. Considere uma certa moeda cuja probabilidade de ocorrência de “cara”
é desconhecida. Para se obter essa probabilidade, esta moeda é submetida a n
repetições independentes de cada lançamento. A Figura 1 e a Tabela 1 a seguir
mostram os resultados obtidos.
Frequência relativa do evento
Número de lançamentos
Figura 1: Frequência relativa de “cara”
Tabela 1: Frequência relativa de “cara”
n 10 100 200 300 ... 1600 1800 2000 2300 2600

F(A) 0,800 0,520 0,595 0,5000 ... 0,506 0,509 0,501 0,496 0,499

PROBABILIDADE: ABORDAGEM FREQUENTISTA
Podemos definir P(A) como o limite da frequência relativa da ocorrência de A em

n repetições independentes de um experimento, com n tendendo ao infinito, ou seja, se
#(A) é o número de vezes em que o evento A ocorreu nas n repetições independentes de
um experimento, diz-se então que:
#( A)
P( A) = lim
n → n
Na prática a probabilidade de A é aproximada pela frequência relativa do evento em um
certo número de repetições.

Definições de Probabilidade: Abordagem Axiomática
PROBABILIDADE: ABORDAGEM AXIOMÁTICA

• Motivada pelas definições anteriores de probabilidade, sendo elas:
Abordagem Clássica e Abordagem Frequentista
• Representa uma proposta para dar à teoria da probabilidade uma base
matemática sólida
• É nesta abordagem que se baseiam as propriedades estabelecidas
daqui em diante.
ABORDAGEM AXIOMÁTICA: Seja ε um experimento aleatório e Ω o
espaço amostral associado a este experimento. Seja o evento A um evento
do seu interesse que pertence a Ω. Definindo #A como o número de
possibilidades de A e #Ω o número de possibilidades de Ω. A
probabilidade de A ocorrer é definido como:
#A Todas as possibilidades que A ocorre
P ( A) = =
#  Todas as possibilidades do experimento aleatório

Preliminares
No entanto, na probabilidade, devem ser satisfeitas as seguintes condições
(axiomas):
Definições de Probabilidade: Abordagem Axiomática

Axioma 1: 0 ≤ P(A) ≤ 1; AXIOMA: Proposição que se admite como
verdadeira para que através desta se possa
deduzir as proposições de uma teoria
Axioma 2: P(Ω) = 1; matemática.
Axioma 3: P(AUB) = P(A) + P(B), desde que A∩B=Ø (Eventos Disjuntos)
Propriedades:
i) P(Ø)=0; o evento em que A não ocorre
ii) P(Ā)= 1 - P(A);
iii) P(AUB) = P(A) + P(B) - P(A∩B )

Preliminares
EXEMPLO 2.7: Seja o experimento aleatório ε o lançamento de um dado

de 6 faces, assim, Ω = {1, 2, 3, 4, 5, 6}, logo, # Ω = (6). Definindo o evento
A como o resultado do lançamento é par, logo, A = {2, 4, 6}, assim, #A =
(3). A probabilidade de A ocorrer pode ser representada por:
#A 3 1
P ( A) = = = = 0,5 = 50%
# 6 2

Preliminares
EXEMPLO 2.8: Seja o experimento aleatório ε um teste de resistência à
compressão em 3 barras (sendo elas compostas por aço, alumínio e ferro) na qual
foi descrito que cada uma delas suportou (+) ou não (-) à compressão. Supondo que
após um sorteio, a ordem do teste ficou Aço, Ferro, Alumínio, temos como espaço
amostral:
Ω = {(+++), (++-), (+-+), (-++), (+--), (-+-), (--+), (---)}, logo, # Ω = (8)
 CÁLCULO DA PROBABILIDADE DE TODAS AS BARRAS PASSAREM NO TESTE
Definindo A como o evento cujo o resultado do teste foi positivo para as três
barras, temos: A = {(+++)}, assim, #A = (1). A probabilidade de A ocorrer
pode ser representada por: #A 1
P ( A) = = = 0,125 = 12,5%
# 8


2.3 - Eventos

Probabilidade Condicional
PROBABILIDADE CONDICIONAL:
❖ Sejam A e D dois eventos de um espaço amostral sendo que P(D) > 0.
❖ Muitos problemas envolvem o cálculo da probabilidade da ocorrência
de A, quando já se tem a informação de que houve a ocorrência de D.
❖ A probabilidade de A será calculada considerando-se a condição de
que já houve a ocorrência de D.
❖ Esta nova informação (de que D ocorreu) equivale a restringir o espaço
amostral.
❖ A probabilidade condicional de A dado D é definida por
P ( A  D)
P ( A | D) =
P( D)

❖ Desta relação, obtemos a chamada REGRA DO PRODUTO DE

PROBABILIDADE, dada por:
P(A  D) = P(D) ∙ P(A / D) ou P(A  D) = P(A) ∙ P(D / A)
❖ Esta regra pode ser estendida para mais de dois eventos:

Sejam A1, A2, … , An eventos quaisquer associados a , então:
P(A1  A2  ...  An) = P(A1)∙P(A2/A1)∙P(A3/A1  A2)∙ ...∙ P(An/A1  A2  …  An-1)

Exemplo 2.9: Um par de dados “honestos” é lançado. Qual a
probabilidade de ocorrer o nº 2 em pelo menos um dos dados, se já tem
a informação de que ocorreu que a soma dos nº é igual a seis?
Sejam os eventos: A: “a soma dos dois dados é 6”

B: “ocorre o nº 2 em pelo menos um dos dados”
P(A  B)
P(B / A) =
P(A)
#  = 6 x 6 = 36
A = {(1,5), (2,4), (3,3), (4,2), (5,1)}  # A = 5 → P(A)=5/36
B = {(2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (1,2), (3,2), (4,2), (5,2),
(6,2)}  # B = 11 → P(B)=11/36
A  B = {(2,4), (4,2)}  # (A  B) = 2 → P(A  B) = 2/36
Portanto, 2
P( A  B) 36 2
P( B / A) = = =
P( A) 5 5
36

Exemplo 2.10: Consideremos novamente o lançamento de dois dados
“honestos”. Qual a probabilidade de ocorrer a soma igual a 6, sabendo-
se que em pelo menos um dos dados apareceu o nº 2”?
Agora pede-se P(A/B).

Portanto
2
P( A  B) 36 2
P( A / B) = = =
P( B) 11 11
36

Exemplo 2.11: Para a 3ª avaliação de estatística, um professor

indica os 10 primeiros capítulos do livro adotado e diz que
elaborará 10 problemas, numerados de 1 a 10, onde cada um
deles será baseado no respectivo capítulo a ser estudado (ex:
problema 1 – capítulo 1, etc.)
❖O professor avisa que a prova constará de apenas 3 destes 10
problemas, os quais serão sorteados no início da avaliação
aleatoriamente, um após outro, entre 10 papeizinhos
numerados de 1 a 10, que corresponderão aos respectivos
problemas.
❖Um estudante, por causa da FINECAP, somente estudou os 4
primeiros capítulos.
a) Qual a probabilidade de que “caia” na avaliação somente capítulos que ele tenha
estudado?
Sejam os eventos:
A1 = “No 1º sorteio “cai” um ponto que ele estudou”
LEMBRETE: P(A1  A2  ...  An) = P(A1)∙P(A2/A1)∙P(A3/A1  A2)∙ ...∙ P(An/A1  A2  …  An-1)
P(A1  A2  A3) = P(A1)∙P(A2/A1)∙P(A3/A1 A2) = 4/10 ∙ 3/9 ∙ 2/8 = 1/30

b) Qual a probabilidade de que somente no 3º sorteio (a 3ª questão) “caia”

exatamente um ponto que ele não estudou?
Seja o evento: B = “No 3º sorteio “cai” um ponto que ele não estudou”
LEMBRETE: P(A1  A2  ...  An) = P(A1)∙P(A2/A1)∙P(A3/A1  A2)∙ ...∙ P(An/A1  A2  …  An-1)
P(A1  A2  B) = P(A1)∙P(A2/A1)∙P(B/A1 A2) = 4/10 ∙ 3/9 ∙ 6/8 = 1/10

Prob - Aula - 01-02 PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Prob - Aula - 01-02 PDF

Caricato da

Copyright:

Formati disponibili

UNIVERSIDADE FEDERAL RURAL DO SEMI-ÁRIDO

CAMPUS PAU DOS FERROS

2.1 - Experimentos Aleatórios

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 2

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 3

Exemplo 2.1: Sejam os experimentos aleatórios, denotados aqui por ε.

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 4

2.1 - Experimentos Aleatórios

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 5

Exemplo 2.2. Consideramos a seguir o espaço amostral associado a

2.1 - Experimentos Aleatórios

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 7

Exemplo 2.3. Os eventos Ai a seguir referem-se aos espaços amostrais

Também são eventos:

Podemos usar as propriedades de conjuntos para combinar e obter novos

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 9

1. A  B representa o evento em que A OU B (ou ambos) ocorrem;

2. A ∩ B representa o evento em que A E B ocorrem;

3. Ā representa o evento em que A não ocorre; A

Exemplo: Sejam os conjuntos A={2,4,6,8,10,12}, B={10,12,14,16,18,20} e Ω={n ≥ 1}:

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 10

EVENTOS DISJUNTOS OU EXCLUDENTES: Dois eventos A e B são disjuntos, ou

Exemplo. Considere um experimento feito para avaliar a durabilidade de uma

A = {t; t < 100},B = {t; 50 ≤ t ≤ 200} e C = {t; t > 150}.

b) A ∩ B = {t; 50 ≤ t < 100}.

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 11

2.1 - Experimentos Aleatórios

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 12

❖ Muitos experimentos aleatórios sugerem que os distintos resultados de um

Cálculo da probabilidade : Seja o sorteio ao acaso de um elemento, dentre n

nº de elementos do evento A casos favoráveis

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 13

52 52! 52 ∙ 51 𝑐𝑜𝑚𝑏𝑖𝑛𝑎çõ𝑒𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠

(ii) Se A for um evento (subconjunto) constituído pelas combinações somente de

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 14

2.1 - Experimentos Aleatórios

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 15

ABORDAGEM CLÁSSICA: Seja Ω um espaço amostral ﬁnito, formado por n eventos

Exemplo 2.4. Considere o lançamento de um dado “honesto”. Queremos obter a

O espaço amostral associado é Ω = {1, 2, 3, 4, 5, 6}.

Resultados de Ω → disjuntos e equiprováveis. Se deﬁnimos A = {“número par”} = {2, 4,

Exemplo 2.5. Considere o lançamento de duas moedas. Queremos saber a

Suponha que lançamos um dado conhecido por favorecer a ocorrência do número 3.

Limitações da deﬁnição clássica: Só se aplica a espaços amostrais ﬁnitos e

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 17

Exemplo: Se um dado é lançado 50 vezes e verificarmos que o número 3 (evento

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 18

Exemplo: Se 𝐴 = {𝑎2 , 𝑎4 , 𝑎5 }, tem-se que

Tabela 1: Frequência relativa de “cara”

n 10 100 200 300 ... 1600 1800 2000 2300 2600

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 20

PROBABILIDADE: ABORDAGEM FREQUENTISTA

Podemos deﬁnir P(A) como o limite da frequência relativa da ocorrência de A em

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 21

PROBABILIDADE: ABORDAGEM AXIOMÁTICA

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 22

Definições de Probabilidade: Abordagem Axiomática

Axioma 3: P(AUB) = P(A) + P(B), desde que A∩B=Ø (Eventos Disjuntos)

ii) P(Ā)= 1 - P(A);

iii) P(AUB) = P(A) + P(B) - P(A∩B )

EXEMPLO 2.7: Seja o experimento aleatório ε o lançamento de um dado

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 24

Prof. Msc. André Luiz Sena da Rocha INTRODUÇÃO A PROBABILIDADE andre.rocha@ufersa.edu.br 25