Page 1 of 22

Probabilidade
Albaro Paiva

Março 08, 2023

 Page 2 of 22

Conjuto mutuamente exclusivos

Sejam A e B dois eventos que são mutuamente exclusivos se A ∩ B = ∅ estiver vazio

mutuamente exclusivos

Os Evetos A1 . A2 , . . . . An são mutuamente exclusivos se A1 ∩ A2 ∩ A3 ∩. . . , An = ∅

Os Evetos A1 . A2 , . . . . An são mutuamente exclusivos dois a dois se Ai ∩ Aj = ∅

∨ i≠j
 Page 3 of 22

mutuamente exclusivos
 Page 4 of 22

Definição clássica de probabilidade

Seja ξ um experimento aleatório com espaço amostral Ω finito, seja

A um evento do espaço amostral Ω , cujos elementos são igualmente prováveis então,

Define-se a probabilidade do evento A como:

número de casos favoráveis #A

P(A) = =
número de casos possíveis #Ω

Esta foi a primeira definição formal de probabilidade, tendo sido explicitada por Girolamo
Cardano (1501-1576).

Essa forma de definir probabilidade também é conhecida como probabilidade de Laplace,

em homenagem ao astrônomo e matemático francês Pierre-Simon Laplace, que
estabeleceu de forma sistemática e rigorosa os princípios e propriedades dessa forma de
calcular probabilidades.

Ela se baseia em duas hipóteses:

1. Há um número finito de eventos elementares, isto é, Ω é um conjunto finito.

 Page 5 of 22

2. Os eventos (A,B,C,..) elementares são igualmente prováveis.

 Page 6 of 22

Exemplo

ξ = O experimento consiste em lançar 2 dados distinguibles.

Ω = {(x, y) : x, y = 1, 2, 3, 4, 5, 6}

Observamos que Ω é um espaço amostral equiprovável

A =“ambos os dados mostram o mesmo número”

#A 6 1
P (A) = #Ω
= 36
= 6

B =““pelo menos um 6 sai”

 Page 7 of 22

#A 11
P (B) = #Ω
= 36
 Page 8 of 22

Propriedades da definição clássica de

probabilidade
1- P(Ω) = 1 .

Demonstração:
#Ω
Por definição, P (Ω) = #Ω
=1

#A
2 - P(A) = #Ω
⩾0

3 - Se A e B são eventos mutuamente exclusivos

#(A∪B) #A+#B
P (A ∪ B) = #Ω
= #Ω
= P(A) + P (B)
 Page 9 of 22

EX.

Lança-se um dados honesto e observa-se a face voltada para cima. Determine a

probabilidade de ocorrer a face 4

Experimento: lançar o dado e observar o resultado da face

Espaço amostral: Ω = {1, 2, 3, 4, 5, 6} → #Ω = 6

Pontos amostrais: ω1 = 1, ω2 = 2, . . . , ω6 = 6 .

Evento: ocorrer face 4. A = (1) (#A) = 1 .

#(A) 1
P(A) = = = 0.1667
#Ω 6
 Page 10 of 22

Com base nesse resultado, podemos afirmar que a cada 6 lançamentos de um dado, uma
face será sempre 4?
 Page 11 of 22

Com base nesse resultado, podemos afirmar que a cada 6 lançamentos de um dado, uma
face será sempre 4?

Não, pois cada lançamento é aleatório!

No entanto, se repetissemos o lançamento de um dado inúmeras vezes, a proporção de

vezes em que ocorre o 4 seria aproximadamente 0, 1667 → frequência relativa
 Page 12 of 22

Definição frecuentista de probabilidade

Podemos então pensar em repetir o experimento aleatório n vezes, econtar quantas vezes
o evento A ocorre, n(A) . Dessa forma a frequência relativa de A nas n repetições será

n(A)
fn; A =
n
Para n → ∞ repetições sucessivas e independentes, a frequência relativa de A tende a se
aproximar para uma constante p

n(A)
lim = = P (A) = p
n→∞ n
 Page 13 of 22

Ex.

Exemplo: Se um dado fosse lançado 10 vezes, e contássemos quantas vezes saiu a face 4,
qual seria a probabilidade desse evento?
## Tamanho da amostra
n <- 10
## Objeto para armazenar os resultados
x <- numeric(n)
## Estrutura de repetição
# Repetir n vezes
for(i in 1:n){
# Amostra aleatória de tamanho 1 dos números 1 a 6
x[i] <- sample(1:6, size = 1)
}
## Total de valores igual a 4 => n(A)
sum(x == 4)

## [1] 3

## Proporção de valores igual a 4 => n(A)/n

sum(x == 4)/length(x)

## [1] 0.3
 Page 14 of 22

Ex.

Exemplo: Se um dado fosse lançado 100 vezes, e contássemos quantas vezes saiu a face 4,
qual seria a probabilidade desse evento?
## Tamanho da amostra
n <- 100
## Objeto para armazenar os resultados
x <- numeric(n)
## Estrutura de repetição
# Repetir n vezes
for(i in 1:n){
# Amostra aleatória de tamanho 1 dos números 1 a 6
x[i] <- sample(1:6, size = 1)
}
## Total de valores igual a 4 => n(A)
sum(x == 4)

## [1] 13

## Proporção de valores igual a 4 => n(A)/n

sum(x == 4)/length(x)

## [1] 0.13
 Page 15 of 22

Ex.

Exemplo: Se um dado fosse lançado 1000 vezes, e contássemos quantas vezes saiu a face 4,
qual seria a probabilidade desse evento?
## Tamanho da amostra
n <- 1000
## Objeto para armazenar os resultados
x <- numeric(n)
## Estrutura de repetição
# Repetir n vezes
for(i in 1:n){
# Amostra aleatória de tamanho 1 dos números 1 a 6
x[i] <- sample(1:6, size = 1)
}
## Total de valores igual a 4 => n(A)
sum(x == 4)

## [1] 165

## Proporção de valores igual a 4 => n(A)/n

sum(x == 4)/length(x)

## [1] 0.165
 Page 16 of 22

Ex.

Exemplo: Se um dado fosse lançado 10000 vezes, e contássemos quantas vezes saiu a face
4, qual seria a probabilidade desse evento?
## Tamanho da amostra
n <- 10000
## Objeto para armazenar os resultados
x <- numeric(n)
## Estrutura de repetição
# Repetir n vezes
for(i in 1:n){
# Amostra aleatória de tamanho 1 dos números 1 a 6
x[i] <- sample(1:6, size = 1)
}
## Total de valores igual a 4 => n(A)
sum(x == 4)

## [1] 1631

## Proporção de valores igual a 4 => n(A)/n

sum(x == 4)/length(x)

## [1] 0.1631
 Page 17 of 22

Exemplo: Se um dado fosse lançado 100000 vezes, e contássemos quantas vezes saiu a face
4, qual seria a probabilidade desse evento?
## Tamanho da amostra
n <- 100000
## Objeto para armazenar os resultados
x <- numeric(n)
## Estrutura de repetição
# Repetir n vezes
for(i in 1:n){
# Amostra aleatória de tamanho 1 dos números 1 a 6
x[i] <- sample(1:6, size = 1)
}
## Total de valores igual a 4 => n(A)
sum(x == 4)

## [1] 16688

## Proporção de valores igual a 4 => n(A)/n

sum(x == 4)/length(x)

## [1] 0.16688
 Page 18 of 22

Exemplo: Se um dado fosse lançado 1000000 vezes, e contássemos quantas vezes saiu a
face 4, qual seria a probabilidade desse evento?
## Tamanho da amostra
n <- 1000000
## Objeto para armazenar os resultados
x <- numeric(n)
## Estrutura de repetição
# Repetir n vezes
for(i in 1:n){
# Amostra aleatória de tamanho 1 dos números 1 a 6
x[i] <- sample(1:6, size = 1)
}
## Total de valores igual a 4 => n(A)
sum(x == 4)

## [1] 166732

## Proporção de valores igual a 4 => n(A)/n

sum(x == 4)/length(x)

## [1] 0.166732
 Page 19 of 22

Assim,
 Page 20 of 22

n(A)
lim =
As probabilidades calculadas a partir = P (A)
de frequências = 0.1667
relativas, são estimativas da verdadeira
n→∞ n
probabilidade
 Page 21 of 22

Definição axiomática de probabilidade

Seja Ω um espaço amostral associado a um experimento aleatório. Probabilidade é uma
função, denotada por P, que associa a cada evento A de Ω um número real P(A) que
satisfaz os seguintes axiomas:

◾ Axioma 1 : P(A) ≥ 0

◾ Axioma 2 : P(Ω)=1

◾ Axioma 3 : A ∩ B = ∅ ⇒ Pr(A ∪ B) = P(A) + P(B)

 Page 22 of 22

Propiedade

1- P(∅) = 0

2- P(A ∪ B) = P(A) + P(B)

3- P(Ac ) = 1 − P (A)

4 - Se A ⊂ B então Pr(A) ≤ Pr(B).

5- 0 ⩽ P(A) ⩽ 1

6- P(A − B) = P(A) − P(A ∩ B)

7 - Para dois eventos A e B quaisquer, P(A ∪ B) = P(A) + P(B) − P(A ∩ B)