06/04/2024

CENTRO UNIVERSITÁRIO SANTO AGOSTINHO - UNIFSA

NÚCLEO DE APOIO PEDAGÓGICO – NUAPE
COORDENAÇÃO DO CURSO DE MATEMÁTICA
PROFESSORA: Ma. KARMEM WERUSCA FORTES DE ARAÚJO

DEFINIÇÃO DE PROBABILIDADE

Uma das principais aplicações das técnicas de contagem é a

Probabilidade resolução de problemas simples de Probabilidade.O interesse dos

matemáticos no estudo sistemático de probabilidade é relativamente recente
e tem suas raízes no estudo de jogos de azar.

Ma. Karmem Werusca 2

1 2

Hoje, a teoria das probabilidades é de grande importância e

aplicações em áreas como sociologia,biologia, engenharia, física, teoria de
No século XVII, os jogos de azar, ou seja, jogos que envolviam jogos estratégicos e muitos outros campos de conhecimento.
dinheiro eram bastante populares na sociedade francesa. A medida que se São várias as situações em que é desejável ter uma
tornaram mais sofisticados, com apostas maiores, foi necessário criar medida(avaliação numérica) do quão provável é a ocorrência de
métodos matemáticos para computar as possibilidades de ocorrer um determinado evento futuro: Lançamento de um produto, bons lucros em uma
determinado evento. operação financeira, chover amanhã,meu time ganhar o próximo jogo, etc.

Ma. Karmem Werusca 3 Ma. Karmem Werusca 4

3 4

1
 06/04/2024

Antes de definirmos probabilidades, vamos definir suas bases, para EXPERIMENTO ALEATÓRIO: É quando repetido em iguais condições,

que seu entendimento seja completo. podem fornecer resultados diferentes.

Exemplo: possibilidades de ganho na loteria, a abordagem envolve
cálculo de experimento aleatório, que apresenta as seguintes
características:
• É possível conhecer previamente o conjunto dos resultados possíveis.
• Não é possível prever o resultado.
• Podem repetir-se várias vezes nas mesmas condições.

Ma. Karmem Werusca 5 Ma. Karmem Werusca 6

5 6

Exemplo 1:

ESPAÇO AMOSTRAL: a) E = Jogar um dado e observar o número

É o conjunto de todos os resultados possíveis de um experimento
aleatório. A letra que representa o espaço amostral, “S” ou Ω. Ω = {1, 2, 3, 4, 5, 6}

Para cada experimento aleatório E, o espaço amostral é o conjunto b) E = jogar duas moedas e observar os resultados.
de todos os resultados possíveis do experimento.
Ω = {(C,C), (C,K), (K,C), (K,K)}
O conjunto de todos os possíveis resultados do experimento é
denominado espaço amostral (Ω). Onde
K = Cara
O número de elementos de um espaço amostral = n(Ω). C = Coroa
Ma. Karmem Werusca 7 Ma. Karmem Werusca 8

7 8

2

Exemplo 2:
Lançamos uma moeda honesta e observamos a
face voltada para cima:
Temos: Ω = {K, C}
Logo o número de elementos do Espaço Amostral
n(Ω) = 2.
Chamamos cada um dos resultados possíveis de
Ponto Amostral.
Ma. Karmem Werusca
9 10
Evento
É um conjunto de resultados do experimento.
É um subconjunto de Ω.
Podemos formar novos eventos:
A ∪ B é o evento que A ou B ocorre ou ambos.
A ∩ B é o evento que A e B ocorrem.
Ma. Karmem Werusca
11
06/04/2024
Exemplo 3:
Uma urna contém cinco bolas vermelhas e quatro azuis. Duas bolas
são extraídas, ao acaso, sucessivamente e
sem reposição.
Para determinar Ω, construímos um
diagrama de árvore:
Ω = {(V, V), (V,A), (A,V), (A,A)} ➔ n(Ω) = 4
Cada par é um ponto amostral de Ω.
9 Ma. Karmem Werusca
10
Exemplo 1: Sejam os experimentos:
a) jogar três moedas e observar os resultados:
Ω=
{(c,c,c), (c,c,k), (c,k,c), (k,c,c), (k,k,k), (k,k,c), (k,c,k), (c,k,k)}
Determine o evento que ocorre pelo menos duas caras.
E = {(c,c,c),(c,c,k), (c,k,c), (k,c,c)}
Ma. Karmem Werusca
11 12
12
3
 06/04/2024

Ω = {1, 2, 3, 4, 5, 6}
b) Lançar um dado e observar o número de cima. d) lançar um dado e observar a ocorrência de múltiplo de 2.
E = Ω = {1, 2, 3, 4, 5, 6} é um evento certo. E = {2, 4, 6}; E ⊂ Ω.

c) Lançar um dado e observar a ocorrência de número maior que 8.

e) lançar um dado e observar a ocorrência de número ímpar.
E = Ø é um evento impossível.
E = {1, 3, 5}; E ⊂ Ω.

Ma. Karmem Werusca Ma. Karmem Werusca

13 14

13 14

Combinações de Eventos

Estudaremos algumas situações em que podem ocorrer com os

eventos: União, interseção, eventos mutuamente exclusivos e eventos 2) Interseção de dois eventos.
complementares. Sejam A e B dois eventos; então A B será um evento que
1) União de dois eventos. corresponde à ocorrência de A e B simultaneamente. Dessa forma,
Sejam A e B dois eventos; então A  B corresponde a um evento podemos perceber que o conjunto A  B é um subconjunto de A B;
que ocorrerá quando uma das três condições forem satisfeitas:
I. Ocorre em A e não ocorre em B
II. Não ocorre A e ocorre B.
III. Ocorre A e ocorre B simultaneamente.
Ma. Karmem Werusca Ma. Karmem Werusca
15 16

15 16

4
 06/04/2024

3) Mutuamente exclusivos 4) Complementar de um evento

Se A  B =  , A e B são chamados mutuamente exclusivos. Seja A um evento; então A (lê-se : “A barra”) será também um evento
que ocorrerá se, e somente se, A não ocorrer. As figuras ilustram a situação
do complementar em relação a A;

Ma. Karmem Werusca Ma. Karmem Werusca

17 18

17 18

Probabilidade de um Evento Probabilidade de um Evento

Podemos quantificar o grau de confiança de um evento.

Para solucionar temos que determinar o espaço amostral:
Exemplo:
O experimento consiste em extrair uma bola do interior de uma caixa e Elemento Probabilidade
observar sua cor. Há um total de nove bolas na caixa: duas brancas, três
(B) Branca 2/9
vermelhas e quatro pretas. Qual a probabilidade de tirar uma bola que não
(V) Vermelha 3/9
seja preta?
(P) Preta 4/9

Ω = {Branca, Vermelha, Preta}

Ma. Karmem Werusca Ma. Karmem Werusca
19 20

19 20

5
 06/04/2024

O evento “tirar uma bola de cor diferente do preto”, Em alguns experimentos aleatórios, cada um dos resultados (eventos
E = {B,V}, consta de dois elementos. elementares) tem a mesma freqüência relativa esperada.
Este é o caso de lançar uma moeda ou um dado e comprovar o

Se somarmos as probabilidades da bola branca, 2/9 e da vermelha, 3/9, resultado.

vamos conhecer o valor da probabilidade do evento A: Dizemos, então, que o espaço amostral é equiprovável, e que sua
probabilidade é uniforme.
2 3 5
P(E) = + =
9 9 9
Ma. Karmem Werusca Ma. Karmem Werusca
21 22

21 22

Adição de Probabilidade Como sabemos:

N ( A  B ) = N ( A) + N ( B ) − N ( A  B )

N ( A  B ) N ( A) N ( B ) N ( A  B )
= + −  P ( A  B ) = P ( A) + P ( B ) − P ( A  B )
N (E) N (E) N (E) N (E)

Obs. Se A e B não possuíssem eventos simultâneos, ou seja, sejam

mutuamente exclusivos, temos:
Chamemos de E um espaço amostral finito e não vazio, e A e B dois
eventos de E. P( A  B) = P( A) + P( B)

Ma. Karmem Werusca 23 Ma. Karmem Werusca 24

23 24

6
 06/04/2024

P de qualquer evento é sempre um número maior ou igual a zero e Probabilidades em

menor ou igual a um. Espaços Amostrais Equiprováveis
P de um evento impossível é zero.
Consideremos o espaço amostral Ω formado por k pontos
Se a ocorrência de um evento implica na ocorrência de um segundo,
amostrais: Ω = {a1, a2, a3, ..., ak }
então P do primeiro < P do segundo.
Vamos associar a cada um desses pontos amostrais um número real, p{ai },
P da união de dois eventos = P do primeiro + P do segundo – P da
ou simplesmente pi, chamado probabilidade do evento {ai }, ou seja,
ocorrência simultânea dos dois.
probabilidade de ocorrência do ponto amostral ai, tal que:

Ma. Karmem Werusca 25 Ma. Karmem Werusca 26

25 26

Consideremos aqui os espaços amostrais equiprováveis,

(I) 0 ≤ pi ≤ 1 Caso equiprovável mesma probabilidade
isto é, aqueles cujos pontos amostrais têm a mesma
de ocorrência. k probabilidade de ocorrer. Assim, se denotarmos por p a
(II) = pi
i =1
= 1 , isto é: probabilidade de ocorrência de cada um dos pontos amostrais
de Ω, temos, em (II): K vezes
1
p + p + p + ... + p = 1 ➔ k.p=1 ➔ p=
k
p1 + p2 + ... + pk = 1 K vezes

Ma. Karmem Werusca 27 Ma. Karmem Werusca 28

27 28

7
 06/04/2024

Como E ⊂ Ω, temos que n(E) ≤ n(Ω).

A probabilidade de ocorrência de um evento E, formado por r pontos
Assim:
amostrais E = {a1, a2, a3, ..., ar } , com r ≤ k, é dada por:
n (E)
p(E) = | 0 ≤ p(E) ≤ 1
1 1 1 1 n ( )
p (E) = p1 + p2 + ... + Pr ➔ p(E) = + + + ... +
k k k k A probabilidade de ocorrer determinado evento é dada pela
razão entre o número de casos favoráveis e o
r número de elementos de E número de casos possíveis.
p (E) = =
k número de elementos de  n ( E ) número de casos favoráveis
p (E) = =
n ( ) número de casos possíveis
Ma. Karmem Werusca 29 Ma. Karmem Werusca
30

29 30

Exemplo 1 Exemplo 2: Um dado é lançado. Qual a probabilidade de dar:

Uma urna contém 15 bolas numeradas de 1 a 15. Uma bola é extraída ao a) menor que 3? b) Maior ou igual a 3?
acaso. Qual a probabilidade de ser sorteada uma bola com número maior a) Temos Ω = {1, 2, 3, 4, 5, 6}
2 1
ou igual a 11? E = {1, 2}. Então, p(E) = = =
6 3
Temos: Ω = {1, 2, 3, ..., 15}
__
Seja o evento E: “número da bola sorteada ≥ 11”. b) Podemos usar o evento
__
complementar: E = {3, 4, 5, 6}
Logo: E = {11, 12, 13, 14, 15}. __ n (E) 4 2
Assim, p (E ) = = =
n () 6 3
__
__
n (E) 5 1 Obs: p( E ) + p(E ) = 1 = 100%→P(E ) = 1- P(E)
p(E) = = = = 33,3%
n ( ) 15 3
Ma. Karmem Werusca 31 Ma. Karmem Werusca 32

31 32

8
 06/04/2024

Exemplo 3: Uma moeda é lançada três vezes, sucessivamente. Qual a O espaço amostral é formado pelas oito sequências indicadas no Diagrama
probabilidade de observarmos: de Árvore.
a) exatamente uma cara? b) No máximo duas caras?
a) Exatamente uma cara: E1 = {(K,C,C), (C,C,K), (C,K,C)}
__
n ( E1 ) 3
p(E1) = = = 37,5%
Diagrama de Árvore n () 8

b) No máximo duas caras (nenhuma, uma e duas caras)

E2 = {(C,C,C),(K,C,C),(C,K,C),(C,C,K),(K,K,C),(K,C,K),(C,K,K)}
7
p(E2) = = 87,5%.
Ma. Karmem Werusca
8 Ma. Karmem Werusca
33 34

33 34

Exemplo 4: Uma turma tem 20 homens e 25 mulheres. Deseja-se formar Exemplo 5: Nos anagramas da palavra XADREZ, qual a probabilidade da
uma comissão de cinco alunos para representantes de turma. Qual a palavra escolhida começar por XA?
probabilidade dessa comissão vir a ser formada exclusivamente por Solução:
meninos? O número de elementos de Ω é o número de permutações da palavra
XADREZ.
Solução:
Então, n(Ω) = P6 = 6! = 720.
Comissões total: n(Ω) = C45,5 O evento E = X A __ __ __ __
Comissões só de meninos = C20,5 Definidas as duas primeiras letras, há P4 = 4! = 24
C20,5 24
P(E) = = 0,0126 = 1,26% Logo: p(E) =
C45,5 720 = 3,33%
Ma. Karmem Werusca 35 Ma. Karmem Werusca 36

35 36

9
 06/04/2024

Solução:
Exemplo 6: Numa comunidade residem 100 pessoas. Uma pesquisa sobre
Diagrama de Venn Euler: carne (C) e verdura (V).
os hábitos alimentares dessa comunidade revelou que:
• 25 pessoas consomem carnes e verduras
• 83 pessoas consomem verduras
• 39 pessoas consomem carnes
3
Qual é a probabilidade de uma pessoa:
a) Consumir exclusivamente carne?
b) De não comer nem carne nem verdura?

Ma. Karmem Werusca 37 Ma. Karmem Werusca 38

37 38

PROBABILIDADE CONDICIONAL Essa nova probabilidade é expressa por P(B/A) e é chamada de

Seja E um espaço amostral finito e não vazio e A um evento condicional, pois A já ocorreu, logo temos uma probabilidade
não vazio de E. condicional de B em relação a A, o que resulta em uma mudança de
Agora, vamos supor que o evento A já tenha ocorrido e que a espaço amostral.
probabilidade procurada seja de ocorrer outro evento B, também não
P ( B  A)
vazio de E. Expressa-se por : P ( B / A) =
P ( A)

OBS. Quando A e B são independente, ou seja, a ocorrência de um não

interfere no outro, temos:
P( A  B) = P( A).P( B)
Ma. Karmem Werusca 39 Ma. Karmem Werusca 40

39 40

10
 06/04/2024

EXEMPLO 2: Um grupo de 50 moças é classificado de acordo com a cor

EXEMPLO 1: Uma urna contêm 8 bolas amarelas e 6 verdes. Qual a
dos cabelos, e dos olhos de cada moça, segundo a tabela:
probabilidade de retirarmos 2 bolas sucessivamente, sem reposição,
sendo a primeira verde e a segunda amarela?
SOLUÇÃO: Vamos fazer A o evento de retirar verde e B o evento de retirar
amarela. Note que os eventos estão amarrados, pois B depende de A.
 6 3
 P( A) = 14 = 7 24
 Está chovendo quando você encontra a menina, seus cabelos estão
 3 8 24 8 P ( B / A) = 91 =
24 7
x =
8
 P( A  B) = . =  P( B / A) = 3 91 3 13
 7 13 91 13 completamente cobertos, mas você percebe que ela tem olhos
 7
 castanhos. Qual a probabilidade de ela ser morena?

Ma. Karmem Werusca 41 Ma. Karmem Werusca 42

41 42

CENTRO UNIVERSITÁRIO SANTO AGOSTINHO - UNIFSA

NÚCLEO DE APOIO PEDAGÓGICO – NUAPE
SOLUÇÃO: COORDENAÇÃO DO CURSO DE MATEMÁTICA
PROFESSORA: Ma. KARMEM WERUSCA FORTES DE ARAÚJO
Nosso primeiro evento é C: ter olhos castanhos, P(C) = (9+14+3)/50 =
26/50 = 13/25.
P(C∩M) = 14/50 = 7/25.( TER OLHOS CASTANHOS E SER
MORENA NA TABELA DIZ QUE CASTANHOS E MORENA SÃO 14
PESSOAS)
Desta maneira, utilizando nossos conhecimentos de probabilidade
condicional, temos que
P(M|C) = P(C∩M)/P(C) ⇒ P(M|C) = (7/25)/(13/25) = 7/25.25/13 ⇔
P(M|C) = 7/13

Ma. Karmem Werusca 43

43 44

11
 06/04/2024

• Neste capítulo veremos um dos conceitos mais importante da teoria de

• Na prática é, muitas vezes, mais interessante associarmos um
probabilidade, o conceito de variável aleatória.
número a um evento aleatório e calcularmos a probabilidade da
• As variáveis aleatórias e suas distribuições de probabilidade são
ocorrência desse número do que a probabilidade do evento;
ferramentas fundamentais na modelagem de fenômenos aleatórios.
• Verifiquemos o seguinte problema:
• Definiremos as variáveis aleatórias discretas ,bem como as funções
Ex.: Lançam-se três moedas. Seja X: número de ocorrências da
que determinam seu comportamento probabilístico: função de
face cara. Determinar a distribuição de probabilidade X.
probabilidade para o caso discreto.

Ma. Prof. Karmem Werusca 45 Ma. Prof. Karmem Werusca 46

45 46

X Evento correspondente
0 A1 = {(c,c,c)}
O espaço amostral do experimento é:
1 A2 = {(k,c,c),(c,k,c),(c,c,k)}
2 A3 = {(k,k,c),(k,c,k),(c,k,k)}
 = (c, c, c ), (c, c, k ), (c, k , c ), ( k , c, c), ( k , k , k ), (k , k , c), ( k , c, k ), (c, k , k ) 3 A4 = {(k,k,k)}

Podemos também associar às probabilidades de X assumir um

Se X é o número de caras (k), X assume os valores 0,1,2,3.
dos valores, as probabilidades dos eventos correspondentes:
Podemos associar a esses números eventos que correspondem à
ocorrência de nenhuma, uma, duas ou três caras respectivamente,
P ( X = 0) = P( A1 ) =
1
P( X = 1) = P( A2 ) =
3
como segue: 8 8
Ma. Prof. Karmem Werusca 47 Ma. Prof. Karmem Werusca 48

47 48

12
 06/04/2024

Variável Aleatória (v.a.): Uma função X que associa a cada elemento

P( X = 2) = P( A3 ) =
3
P( X = 3) = P( A4 ) =
1
8 8 do espaço amostral um valor num conjunto enumerável de pontos da
Esquematicamente: reta é denominada variável aleatória discreta.
Agora se os possíveis valores do experimento são
X P(X) representados pelos infinitos valores de um intervalo contínuo, ou
0 1/8 seja ,uma variável que, em certa faixa, pode assumir qualquer valor
1 3/8
dentre um conjunto de possíveis valores.
2 3/8
Se o conjunto de valores é qualquer intervalo de números
3 1/8
1 reais, X é denominada variável aleatória contínua.

Ma. Prof. Karmem Werusca 49 Ma. Prof. Karmem Werusca 50

49 50

2) Observar o tempo de reação a um certo medicamento.

Exemplos:
Defina X: tempo de reação ao medicamento.
1) Observar o sexo das crianças em famílias com três filhos. X é uma v.a. contínua que assume qualquer valor real positivo.
Ω={(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM),(FFF)}
Defina X: nº. de crianças do sexo masculino (M).
Então X é uma v.a. discreta que assume valores no conjunto {0, 1,
2, 3}.

Ma. Prof. Karmem Werusca 51 Ma. Prof. Karmem Werusca 52

51 52

13
 06/04/2024

O termo aleatório indica que a cada possível valor da v.a. X x1 X2 ... xn

atribuímos uma probabilidade de ocorrência. P(X = x) P (X =x1) P(X = x2) ... P(X = xn)

Os valores de uma v.a discreta são definidos a partir do espaço

amostral de um experimento aleatório. Sendo assim, é natural Uma função de probabilidade deve satisfazer:
perguntarmos “qual é a probabilidade do valor x?”
n

 P( X = x ) = 1
Função de probabilidade( f.p.): É a função que atribui a cada valor xi
0  P( X = xi )  1 e i
da v. a. discreta X sua probabilidade de ocorrência e pode ser
i =1
apresentada pela tabela:

Ma. Prof. Karmem Werusca 53 Ma. Prof. Karmem Werusca 54

53 54

Ex1: Considere uma urna contendo três bolas vermelhas e cinco

pretas. Retire três bolas, sem reposição, e defina a variável aleatória
X igual ao número de bolas pretas. Obtenha a distribuição de X.
SOLUÇÃO:
Repare que não há reposição: a primeira extração tem 5
possibilidades em 8 de ser uma bola preta; mas, a segunda terá 5
em 7 se a primeira for vermelha, ou 4 em 7 se a primeira foi preta, e
assim por diante.

Ma. Prof. Karmem Werusca 55 Ma. Prof. Karmem Werusca 56

55 56

14
 06/04/2024

A partir do gráfico, podemos construir uma tabela com os eventos PPP, Finalmente, observe que são equivalentes os eventos:
PPV,etc.

Somando as probabilidades dos eventos, encontradas

anteriormente, obtemos a função de distribuição de probabilidade
de X:

Ma. Prof. Karmem Werusca 57 Ma. Prof. Karmem Werusca 58

57 58

Ex2.: O Departamento de Estatística é formado por 35 professores, Espaço amostral Probabilidade X

sendo 21 homens e 14 mulheres. Uma comissão de 3 professores (HHH) 0

será constituída sorteando, ao acaso, três membros do departamento. (HHM) 1

Qual é a probabilidade da comissão ser formada por pelo menos duas (HMH) 1

mulheres? (MHH) 1

(HMM) 2
Vamos definir a v.a.
(MHM) 2
X: nº de mulheres na comissão
(MMH) 2

(MMM) 3
Ma. Prof. Karmem Werusca 59 Ma. Prof. Karmem Werusca 60

59 60

15
 06/04/2024

X 0 1 2 3 Ex3: Um dado é lançado duas vezes de forma independente. Qual é a

P(X = x) 0,203 0,450 0,291 0,056 probabilidade da soma dos pontos ser menor do que 6?

Assim,
SOLUÇÃO:

P( X  2) = P( X = 2) + P( X = 3) = 0,291 + 0,056 = 0,347 Ω = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),

(2,1), (2,2), (2,3), (2,4), (2,5), (2,6),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6),
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6),
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}.
Ma. Prof. Karmem Werusca 61 Ma. Prof. Karmem Werusca 62

61 62

Defina X: soma dos pontos. Podemos estar interessados em outras v.a.’s.

Y: valor máximo obtido dentre os dois lançamentos
FUNÇÃO DE PROBABILIDADE DE X:

X 2 3 4 5 6 7 8 9 10 11 12 Y 1 2 3 4 5 6
P(X = x) P(Y=y)

Z: diferença entre os pontos do 2º e do 1º lançamento

P( X  6) = P( X = 5) + P( X = 4) + P( X = 3) + P( X = 2)
Z -5 -4 -3 -2 -1 0 1 2 3 4 5
4 3 2 1 10 P(Z=z)
= + + + = = 0,278
36 36 36 36 36
Ma. Prof. Karmem Werusca 63 Ma. Prof. Karmem Werusca 64

63 64

16
 06/04/2024

MEDIDAS DESCRITIVAS
Visto que as medidas descritivas servem para descrever
conjuntos de dados numéricos e que o espaço amostral de uma
variável aleatória é sempre um conjunto numérico, podemos utilizar
Valor Esperado (média): Dada a v. a. X, assumindo os valores x1, x2,
..., xn, chamamos de valor médio ou valor esperado ou esperança
matemática de X o valor:
n

essas medidas para representar as distribuições de probabilidade de

E ( X ) = x1.P( X = x1 ) +  + xn P( X = xn ) =  xi P( X = xi )
i =1
variáveis aleatórias.
NOTAÇÃO:  = E( X )

Ma. Prof. Karmem Werusca 65 Ma. Prof. Karmem Werusca 66

65 66

Variância: É o valor esperado da v.a. ( X − E ( X )) , ou seja, se X

2
Desvio Padrão: É definido como a raiz quadrada positiva da
assume os valores x1 , x2 , , xn variância, isto é,

n
VAR( X ) =  xi − E ( X )².P( X = xi ) DP( X ) = VAR( X )
i =1
ou NOTAÇÃO:
VAR ( X ) = E ( X ²) − E ( X )²
 = DP( X )

NOTAÇÃO:  ² = var( X )

Ma. Prof. Karmem Werusca 67 Ma. Prof. Karmem Werusca 68

67 68

17
 06/04/2024

Ex3: Um dado é lançado duas vezes de forma independente. Qual é a

Defina X: soma dos pontos.
probabilidade da soma dos pontos ser menor do que 6?
FUNÇÃO DE PROBABILIDADE DE X:

X 2 3 4 5 6 7 8 9 10 11 12
SOLUÇÃO:
P(X = x)
Ω = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6),
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6),
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}.
Ma. Prof. Karmem Werusca 69 Ma. Prof. Karmem Werusca 70

69 70

 1   2   2   1 
MÉDIA: E ( X ) = 2 x  + 3 x  +  + 11x  + 12 x 
 36   36   36   36  Alternativamente,poderíamos calcular:
252
= =7
36 1 2 1 1974
Ou seja, em média, a soma dos pontos no lançamento dos dois dados é 7. E ( X 2 ) == 2² x + 3² x +  + 12² x = = 54,83
36 36 36 36
VARIÂNCIA:

Portanto, VAR( X ) = 54,38 − 7² = 5,38

VAR( X ) = (2 − 7 ) x + (3 − 7 ) x +  + (12 − 7 ) x
2 1 2 2 2 1
36 36 36
210
= = 5,38 DESVIO PADRÃO:
36
DP( X ) = 5,38 = 2,319

Ma. Prof. Karmem Werusca 71 Ma. Prof. Karmem Werusca 72

71 72

18