Nos estudos de probabilidade conhecemos a probabilidade clássica, a frequentista e a subjetiva. Para facilitar o entendimento de cada uma delas, fizemos um experimento questionando a honestidade de uma moeda.
a) Relate, resumidamente, a sequência do experimento.
b) Como foi possível determinar “quantos lançamentos” são necessários para identificar a estabilidade da frequência relativa?
c) Defina probabilidade frequentista e clássica usando o experimento das moedas.

Passo 1

O enunciado pede três coisas: (a) descrever, resumidamente, a sequência do experimento que vocês fizeram para questionar a honestidade de uma moeda; (b) explicar como foi possível determinar “quantos lançamentos” são necessários para identificar quando a frequência relativa estabiliza; (c) definir, usando o experimento da moeda, as probabilidades frequentista e clássica.
Informações relevantes (tudo que o experimento fornece): tosses repetidos da mesma moeda, registro de cada resultado (cara ou coroa), cálculo da frequência relativa de caras ao longo dos lançamentos. Nada mais foi pedido nem está faltando informação — vamos trabalhar com essas observações e conceitos básicos de probabilidade amostral.

Passo 2

Sequência prática e simples do experimento (passo a passo para fazer na prova ou no laboratório):
  1. Escolher a moeda que você quer testar (a moeda sob investigação).
  2. Decidir um procedimento de lançamento: cada lançamento é independente (o resultado de um lançamento não altera o outro).
  3. Fazer n lançamentos e anotar cada resultado (cara = 1, coroa = 0, por exemplo).
  4. A cada n calcular a frequência relativa de caras
\hat p_n=\frac{X_n}{n},
onde X_n é o número de caras observadas até o n-ésimo lançamento.
5. Traçar ou escrever os valores \hat p_n para n=1,2,3,\dots e observar como eles variam; quando \hat p_n “se aproxima e fica próximo” de um valor constante dizemos que a frequência relativa estabilizou.
Dica prática: registre em uma tabela curta (coluna n, coluna X_n, coluna \hat p_n) e faça um gráfico simples de \hat p_n versus n — visual é rápido para ver estabilidade.

Passo 3

Por que olhar para \hat p_n faz sentido — uma mini-aula sobre o conceito por trás disso:
  • Definição de \hat p_n: é a proporção de caras em n lançamentos, \hat p_n=\dfrac{X_n}{n}.
  • Se a moeda tiver probabilidade verdadeira de dar cara igual a p (desconhecida), então X_n segue uma distribuição binomial \mathrm{Binomial}(n,p). Isso significa: \mathbb{E}[X_n]=np,\qquad \mathrm{Var}(X_n)=np(1-p).Dividindo por n obtemos para \hat p_n: \mathbb{E}[\hat p_n]=p,\qquad \mathrm{Var}(\hat p_n)=\frac{p(1-p)}{n}.Interpretação: a média de \hat p_n é o verdadeiro p, e a variância (medida de espalhamento) decresce como 1/n. Logo, quanto maior n, menor a variação esperada de \hat p_n em torno de p.
  • Lei dos grandes números (versão intuitiva): conforme n\to\infty, \hat p_n tende a ficar mais perto de p. Formalmente, \hat p_n converge em probabilidade para p. Em linguagem de prova: para qualquer \varepsilon>0, \Pr\big(|\hat p_n-p|>\varepsilon\big)\to 0\quad\text{quando }n\to\infty.
Essa é a razão teórica para observar estabilização da frequência relativa.

Passo 4

Como transformar a intuição em critério quantitativo: “quantos lançamentos” são suficientes?
Vou apresentar dois métodos úteis — um conservador (Chebyshev) que não precisa saber p e um mais prático (aproximação normal / IC) que é menos conservador para n grande.
Método 1 — bound conservador via desigualdade de Chebyshev:
  • Chebyshev diz que, para qualquer variável com média e variância finitas, \Pr\big(|\hat p_n-p|\ge \varepsilon\big)\le \frac{\mathrm{Var}(\hat p_n)}{\varepsilon^2}.
  • Como \mathrm{Var}(\hat p_n)=\dfrac{p(1-p)}{n} e p(1-p)\le \dfrac{1}{4} para todo p\in[0,1], obtemos o limite universal \Pr\big(|\hat p_n-p|\ge \varepsilon\big)\le \frac{1}{4 n\varepsilon^2}.
  • Se você quer que a probabilidade de desvio maior que \varepsilon seja no máximo \alpha (por exemplo, \alpha=0,05 para 95\% de “confiança”), escolha n tal que \frac{1}{4 n\varepsilon^2}\le \alpha\quad\Longrightarrow\quad n\ge \frac{1}{4\varepsilon^2\alpha}.
Esse n é conservador (às vezes muito grande), mas é simples e não depende de p.
Método 2 — aproximação normal (Teorema do Limite Central) e intervalo de confiança prático:
  • Para n grande, por CLT, \hat p_n \approx \mathcal{N}\Big(p,\frac{p(1-p)}{n}\Big).
  • Um intervalo de confiança aproximado de nível 1-\alpha para p é \hat p_n \pm z_{1-\alpha/2}\sqrt{\frac{\hat p_n(1-\hat p_n)}{n}},onde z_{1-\alpha/2} é o quantil da normal padrão (por exemplo, z_{0,975}\approx 1,96 para 95\%).
  • Se você quer obter margem de erro \varepsilon (isto é, intervalo com semi-amplitude \varepsilon), pode aproximar necessário n por n \approx \frac{p(1-p)\,z_{1-\alpha/2}^2}{\varepsilon^2}.Se p é desconhecido, use o caso pior p(1-p)=\tfrac{1}{4} (máxima variância), então n \approx \frac{z_{1-\alpha/2}^2}{4\varepsilon^2}.
Exemplo numérico rápido (prático): para \varepsilon=0,01 e 95\% ( z_{0,975}\approx 1,96),
n \approx \frac{1,96^2}{4\cdot 0,01^2}\approx \frac{3,8416}{0,0004}\approx 9\,604.
Ou seja, cerca de 9\,604 lançamentos para ter margem de erro 1\% com 95\% de confiança (usando o pior caso p=0,5).
Observação prática: para provas ou testes rápidos onde não dá para fazer milhares de lançamentos, use um critério visual (gráfico de \hat p_n) e um intervalo de confiança com o n que teve — diga “com n lançamentos obtive \hat p_n e intervalo de confiança de tal largura”; isso comunica quão estável é a estimativa.

Passo 5

Como checar estabilização na prática sem fórmula:
  • Traçar \hat p_n versus n. Se em um bloco grande de n consecutivos (por exemplo, últimos k valores) a variação de \hat p_n for menor que certo limiar \varepsilon, declare estabilização prática. Ex.: se para os últimos 500 lançamentos |\hat p_{n}-\hat p_{n-500}|<0,01, você pode considerar estabilidade com margem 1\%.
  • Calcular o intervalo de confiança para p a cada incremento de n. Quando o intervalo ficar suficientemente estreito (semi-amplitude \le \varepsilon), você tem estabilidade estatística.
    Esses procedimentos são o que se usa em experimentos: visual + intervalo.

Passo 6

Definições aplicadas ao experimento da moeda (explicadas e fáceis de lembrar):
  • Probabilidade clássica (no contexto da moeda): quando há simetria lógica entre os resultados e nenhuma razão para preferir um resultado, atribuímos probabilidades pela contagem de casos igualmente possíveis. Para uma moeda dita “perfeitamente simétrica” temos, por simetria, P(\text{cara})=\tfrac{1}{2},\qquad P(\text{coroa})=\tfrac{1}{2}.Interpretação curta: a probabilidade clássica nasce da contagem/ simetria de casos possíveis igualmente prováveis.
  • Probabilidade frequentista (no contexto da moeda): a probabilidade de “cara” é definida como o limite da frequência relativa de caras quando o número de lançamentos n cresce indefinidamente: P(\text{cara})=\lim_{n\to\infty}\hat p_n=\lim_{n\to\infty}\frac{X_n}{n}quando esse limite existe (ou, em linguagem probabilística, \hat p_n converge para p). Interpretação curta: probabilidade é o valor ao qual a proporção de ocorrências tende conforme repetimos o experimento muitas vezes.

Resposta

(a) Escolher a moeda, realizar uma sequência de lançamentos registrando cada resultado, calcular a frequência relativa \hat p_n=\dfrac{X_n}{n} para cada n e observar (por tabela/gráfico) quando \hat p_n se aproxima de um valor estável.
(b) Pode-se determinar o n necessário por métodos teóricos: bound conservador de Chebyshev n\ge \dfrac{1}{4\varepsilon^2\alpha} para garantir \Pr(|\hat p_n-p|\ge\varepsilon)\le\alpha; ou pela aproximação normal (IC) n\approx \dfrac{p(1-p)\,z_{1-\alpha/2}^2}{\varepsilon^2} (usar p(1-p)=\tfrac{1}{4} se p for desconhecido). Na prática, observa-se o gráfico de \hat p_n e/ou exige-se que o intervalo de confiança de \hat p_n tenha semi-amplitude \le\varepsilon.
(c) Probabilidade clássica: por simetria da moeda, P(\text{cara})=\tfrac{1}{2} (contagem de casos igualmente possíveis); Probabilidade frequentista: P(\text{cara}) é o limite da frequência relativa \lim_{n\to\infty}\hat p_n (o valor para o qual a proporção de caras tende quando o experimento é repetido muitas vezes).

Exercícios relacionados