1.

A probabilidade é um número que representa a chance que um evento possui de

acontecer.

2. Tipos de Eventos
Evento é qualquer subconjunto do espaço amostral S. Constituem tipos de eventos:
a. Evento Elementar – se o resultado de uma experiência consta de um só elemento do

espaço amostral. A= { caca }

b. Evento Composto- se o resultado de uma experiência consta de dopis ou mais

elementos do espaço amostral. B={ caca ,caco }

c. Evento Impossível- se o resultado de uma experiência não tem qualquer elemento do

espaço amostral. C={} . Ex. Sair 8 no lançamento de um dado honesto, é impossível

porque só vai até ao nº6 e não mais.
d. Evento Certo-se o resultado de uma experiência consta de todos os elementos do
espaço amostral.
Podemos combinar eventos para formar novos eventos, usando as diversas operações
sobre conjuntos:

e. Evento Complementar A - é evento que ocorre se A não ocorre.

Ex. Lança-se duas moedas simultaneamente e observa-se as faces voltadas para cima e
S= { caca , caco , coca , coco } , A= { caca } duas cara
Todos os outros eventos de S, que não fazem parte de A, são denominados de eventos

complementares de A. Assim, A= { coco, coca,caco } e AU A=S mas A∩ A=φ

f. Eventos Mutuamente Exclusivos ou Disjuntos ou Incompatíveis – se a sua

verificação simultânea for um evento impossível ou seja A∩B=φ , neste caso, os

eventos A e B não podem ocorrer simultaneamente.

Ex. No lançamento de um dado honesto; S= {1,2,3,4,5,6 } , seja A= { 2 } e B={ 3,4,5,6 }

A e B são mutuamente exclusivos, pois, A∩B=φ .Além disso, A∪B≠S

NB: se A∪B=S , dizemos que estes são mutuamente exclusivos e exaustívos.
 g. Eventos Independentes- quando a ocorrência de um não afecta a probabilidade de
ocorrência de outros. Caso contrário, diz-se Eventos dependentes.

Ex. Se no lançamento de duas moedas simultaneamente tivermos

S= { ( caca ) , ( caco ) , ( coca ) , ( coco ) } os resultados da experiência são totalmente
independentes de uma moeda para outra.

h. Eventos Condicionados-quando associamos dois ou mais eventos a um experimento

aleatório qualquer dizemos que eles são condicionados ou vinculados desde que o
aparecimento de um evento A qualquer dependa do aparecimento de outro evento B
do mesmo experimento.

i. Evento Soma- é o evento que ocorre se , e somente se, A ocorre ou B ocorre (ou
ambos); isto é: A∪B=A + B

Ex. A= { 6,7 } e B={ 3,4,5,6,7 } , A∪B=A +B= {3,4,5,6,7 }

j. Evento Produto- evento que ocorre se, e somente se, A ocorre e B ocorre; isto é:
A∩B=A∗B

Ex. A= {5,6,7,9 } e B={ 4,5,8 ,10 } , A∩B=A∗B={ 5 }

3. A probabilidade P de um evento A é definida como:

Se n(A)=nº de casos favoráveis ao evento A e n(S)=nº total dos casos possíveis(S), desde que
igualmente provável(equiprovável), então, a probabilidade(sucesso) da ocorrência de um
experimento A, é igual ao quociente entre o nº de casos favoráveis ao evento e o nº de casos
n( A )
P( A )=
possiveis (S). Ou seja: n( S ) Lei de Laplace

4. Teoremas Básicos de Probabilidades

1º) para btodo o evento A, a probabilidade da sua ocorrência será sempre um valor

compreendido entre zero e um, ambos limites incluidos ou seja: 0≤P ( A )≤1 .
 o A é um evento complementar de A, então P ( A )+P ( A )=1 ou P ( A )=1−P( A )
2)

3º) se AUB representa a ocorrência de A ou de B ou de ambas, então:

P ( A∪B )=P ( A ) +P ( B )−P ( A∩B )
Em particular, para eventos mutuamente exclusivos, P ( A∪B )=P ( A ) +P ( B ) porque
P ( A∩B )=0

Se
A 1 , A2 ,..., A n são n eventos mutuamente exclusivos, que tem probabilidades P1 ,P 2 ,...,Pn ,

respectivamente, a probabilidade de ocorrência de todos eventos é:

P=P1 + p 2 +. ..+Pn

4º)Probabilidade Condicional. Eventos Independentes e Dependentes

Se A e B são dois eventos, a probabilidade de B ocorrer, depois de A ter acontecido, é

definida por
P ( A)
B
=
P ( A∩B ) P( B)×P ( A /B )
P( A )
=
P(A) ou
P
B
A
= 0 ( )
n0 elementosA∩B
n elementosA

Se a ocorrência ou não de A não afectar a probabilidade da ocorrência de B, então

P ( B A )= P ( B ) e diz se que A e B são Eventos independentes, no caso contrário, eles são e
ventos dependentes.

Se se representar por AB a ocorrência de ´´ambos eventos A e B``, as vezes denominando

evento composto, então:

P ( A∩ B )=P ( A ) . P (B A) .
Em particular para eventos independentes temos P ( AB )=P ( A ) . P ( B ) .
Em geral, se A1,A2,...,An são n eventos independentes que têm respectivamente, as
probabilidades: p1,p2,...,pn, então a probabilidade de ocorrência simultânea de A1,A2,...,An é:
P= P1.P2.P3....Pn.

5º ) Fórmula de probabilidade Total

Seja {B1,B2, …., Bn}uma partição do espaço amostral S em eventos de probabilidade
positiva.Então, para qualquerevento A,

P ( A )=P ( B1 ) ×P ( A / B1 ) +P ( B2 )×P ( A /B2 ) +.. ..+P ( B n ) P ( A / Bn ) =∑ P ( Bi ) ׿ P ( A / Bi ) ¿

6º ) Fórmula de Bayes (1763)
Seja {B1,B2, …., Bn}uma partição do espaço amostral S em eventos de probabilidade positiva.

Se A é um evento com P ( A )>0 , então, para todo j=1,...,n,

P ( B j )×P ( A / B j )
P ( B j / A )= n
∑ P ( Bi ) ×P ( A / B i )
i =1

Esta fórmula é uma consequência imediata da definição de probabilidade condicional e do

teorema das probabilidades totais.

5. Caracterizar a distribuição de densidade de probabilidade de uma variável aleatória

5. Diferenciar as distribuições: normal, qui- quadrado e t- Student

 Distribuição normal de probabilidade

Uma variável aleatória contínua X segue uma distribuição normal (ou Gaussiana)
2
caracterizada pela média μ e variância σ , e representa-se por X ~ N ( μ , σ ) , se sua
2

função densidade de probabilidade é dada por:

− ( ) , x ∈ R ,σ >0
2
1 x −μ
1 2 σ
f ( x )= e
σ √2 π
A função de densidade de probabilidade tem o gráfico representado na figura abaixo.

Figura 1: Gráfico da função de densidade de probabilidade da distribuição normal

Propriedades
2
Se X ~ N ( μ , σ ) , então:
  Média ou esperança matemática é o parâmetro μ .
2
 A variância da distribuição normal é o parâmetro σ .
 A lei normal é simétrica em relação a média, isto é, para qualquer ∀ x ∈ R , a
probabilidade a esquerda da média é igual a probabilidade a direita da média.
x−μ
2 Z=
Se X ~ N ( μ , σ ) , então σ , segue uma distribuição normal padrão e representa-se

por Z ~ N (0,1) .

 Distribuição Qui- quadrado

Consideremos um conjunto de n variáveis aleatórias

B i , sendo que cada variável B i segue
uma distribuição normal padrão e são mutuamente independentes, então, a variável aleatória

X, que é soma das n variáveis

B i elevadas ao quadrado, segue distribuição Qui- Quadrado
com n graus de liberdade, e representa-se por :

n
X =∑ B 2i ~ χ 2n
i=1

Os graus de liberdade são habitualmente usados para representar o número das variáveis
Bi
adicionadas.
Uma variável aleatória X tem uma distribuição Qui- Quadrado se sua função de densidade
de probabilidade é dada por:

{
−x n
−1
2 2
e x
f ( x )=¿ , x> 0 ¿ ¿ ¿
n ¿
2 T 2
( n2 )
Propriedades da distribuição
 O gráfico da f.d.p é uma curva assimétrica positiva;
 O valor esperado da distribuição: E(X) = n;
 Variância: Var (X) = 2n.
Tabelas

O que é tabelado é a função inversa, em relação a área à direita de cada curva (uma para cada

linha), isto é, dado um valor de área na cauda direita (a), a tabela retorna um valor “x” tal que
2
P( χ ≥x )=α

 Student

Distribuição t-

A distribuição t-Student é muito usada quando a variância é desconhecida, ou quando a

amostra é de menor dimensão numa distribuição normal.
Uma variável aleatória continua X tem distribuição t de student n> 0 graus de liberdade, e
X ~ t ( n)
representa-se por , se a sua função de densidade de probabilidade é dada por:

(
T
2 )
n+1

( 1+ )
2 − n+1
x
f (x )= 2 , x ∈ R (n>0 ) ∞

√nπ T ( )
n n T( n)=∫ x n−1 e−x dx
2 , onde 0

A função de densidade de probabilidade tem o gráfico representado na figura abaixo.

Figura 2: Gráfico da função de densidade de probabilidade da distribuição t-Student

Principais características da distribuição

Curva simétrica em relação ao eixo x = 0

Se X ~ t( n) , então
E(X) = 0
 n
V ( x )= , para n>2
Variância n−2 Rita
 O seu aspecto gráfico depende do dos graus de liberdade.

A Distribuição t- Student é essencialmente uma distribuição normal (com forma

aproximada de um sino) para todas as amostras de tamanho ‘n’.

Propriedades da Distribuição t de Student

 É diferente conforme o tamanho da amostra (n)

 Tem forma geral simétrica, mas reflecte a maior variabilidade esperada em pequenas
amostras
 Tem média t=0
 O desvio padrão varia com o tamanho da amostra, mas é superior a 1
 Quanto maior ‘n’, maior a aproximação em relação à distribuição normal. Para n>30
podemos utilizar distribuição normal com valores críticos ‘z’.

Tabela da distribuição t- Student

O que é tabelado é a função inversa (percentis), em relação a área à direita (unilateral) de

cada curva (uma para cada linha), ou a soma das caudas (bilateral), isto é, a tabela retorna um
valor “t” tal que P(T ≥ t) = α (unilateral) ou P(|T| ≥ t) = α (bilateral).
As duas opções podem ser colocadas em uma mesma tabela. Pode-se ler uma área (a) de cima
para baixo e se ter um valor unilateral (P(T ≥ t) = α) ou ler a área (a) de baixo para cima e se
ter um valor “t” tal que P(T ≥ t) = α/2.