1. Conceitos e operações
| Conceito | Significado |
|---|---|
| Experiência aleatória | Realização de um fenómeno aleatório |
| Espaço de resultados, \(S\) | Conjunto dos resultados possíveis |
| Acontecimento | Subconjunto de \(S\) |
| União, \(A\cup B\) | Realiza-se \(A\) ou \(B\) |
| Intersecção, \(A\cap B\) | Realizam-se \(A\) e \(B\) |
| Contrário, \(\overline{A}\) | Não se realiza \(A\) |
| Disjuntos | \(A\cap B=⌀\) |
Leis de De Morgan: \(\overline{A\cup B}=\overline{A}\cap \overline{B}\) e \(\overline{A\cap B}=\overline{A}\cup \overline{B}\).

2. Regras da probabilidade
| Regra | Fórmula |
|---|---|
| Limites | \(0\le P(A)\le 1\), \(P(S)=1\), \(P(⌀)=0\) |
| Regra de Laplace | \(P(A)=\frac{n.º de casos favoráveis}{n.º de casos possíveis}\), com resultados equiprováveis |
| Acontecimento contrário | \(P(\overline{A})=1-P(A)\) |
| União | \(P(A\cup B)=P(A)+P(B)-P(A\cap B)\) |
| Diferença | \(P(A\cap \overline{B})=P(A)-P(A\cap B)\) |
A probabilidade pode ser vista como o valor para o qual estabiliza a frequência relativa, ao fim de muitas repetições.
3. Probabilidade condicionada e independência
| Noção | Fórmula |
|---|---|
| Probabilidade condicionada | \(P(A∣B)=\frac{P(A\cap B)}{P(B)}\), \(P(B)>0\) |
| Regra do produto | \(P(A\cap B)=P(B)\times P(A∣B)=P(A)\times P(B∣A)\) |
| Independência | \(P(A\cap B)=P(A)\times P(B)\) |
| Equivalente, com \(P(A),P(B)>0\) | \(P(A∣B)=P(A)\) |
| Probabilidade total | \(P(A)=P(B)P(A∣B)+P(\overline{B})P(A∣\overline{B})\) |

• Tabelas de contingência: usar quando há dois critérios e dados conjuntos.
• Árvores de probabilidade: usar em etapas sucessivas. Multiplica-se ao longo de um ramo e somam-se os ramos que interessam.
• Acontecimentos disjuntos, com probabilidades não nulas, não são independentes.
4. Variáveis aleatórias discretas
A função massa de probabilidade indica cada valor \({x}_{i}\) de \(X\) e \({p}_{i}=P(X={x}_{i})\), com \(\sum {p}_{i}=1\).
| Parâmetro | Fórmula |
|---|---|
| Valor médio | \(\mu =\sum {x}_{i}{p}_{i}\) |
| Desvio padrão | \(\sigma =\sqrt{\sum {p}_{i}({x}_{i}-\mu {)}^{2}}\) |
5. Modelo Normal, \(N(\mu ,\sigma )\)

• A curva é simétrica em relação a \(x=\mu \), tem a forma de um sino e a área total é \(1\).
• \(\mu \) determina o eixo de simetria. \(\sigma \) é a distância de \(\mu \) às abcissas dos pontos de mudança de curvatura.
• Quanto maior é \(\sigma \), mais achatada é a curva.
| Intervalo | Probabilidade aproximada |
|---|---|
| \(]\mu -\sigma ,\mu +\sigma [\) | \(0,6827\) |
| \(]\mu -2\sigma ,\mu +2\sigma [\) | \(0,9545\) |
| \(]\mu -3\sigma ,\mu +3\sigma [\) | \(0,9973\) |
Pela simetria: \(P(X<\mu )=P(X>\mu )=0,5\) e \(P(X<\mu -a)=P(X>\mu +a)\).
Exemplo resolvido
Numa escola, \(60\%\) dos alunos praticam desporto. Dos que praticam, \(30\%\) são do 12.º ano; dos que não praticam, \(20\%\) são do 12.º ano. Escolhe-se um aluno ao acaso. Sejam \(D\): «pratica desporto» e \(E\): «é do 12.º ano».
1. \(P(D)=0,6\), \(P(\overline{D})=0,4\), \(P(E∣D)=0,3\) e \(P(E∣\overline{D})=0,2\).
2. \(P(E)=0,6\times 0,3+0,4\times 0,2=0,26\).
3. \(P(D∣E)=\frac{P(D\cap E)}{P(E)}=\frac{0,18}{0,26}=\frac{9}{13}\approx 0,69\).
Como costuma sair no exame
– Probabilidade condicionada com percentagens, usando árvore ou tabela.
– Regra de Laplace com contagem (11M-3): escrever casos possíveis e favoráveis.
– Tabela de uma variável aleatória, com determinação de um parâmetro ou do valor médio.
– Distribuição normal: simetria e intervalos.
– Provar uma igualdade entre probabilidades, ou interpretar \(P(A∣B)\) numa composição.
Erros frequentes
– Confundir \(P(A∣B)\) com \(P(B∣A)\) ou com \(P(A\cap B)\).
– Confundir acontecimentos disjuntos com independentes.
– Aplicar Laplace sem resultados equiprováveis.
– Ler «mais de» como «pelo menos»: \(X>1\) não inclui \(X=1\).
– Na tabela de \(X\), esquecer que a soma das probabilidades é \(1\).
Âmbito
– Os valores do modelo Normal devem ser obtidos com a calculadora ou com os intervalos indicados.
– A inferência estatística pertence ao tema opcional do 12.º ano.