UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

Curso de Ciências Atuariais

Disciplina: ECO03021 – Teoria do Risco e Credibilidade

Profª Máris C. Gosmann
Revisão de Probabilidade:
Experimentos Aleatórios:
São experimentos cujos resultados variam de uma observação para a outra, mesmo
quando mantidas as condições de experimentação.
Características:
1. Cada experimento aleatório poderá ser repetido indefinidamente sob as mesmas
condições.
2. Não se conhece um particular valor do experimento antes que este ocorra, porém,
conhecemos todos os possíveis resultados.
3. Quando repetimos um experimento um grande número de vezes, surge uma
regularidade.

Espaço Amostral (S ou Ω):

É o conjunto de todos os resultados possíveis de um experimento aleatório. O espaço
amostral com um número finito ou infinito enumerável de valores é dito espaço discreto, e o
espaço amostral com um número infinito não-enumerável de pontos é dito espaço contínuo.

Eventos Aleatórios:
São os resultados possíveis de cada experimento aleatório. Um evento é, portanto, um
subconjunto do espaço amostral. Os eventos são denotados por letra maiúscula.

Combinação de Eventos:
Sejam dois eventos A e B, do espaço amostral S. Como A e B são conjuntos, podemos
aplicar a eles operações, tais como:

1. União: A U B 3. Complementar de A: A

S S
A B A

2. Intersecção: A I B 4. Subtração: A-B

S S
A B AA B

Eventos Mutuamente Exclusivos:

Dois ou mais eventos são mutuamente exclusivos se não podem ocorrer simultaneamente.

1
 Definição de Probabilidade:
Seja A um evento de S. Então, a probabilidade de A ocorrer é dada por
h
P( A) = onde h = número de resultados favoráveis ao evento A
n
n = número total de resultados.

Propriedades da Probabilidade:
Seja A um evento de S
1. 0≤P(A)≤1. É um número entre zero e um.
2. Sejam A1, A2, ... , An todos os resultados possíveis de um experimento aleatório.
n
Então, ∑ P(Ai ) = 1
i=1
3. Se A é o complemento de A, então, P(A) = 1 - P(A)
4. Se A e B são dois eventos quaisquer, então, P(A U B) = P(A) + P(B) -P(A I B)

Eventos Independentes:
Se os eventos A e B são tais que a probabilidade de ocorrência de A não afeta a
ocorrência ou não-ocorrência de B, dizemos que A e B são eventos independentes. Então, se A e B
são independentes,
P(B/A)=P(B) e
P(A I B) =P(A).P(B) (1)
Reciprocamente, se (1) se verifica, A e B são eventos independentes.

Probabilidade Condicional:
Suponha que desejamos determinar a probabilidade de ocorrer o evento B, sabendo que o
evento A já ocorreu. Se A e B são eventos não-exclusivos, temos

S
A B

Como A já ocorreu, temos o seguinte espaço amostral:

Logo, a probabilidade de B ocorrer é dada por

P(A I B)
P(B / A) = onde P(B/A) é a probabilidade condicional de B, dado A.
P(A)

Teorema de Bayes:
Sejam A1, A2, ... , An eventos mutuamente cuja união é o espaço amostral S, associados a
um experimento aleatório. Seja A um evento de S. Então,
P(Ak ).P(A / Ak )
P(Ak / A) = n
∑ P(Ai ).P(A / Ai )
i=1

2
 Variáveis Aleatórias e Distribuições de Probabilidade:

Variáveis Aleatórias:
Uma variável é dita aleatória quando o valor da mesma é obtido através de observações
ou experimentos, e a cada valor estiver associada certa probabilidade. Denota-se uma
variável por letra maiúscula e os valores assumidos por ela por letra minúscula.

Uma variável é dita Discreta quando assume valores em pontos isolados ao longo de uma
escala (nº finito ou infinito enumerável de valores).
Exemplo: Nº de alunos na sala

Uma variável é dita Contínua quando assume qualquer valor ao longo de um intervalo (nº
infinito não enumerável de valores).
Exemplo: Tempo, temperatura, peso, etc.

Distribuições Discretas de Probabilidade:

Seja X uma variável aleatória discreta e sejam x1, x2, ... , xn os valores de X. A
função f(x) é uma distribuição de probabilidade (ou função de probabilidade) se:

(a) f(x)=P(X=x) ≥ 0, ∀ x
n
(b)
∑ f ( xi ) = 1
i =1

Exemplo: Determine a distribuição de probabilidade da variável aleatória X: ”Número de

caras em dois lances de uma moeda equilibrada”.
S={CC, CK, KC, KK}
x f(x)
0 0,25
1 0,50
2 0,25
Total 1,00

Função de Distribuição Acumulada:

A função de distribuição acumulada de uma v.a.d. X é definida por F(X)=P(X ≤ x)
= ∑ f (u )
u ≤x

Exemplo:
Considere o experimento que consiste em lançar duas vezes uma moeda. Seja a
variável aleatória X: “número de caras”. A função de distribuição de X é dada por:
0,00; se x < 0

0,25; se 0 ≤ x < 1
F (X ) = 
0,75 : se 1 ≤ x < 2
1,00; se x ≥ 2


Parâmetros de uma v.a.d.:

1. Valor esperado (esperança ou ainda expectância):

Seja X uma variável aleatória discreta que pode assumir os valores x1, x2, ... , xn ,
com probabilidades f(x1), f(x2), ..., f(xn), respectivamente. Então, o valor esperado
(esperança ou ainda expectância) de X é dado por

3
 n
E (X ) = ∑
i
xi .f (xi )
=1

Propriedades:
1. E(aX) = a.E(X)
2. E(X±a)=E(X)±a
3. E(X±Y)=E(X)±E(Y)

2. Variância:
Seja X uma variável aleatória discreta com valor esperado (esperança ou ainda
expectância) finito. Então, a variância de X é dada por:
n
Var (X ) = E (X 2 ) − [E (X )]2 , onde E (X 2 ) = ∑
i
2
xi .f (xi )
=1
Propriedades:
1. Var(aX)=a2.Var(X)
2. Var(X±a)=Var(X)
3. Var(X±Y)=Var(X)+Var(Y), se X e Y são v.a. independentes.

3. Desvio Padrão:
O desvio padrão de X é dado por;
σ x = Var (X )

Distribuições Contínuas de Probabilidade:

Seja X uma variável aleatória contínua. A função f(x) é uma função densidade de
probabilidade se:

(c) f(x) ≥ 0,
+∞
(d) ∫ f(x)dx = 1
−∞
b
OBS: P(a<X<b)= f(x).dx ∫
a
Exemplo:
Considere a função densidade dada abaixo.

1 2
 x , se 0 < x < 3
f(x) =  9
0, caso contrário


Função de Distribuição Acumulada:

A função de distribuição acumulada de uma v.a.c. X é definida por
F(X)=P(X ≤ x)
x
= ∫ f(u)du
−∞

4
Parâmetros de uma v.a.c.:

1. Valor esperado (esperança ou ainda expectância):

Seja X uma variável aleatória contínua com função densidade de probabilidade f(x).
Então, o valor esperado de X é dado por
+∞
E(X) = ∫ x.f(x).dx
−∞
Exemplo:
Para a função densidade dada anteriormente,

]
3
3 1 2 1 4
E(X) = ∫
0
x.
9
x .dx =
36
x
0
= 2,25

2. Variância:
Seja X uma variável aleatória contínua com função densidade f(x). Então, a variância
de X é dada por:
Var (X ) = E (X 2 ) − [E (X )]2 , onde
+∞
E(X 2 ) = ∫−∞
x 2 .f(x).dx

3. Desvio Padrão:
O desvio padrão de X é dado por:
σ x = Var(X)

Exemplo:
1 2
 x , se 0 < x < 3
Considerando a função densidade dada por f(x) =  9
0, caso contrário

3 1 2
E(X 2 ) = ∫x
2
. x .dx
0 9
=
1 5
45
x ]
3
0

= 5,4

Var(X) = 5,40 - (2,25) 2 = 0,3375

σ x = 0,3375 ≅ 0,5809