Esta disciplina tem três tipos de objetivos.Em primeiro lugar visa apresentar os princípios fundamentais da teoria das probabilidades como a teoria matemática para lidar com situações de informação incompleta, sua ligação com idéias frequentistas e também como um capítulo de teoria de medidas. Em segundo lugar são introduzidas técnicas matemáticas para lidar com variáveis aleatórias e as principais distribuições de probabilidades. Em terceiro lugar serão dados exemplos da utilidade destas idéias para análise de dados e escolha de modelos em experimentos específicos.

1.	Dedução versus inferência. Consistência em situações de informação incompleta. Plausibilidade, a regraduação de Cox e sua dedução das regras de manipulação de probabilidades. Regras da soma e produto. Ligação com a interpretação frequentista.
2.	Cara ou coroa? Análise do problema de uma moeda. A probabilidade de coroa é um atributo da moeda ou da informação sobre o experimento? Estimativa de parâmetros.
3.	Entropia.
4.	Espaço amostral e eventos. Definição de probabilidade de Kolmogorov. Eventos independentes. 
a.	Obs. A definição de probabilidade e' feita dentro do contexto de teoria dos conjuntos em que espaço amostral é entendido com um conjunto e evento como um subconjunto.
5.	Variáveis aleatórias discretas. Variáveis aleatórias contínuas. Distribuição de probabilidades. Médias e momentos. Cumulantes. Mudança de variável. Função geratriz. Função característica (= Transformada de Fourier).
6.	Variável aleatória multidimensional. Distribuição conjunta. Distribuição marginal. Variáveis aleatórias independentes. Covariância. Lei dos grandes números. Teorema central do limite. Distribuições estáveis.
7.	Distribuições específicas: binomial, de Bernoulli, de Laplace, de Levy, de Lorentz (=Cauchy), de Pascal (=binomial negativa), de Poisson, de Rayleigh, de Student, exponencial, gama, gaussiana, geométrica, log-normal, normal(=gaussiana), qui-quadrado. Distribuição gaussiana multidimensional. Distribuição das velocidades de Maxwell. Distribuição de Gibbs. 
8.	Aplicações em análise de dados: Teste de hipóteses, seleção de modelos, estimativa de parâmetros 
9.	Exemplos ilustrativos a serem escolhidos pelos professores, que podem incluir
10.	Geração de números aleatorios. Método de Monte Carlo. Agoritmo de Metropolis.
11.	Fórmula de Bayes. Redes Bayesianas e algoritmos básicos para inferência e decisão.
12.	Desigualdades de Bell e Emaranhamento.

1.	Dedução versus inferência. Consistência em situações de informação incompleta. Plausibilidade, a regraduação de Cox e sua dedução das regras de manipulação de probabilidades. Regras da soma e produto. Ligação com a interpretação frequentista.
2.	Cara ou coroa? Análise do problema de uma moeda. A probabilidade de coroa é um atributo da moeda ou da informação sobre o experimento? Estimativa de parâmetros.
3.	Entropia.
4.	Espaço amostral e eventos. Definição de probabilidade de Kolmogorov. Eventos independentes. 
a.	Obs. A definição de probabilidade e' feita dentro do contexto de teoria dos conjuntos em que espaço amostral é entendido com um conjunto e evento como um subconjunto.
5.	Variáveis aleatórias discretas. Variáveis aleatórias contínuas. Distribuição de probabilidades. Médias e momentos. Cumulantes. Mudança de variável. Função geratriz. Função característica (= Transformada de Fourier).
6.	Variável aleatória multidimensional. Distribuição conjunta. Distribuição marginal. Variáveis aleatórias independentes. Covariância. Lei dos grandes números. Teorema central do limite. Distribuições estáveis.
7.	Distribuições específicas: binomial, de Bernoulli, de Laplace, de Levy, de Lorentz (=Cauchy), de Pascal (=binomial negativa), de Poisson, de Rayleigh, de Student, exponencial, gama, gaussiana, geométrica, log-normal, normal(=gaussiana), qui-quadrado. Distribuição gaussiana multidimensional. Distribuição das velocidades de Maxwell. Distribuição de Gibbs. 
8.	Aplicações em análise de dados: Teste de hipóteses, seleção de modelos, estimativa de parâmetros 
9.	Exemplos ilustrativos a serem escolhidos pelos professores, que podem incluir
10.	Geração de números aleatorios. Método de Monte Carlo. Agoritmo de Metropolis.
11.	Fórmula de Bayes. Redes Bayesianas e algoritmos básicos para inferência e decisão.
12.	Desigualdades de Bell e Emaranhamento.