Probabilidade

19.
Probabilidade 1
19. PROBABILIDADE
19.1 DEFINIES E PROPRIEDADES SIMPLES
Permutaes e Combinaes
Dois princpios teis para contar problemas complexos.
a) Princpio de adio: Somam-se as maneiras de fazer uma ou
outra operaes mutuamente exclusivas.
b) Princpio de multiplicao: Multiplicam-se as maneiras de
fazer uma e outra operaes mutuamente exclusivas.
Uma permutao qualquer seleo ordenada de um conjun-
to de objetos distintos. O nmero de permutaes diferentes de N
objetos distintos N!. O nmero de permutaes diferentes de N
objetos distintos tomados R de cada vez (N!/(N R)!).
Por exemplo, se voc tem cinco pessoas e vai escolher trs de-
las voc tem 543 = 5!/(53)! = 60 permutaes.
Demonstrao:
( ) ( ) 1 2 1 ! N N N N = L

( )( ) ( )
( )
!
1 2 1 ,
!
N
R
N
P N N N N R R N
N R
= + =
L

Permutao com repetio quando a ordem importa e um
objeto pode ser escolhido mais de uma vez. Neste caso o nmero
de permutaes N
R
onde N o nmero de objetos e R o nmero
deles a ser escolhido.
Exemplo: Se voc tem as letras A, B, C e D e deseja descobrir
o nmero de maneiras arrum-las em um padro de trs letras en-
contrar que h 4
3
ou 64 maneiras.
Uma combinao uma seleo de N objetos distintos inde-
pendentemente de sua ordem, ou seja, um subconjunto. O nmero
19. Probabilidade 2
de combinaes diferentes de N objetos distintos tomados R de
cada vez N!/[(N R)!R!].
Exemplos: Os subconjuntos de duas letras de {A,B,C} so
{A,B}, {A,C}, {B,C} 3!/2!(3 2)! = 3. Quantas mos de cinco
cartas existem? 52! / (52 5)! 5! = 2.598.960.
Demonstrao:
( )
!
!
! ! !
N
N N N R
R R R
N
P N
R C P C
R R N R R
| |
= = = =
|
\

Se a combinao ocorrer com repetio o nmero de combina-
es diferentes
( )
( )
1 1 !
1 ! !
N R N R
R N R
+ + | |
=
|
\

Exemplo: As combinaes com repetio de duas letras entre
{A,B,C} so {A,B}, {A,C}, {B,C}, {A,A}, {B,B}, {C,C} (3 + 2
1)! / (3 1)!2! = 6 maneiras de escolher. Se voc deseja esco-
lher trs bolas de sorvete entre 68 sabores h (68 +3 1)!/(68
1)!3! = 54.740.
Demonstrao: N 1 barras dividem a linha em N regies.
1 barras definem regies
| | | | | |
n n
L
144424443
Ponha um asterisco na i-sima regio cada vez que o i-simo
elemento de S aparecer em P.
Por exemplo, seja S o conjunto {A,B,C,D,E}, com elementos
ordenados alfabeticamente. Seja P a combinao com repetio de
7 elementos {A,B,B,B,D,E,E}. Isto corresponde a
{ { { {
, , ,
* | *** | | * | **
A B B B D E E

O nmero de combinaes sem repetio de R elementos de
um conjunto de N + R 1 elementos que
19. Probabilidade 3
( )
( )
1 1 !
1 ! !
N R N R
R N R
+ + | |
=
|
\

O nmero de permutaes de um conjunto de N objetos que
contm n
1
elementos idnticos de um tipo, n
2
elementos idnticos
de outro tipo, e n
k
elementos idnticos de um k-simo
N!/n
1
!n
2
!n
k
!, onde n
1
+ n
2
+ n
k
= N.
Na mecnica estatstica, partculas que obedecem
Estatstica de Maxwell-Boltzmann (MB) so distingu-
veis, sem restrio ao seu nmero de cada estado.
Estatstica de Bose-Einstein (BE) so indistinguveis, sem
restrio ao seu nmero de cada estado quntico.
Estatstica de Fermi-Dirac (FD) so indistinguveis, com
no mximo uma partcula em cada estado quntico.
Exemplo: Colocando trs partculas em quatro caixas, h 4
3

=64 possibilidades igualmente provveis para o caso MB. Para a
estatstica de BE, o nmero de combinaes com repetio
3 4 1 6
20
3 3
+ | | | |
= =
| |
\ \
. Para a estatstica de FD,
4
4.
3
| |
=
|
\
No caso geral,
para a estatstica de MB o nmero de possibilidades distintas para
distribuir n partculas em k estados k
n
, para a estatstica de BE
1 n k
n
+ | |
|
\
e para a estatstica de FD
k
n
| |
|
\
.
Exerccio 4.1 Determine o nmero de permutaes das letras da
palavra PARALELEPPEDO. De quantas maneiras os trs Ps fi-
cam juntos? De quantas maneiras (apenas) dois Ps ficam juntos?
Resposta: Como temos dois trios de letras (P e E) e duas duplas
(A e L) o nmero de permutaes (14!/3!3!2!2!) = 605.404.800.
O nmero de permutaes com os trs Ps juntos = nmero de
permutaes de PARALELEEDO = (12!/3!2!2!) =19.958.400. O
nmero de maneiras que apenas dois Ps ficam juntos = 11
(19.958.400) = 219.542.400, uma vez que h 11 maneiras de inse-
rir PP em PARALELEEDO e suas permutaes.
19. Probabilidade 4
Definio de Probabilidade
Se, de N experimentos idnticos, esperarmos que NP(A) resultem
em A ento a probabilidade de A ocorrer P(A). A medida que N
se torna muito grande (N ) esperamos que a frao de expe-
rimentos que resultam em A se aproximar de P(A).
A probabilidade de um evento A pode ser encontrada usando o
seguinte procedimento:
(a) Construa um espao de amostragem S de todos os resulta-
dos possveis.
(b) Atribua probabilidades aos elementos do espao de amos-
tragem (os pontos de amostragem).
(c) Para obter a probabilidade do evento A, some as probabili-
dades atribudas ao subconjunto de S que correspondem a
A.
Exemplo: Cada vez que atiramos uma moeda damos ao expe-
rimento um nmero i = 1, 2, ... e observamos o resultado x
i
. Aqui a
amostra consiste de dois eventos: cara e coroa.
Caso todos os pontos do espao de amostragem sejam equi-
provveis
( )
nmero de resultados do evento
.
nmero total de todos os eventos
i
i
x
P x =

Uma definio experimental pode ser obtida a partir da nossa de-
finio de probabilidade
( )
nmero de vezes que o evento ocorre
.
nmero total tentativas
i
i
x
P x =

Os seguintes axiomas so auto-evidentes:
Probabilidades satisfazem 0 P 1. Probabilidade 1 signifi-
ca certeza; Probabilidade 0 significa impossibilidade.
O espao de amostragem completo tem probabilidade P(S) =
1.
As probabilidades de eventos mutuamente exclusivos so-
mam.
19. Probabilidade 5
Exemplo 19.1.1 PROBABILIDADE PARA A OU B
Qual a probabilidade de se escolher uma carta de paus ou um va-
lete de um baralho embaralhado? (13 + 3)/52 = 16/52 = 4/13.

Se S o espao amostral ento os subconjuntos A, B, ... de S,
so denotados como A S, etc.. Dois conjuntos so iguais se A
B e B A. A unio A B contm os pontos que esto em A ou B.
A interseo A B contm os pontos que esto em A e B. Se A
B = , seus pontos so mutuamente exclusivos. Os pontos exclu-
sivos de A so A A B.
A
B
(a)
A
B
(b)
A
B
(c)

Cada subconjunto A tem probabilidade 0 P(A) 1.
P(S) = 1 e P() = 0.
P(A B) = P(A) + P(B), A B = .
REGRA DA ADIO:
P(A B) = P(A) + P(B) P(A B). (19.3)
Decompondo a unio em dois conjuntos mutuamente exclusivos A
B = A (B B A). Suas probabilidades so P(A), P(B)
P(B A), que somadas do o resultado acima. Poderamos tam-
bm ter decomposto A B = (A A B) B. e obtido nosso teo-
rema somando P(A B) = [P(A) P(A B)] + P(B).

19. Probabilidade 6
Exemplo 19.1.2 PROBABILIDADE CONDICIONAL
Considere uma caixa com 10 canetas vermelhas e 20 azuis. Supo-
nhamos que seja retirada uma caneta vermelha, evento A com
P(A) = 10/30 = 1/3. A probabilidade condicional P(B | A) de reti-
rar uma caneta azul a seguir, evento B, vai depender do evento A e
ser dada por 20/29. H 10 20 pontos de amostra possveis nas
duas retiradas e a amostra tem 30 29 eventos, de modo que a
probabilidade combinada
( )
10 20 10 20 20
, .
30 29 30 29 87
P A B

= = =

Em geral

( ) ( ) ( ) , | . P A B P A P B A =
(19.4)
A probabilidade condicional dada por

( )
( )
( )
,
| .
P A B
P B A
P A
=
(19.5)
Se a probabilidade P(B | A) = P(B) para independente de A os
eventos A e B so chamados independentes e sua probabilidade
combinada

( ) ( ) ( ). P A B P A P B =
(19.4)
Exemplo 19.1.3 SCHOLASTIC APTITUDE TESTS
Sabe-se que uma universidade geralmente admite alunos com um
escore acima de 1400 pontos. A taxa de formatura de 95%. Dos
que se formam 97% tm mais de 1400 pontos no SAT, enquanto
que 80% dos que desistem tm menos de 1400 pontos. Qual a
probabilidade de um aluno com escore abaixo de 1400 se formar?
A = casos com escore menor que 1400 pontos no teste SAT;
B = casos com escore maior que 1400 pontos no teste SAT;
C = estudantes que se formam.
Desejamos saber P(C | A) e P(C | B).

19. Probabilidade 7
( )
( )
( ) ( )
0.03 0.95 0.80 0.05 0.0685,
0.97 0.95 0.20 0.05 0.9315,
0.03 0.95 0.0285, 0.97 0.95 0.9215.
P A
P B
P C A P C B
= + =
= + =
= = = =

Aqui P(C,A) = P(C A), P(C,B) = P(C B). Portanto,
( )
( )
( )
( )
( )
( )
0.0285
| 41.6%,
0.0685
0.9215
| 98.9%.
0.9315
P C A
P C A
P A
P C B
P C B
P B
= =
= =

Como um corolrio da definio de probabilidade condicional,
Eq. (19.5), comparamos P(A | B) = P(AB)/P(B) e P(B | A) =
P(AB)/P(A), que leva ao seguinte teorema.
TEOREMA DE BAYES :

( )
( )
( )
( ) | | .
P A
P A B P B A
P B
=
(19.7)

19. Probabilidade 8
TEOREMA: Se eventos aleatrios A
i
com probabilidades P(A
i
) > 0
so mutuamente exclusivos e sua unio representa a amostra in-
teira S, ento um evento arbitrrio B S tem a probabilidade:

( ) ( ) ( )
1
| .
n
i i
i
P B P A P B A
=
=
(19.8)
Esta relao segue da decomposio ( )
i
i
B B A =
U , que im-
plica que ( ) ( )
i
i
P B P B A =
. Para cada i, sabemos da Eq. (19.5)
que P(B A
i
) = P(A
i
)P(B | A
i
), o que prova nosso teorema.
Se fizermos B = S, tambm segue o resultado bvio

( )
1
1.
n
i
i
P A
=
=

porque P(S) = 1
19.2 VARIVEIS ALEATRIAS
Uma varivel aleatria, X, em um espao amostral, S, uma fun-
o que mapeia elementos de S em um conjunto de nmeros reais,
{R}, de tal forma que o mapeamento inverso de cada intervalo em
{R} corresponde a um evento em S.
Vamos distinguir uma varivel aleatria (usualmente denotada
por uma letra maiscula X) de suas possveis realizaes, {x
i
}.
Cada vez que atiramos um dado, damos ao experimento um
nmero i = 1, 2, ... e observamos o ponto x
i
= 1, ou 2, 3, 4, 5, 6
com probabilidade 1/6. Se i denota o nmero do experimento, en-
to x
i
uma varivel aleatria discreta que assume os valores dis-
cretos de 1 a 6 com a probabilidade definida P(x
i
) = 1/6.
Variveis aleatrias discretas
Seja X uma varivel aleatria no espao amostral, S, e suponha
que X tenha um conjunto contvel de realizaes, x
i
, onde i =
1,2,..., n (n um inteiro finito ou n = ). O conjunto de valores,
{p
i
}, a distribuio de probabilidade em S e deve satisfazer s
19. Probabilidade 9
P(X = x
i
) = p
i
0 e
1
1.
i
i
p
=
=
Uma varivel aleatria X(e
i
) = x
i

definida no espao amostral, isto , para os eventos e
i
S.
Podemos apresentar uma funo densidade de probabilidade,
P
X
(x), definida como

( ) ( )
1
,
X i i
i
P x p x x
=
=
(4.8)
e uma funo de distribuio acumulada, ou funo cumulativa de
probabilidade, F
X
(x), definida como

( ) ( ) ( )
1
.
x
X X i i
i
F x dyP y p x x
=
= =
(4.9)
onde (x x
i
) a funo de Heaviside e tem valores (x) = 0 para
x < 0 e (x ) = 1 para x > 0.
EXERCCIO 4.3. Considere um dado de seis lados desequilibra-
do. Seja x
i
= i (i = 1,2,..., 6) quando a i-sima face do dado est pa-
ra cima quando ele para atirado. Suponha que p
1
=
1
8
, p
2
=
1
4
, p
3
=
1
8
, p
4
=
1
6
, p
5
=
1
12
, p
6
=
3
12
, nas Eqs. (4.8) e (4.9). Faa o grfico de
P
X
(x) e F
X
(x) para este sistema.
Resposta:

Aqui representamos a delta, (x x
i
), como uma seta de altura
igual a p
i
.

0 1 2 3 4 5 6
0,0
0,1
0,2
0,3
x
P
X
(x)
0 1 2 3 4 5 6
0,0
0,2
0,4
0,6
0,8
1,0

x
F
X
(x)
19. Probabilidade 10
Variveis Aleatrias Contnuas
Definimos a densidade de probabilidade f (x) de uma vari-
vel aleatria continua X como
P(x < X <x +dx) = f (x) dx; (19.9)
isto , f (x) dx a probabilidade que X esteja no intervalo x <
X < x + dx. f(x) 0 e
( ) 1 dx f x
.
Podemos ainda fazer esta definio de uma maneira mais for-
ma e rigorosa. Seja X uma varivel aleatria tal que pode assumir
um conjunto contnuo de valores, tal como um intervalo no eixo
real. Da definio de uma varivel aleatria, sabemos que um in-
tervalo {a x b}, corresponde a um evento. Vamos ainda supor
que exista uma funo continua por intervalos, P
X
(x), tal que a
probabilidade que X tenha um valor no intervalo {a x b} seja
dada pela rea sob a curva, P
X
(x) versus x, entre x = a e x = b,

( ) ( ) Prob .
b
X
a
a x b dxP x =
(4.10)
Ento X uma varivel aleatria continua, P
X
(x) a densidade de
probabilidade para a varivel aleatria, X, e P
X
(x)dx a probabili-
dade de encontrar a varivel aleatria, X, no intervalo x x + dx.
A densidade de probabilidade deve satisfazer as condies P
X
(x)
0 e
( ) 1
X
dxP x
.
Podemos tambm definir a funo de distribuio acumulada,
F
X
(x), para a varivel aleatria continua, X. Como antes, ela dada
por

( ) ( )
x
X X
F x dyP y
(4.11)
e a probabilidade de encontrar a varivel aleatria, X, no interva-
lo { x}.
EXERCCIO 4.4. Faa o grfico da densidade de probabilidade,
P
X
(x), e a funo de distribuio acumulada, F
X
(x), para a densi-
dade de probabilidade Gaussiana,
( )
( )
2
8
1 2 2 .
x
X
P x e

=

Resposta:

Frequentemente desejamos achar a densidade de probabilida-
de, no para a varivel aleatria, X, mas para alguma nova varivel
aleatria, Y = H(X), onde H(X) uma funo conhecida de X. A
densidade de probabilidade, P
Y
(y), para a varivel aleatria, Y,
definida como

( ) ( ) ( ) ( ),
Y X
P y dx y H x P x
(4.12)
onde (y H(x)) a delta de Dirac.
Momentos
Se no pudermos determinar P
X
(x), frequentemente podemos obter
informaes sobre os momentos de X. O ensimo momento de X
definido como

( ).
n n
X
x dxx P x
(4.13)
No caso das distribuies discretas o momento dado por
.
n n
i i
i
x x p =

-6 -4 -2 0 2 4 6
0,1
0,2

P
X
(x)
-6 -4 -2 0 2 4 6
0,5
1,0 F
X
(x)

O momento,
x
, chamado do valor mdio de X. A combinao,
2
2
x x
, chamada a varincia de X, e o desvio padro de X,
X
,
definido como

2
2
.
X
x x =
(4.14)
No caso das distribuies discretas o desvio padro pode ser es-
crito como

( )
2
.
X i j
j
x x p =

Se os eventos forem equiprovveis temos

( )
2
1
1
.
n
X i
i
x x
n
=
=

Primeiro Momento
O primeiro momento,
x
, d a posio do centro de massa da
densidade de probabilidade, P
X
(x). s vezes confundido com ou-
tras duas quantidades, o valor mais provvel (moda), x
p
, e a medi-
ana, x
m
. A moda, x
p
, localiza o ponto de maior probabilidade em
P
X
(x). A mediana, x
m
, o valor de x que divide a rea sob a curva,
P
X
(x) versus x, em partes iguais. Em outras palavras, ( )
1
2
.
X m
F x =

.
i i
i
x x p =

1
.
i
i
x x
n
=

EXERCCIO 4.5. Localize
x
, x
p
e x
m
para a densidade de pro-
babilidade, P
X
(x), e o probabilidade distribuio, F
X
(x), mostrada
abaixo.

Resposta: A funo densidade de probabilidade dada por
( )
0 1, 75
4 7
1, 75 1
3 3
4 1
1 0, 25
3 3
0 0, 25 0, 5
1
0, 5 1
2
0 1
X
x
x x
x x
P x
x
x
x
<
+ < <
< <
=

< <
< <
>

A mdia
( ) ( ) ( )
1 0,25 1
1,75 1 0,5
4 7 4 1 1
3 3 3 3 2
0.4687500000 0.2812500000 0.1875000000
0.5625000000
x x x dx x x dx x dx

| | | |
= + + + =
| |
\ \
= + +
=

O valor moda x
p
= 1.0. A mediana x
m
= 0.862.

Segundo Momento
O segundo momento,
2
x
, d o momento de inrcia da probabi-
lidade em torno da origem. O desvio padro,
X
[cf. Eq. 4.14] d
uma medida do quo distante a probabilidade se afasta da mdia,
x
. interessante considerar alguns exemplos. Em exerccio
(4.4),
2
x
= 4,
x
= 0 e
X
= 2. No exerccio 4.5,
2
x
= 0.966,
x
= 0.5625, e
X
= 0.806.
2 2
.
i i
i
x x p =

2 2
1
.
i
i
x x
n
=

TEOREMA: Se uma varivel aleatria Y = aX + b para linearmen-
te relacionada com para X, ento podemos imediatamente derivar
o valor mdio Y = aX + b e a varincia
2
(Y) = a
2
2
(X) destas
definies.
Para a probabilidade infinitesimal sabemos que f (x) dx = g(y)
dy com y = ax + b, porque transformao linear tem que preservar
a probabilidade, assim
( ) ( ) ( ) , Y yg y dy ax b f x dx a x b

= = + = +

uma vez que
( ) 1 f x dx =
. Para a varincia obtemos semelhante-

mente
( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
2 2
2
2
2 2 2
.
Y y Y g y dy ax b a X b f x dx
a x X f x dx a X
= = +
= =

depois de substituir nosso resultado para o valor mdio Y.
Finalmente provamos desigualdade de Chebychev geral
( )
2
1
. P x X k
k

Vamos mostrar primeiro uma desigualdade mais simples
( )
Y
P Y K
K

para varivel aleatria continua Y cujos valores y 0. Esta desi-
gualdade segue de
( ) ( ) ( )
( ) ( ) ( )
0 0
.
K
K
K K
Y yf y dy yf y dy yf y dy
yf y dy K f y dy KP Y K

= = +
=

A seguir aplicamos o mesmo mtodo para a integral positiva da
varincia
( ) ( ) ( ) ( )
( )
( )
2 2
2
2 2 2 2
.
x X k
x X k
x X f x dx x X f x dx
k f x dx k P x X k

=
=

Para k = 3 temos a estimativa convencional de trs desvios
padres

( )
1
3 .
9
P x X
(19.21)
Terceiro Momento
O terceiro momento,
3
x
, mostra se h uma assimetria na distri-
buio de probabilidade em torno de x = 0. Isto pode ser visto nos
exerccios 4.4 e 4.5. No exerccio (4.4),
3
x
= 0 porque a probabi-
lidade simetricamente distribuda em torno de x = 0. Entretanto,
para a distribuio de probabilidade no exerccio 4.5,
3
x
=
0.844, indicando que a maior parte da probabilidade est es-
querda de x = 0.
Funo geradora de momentos
A funo geradora de momentos

( )
2 2
0
1 .
2! !
n n
tX tx
n
t X t X
e e f x dx t X
n
=
= = + + + =
L
(19.23)
a soma ponderada dos momentos da varivel aleatria continua
X ao substituir a expanso de Taylor da funo exponencial. Ento
0
tX
t
X d e dt
=
=
. Note que os momentos aqui no so relativos
ao valor esperado; so chamados momentos centrais. O en-
simo momento central,
0
n n tX n
t
X d e dt
=
=
,

dado pela ensima
derivada da funo geradora de momento em t = 0.
Funo caracterstica
A funo caracterstica, f
X
(k), correspondente varivel aleatria,
X, definida com

( ) ( )
( )
0
.
!
n
n
ikx ikx
X X
n
ik x
f k e dxe P x
n
=
= = =
(4.15)
Podemos tambm interpretar a funo caracterstica como a trans-
formada de Fourier da densidade de probabilidade. As funes ca-
ractersticas so funes contnuas de k e tm as propriedades:
f
X
(0) = 1, |f
X
(k)| l, e f
X
(k) = f
X
*(k).
Se a funo caracterstica for conhecida, ento a densidade de
probabilidade, P
X
(x), ser dada pela transformada inversa

( ) ( )
1
.
2
ikx
X X
P x dke f k
=
(4.16)
Ademais, se conhecermos a funo caracterstica poderemos obter
os momentos diferenciando:

( )
( )
0
lim .
n
n
X n
n
k
d f k
x i
dk
=
(4.17)
Frequentemente til escrever a funo caracterstica, f
X
(k),
em termos de cumulantes, C
n
(X), ao invs de expandi-la direta-
mente em termos de momentos. A expanso cumulante definida

( )
( )
( )
0
exp ,
!
n
X n
n
ik
f k C X
n
=
| |
= |
|
\
(4.18)
onde C
n
(X), o cumulante de ensima ordem. Se expandirmos as
Eqs. (4.15) e (4.18) em potncias de k e igualarmos termos de
mesma ordem em k, obtemos as seguintes expresses para o pri-
meiro quatro cumulantes:

( )
1
, C X x =
(4.19)

( )
2
2
2
, C X x x =
(4.20)

( )
3
3 2
3
3 2 , C X x x x x = +
(4.21)
e

( )
2
2 4
4 2 3 2
4
3 4 12 6 , C X x x x x x x x = +
(4.22)
Se cumulantes de alta ordem vo zero rapidamente, podemos
frequentemente obter uma boa aproximao para f
X
(k) retendo
apenas os primeiros cumulantes em Eq. (4.18). Pode-se ver que
C
1
(X) apenas a mdia de X e C
2
(X) a varincia.
EXERCCIO 4.6. Considere um sistema com varivel aleatria,
X, que tem densidade de probabilidade, P
X
(x), dada pela distribui-
o circular;
2
2
1 x

para |x| l, e P
X
(x)= 0 para |x| > 1. Obtenha
a funo caracterstica e use-a para achar os primeiros quatro mo-
mentos e os primeiro quatro cumulantes.
Resposta: A funo caracterstica
( ) ( )
2
1
2 2
1 ,
ikx
X
f k dxe x J k
k

= =

(cf. Gradshteyn e Ryzhik [8]) onde J
1
(k) a funo de Bessel.
Agora expanda f
X
(k) em potncias de k
( )
3 5 2 4
2 1 1
1 .
2 16 384 4 2! 8 4!
X
k k k k k
f k
k
(
= + + = + +
(

L L

Da Eq. (4.17), os momentos so
3
0 x x = =
,
2
1
4
x =
, e
4
1
8
x =
.
Os cumulantes so
1 3
0 C C = =
,
1
2 4
C =
e
1
4 16
C =
.
Variveis Aleatrias Distribudas Conjuntamente
As variveis aleatrias, X
1
, X
2
,..., X
n
, so conjuntamente distribu-
das se forem definidas no mesmo espao amostral, S. A funo de
distribuio (cumulativa) conjunta para as variveis aleatrias, X
1
,
X
2
,..., X
n
, pode ser escrita como

( ) { }
1
, , 1 1 1
, , Prob , , ,
n
X X n n n
F x x X x X x < <
K
K K
(4.23)
onde {X
1
< x
1
,...,X
n
< x
n
} = {X
1
< x
l
} { X
n
< x
n
}. Em outras
palavras,
( )
1
, , 1
, ,
n
X X n
F x x
K
K
a probabilidade que as variveis
aleatrias, X
i
, tenham simultaneamente valores nos intervalos {
< X
i
< x
i
} para i = 1,..., n. A densidade de probabilidade conjunta,
( )
1
, , 1
, ,
n
X X n
P x x
K
K
definida como

( )
( )
1
1
, , 1
, , 1
1
, ,
, , ,
n
n
n
X X n
X X n
n
F x x
P x x
x x
=

K
K
K
K
L
(4.24)
de modo que

( ) ( )
1
1 1
, , 1 1 , , 1
, , , , .
n
n n
x x
X X n n X X n
F x x dx dx P x x

=

K K
K L L K
(4.25)
Por simplicidade, vamos agora considerar a funo de distribuio
conjunta, F
X,Y
(x, y), e densidade de probabilidade conjunta,
P
X,Y
(x,y), para duas variveis aleatrias, X e Y. A funo de distri-
buio satisfaz as condies F
X,Y
(,y) = F
X,Y
(x,) =
F
X,Y
(,) = 0 e F
X,Y
(,) = 1. Ademais,
( ) ( ) { }
, 2 , 1 1 1 2 2 1
, , Prob ; 0 for .
X Y X Y
F x y F x y x X x Y y x x < < >

(4.26)
A densidade de probabilidade, P
X,Y
(x,y), satisfaz condio 0
P
X,Y
(x,y) 1, e normalizada a um:

( )
,
, 1.
X Y
dx dyP x y

=

(4.27)
Se desejarmos funo de distribuio (cumulativa) reduzida,
F
X
(x), para a varivel aleatria, X, ela definidas como

( ) ( ) ( )
, ,
, , .
x
X X Y X Y
F x F x dx dyP x y

= =

(4.28)
Semelhantemente, a densidade de probabilidade reduzida, P
X
(x),
para o varivel aleatria, X, definida como

( ) ( )
,
, .
X X Y
P x dyP x y
(4.29)
Podemos obter a funo de distribuio reduzida, F
Y
(y), e a densi-
dade de probabilidade reduzida, P
Y
(y), de maneira similar.
O ensimo momento da varivel aleatria, X, definidas como

( )
,
, .
n n
X Y
x dx dy x P x y

=

(4.30)
Momentos conjuntos das variveis aleatrias, X e Y, so definidos
como

( )
,
, .
m n m n
X Y
x y dx dy x y P x y

=

(4.31)
H dois momentos conjuntos relacionados que so comumente
usados na fsica. So a covarincia,

( ) ( )( )
Cov , , X Y x x y y xy x y = =
(4.32)
e a ainda mais comumente a funo de correlao

( )
( )( )
Cor , ,
X Y
x x y y
X Y

=
(4.33)
onde
X
e
Y
so os desvios padro das variveis aleatrias X e Y,
respectivamente. A funo de correlao tem as seguintes proprie-
dades:
(i) Cor(X,Y) = Cor(Y,X).
(ii) 1 Cor (X,Y) 1.
(iii) Cor (X,X) = 1,Cor(X, X) = 1.
(iv) Cor(aX + b,cY + d) =Cor(X,Y) se a, c 0.
Para duas variveis aleatrias, X e Y, que so independentes,
as seguintes propriedades so vlidas:
(i') P
X,Y
(x,y) = P
X
(x) P
Y
(y).
(ii') XY = XY.
(iii') (X + Y)
2
(X + Y)
2
= X
2
X
2
+ Y
2
Y
2
.
(iv') Cor(X,Y) = 0.
EXERCCIO 4.7. Mostre que o funo de correlao, Cor(X,Y),
a medida do grau na qual X depende de Y.
Resposta: Seja X = aY + b e escolha a e b para minimizar o erro
mdio quadrtico, e = (x ay b)
2
. Faa e = (e/a)a +
(e/b)b =0, e faa os coeficientes de a e b separadamente ze-
ro. Isto d duas equaes, 2xy + 2ay
2
+ 2by = 0 e 2x +
2ay + 2b = 0. Elimine b e resolva para a para achar a =
Cor(X,Y)
X
/
Y
. Ento quando Cor(X,Y) = 0, a = 0 e as variveis
aleatrias, X e Y, parecem ser independentes, pelo menos quando
vistas pela medida estatstica.
Quando lidamos com vrias variveis aleatrias, frequente-
mente desejamos achar a densidade de probabilidade para uma
nova varivel aleatria que a funo das variveis aleatrias an-
tigas. Por exemplo, se sabemos a densidade de probabilidade con-
junta, P
X,Y
(x,y), podemos desejar encontrar a densidade de proba-
bilidade para a varivel Z = G(X,Y), onde G(X,Y) a funo co-
nhecida de X e Y. A densidade de probabilidade, P
Z
(z), para a vari-
vel aleatria, Z, definida como

( ) ( ) ( ) ( )
,
, , .
Z X Y
P z dx dy z G x y P x y

=

(4.34)
Da Eq. (4.34), a funo caracterstica para a varivel aleatria, Z,
facilmente encontrada como sendo

( ) ( ) ( ) ( )
( ) ( ) ( )
( )
( )
,
,
,
,
, ,
, ,
,
ikz
Z X Y
ikz
X Y
ikG x y
X Y
f k dze dx dy z G x y P x y
dx dyP x y dze z G x y
dx dye P x y

(
=
(

=
=

(4.35)

EXERCCIO 4.8. As variveis aleatrias, X e Y, so independen-
tes e tm uma distribuio Gaussiana com primeiros momentos,
x = y = 0, e desvios padro,
X
=
Y
= 1. Encontre a funo de
distribuio conjunta para as variveis aleatrias, V = X + Y e W =
X Y. V e W so independentes?
Resposta: As densidade de probabilidades para X e Y so
( )
( )
( )
2
1 2 exp 1 2
X
P x x ( =

e
( )
( )
( )
2
1 2 exp 1 2
Y
P y y ( =

.
Como X e Y so independentes, Eq. (4.34) d

( ) ( ) ( ) ( ) ( )
( )( )
,
2 2
1
, , ,
2
exp 1 2 ,
V W
P v w dx dy v v x y w w x y
x y

=
(
+

(1)
onde v(x,y) = x + y e w(x,y) = x y. Agora note que
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
, , , , ,
x y
v v x y w w x y J x x v w y y v w
w v

| |
=
|
\

(2)
onde; ( ) ( )
1
2
, x v w v w = +
, ( ) ( )
1
2
, y v w v w =
, e
1
2
x y
J
w v
| |
=
|
\
o Jaco-
biano da transformao de coordenadas. Ento,
( ) ( ) ( ) ( ) ( )
( )( )
( ) ( ) ( )
{ } { }
( ) ( ) ( )
{ }
( ) ( )
2 2
1 2
1 1
, 2 2
2 2
1 1
2 2
2 2 2 2
2 2
1 1
,
2 2
1
exp 1 2
4
1
exp 1 8 2 2
4
1
exp 1 4 .
4
x y
V W
P v w dx dy x v w y v w e
v w v w
v vw w v vw w
v w

+

= +
= + + ( (

(
= + + + +

(
= +

(3)
V e W so independentes uma vez que P
v
,
w
(v,w) fatorvel.
As funes caractersticas para variveis aleatrias distribu-
das conjuntamente so definidas como

( )
( )
( )
1 1
1
1
, , 1 1
, , 1
, ,
, , .
N N
N
N
i k x k x
X X N N
X X N
f k k dx dx e
P x x

+ +

=

L
K
K
K L
K
(4.36)
O momento conjunto, x
i
x
n
(n N), ento dado por

( )
( )
1
1
1 , , 1
0 0
1
, , lim lim , , .
N
n
n
n X X N
k k
n
x x i f k k
k k

=

K
K L L K
(4.37)

19.3 DISTRIBUIO BINOMIAL
A Distribuio Binomial
Vamos denotar a probabilidade do resultado, 0, por q e a probabi-
lidade do resultado, + 1, por p de modo que p + q = 1. Em uma
dada sequncia de N experimentos, o resultado, 0, pode ocorrer n
0

vezes e o resultado, +1 n
1
vezes, onde N = n
0
+ n
l
. A probabilidade
de uma dada permutao de n
0
resultados, 0, e n
1
resultados, +1,
0 1
n n
q p . A probabilidade de qualquer combinao de n
0
resultados,
0, e n
l
resultados, +1,

( )
0 1
1
0 1
!
! !
n n
N
N
P n q p
n n
=
(4.38)
Do teorema binomial, temos a condio de normalizao

( ) ( )
0 1
1 1
1
0 0
0 1
!
1.
! !
N N
N
n n
N
n n
N
P n q p p q
n n
= =
= = + =

(4.39)
EXERCCIO 4.10. A probabilidade de um arqueiro atingir o alvo

1
3
. Se ele atira cinco vezes, qual a probabilidade de atingir o
alvo pelo menos trs vezes?
Resposta: Seja n
l
o nmero de acertos. Ento N = n
0
+ n
l
= 5, p =
1
3
, e q =
2
3
. A probabilidade de ter n
l
acertos em N = 5 experimen-
tos ( ) ( ) ( ) ( )
1 1
5
1 2
5 1 1 1 3 3
5! ! 5 ! .
n n
P n n n

= (

A probabilidade de pelo
menos trs acertos ( ) ( ) ( )
51
5 5 5 243
3 4 5 0.21. P P P = + + =

Seja X
i
a varivel aleatria descrevendo o resultado do i-simo ex-
perimento e X
i
tendo duas realizaes: x = 0 com probabilidade q e
x = +1 com probabilidade p. A densidade de probabilidade para o
i-simo experimento ( ) ( ) ( ) 1 ,
i
X
P x q x p x = +
e o funo carac-
terstica para o i-simo experimento ( ) .
i
ik
X
f k q pe = +

Vamos agora fazer Y
N
= X
1
+ X
2
+ ... + X
N
ser a varivel aleat-
ria que descreve o resultado aditivo de N experimentos. Como o
(4.43)
experimentos so independentes, a densidade de probabilidade pa-
ra a varivel aleatria, Y
N
, apenas
( ) ( ) ( ) ( )
1
1 1 1
.
N N
Y N N X X N
P y dx dx y x x P x P x =

L L L L

(4.40)
Da Eq. (4.35),

( )
( )
( )
,
,
,
ikG x y
X X Y
f k dx dye P x y

=

(4.35)
a funo caracterstica para a varivel aleatria, Y
N
,

( )
( )
( ) ( )
( ) ( ) ( )
1 2
1
1
1 1
.
N
N N
N
ik x x x
Y N X X N
N
ik
X X
f k dx dx e P x P x
f k f k q pe

+ + +

=
= = +

L
L L
L
(4.41)
Podemos expandir a funo caracterstica usando o teorema bino-
mial. Obtemos

( )
( )
1 1 1
1
0
1 1
!
.
! !
N
N
n N n in k
Y
n
N
f k p q e
n N n

=
=
(4.42)
A densidade de probabilidade, ( )
N
Y
P x
, para a varivel aleatria,
Y
N
,
( ) ( )
( )
( )
( )
( )
( )
( ) ( )
1 1 1
1
1 1 1
1
1 1
1
1
0
1 1
0
1 1
1
0
1 1
1 1
0
1 1 !
2 2 ! !
! 1
! ! 2
!
! !
,
N N
N
n N n in k iky iky
Y Y
n
N
ik n y n N n
n
N
n N n
n
N
N
n
N
P y dke f k dke p q e
n N n
N
p q dke
n N n
N
p q y n
n N n
P n y n

=

=
=
=
= =

onde P
N
(n
l
) a probabilidade que o resultado, +1, ocorrer n
l
ve-
zes em N experimentos.
Os momentos, y = n
1
, so facilmente encontrado por soma
direta ou por diferenciao da funo caracterstica. Por exemplo,
( )
( )
( )
1 1
1 1
1
1 1 1
0 0
1 1
!
.
! !
N N
N
n N n
N
n n
n N
n n P n p q p p q pN
n N n p
= =
= = = + =

(4.44)
Tambm, fcil ver que

( ) ( )
1
0
lim .
N
Y
k
y i f k pN n
k
= = =
(4.45)
De uma maneira similar, obtemos para o segundo momento

( ) ( )
1
2
2 2 2
1 1 1
0
.
N
N
n
y n n P n Np Npq
=
= = = +
(4.46)
A varincia dada por
2
2
1 1
, n n Npq =
e o desvio padro

.
N
Npq =
(4.47)
O desvio fracionrio

1
1
.
N
q
n p N
=
(4.48)
O desvio fracionrio a medida do desvio da frao, n
1
/N, de ex-
perimentos com resultado, +1, do seu valor esperado, p, em qual-
quer sequncia de N experimentos. Um pequeno valor de
N
/n
l

significa que n
1
/N provavelmente estar perto de p. Para N ,
N
/n
l
0 ento de modo que n
1
/N p.

Como fizemos acima, vamos construir a varivel aleatria X
que assume os valores 0, 1, 2, ... , n em passos discretos que tam-
bm pode ser visto como uma composio i
i
X
; de n variveis
aleatrias independentes X
i
, uma para cada experimento, que tem
o valor 0 para um erro e 1 para um acerto. Isto nos permite usar as
funes geradoras de momento

( ) ( )
0 1
i
tX t t
i i
e P X e P X q pe = = + = = +
(19.44)
e

( )
,
i
n
tX tX t
i
e e q pe = = +
(19.44)
da qual os valores mdios e momentos mais altos podem ser obti-
dos diferenciando e fazendo t = 0. Usando
N = 20
( )
( )
( )
( )
( )
( )
( )
0
2
1 2
2 2
2
2
2 2 2
2
0
,
,
1 ,
1 ,
tX
n
t t
tX
i i
t i
tX
n n
t t t t
tX
i i
t i
e
npe q pe
t
e
X x f x np
t
e
npe q pe n n p e q pe
t
e
X x f x np n n p
t
=

=
= +
= = =
= + + +
= = = +

obtemos, com Eq. (19.17),

( ) ( )
( )
2
2 2 2 2 2
2
1
1 .
X X X np n n p n p
np np np p npq
= = +
= = =
(19.44)
19.5 DISTRIBUIO GAUSSIANA (OU NOR-
MAL)
Distribuio Gaussiana como o Limite da Distri-
buio Binomial
Vamos fazer uma mudana de variveis aleatrias,
( ) ( ) .
N N Y N
Z y y y pN pqN = =
Z
N
a varivel aleatria
cujo valor mdio z = 0 quando y = pN. O densidade de probabi-
lidade da varivel aleatria, Z
N
,

( )
( )
( )
N N
Z Y
y pN
P z dy z P y
pqN
| |
=
|
\
(4.49)

A funo caracterstica

( ) ( )
( )
( )
( )
( )
( )
( ) ( )
( )
( )
( )
N N
N
N
N
N
N
ikz
Z Z
ikz
Y
ikz
Y
ik y pN pqN
Y
ikpN pqN iky pqN
Y
ik pN q
Y
N
ik pN q ik pqN
ik p Nq ik pqN
f k dze P z
y pN
dze dy z P y
pqN
y pN
dyP y dze z
pqN
dyP y e
e dyP y e
k
e f
pqN
e q pe
e q pe
=
| |
=
|
\
| |
=
|
\
=
=
| |
=
|
\
= +
(
= +
( )
( )
( )
1
,
N
N
ik p Nqp pqN
ik p Nq
N
ik p qN ik q pN
qe pe
qe pe
+
= +
= +
(4.50)
onde
( )
N
Y
f k
definida na Eq. (4.41)

( )
( )
( ) ( )
( ) ( ) ( )
1 2
1
1
1 1
.
N
N N
N
ik x x x
Y N X X N
N
ik
X X
f k dx dx e P x P x
f k f k q pe

+ + +

=
= = +

L
L L
L
(4.41)
Vamos agora tomar o limite N . Expandindo o termo dentro
dos parntesis em potncias de k obtemos
( ) ( )
( ) ( )
( ) ( ) ( )
( )
2 2
2
2
2
2
1 1
2 2
1
2
1 1
2
1
1
2
1
1 1 ,
2
N
N
ik p qN ik q pN
Z
N
N
N
N
N
N
f k qe pe
p p q q
q iq k k p ip k k
qN N pN N
p q
q p i q p k q p k
qN pN N
q p i qp qp k q p k
qpN N
k
N
k R
N
= +
| |
= + + + +
|
\
( | |
= + + + + +
( |
|
(
\

(
= + + + + +
(

(
= +
(

(
= +
(

L L
L
L
L

(4.51)
onde

( )
( )
2
3
1
2 ,
!
m m
m
N
m
m
pq q p ik
R
m
N
pq
=
+
| |
=
|
\
(4.52)
Quando N , temos R
N
0 e

( ) ( )
( )
2
2 2
1
lim lim 1 1 ,
2
N
N
k
Z Z N
N N
f k f k k R e
N

(
= + =
(

(4.53)
onde usamos a definio

lim 1 .
N
z
N
z
e
N
| |
+ =
|
\
(4.54)

Ento, no limite N , obtemos

( )
( )
2 2 2 2
2
1 2 2
2
2 2 2 2
2 2
1 1
2 2
1 1
.
2
2
ikz k k ikz z z
Z
k iz
z z
P z dke e dke e
e dke e

= =
= =

(4.55)
Para o caso
1 N
mas N finito, ainda temos
( )
( ) ( )
2
1 2 exp 2 .
N
Z
P z z
Transformando de volta para as vari-
veis aleatrias, y =
Y
z+ y temos
( )
( )
( )
( )
2
2
1
exp .
2 2
N
Y Y Z
Y Y
y y
P z dz y z y P z

| |
|
=
|
\

(4.56)

Funo caracterstica
( )
( )
( )
( )
2 2
2 2 2
2 2 2 2
2 2 2 2
2 2 2
2 2
2
2
2
2
2 2 2
1 1
2 2 2 2
1
2 2
1
2
1 1
2 2
1
2
1
2
x ikx
X
x x
ik x ikx
x i i
ik x k k
k
x ik i k
f k dxe e
dxe dxe
dxe
dxe
e

| |
+ + |
\

| | | | | |
+ + +
| | |
\ \ \
(
+ +

=
= =
=
=
=
( )
2 2 2
2
2
1
2 2
2 2
1
2
exp
2
k
x ik i k
dxe
k
i k
(
+ +

| |
=
|
\

Cumulantes
A distribuio de Gauss definida pela densidade de probabi-
lidade

( )
( )
2
2
1
exp , .
2 2
x
f x x

| |
= < < |
\
(19.54)
normalizada porque, substituindo
2
x
y

=
, obtemos
( )
( )
2
2
2
1 1
exp exp 1
2 2
x
dx y dy

| |
= = |
\

Se valor mdio pode ser encontrado usando a substituio acima
( )
( )
( )
( ) ( )
2
2
2
2 2
1 1
exp 2 exp
2 2
2
exp exp
x
X x dx y y dy
y y dy y dy

| |
= = + = |
\
= + =

Semelhantemente
( )
( )
( )
( )
2
2 2 2
2
2
2 2
2
2 2 2 2
2 2
2
2 2
1 1
exp 2
2 2
1
2 2 2 exp
2 2 2
0
y
y y y
x
X x dx y e dy
y y y dy
y e dy ye dy e dy

| |
= = + |
\
= + +
= + +
= + +

Ento, o desvio padro
2
2 2 2 2
X
X X = = + =

Vemos que a mdia e o desvio padro so suficientes para deter-
minar a densidade de probabilidade Gaussiana.
Da distribuio normal (pela substituio
x X
y
=
)
( ) ( )
2 2
2 2
2 2
2
2
1 1
2 4
erfc ,
2
k
y y
k
y z
k k
X X
P X X k P k P Y k
e dy e dy
k
e dy e dz

| |
> = > = > |

|
\
= +
= = =

podemos calcular numericamente os seguintes resultados
( ) ( )
( )
0.3173, 2 0.0455,
3 0.0027,
P X X P X X
P X X

> >
>

A desigualdade de Chebychev (veja Eq. (19.21).)

( )
1
3 .
9
P x X
(19.21)
deu-nos 1/9 para uma distribuio de probabilidade arbitrria
no lugar de 0.0027 para a regra de 3 da distribuio normal.
TEOREMA DA ADIO: Se as variveis aleatrias X, Y tm as
mesmas distribuies normais, ou seja, o mesmo mdio valor e a
mesma varincia, ento Z = X + Y tem uma distribuio normal
com duas vezes o valor mdio e duas vezes a varincia de X e Y.
Para demonstrar este teorema, tomamos densidade Gaussiana
como
( )
2 2
2 2
1 1
, com 1,
2 2
x x
f x e e dx

= =

sem perda de generalidade. Ento a densidade de probabilidade de
(X, Y) o produto
( )
( )
2 2
2 2 2
2 2
1 1 1
, .
2 2 2
x y
x y
f x y e e e

+

= =

A densidade para Z = X + Y dada por
( )
( )
2
2
2 2
1 1
.
2 2
x z x
g z e e dx

=

Completando o quadrado no expoente,
2
2
2 2
2 2 2 ,
2
2
z z
x xz z x
| |
+ = +
|
\

obtemos
( )
2
2
4
1 1
exp 2 .
2 2
2
z
z
g z e x dx
(
| |
=
(
|
\
(

Usando a substituio
2
z
u x =
encontramos que a integral se
transforma em
2
2
1
exp 2 ,
2
2
u
z
x dx e du

(
| |
= =
(
|
\
(

De modo que a densidade para Z = X + Y

( )
2
4
1
.
2
z
g z e

=
(19.56)
19.4 DISTRIBUIO DE POISSON
Derivao da Distribuio de Poisson Para Um Ca-
so Modelo
Se o tempo de observao dt for suficientemente pequeno, a
probabilidade de um evento ocorrer durante o intervalo dt dt
com constante e dt <<1. Aqui a taxa, isto , o nmero m-
dio de ocorrncias por unidade de tempo. Podemos armar uma re-
lao de recorrncia para a probabilidade P
n
(t) de observar n con-
tagens durante um intervalo de tempo t. Para n > 0 a probabilidade
P
n
(t + dt) composta de dois eventos mutuamente exclusivos que
(i) n eventos ocorrerem no tempo t, nenhum em dt, e (ii) n 1
eventos ocorrerem em um tempo t, um em dt. Portanto,
P
n
(t +dt) = P
n
(t)P
0
(dt) + P
n1
(t)P
1
(dt).
Aqui substitumos a probabilidade de observar um evento, P
1
(dt)
= dt , and nenhum evento, P
0
(dt) = 1 P
1
(dt), in time dt. Isto d
P
n
(t + dt) =P
n
(t)(1 dt)+P
n1
(t) dt.
Assim, aps rearranjar e dividir-se por dt, temos

( ) ( ) ( )
( ) ( )
1
.
n n n
n n
dP t P t dt P t
P t P t
dt dt

+
= =
(19.47)
Para n = 0 esta relao de recurso diferencial simplifica, porque
no h nenhum evento nos tempos t e dt dando

( )
( )
0
0
.
dP t
P t
dt
=
(19.48)
Esta EDO integra dando P
0
(t) = e
t
se a probabilidade que ne-
nhum evento ocorra durante um intervalo do tempo zero P
0
(0) = 1
for usada. Aqui P
0
(0) = 1 significa que nenhum evento ocorre em t
0.
Agora voltamos Eq. (19.47) para n = 1,

( )
( ) ( ) ( ) ( ) ( ) ( )
1
0 1 1 1
, 0 0,
t
dP t
P t P t e P t P
dt

= = =
(19.49)
Esta uma EDO linear de primeira ordem e pode ser resolvida pe-
lo mtodo padro. Colocando-a na forma padro temos
( )
( )
1
1
.
t
dP t
P t e
dt

+ =

Aqui P(t) = , Q(t) = e
t
de modo que o fator integrante
( ) ( )
( ) ( )
exp exp .
t
t P t dt dt e
= = =

Ento
( ) ( ) ( )
( ) ( )
1
1
.
t t t
t
e P t t Q t dt e e dt t C
P t t C e

= = = +
= +

Usando as condies de contorno C = 0 e consequentemente
( )
1
.
t
P t te

=

Para n = 2, encontramos
( )
( ) ( )
( )
( ) ( )
( )
( )
2 2
1 2 2
2 2
2
t
t
dP t dP t
P t P t te P t
dt dt
dP t
P t te
dt
= =
+ =

A soluo
( )
2 2
2
1
.
2
t
P t t e

=

E para n = 3
( )
3 3
3
1
.
6
t
P t t e

=

A soluo geral

( )
( )
.
!
n
t
n
t
P t e
n

=
(19.50)
como pode ser confirmado pela substituio na Eq. (19.47) e veri-
ficando as circunstncias iniciais, P
n
(0) = 0, n > 0. Este um
exemplo da distribuio de Poisson.
A distribuio de Poisson definida com as probabilidades

( ) , 0,1, 2,
!
n
p n e X n
n

= = = K
(19.50)
e mostrado na Fig. 19.6. A varivel aleatria X discreta. Aqui
um nmero real positivo, igual ao nmero esperado dos eventos
que ocorrem durante o intervalo dado. Por exemplo, se os eventos
ocorrerem em mdia a cada 4 minutos, e estamos interessados no
nmero dos eventos que ocorrem em um intervalo 10 minutos,
usaramos como modelo uma distribuio de Poisson com = 2,5.


Cumulantes
As probabilidades so corretamente normalizadas porque
0
1
!
n
n
e e e
n

=
= =

O valor mdio e a varincia,

( ) ( ) ( )
( )
0 0
0
2
2 2
0 0
2 2
0
2
2 2 2
! !
!
! !
!
1
1 ,
n n
n n
n
n
n n
n n
n
n
X e n e
n n
e e e
n
X e n e
n n
e e e
n
e e e e e
X X

= =

=

= =
= =
| |
= = =
|
\
| |
= =
|
\
| | | |
= =
| |

\ \
= = + = +
= = + =

(19.52)
Funo Caracterstica
A funo caracterstica para esta distribuio
( )
( )
0 0
exp 1
! !
ik
n
ik n
ikX ikn e ik
n n
e
e e e e e e e
n n

= =
(
= = = =

O cumulantes tambm pode ser obtido de por diferenciao da
funo caracterstica e fazendo-se t = 0.

( )
( )
0
lim .
n
n
X n
n
k
d f k
x i
dk
=
(4.17)

( )
( )
( )
( )
( )
( )
( )
( ) ( )
( )
( )
( )
{ }
( )
0 0
1 1 0
0
2
2
2
2
0 0
2
0
2
lim exp 1 lim exp 1
limexp 1
lim exp 1 lim exp 1
lim exp 1 exp 1
ik ik ik
k k
ik ik
k
ik ik ik
k k
ik ik ik ik
k
d
x i e i e ie
dk
e e e e
d d
x i e e ie
dk dk
e ie e e
i
( (
= =

(
= = =

( (
= =

( (
=

=
2
.
(
= +

Distribuio de Poisson como o limite da distribui-
o binomial
A distribuio de Poisson pode ser obtida da distribuio binomial
no limite N e p 0, tais que Np = a <<N (a uma constante
finita). Deixe-nos retornar Eq. (4.41)

( ) ( )
N
N
ik
Y
f k q pe = +
(4.41)
e seja p = (a/N). Ento

( ) 1 .
N
N
ik
Y
a a
f k e
N N
| |
= +
|
\
(4.57)
Se agora tomarmos o limite, N , obtemos

( ) ( )
( )
( ) | | | |
( )
( )
0 0
lim lim 1 1
exp 1 exp
exp .
! !
N
N
ik
Y Y
N N
ik a ik
m
ik
m
a a
m m
a
f k f k e
N
a e e ae
ae
a
e e imk
m m

= =
(
= = +
(

= =
= =

(4.58)
Assim a densidade da probabilidade

( ) ( )
( )
( )
1
1
1
1 1
1
1 1
0
1
1
0 0
1 1
1 1
2 2 !
1
.
! 2 !
n
in k iky iky a
Y Y
n
n n
ik n y a a
n n
a
P y dke f k dke e e
n
a a
e dke e y n
n n

= =
= =
= =
(4.59)
O coeficiente

1
1
,
!
n
a
a
e
n

(4.60)
a distribuio de Poisson.
EXERCCIO 4.11. Uma folha fina de ouro (um tomo de espes-
sura) atingida por um feixe dos nutrons. Suponha que os nu-
trons possam atingir qualquer parte da folha com igual probabili-
dade, mas somente vm os ncleos do ouro. Suponha ainda que
para um feixe contendo muitos nutrons, o nmero mdio de coli-
ses dois em um dado intervalo de tempo. (a) Qual a probabi-
lidade de que nenhuma coliso ocorra durante esse intervalo do
tempo? (b) Qual a probabilidade que duas colises ocorram du-
rante esse intervalo do tempo?
Resposta: Como a razo (rea ncleo/rea tomos) 10
12
, a pro-
babilidade de uma coliso pequena. Uma vez que o nmero de
experimentaes grande, podemos usar a distribuio de Pois-
son. Seja n
1
o nmero de colises.
Ento n
1
= 2 e a distribuio de Poisson pode ser escrita como
( )
1
2
1 1
2 !
n
P n e n
=
.
(a) A probabilidade que nenhuma coliso ocorra P(0) = e
2
2
0
/0!
= 0.135.
(b) A probabilidade que duas colises ocorram P(2) = e
2
2
2
/2! =
0.27.

Distribuio Gaussiana Como o Limite da Distri-
buio de Poisson
TEOREMA: Para grandes valores de n e do valor mdio , a dis-
tribuio de Poisson se aproxima de uma distribuio de Gauss.
Temos que
( )
ln ln ln ln !
!
n
p n e n n
n

| |
= = +
|
\

Usando a frmula assinttica de Stirling (captulo 10 do Arfken),
ln ! ln ln 2 , , n n n n n n +

obtemos
( )
ln ln ln ln 2 p n n n n n n = + +

Escolhemos o desvio v = n do valor mdio como a nova vari-
vel. Substituindo n = + v, obtemos
( )
( ) ( ) ( ) ( ) ln ln ln ln 2 p n v v v v v = + + + + +

( )
( ) ( )
( ) ( )
( ) ( )
ln ln ln 2
ln ln 2
ln 1 ln 2
p n v v v
v
v v
v v v
v
v
v v v
v
= + + +
+
+ | |
= + + +
|
+
\
| |
= + + +
|
+
\

Fazemos o valor mdio e tratamos v/ como sendo peque-
no, mas v
2
/ como finito e expandindo o logaritmo em uma srie
de MacLaurin, mantendo dois termos, obtemos
( )
( )
( )
( )
2
2
2
2
ln ln 2
2
ln 2
2
ln 2 ,
2
v v
p n v v
v
v
v
v v
v
v

| |
+ +
|
+
+
\
+
+

substituindo + v porque |v| <<. Exponenciando este resul-
tado encontramos que para n e grandes

( )
2
2
1
.
2
v
p n e

(19.57)
que uma distribuio de Gauss de varivel contnua v com valor
mdio 0 e desvio padro
=
.
19.6 ESTATSTICA
Propagao de Erro
Quando medimos uma quantidade x repetidamente, obtendo valo-
res x
j
aleatoriamente, ou seleciona uma amostra para testar, deter-
minamos o valor mdio (veja Eq. (19.10)) e a varincia,
( )
2
2 2
1 1
, ,
j j
j j
x x x x
n n
= =

como uma medida para o erro, ou a disperso do valor mdio
x
.
Podemos escrever
,
j j
x x e = +
onde o erro e
j
o desvio do valor
mdio, e segue que
0
j
j
e =

( )
0
j j j
j j j j
e x x x x nx nx = = = =

Suponha agora que queremos determinar uma funo f(x) co-
nhecida destas medidas; isto , temos um conjunto f
j
= f(x
j
) das
medidas de x. Substituindo j j
x x e = +
e calculando o valor mdio
de

( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( )
2
2
2
2
1 1
1 1
2
1 1 1 1
2
1 1
2
1
2
j j
j j
j j
j
j j
j j j
j j
j j
f f f x e
n n
f x f x e f x e
n
f x f x e f x e
n n n
f x f x e f x x x
n n
f x f x
= = +
(
= + + +
(

= + + +
= + + +
= + +

L
L
L
L
(19.59)
obtemos o valor mdio
f
como
( )
f x
em mais baixa ordem,
como esperado. Mas em segunda ordem h uma correo dada pe-
la metade da variao com um fator de escala
( )
f x
. interes-
sante comparar esta correo do valor mdio com a disperso m-
dia dos f
j
individuais do valor mdio
f
, a varincia de f. Em mais
baixa ordem, isto , dado pela mdia da soma dos quadrados dos
desvios, onde aproximamos
( )
,
j j
f f f x e +
d

( )
( )
( )
( )
( )
| |
( )
| |
2 2
2
2 2
2 2
1 1
1
j j
j j
j
j
f f f f x e
n n
f x e f x
n
=
= =

(19.60)
Em resumo podemos formular um tanto simbolicamente
( ) ( ) ( )
f x f x f x =

como a forma mais simples de propagao de erro por uma funo
de uma varivel medida.
Para uma funo, f(x
j
, y
k
) de duas quantidades medidas,
j j
x x u = +
,
k k
y y v = + , obtemos semelhantemente
( )
( ) ( ) ( )
( )
1 1 1 1
1 1
1 1
1 1
,
1
, , ,
1 1
,
r s r s
jk j k
j k j k
r s
j k
j k
r s
x j y k
j k
f f f x u y v
rs rs
f f
f x y x y u x y v
rs x y
f x y f u f v
r s
= = = =
= =
= =
= = + +

(
+ + +
(

= + + +

L
L

onde
0 ,
j k
j k
u v = =

de modo que novamente
( ) , f f x y =

em mais baixa ordem. Aqui

( ) ( ) , , ,
x y
f f
f x y f x y
x y

= =

(19.61)
denotam derivadas parciais. A soma de quadrados dos desvios do
valor mdio dada por
( ) ( )
( ) ( ) ( )
( ) ( )
2 2
1 1 ,
2
,
2
2 2 2 2
, ,
2 2 2 2
,
, , ,
2
,
r s
jk j k
j k j k
j k
j k
x j y k x j x y j k y k
j k j k
x j y k
j k
f f f x u y v f
f f
f x y x y u x y v f
x y
f u f v f u f f u v f v
sf u rf v
= =
( = + +

(
= + + +
(

= + = + +
= +

L
porque
,
0.
j k j k
j k j k
u v u v = =
Portanto a varincia

( )
2
2 2 2 2 2
,
1
,
jk x x y y
j k
f f f f
rs
= = +
(19.62)
com f
x
, f
y
da Eq. (19.61); e
2 2 2 2
1 1
, ,
x j y k
j k
u v
s r
= =

so as varincias dos pontos de dados de x e de y. Simbolicamente
a propagao de erro para uma funo de duas variveis medidas
pode ser sumarizada como
( )
( )
2 2 2 2
, , .
x y x x y y
f x y f x y f f = +

Como uma aplicao e uma generalizao do ltimo resultado,
calculamos agora o erro do valor mdio 1
1 n
j
j
x x
n
=
=

de uma
amostra de n medidas individual x
j
, cada uma com desvio .
Neste caso as derivadas parciais so dadas por
1
x y
f f
n
= = = L
e
.
x y
= = =L
Assim, nossa ltima re-
gra de propagao de erros diz-nos que os erros de uma soma de
variveis somam quadraticamente, de modo que a incerteza da
mdia aritmtica dada por

2
1
, n
n n
= =
(19.63)
diminuindo com o nmero das medidas n.
medida que o nmero n de medidas aumenta, esperamos
que a mdia aritmtica
x
convirja para algum valor verdadeiro x.
Admitindo que
x x =
e v
j
= x
j
x so os desvios verdadeiros;
ento,
( ) ( )
( ) ( )
2 2
2
2
2 2 2 2
2 .
j j j
j j j
j j j j
j j j
x x e x v x
v v v v n

= = + +
= + = + + = +

Levando em conta o erro da mdia aritmtica, determinamos a
disperso dos pontos individuais em torno do valor mdio verda-
deiro desconhecido como sendo
( )
2
2 2 2 2
1 1 1
.
j j j
j j j
x x e v
n n n
= = = +

De acordo com nossa discusso anterior levando a Eq. (19.63),
2 2
1
n
=
. Como um resultado
2
2 2
1
,
j
j
v
n n
= +

da qual o desvio padro de uma amostra em estatstica segue:

( )
2
2 2 2 2
2
2 2
2
1 1 1
1
1
1 1
1
j j
j j
j
j
j
j
j
j
v v
n n n n
v
n
v
n n n
x x
n
| |
= =
|
\
= =

(19.64)
Mnimos Quadrados
Quando medimos uma quantidade x n vezes, obtendo os valores x
j
,
definimos o valor mdio

1
1
n
j
j
x x
n
=
=

(19.10)
das experimentaes, chamado tambm a mdia ou valor esperado
E(x), onde esta frmula supe que cada valor observado x
i

igualmente provvel e ocorre com probabilidade 1/n.
Mas porque no consideramos a mdia geomtrica

( )
1
1 2
n
g n
x x x x = L

(19.13)
ou a mdio harmnica x
h
, determinada pela relao

1 2
1 1 1 1 1
h n
x n x x x
| |
= + + +
|
\
L
(19.14)
ou o valor
x%
que minimiza a soma de desvios absolutos
i
x x %
?
Quando fazemos o grfico de ( )
2 1
1
n
i
i
O x x x
+
=
=
para um nme-
ro mpar dos pontos, percebemos que tem um mnimo em seu va-
lor central i = n, enquanto que para um nmero par de pontos
( )
2
1
n
i
i
E x x x
=
=
plana em sua regio central.

No caso de um nmero mpar de termos na soma existe um termo
central que o x
n+1
. Para x
n
< x < x
n+1
temos
( ) ( ) ( ) ( )
2 1
1 1 2 1
1
1 1 2 1
n
i n n n
i
n n n
x x x x x x x x x x
x x x x x
+
+ +
=
+ +
= + + + + +
= + + +
L L
L L

Para x
n+1
< x < x
n+2
temos
( ) ( ) ( ) ( ) ( )
2 1
1 1 2 2 1
1
1 1 2 2 1
n
i n n n n
i
n n n n
x x x x x x x x x x x x
x x x x x x
+
+ + +
=
+ + +
= + + + + + +
= + + +
L L
L L

No caso de um nmero par de termos na soma, no h um termo
central. No intervalo entre os termos centrais, x
n
< x < x
n+1
temos
( ) ( ) ( ) ( )
2
1 1 2
1
1 1 2 2
n
i n n n
i
n n n n
x x x x x x x x x x
x x x x x
+
=
+ +
= + + + + +
= + +
L L
L L

Estas propriedades fazem estas funes inaceitveis para determi-
nar os valores mdios.
Isto nos leva a buscar minimizar o desvio mdio quadrtico,

( )
2
mnimo.
i
i
x x =

(19.15)
Note que fazendo sua derivada igual a zero temos
( ) 2 0,
i
i
x x =
ou
1
,
i
i
x x x
n
=

ou seja, a mdia aritmtica. Se denotarmos os desvios por
i i
v x x =
, ento
0
i
i
v =
, isto , a soma de desvios positivos
igual soma de desvios negativos.

Ajustando Curvas a Dados
Suponha que temos uma amostra de medidas y
j
feitas em tempos
conhecidos t
j
que esperamos que sejam relacionados linearmente
como y = at, nossa hiptese.
Primeiramente minimizamos a soma dos desvios quadrticos
( )
2
j j
j
at y
para determinar o parmetro da inclinao a,
chamada tambm o coeficiente da regresso, usando o mtodo de
mnimos quadrados.
Diferenciando em relao a a obtemos
( )
2 0,
j j j
j
at y t =

da qual

2
j j
j
j
j
y t
a
t
=

(19.65)
segue. Os dados tm uma disperso
( )
2
.
1
j j
j
y at
n

Alternativamente, sejam os valores y
j
conhecidos (sem erro) en-
quanto que t so medidas. Neste caso precisamos trocar o papel de
t e y e ajustar a linha t = by aos pontos de dados. Minimizamos
( )
2
j j
j
by t
, igualando a derivada em relao a b a zero e
achamos semelhantemente o parmetro da inclinao

2
j j
j
j
j
t y
b
y
=

(19.66)

Caso t
j
e y
j
tenham erros, temos que minimizar a soma dos qua-
drados dos desvios de ambas as variveis e ajustar a parametriza-
o t sin y cos = 0. Como mostrado na Fig. (19.10a) isto
significa geometricamente que a linha tem que ser desenhada de
modo que a soma dos quadrados das distncias d
j
dos pontos (t
j
,
y
j
) para a linha se torne um mnimo. Aqui d
j
= t
j
sin y
j
cos ,
de modo que
2
j
j
d
= mnimo deve ser resolvida para o ngulo
. Igualando a zero o derivada em relao ngulo,
( )( )
sin cos cos sin 0,
j j j j
j
t y t y + =

resulta em
( ) ( )
2 2 2 2
sin cos sin cos 0.
j j j j
j j
t y t y + =

Consequentemente o ngulo do ajuste linear dado por

( )
2 2
2
tan 2 .
j j
j
j j
j
t y
t y
=
(19.67)

(a) (b)

A Distribuio
2

Esta distribuio aplicada tipicamente aos ajustes de uma curva
y(t, a, ...) com os parmetros a, ... aos dados t
j
usando o mtodo de
mnimos quadrados que envolvem a soma ponderada dos quadra-
dos dos desvios; isto ,
( )
2
2
1
, ,
N
j j
j
j
y y t a
y
=
| |
| =
|
K

minimizado, onde N o nmero dos pontos e r o nmero dos
parmetros ajustados a, .
Em uma primeira etapa, determinamos a densidade de proba-
bilidade para a varivel aleatria Y = X
2
de um nico ponto que as-
sume somente de valores positivos. Supondo um valor mdio zero
sem perda de generalidade, porque, se X = m 0 usaramos a va-
rivel X = X m, cujo valor mdio zero. Mostramos que se X ti-
ver uma densidade do normal de Gauss
( )
2 2
2
1
, ,
2
x
f x e x

= < <

ento a probabilidade da varivel aleatria Y zero se y 0 e
( ) ( ) ( )
2
se 0. P Y y P X y P y X y y < = < = < < >

Da distribuio normal contnua
( ) ( ) ,
y
P y f x dx
obtemos a
densidade de probabilidade g(y) pela diferenciao:

( )
( ) ( ) ( ) ( )
2
2
1
2
1
, 0.
2
y
d
g y P y P y f y f y
dy y
e y
y

( (
= = +

= >
(19.68)
Esta densidade
2
2 y
e y

corresponde ao integrando da integral

de Euler da funo gama. Tal distribuio da probabilidade
( )
( )( )
2
1
2
2
2
p
y
p
y
g y e
p

chamada a distribuio gama com parmetros p e. Sua funo
caracterstica para nosso caso, p = 1/2,

( )
( )
( )
2
2
1 2
1 2
0 0
1
2
1 2
2
1 1
2
2
1 2 .
y it
tY x
dy dx
e e e
y x
it
it
= =
=

(19.68)
Como a funo da amostra
2
contm uma soma de quadrados,
necessitamos do seguinte teorema.
TEOREMA DA ADIO para distribuies gama: Se as variveis
aleatrias independentes Y
1
e Y
2
tiverem uma distribuio gama
com p = 1/2, e o mesmo de ento Y
1
+ Y
2
tem uma distribuio
gama com p = 1.
Como Y
1
e Y
2
so independentes, o produto de suas densidades
(Eq. (19.36)) gera a funo caracterstica

( )
( )
1 2 1 2 1 2
1
2
1 2 .
t Y Y tY tY tY tY
e e e e e it

+
= = =
(19.69)
Avaliamos a qualidade do ajuste pela varivel aleatria
2
1
n
j
j
Y X
=
=
, onde n = N r o nmero de graus de liberdade
para N pontos de dados e r parmetros ajustveis. O teorema da
adio d a densidade da probabilidade (Fig. 19.11) para Y,
( )
( )
2
1
2
2
2
2
, 0,
2
n
y
n n n
n
y
g y e y
= >


e g
n
(y) = 0 se y < 0, que a distribuio
2
que corresponde a n
graus de liberdade. Sua funo caracterstica
( )
2
2
1 2 .
n
tY
e it

=

Diferenciando e fazendo t = 0 obtemos seu valor mdio e varin-
cia

( )
2 2 4
, 2 . Y n Y n = =
(19.70)
Tabela 19.2 Distribuio
2

n v = 0.8 v = 0.7 v = 0.5 v = 0.3 v = 0.2 v = 0.1
1 0.064 0.148 0.455 1.074 1.642 2.706
2 0.446 0.713 1.386 2.408 3.219 4.605
3 1.005 1.424 2.366 3.665 4.642 6.251
4 1.649 2.195 3.357 4.878 5.989 7.779
5 2.343 3.000 4.351 6.064 7.289 9.236
6 3.070 3.828 5.348 7.231 8.558 10.645

A tabela d os valores para a probabilidade
2
para n graus de li-
berdade
( )
( )
2
0
2 2 1 2
0 2
1
2 2
n y
n n
y
P y y e dy
n

para = 1 e y
0
> 0. Para usar a Tabela 19.2 para 1 use y
0
=
v
0
2
de modo que P(
2
> v
0
2
) corresponde a P(
2
> v
0
) da Tabela
19.2. O exemplo seguinte ilustrar o processo.
Exemplo 19.6.1
Vamos aplicar a funo
2
ao ajuste na Fig. 19.8. Os pontos medi-
dos (t
j
, y
j
y
j
) com erros y
j
so
(1, 0.8 0.1), (2, 1.5 0.05), (3,3 0.2).
Para comparao, o ajuste usando a Eq. (19.65), d
1 0.8 2 1.5 3 3 12.8
0.914.
1 4 9 14
a
+ +
= = =
+ +

Se ao invs minimizarmos,
2
2
,
j j
j
j
y at
y
| |
=
|
|

obtemos
( )
( )
2
2
0 2 ,
j j j
j
j
t y at
a
y
= =

ou
( )
( )
2
2
2
j j
j
j
j
j
j
t y
y
a
t
y

0 2 4
0
2
4
y
x

Em nosso caso
2 2 2
2 2 2
2 2 2
1 0.8 2 1.5 3 3
1505
0.1 0.05 0.2
0.782
1 2 3 1925
0.1 0.05 0.2
a

+ +
= = =
+ +

dominado pelo ponto mdio com o erro o menor y
2
= 0,05.
A frmula da propagao de erro (Eq. (19.62))

( )
2
2 2 2 2 2
,
1
,
jk x x y y
j k
f f f f
rs
= = +
(19.62)
d-nos a varincia
2
a
, da estimativa de a,
( )
( )
( )
( )
2
2 2
2
2
2 2
2
2
2
1
j
j
a j
j j k j
k
k
k
k
k
t
y
a
y
t y
t
y
y
| |
= = =
|
|
| |
\
|

|

usando
( )
( )
( )
( )
2
2 4 2
2 2
2
2
2
j j
j j
k j j
k
k
k
k
k
t t
y y
a a
t y y
t
y
y
| |

= =
|
|

| |
\
|

Para nosso caso,
1 1925 0.023
a
= =
; isto , nosso parmetro d de-
clividade a = 0,782 0,023.
Aplicamos a distribuio ao ajuste envolvendo N = 3 pontos
de dados e r = 1 parmetro, isto , para n = 3 1 = 2 graus de li-
berdade. Da Eq. (19.70)

( )
2 2 4
, 2 . Y n Y n = =
(19.70)
a distribuio
2
tem um valor mdio 2 e uma varincia 4. Ento
P(
2
2) 0.496 obtido da Tabela 19.2, onde interpolamos en-
tre P(
2
> 1.386
2
) = 0.50 e P(
2
> 2.408
2
) = 0.30 como segue:
( ) ( ) ( ) ( )
2
2 2 2 2 2 2 2
2 2
2 1.386
2 1.386 1.386 2.408
2.408 1.386
0.5 0.02 0.2 0.496.
P P P P
(
=

= =

Tabela 19.2 Distribuio
2

n v = 0.8 v = 0.7 v = 0.5 v = 0.3 v = 0.2 v = 0.1
2 0.446 0.713 1.386 2.408 3.219 4.605

A Distribuio t de Student
Suponha X
1
, ..., X
n
sejam variveis aleatrias independentes que
so distribudas normalmente com valor esperado e varincia
2
.
Seja
1
1
,
n
j
j
X X
n
=
=

a mdia da amostra, onde as variveis aleatrias X
j
supe-se serem
independentes com uma distribuio normal do mesmo valor m-
dio m e varincia
2
. O teorema da adio para a distribuio do
Gauss diz-nos que X
1
+ + X
n
tem o valor mdio nm e varincia
n
2
. Consequentemente (X
1
+ + + X
n
)/n normal com valor
mdio m e varincia n
2
/n
2
=
2
/n. A densidade de probabilidade
da varivel X m a distribuio do Gauss

( )
( )
2
2
exp .
2
2
n x m
n
f x m

| |
= |
\
(19.71)
O problema chave resolvido pela distribuio t de Student forne-
cer estimativas para o valor mdio m, quando no conhecido,
em termos de uma funo da amostra da cuja distribuio seja in-
dependente de . Com esta finalidade, definimos uma funo da
amostra (tradicionalmente chamada) t:

( )
2
2
1
1
, .
1
n
j
j
X m
t S X X
n
S n
=
= =

(19.72)
Pode-se mostrar que t e S so variveis aleatrias independentes.
Seguindo os argumentos que conduzem distribuio
2
, a densi-
dade da varivel S dada pela distribuio gama

( )
( )
( )
( )
2 2
1 2 2 2
3 2 1
1
2
.
2
n n ns
n n
n
n s e
d s

(19.73)
Desejamos calcular a funo densidade de probabilidade da razo
de duas variveis aleatrias Z = X/Y. Tomando Y e Z como as no-
vas variveis, a razo tem o Jacobiano
,
1 0
z y
J y = =

usando
( ) ( )
, , 1, 0,
yz yz y y
z y
y z y z

= = = =

de modo que a probabilidade dada por

( )
( ) , .
Z
F Z f yz y y dydz

=

(19.39)
Se as variveis aleatrias Y e Z so independentes com densidades
f
1
e f
2
ento

( )
( ) ( )
1 2
.
Z
F Z f yz f y y dydz

=

(19.40)
A probabilidade para a razo Z = X/Y de duas variveis aleat-
rias independentes X, Y com densidades normais f e d dadas pe-
las Eqs. (19.71) e (19.73) (Eq. (19,40))

( )
( ) ( ) ,
Z
R z f yz d y y dydz

=

(19.74)
assim a varivel
( )
V X m S =
tem a densidade
( )
( )
( )
( )
( )
( )
( )
2 2
2 2 2
2 2 1 2 2 2
2 3 2 1
1 0
2
2
1 2 1
2 2
1 0
2
exp
2 2 2
.
2
n n ns
n n
n
n
ns v n
n n
n
n ns v n s e
r v sds
n
e s ds

| |
=
|
\
=

Aqui substitumos z = s
2
e obtemos
( )
( )
( ) ( )
2 2
2
1 2 2 2
2
1 0
2
.
2
n
nz v n
n n
n
n
r v e z dz

Fazendo a mudana de varivel
( )
2
2
1
2
nz v
z
+
=

a integral se transforma em
( )
( )
( ) ( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
2 1
2 2 2
2 2 2
1 0
2
2
2 2
2 1
2 2
1 0
2
2
2 2
2
2 2
1
2
2 2
2 2
2 2 2
1
2
2
2
1
2
2 2
.
1 1 2
2
1 2
2
1 2
2
2 1
2
,
1
n
n
z
n n
n
n
n
z n
n n
n
n
n
n
n n
n
n n n
n
n
n n n
n
n
n
n
r v e z dz
n v n v
n
e z dz
n v
n
n v
n
n v
n
v
v

(
=
(
+ +

(
=
(
+

(
=
(
+

=
+
= < <
+

Finalmente escrevemos a expresso para a t varivel que est na
Eq. (19.72) para obter densidade (Fig. 19.12)

( )
( )
( )
( )
2
2
1
2
2
,
1 1
1
n
n
n
g t t
t
n
n
= < <
| |
+
|
\
(19.75)
para a distribuio t de Student, que manifestamente no depende
de m ou .

Tabela 19.3 Distribuio t de Student
p n = 1 n = 2 n = 3 n = 4 n = 5
0.8 1.38 1.06 0.98 0.94 0.92
0.9 3.08 1.89 1.64 1.53 1.48
0.95 6.31 2.92 2.35 2.13 2.02
0.975 12.7 4.30 3.18 2.78 2.57
0.99 31.8 6.96 4.54 3.75 3.36
0.999 318.3 22.3 10.2 7.17 5.89

A probabilidade para t
1
< t < t
2
dada pela integral

( )
( )
( )
( )
2
1
1 2 2
2 1
2
2
, ,
1
1
1
t
n
t n
n
dt
P t t
n
t
n
=
| |
+
|
\
(19.76)
e P(z) P(, z) tabulada. Tambm, P(,) = 1 e P(z) = 1
P(z), porque o integrando na Eq (19.76) par em t, assim
2 2
2 2
1 1
1 1
z
n n
z
dt dt
t t
n n

=
| | | |
+ +
| |
\ \

e
2 2 2
2 2 2
.
1 1 1
1 1 1
z
n n n
z
dt dt dt
t t t
n n n

=
| | | | | |
+ + +
| | |
\ \ \

Multiplicar isto pelo fator que precede a integral na Eq. (19.76) d
P(z) = 1 P(z).
Exemplo 19.6.2 INTERVALO DE CONFIANA
Aqui desejamos determinar um intervalo da confiana para a in-
clinao no ajuste linear y = at da Fig. 19.8. Supomos que
os pontos da amostra (t
j
, y
j
) so aleatrios e independentes, e
para cada valor fixo t, a varivel aleatria Y normal com
mdia (t) = at e varincia
2
independente de t.
Escolhemos um nvel da confiana, p = 95%, digamos. Ento
a probabilidade de Student
P(C, C) = P(C) P(C) = p = 1 +2P(C),
ento
( )
( )
1
1 ,
2
P C p = +

usando P(C) = 1 P(C), e
( )
( )
( )
( ) 1 2
2
1 1
1 1 0.95 0.975 1 ,
2 2
n
C
n
t
P C p K dt
n
+
| |
= + = + = = +
|
\

onde K
n
o fator que precede a integral em Eq. (19.76). Agora de-
terminamos uma soluo C = 4.3 da Tabela 19.3 da distribuio de
t de Students, com n =N r =3 1 = 2 o nmero dos graus de li-
berdade, levando em conta que (1 + p)/2 corresponde a p na Tabe-
la 19.3.
Agora calculamos
a
A C N =
para o tamanho de amostra N =
3. O intervalo da confiana dado por
a A a a + A, com um nvel de confiana p = 95%.
Da anlise
2
do Exemplo 17.6.1 usamos a inclinao a = 0,782 e
varincia
2 2
0.023
a
=
, assim
0.023
3
4.3 0.057 A = =
, e o intervalo de
confiana so determinados por a A = 0.782 0.057 = 0.725, a
+ A = 0.839, ou
0.725 < a < 0.839 com um nvel de confiana p = 95%.

TEOREMA DO LIMITE CENTRAL
TEOREMA DO LIMITE CENTRAL: Suponha que X
i
sejam variveis
aleatrias independentes, cada uma descrita por uma funo de
probabilidade f
i
(x) (elas podem ser diferentes) com uma mdia
i

e varincia
i
2
. A varivel aleatria ( )
i
i
X Z n =
(isto , a
mdia de X
i
) tem as seguintes propriedades:
(i) Seu valor esperado dado por
| |
( )
i
i
E Z n =
.
(ii) Sua varincia dada por
| |
( )
2 2
i
i
V Z n =
.
(iii) Quando n funo de probabilidade de Z tende a uma
Gaussiana com mdia e varincia correspondentes.
As propriedades (i) e (ii) so facilmente provadas. Primeiro
| |
| | | | { } ( )
1 1
1 1
,
i
i
n n
E Z E E Z Z
n n n
= = + + = + +

L L

um resultado que no requer que X
i
sejam variveis aleatrias in-
dependentes. Se
i
= para todo i, esta equao se torna
| |
.
n
E Z
n
= =

Em segundo lugar, se X
i
so variveis aleatrias independentes
segue que
| |
( ) | | | | { }
2
1 1 2 2
1 1
.
i
i
n n
V Z V V V X X X X
n n n

(
= = = + + + +
(

L L

Vamos agora considerar a propriedade (iii), que a razo da ubi-
quidade da distribuio Gaussiana e mais facilmente demonstra-
da usando a funo geradora de momentos g(z) de Z. A FGM
dada por
( )
( )
( )
( ) ( )
( ) ( ) ( )
( )
1
1 2
1 1 1
1 1 2 2 1 2
1
,
n
n
tz
t x x n
n n n
t x n t x n t x n
n n n
n
i
i
G t e g dz
z
e f f x dx dx x
e f dx e f dx e f x dx x x
F t n
+ +
=
=
=
=
=
L
L L
L

onde F
i
(t) a FGM de f
i
(x
i
).
( )
| | | |
2
1
2 2
2
2
1
2 2
1
1
i
t x n
i i i i
i i
i i
t
F e f x dx
n
t t
E X V X
n n
t t
n n

| |
=
|
\
= + + +
= + + +
L
L

e quando n se torna grande
2
2
1
2 2
exp ,
i
i
i
t t t
F
n n n

| | | |

+
| |
\ \

como pode ser verificado expandindo o expoente como uma srie
de potncias em t/n. Portanto
( )
2
2
2
2 1
1
2 2 2 2
1
exp exp .
n
i i i
i i
i
i
t t
G
t t t
n n
n n

=
| |
| |
= =
+
+
| |
\
\

Comparando esta com a forma da FGM para uma distribuio
Gaussiana podemos ver que g(z) tende para uma distribuio Gau-
ssiana com mdia
| |
( )
i
i
E Z n =
e varincia
| |
( )
2 2
i
i
V Z n =
. Em particular, se considerarmos Z como sen-
do a mdia de n medidas independentes da mesma varivel X (de
modo que X
i
= X para i = 1, ... , n) ento, quando n , Z tem
uma distribuio Gaussiana com mdia e varincia
2
/n.

Probabilidade

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Probabilidade

Transféré par

Droits d'auteur :

Formats disponibles

19.

. Para a varincia obtemos semelhante-

> = > = > |

corresponde ao integrando da integral

Vous aimerez peut-être aussi