Vous êtes sur la page 1sur 284

- --- -

Introdulntrodut:io
aTeoria
da Probabilidada

DE
FUNDO E',72R,AL

r
Batschelet- lntroduo Matematica para Biocientistas
Bensa"ld- A Censuita Medica
Bingham/Davies- Manual de Anlise de Sistemas
Buecken- Vocabulrio T c n i c o - Portugus, I ngls, F rances e Alemao
Coutinho - Jardim, Horta e Pornar
Dacorso- Elementos de Geometria Diferencial
Dawson/Wool - De Bits ate lf's - Urna lntrodU<;:ao ao Estudo dos Computadores e Fortran IV
Gomes/Helluy- Manual de Arquivo e Documenta<;ao
Harcourt e Laing (coordenadores) - Capital e Crescimento Econmico
Langridge - Classifica<;ao - Abordagem para Estudantes de Biblioteconomia
Leonhardt- Constru<;6es de Concreto- Vol. 1, Vol. 2 e Vol. 3
Lindgren - Ternas de Planejamento
MasoniMello e Souza - Metodos de Energia
McCullers/Van Daniker- lntrodu<;ao a Contabilidade Financeira
McKinnon -A Moeda e o Capital no Desenvolvimento Econmico
Mitidieri - Probremas e Exerclcios em Bioqulmica
Motta Rezende- Materiais Usados em Eletrotecnica
Pemberton- Arranjo Flsico Industrial e Movimenta<;ao de Materiais
P1edade- lntrodu<;iio a Teoria da Classifica<;ao
Polya - A Arte de Resolver Probremas
Rego Monteiro - Tesouras de Telhado
Richardsan - Economia Urbana
Silva Telles - Materiais para Equipamentos de Processo
Silva Telles/Paula Barros- Tabelas e Graficos para Projetos de Tubula<;oes- 2?edi<;ao
Stlphanes/Ferreira- Planejamento, Or<;amento e Programa<;ao Financeira
Suszczynski-Os Recursos Minerais Reais e Potenciais do Srasil e sua Metalegenia
Swann- Tecnicas de Aumento da Produtividade
Swingewood -O Mitoda Gultura de Massa
Thomson -Teoria da Vibra<;ao com Aplica<;oes
Wilmer/Pereira- Geometria para Desenho Industrial
r
-

lntrodu~ao
aTeoria
da Probabilidade
Paul G. Hoel Sidney C. Port
Charles J. Stone

Universidade da Califrnia- Los Angeles

TRADUCAO

Fernando Yassou Chiyoshi

'
,

EOlTORA INTERCIENCIA

ltlDA A ~~ IDAnE
. fEDERAL DE RON D ONA
.8 1 LIOTCCA
, Copyright 1971 by Houghton Mifflin Company
Published in the United State by Houghton Mifflin Company under
the title lntroduction to Probability Theory.

Direitos reservados em 1978 por


Editora lnterciencia Ltda .
Rio de Janeiro, Brasil

Programa~o Visual- lnterciencia Arte


Capa - l nterciencia Art e
Composiao do texto - l nterciencia

CIP-Brasil. Catalogac;:ao-na-fonte
Sindicato Nacional dos Editores de Livros, RJ .

Hoel, Paul G.
H634i lntroduc;:ao a teoria da probab ilidade l Pa ul G. Hoel, Sidney C. Port ,
Charles J . Stone; traduc;:ao l de l Fe rnando Yassou Chiyoshi. - Rio de
Jane iro : lnterciencia , 1978.

Traduc;:ao de : lnt roduct ion to pro bab ility theory


Bibliog raf ia

1. Proba bilidades l. Port, Sidney C.


11. Sto ne, Char les J. III. Tftulo

COD- 519
78-0330 CD U - 519

E pro ibida a reproducio total ou parcia por quaisquer meios


sem autoriza~o por escritoda editora

11 ~
-
EOlTORA INTERCitNCI A LTDA.
Rua Verna Magalhaes, 66- Tels.: 281-7495/263-5899
ZC-16- 20000- Rio de Janeiro- Srasil
PREFACIO

O propsito deste volume e servir como urn texto, para curso de urn trimestre
ou .urn semestre, sobre teoria da probabilidade a nivel junior-senior. O material
foi planejado para dar ao leitor prepara~ao adequada, tantopara urn curso de estatis-
tica com o para es tu dos mais avan~ados de teoria da probabilidade e processos estocas-
ticos . O pre-requisito para este volume e urn curso de ccilculo elementar que inclua
integra~ao multipla.
Dedicamos esfor~os para apresentar somente os conceitos mais importantes
da teoria da probabilidade. Tentarnos explicar esses con~eitos e indicar sua utilidade
atraves de discussao, exemplos e exercicios. Alguns detalhes foram incluidos nos
exemplos, de modo que sepode esperar, que o estudante os leia por conta prpria,
deixando assim ao instrutor mais tempo para cobrir as ideias essenciais e resolver
urn numero considenivel de exercicios em sala.
Ha urn grande numero de exercicios ao fina de cada capftulo, dispostos
de acordo com a ordem em que o material relevante foi introduzido no texto.
Alguns desses exercicios sao de natureza rotineira, enquanto outros desenvo!vem
as ideias introduzidas no texto de forma urn pouco mais profundll. ou em dire~ao
urn pouco diferente. Oferecemos sugestoes para problemas mais dificies. Respostas,
quando nao sao indicadas no prprio enunciado dos problemas, sao fornecidas
ao fina do livro.
Embora a maior parte da materia neste volume seja essencia para estudo
mais avan~ado de probabilidade e estatistica, algurn material opcional foi inclufdo
para dar maior flexibilidade. Essas se~oes opcionais sao indicadas atraves de urn
- asterisco. O material da Se~ao 6.2.2 e necessario somente para Se~ao 6.6 ; nenhuma
dessas se~oes e necessaria para es,te volume, mas ambas sao necessarias em lntrodu~ao
a Teoria Estatfstica. O material da Se~ao 6. 7 e usado somente na demonstra~ao
do Teorema l do Capituo 9 deste volume e Teorema 1do Capituo 5 de Introdu~ao
a Teoria Estatistica. Os conteudos dos capitulos 8 e 9 . sao opcionais; o Capituo 9
nao depende do Capituo 8.
Desejamos agradecer a diversos colegas que leram o manuscrito original e
fizeram sugest6es, nos levando a urn melhor resultado. Gostariamos, tambem,
de agradecer a Neill Weiss e Luis Gorostiza por terem resolvido e da::> respostas
a
a todos os exercicios e Sra. Ruth Goldstein pelo excelente trabalho de datilografia.
iNDICE

l. ESPA<;OS DE PROBABILIDADE ............................ .


1.1 Exemplos de fenornenos aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Espacros de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Propriedades de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Probabilidade condicional. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2. ANALISE COMBINATRIA ................................. 27


2.1 Amostras ordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 Permutacroes . . . . . . . . . . . . . . . . . . . . .... ...... . ......... . 30
2.3 Combinacroes (amostras nao ordenadas) . . . . . . . . . . . . . . . . . . . . . . . 31
2.4 Particroes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
*2.5 Uniaode eventos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
*2.6 Problemas de encontro. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
*2. 7 Problemas de ocupacrao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
*2.8 Numero de caixas vazias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3. VARIAVEIS ALEATRIAS DISCRETAS . .... ... ....... . . ....... 49


3.1 Defln.icr6es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. ...... .... 50
3.2 Ca.Jculos com densidades . ..... .. . .. .. . .. .. . ....... ....... 57
3.3 Variaveis aleatrias discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.4 Variaveis aleatd'as indepen dentes . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4.1 A distribuiyao mul iinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.4.2 Aproximacrao de Poisson para a distribuicrao binomial. . . . . . . . . . 69
3.5 Seqiiencias infin.itas de provas de Bemoulli. . . . . . . . . . . . . . . . . . . . . 70
3.6 Somas de variaveis aleatrias independentes . . . . . . . . . . . . . . . . . . . . 72

4. EXPECT ANCIA DE VARIAVEIS ALEATRIAS INDEPENDENTES .... , 83


4.1 Defln.icrao de expectiincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.2 Propriedades da expectancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.3 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.4 Variiincia de urna soma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.5 Coeflciente de correlacrao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.6 Desigualdade de Chebyshev . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 101
5. VARIAVEIS ALEATRIAS CONTINUAS ....................... 111
5.1 Variaveis aleatrias e suas func;:6es de distribuic;:ao . . . . . . . . . . . . . . . . 112
5.1.1 Propriedades de func;:oes de distribuic;:ao . . . . . . . . . . . ....... . 114
5.2 Densidades de variaveis aleatrias continuas . . . . . . . . . . . . . . . . . . . . 117
5.2. 1 Frmulas de mudanc;:a de variavel . . . . . . . . . . . . . . . . . . . . . . . 119
5.2.2 Densidades simetricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.3 Densidades norma!, exponencial e gama ....... . . . . . . . . . . .. .... 127
5.3.1 Densidades normais . . . . . . . . . . . . . . . . . . . . . . . . ...... .. 127
5.3 .2 Densidades exponenciais ...... . . . . . . . . . . . . . . . . . . . . . . . 129
5.3.3 Densidades gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
*5.4. Func;:oes inversas de distribuic;:ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

6. VARIAVEIS ALEATRIAS COM DISTRIBUI<;AO CONJUNTA ........ 143


6.1 Propriedades de distribuic;:oes bidimensionais . . . . . . . . . . . . . . . . . . . 143
6.2 Distribuic;:oes desomas e quocientes . . . . . . . . . . . . . . . . . . . . . .... 149
6.2.1 Distribuic;:ao de somas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
*6.2.2 Distribuic;:ao de quocientes . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
6.3 Densidades condicionais ..... . ......... .. .... . . . . . . . . . . .. (57
6.3.1 Regras de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
6.4 Propriedades de distribuic;:oes multidimensionais . . . . . . . . . . . . . . . . . 161
*6.5 Estatisticos de ordem . ... .. . . . . . . . . . . . . . . . . . . ...... ..... 164
*6.6 Distribuic;:oes amostrais . . . . . . . . . . . . . ...... ....... . . .... .. 168
*6. 7 Mudanc;:as multidimensionais de variaveis . . . . . . . . . . . . . . ... ..... 171

7. EXPECTANCIAS E O TEOREMA DO LIMITE CENTRAL . ............ 179


7.1 Expectancias de variaveis aleatrias continuas . . . . . . . . . . . . . . . . . . . 179
7.2 Urna definic;:ao geral de expectiincia.... .. ... . .. ... . . . . . . . . . . . 180
7.3 Momentos de variaveis aleatrias continuas .. .... .' . . . . . . . . . . . . . 182
7.4 Expectancia condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..... 187
7.5 O Teorema do Limite Central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
7.5.1 Aproximac;:5es normais . ....... ... ....... . ....... .... 192
7.5.2 Aplicac;:5esa aroostragem . . . . . . . . . . . . . . .... ....... . .. 196

* 8. FUN<;ES GERATRIZES DE MOMENTOS E FUN<;ES


CARACfERiSTICAS . .................................... 203

8.1 Func;:oes geratrizes de momentos .. 1 203


8. 2 Func;:oes caracteristicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
8.3 Frmulas de inversao e o Teorema de Continuidade . . . . . . . . . . . . . . . 212
8.4 A Lei Fraca dos Grandes Numeros e o Teorema Central do Lirnite ..... 216
"9. CAMINHOS ALEATRIOS E PROCESSOS DE POISSON . . . . . . . . . . . . 225
--
9.1 Caminhos aleatrios ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
9.2 Caminhos aleatrios simpies . . . . . . . . . . . . . ..... . . . . . . . . . . . 229
9.3 Construcrao de urn processo de Poisson . . . . . . . . . . . . . . . . . . . . . . 234
9.4 a
Distancia particulas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
9.5 Tempos de espera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .... 240

RESPOSTAS DOS EXERClCIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249

TABELA I . . . . . . . . . . . . . . . . . . . . . . . . ... . . . . . . . . . . . . . . . . . . 261

INDICE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
ESPA<;OS DE PROBABILIDADE

A teoria da probabilidadc e o ramo da matematica relacionado com fenornenos


aleatrios (ou casuais). Muitas pessoas tern se dedicado ao seu estudo, devido ao
seu interesse intrinseco, bem como as muitas aplicas:oes bem sucedidas em muitas
areas das ciencias fisicas, biolgicas e sociais, na engenharia e no mundo dos negcios.
Muitos fenornenos tern a propriedade de a sua observas:ao, repetida sob urn
eonjunto especificado de condis:oes, eonduzirem invariavelmente ao mesmo resultado.
Por exemplo, se deixarmos cair urna bola, inicialmente em repouso, de urna altura
de d pes atraves de vacuo ela atingira o solo invariavelmente em t = yf 2d/g
segundos, onde g = 32 pes/s 2 e a aceleras:ao constante devido agravidade. Existem
outros fenornenos cuja observas:ao, repetida sob urn eonjunto especificado de con-
dis:oes, nao condu sempre ao mesmo resultado. Urn exemplo farniliat deste tipo
de fenomcno e o lanyamen to de urna moeda. Se urna moeda e lans:ada l 000
vezes, as ocorrencias de caras e coroas se altemam de urna forma aparentemente
irregular e irnprevisvel. Sao fenornenos desse tipo que consideramos como sendo
aleatrios e que constituem o objeto de nossa investigas:ao.
A prirneira vista pode parecer irnpossvel fazer qualquer afirmas:ao vaJ.ida sobre
tais fenornenos aleatrios, porem este nao e o caso. A experiencia mostra que
muitos fenornenos nao-determinsticos exibem urna regular!dade estat(stica, que os
toma passfveis de estudo. Isto pode ser ilustrado considerando novamente o lans:a-
mento de urna moeda. Para qualquer lans:amento individual da moeda nao podemos
fazer nenhuma previsao nao-trivial, mas as observas:oes mostram que para urn grande
nfunero de lans:amentos a propors:ao de caras parece oscilar em tomo de algurn
nfunero fix.o p entre O e l (sendo p muito prx.irno de 1/2 se a moeda e razoavel-
mente balanceada). Os resultados se comportam como se a propors:ao de caras
em n lances, convergisse para: p, ao fazer n tender infmito. Pensamos nesta
propors:ao lirnite p como a "probabilidade" que a moeda caia, em urn (mico Ians:a-
mento, com a cara voltacta para cirna.
De urna forma mais geral, a afurnas:ao que urn certo resultado ex.perimental
tern probabilidade p, pode ser interpretada, como significando que, se o experi-
mento e repetido urn grande numero de vezes, aquele resultado seria observado
"cerca de" lOOp por cento das vezes. Esta interpretayao e chamacta interprcta5o
de freqtiencia relativa. Ela e muito natural em diversas aplicay6es da teoria a
probabilidade aos problemas do mundo real, especialmente aqueles que envolvem
as ciencias ffsicas , porem freqtientemente parece ser bastante artificial. Por exemplo.
como podeamos dar urna interpretayao de freqtiencia relativa para a probabilidade
de que urna crianya recem-nascida viva pelo menos 70 anos? Varias tentativas foram
feitas , nenhuma delas totalmente aceitavel, para dar interpretay6es altem ativas a
tais assery6es probabilfsticas.
Para a teoria matematica da probabilidade, a interpretayao de probabilidades
e irrelevante, exatamente como e irrelevante, na geometria, a interpretayao de pontos,
retas e planos. Usaremos a interpretayao de freqtiencia relativa para probabilidades,
apenas, como urna motivayao intuitiva para as defmiy6es e teoremas que desenvol-
veremos ao longo do livro.

1.1. EXEMPLOS DE FENMENOS ALEATRIOS


Nesta seyao discutiremos dois exemplos simpies de fenornenos aleatrios com
o objetivo de motivar a estrutura formal da teoria.
Exemplo l. Urna caixa eontern 5 bolas identicas, porem numeradas de l a 5. Consi-
dere o seguinte experirnento. As bolas sao bem misturadas dentro da caixa e urna
pessoa retira urna bola. Anota-se o numero da bola, recolocando-a na caixa. O resul-
tado do experirnento e o numero da bola selecionada. Nao podemos fazer nenhuma
previsao nao-trivial sobre este experimento.
Suponha que repetirnos n vezes o experirnento acima. Denote por Nn(k)
o numero de vezes que a bola de ntimero k foi retirada nos n ensaios do experi-
mento . Adrnita que tenhamos, s = 3 bolas e n = 20 ensaios. Os resultados destes
~O ensaios poderiam ser descritos listando os numeros que apareceram na ordem
em que foram observados. Urn resultado tfpico poderia ser
l, l , 3, 2, l , 2, 2, 3, 2, 3, 3, 2, l , 2, 3, 3, l , 3, 2, 2,
e neste aso terfarnos
e
As freqli encias rclativas (isto e, proporyao de vezes) dos re suitados l, 2 e 3 .. l
sao entao
N2o(l ) = O 25 N 2o (2) =
0 '40 ' e 0,35.
20 ' ' 20
A medida que o numero de ensaios aumenta, espera-se que as freqtiencias rela-
tivas N n (1)/n , ... , N n (s)jn se ajustem a alguns numeros fixos p 1 , p 2 , , Ps
(que, segundo nossa intuiyao, neste caso, deveriam ser iguais a 1/s).
Pela interpretayao de freqliencia relativa, o numero Pi seria a probabi-
lidade de que a i-esima bola seja retirada quando o experimento e realizado
umavez (i=l,2, ... ,s).
2
Construiremos agora urn modelo matematico para o experimento de retirar
urna bola da caixa. Para isto, tornarnos prirneiro urn eonjunto n contendo s
pontos que colocarnos em correspondencia biun1voca com os poss1veis resultados
do experirnento. Nesta correspondencia exatamente urn ponto de ,Q estani associado
com o resultado de que a bola com o numero k seja selecionada. Chamernos
este ponto wk. Associemos ao ponto wk o numero Pk = 1/s chamando-o de pro-
babilidacle de W k . Observamos de irnediato que O~ Pk ~ l e que p 1 + + Ps = l.

Suponha agora que alem de serem numeradas de l a s, as r prirneiras bolas,


sao pintadas de vermelho e, as s - r restantes, sao piEtadas de preto. Realizamos
o experirnento como antes, mas agora estamos interessados apenas na cor da bola
e nao no seu numero. Urna rapida reflexao mostra que a frequencia relativa de bolas
vermelhas retiradas nas n repetic;:oes do experirnento e sirnplesmente a soma das
frequencias relativas Nn(k)/n, sobre os valores de k, que correspondem a bolas
vermelhas. Esperaamos, e a experiencia confim1a, que para n grande, esta fre-
quencia relativa se ajustasse a algurn numero fixo. Como, para n grande, espera-se
que as frequencias relativas Nn(k)/n estejam prxirnas de Pk = 1/s, antecipar1amos
que a frequencia relativa de bolas vermelhas se aproxirnaria de rjs. Novamente a
experiencia eonfirma este fato. Segundo a interpretac;:ao de frequencia relativa,
chamarfamos entao r/s de probabilidade de obter urna bola vermelha.
Vejamos como podemas incorporar este fato no nosso modelo. Seja A o
subconjunto de n, consistindo daqueles pontos Wk tais que a bola k e vermelha.
Entao A eontern exatamente r pontos. Chamarnos A um evento. De urna forma
mais geral, nesta situac;:ao, chamaremos qualquer subconjunto B de ,Q urn evento.
Dizer que o evento B ocorre, significa que o resultado do experirnento e repre-
sentado por algurn ponto de B.
Sejam A e B dois eventos. Lembre-se que a uniao de A e B, A u B , e o
eonjunto de t od os os pontos w E ,Q tais que w E A o u w E B. Agora os pontos
em n estao em correspondencia com os resultados do nosso experirnento. O even o
A ocorre se o experirnento produz urn resultado que e representado por algurn
ponto em A, e analogamente o evento B ocorre se o resultado do experime :::
e representado por algurn ponto em B. O eonjunto A U B representa, e:1 "'o. o~::
que o evento A ocorre ou o evento B ocorre. De forma simi.:ar.
A n B de A e B consiste de todos 0s pontos que es tao tan to e:n A ..,_ =-: ~ ~
Assirn se w E A n B entao w EA e wEB de modo que A B
de que ambos os eventos A e B ocorrem. O complemen o A c
eonjunto de pontos em ,Q que nao estao em A. O e e--~ .~ - :~ - -~
experimento produz urn resultado representado por

Em urn diagrama, se A e B sao repres.er.c:.=.:. ?=: ==--~


Figura la, entao A U B, A n B, e A c sao representados pelas regi5es sombrea
nas Figuras l b, l c e l d, respectivamen te.
3

r
l
1a 1b

@=>
Q Q

1c
Q
.u. ll

~n
Figura l

Para ilustrar estes conceitos seja A o evento "bola vermelha selecionada"


e seja B o evento "bola selecionada com urn numero par". En tao a uniao A U B
e o evento em que foi selecionada urna bola vermelha ou urna bola com numero
par. A intersec;:ao A n B e o evento "selec;:ao de bola vermelha com numero par".
O evento A c ocorre se na o foi selecionada urna bola vermelha.
Gostariamos agora de associar probabilidades aos eventos. Matematicamente,
isto significa simplesmente que associamos a cada eonjunto B urn numero real.
A priori podedarnos fazer isto de urna forma arbitniria. Entretanto, estaremos
restringidos, se desejarmos que estas probabilidades reflitam o experimento que
estamos tentando modelar. Como deverfamos fazer esta associac;:ao? Ja associamos
a cada ponto o numero s- 1 . Assim, a urn eonjunto de urn unico ponto {w } deveria
ser associado o numero s- 1 . Agora, de nossa discussao sobre a freqiiencia relati a
do evento "extrair bola vermelha", parece que devemos associar ao evento A a
probabilidade P(A) = r/s. De urna forma mais geral, se B e urn evento qualquer,
definiremos P(B) atraves de P(B) = jfs, se B tern exatamente j pontos. Obser-
vamos entao que

P(B) L B Pk,
Wk E

onde 'iwk E B Pk significa que somamas os numeros Pk sobre os valores de k


tais que wk EB. Da nossa definic;:ao de P(B) segue-se facilmente que as afmnac;:oes
seguintes sao verdadeiras. Deixamos sua verificac;:ao para o leitor.
Seja 1/J o eonjunto vazio; entao P(I/J) = O e P(fl.) = l. Se A e B sao dois
conjuntos disjuntos quaisquer, isto e, A n B= 1/J entao

P(A U B)= P(A) + P(B).


4
.Exemplo 2. Sabe-se de experimentos fisicos que ~ istopo de urna certa subs-
tiincia e inst:ivel. Com o passar do tempo ele se degrada para urna forma mais est:ivel
atraves da emissao de neutrons. Estamos interessados no tempo que um :itom de
urn istopo leva para se degradar a forma est:ivel. De acordo com as !eis da fisica
e impossfvel dizer com certeza quando urn :itomo especffico se desintegrar:i , mas se
observamos urn numero N de :itomos, podemos fazer algumas previsoes precisas
!
sobre o numero N(t) de :itomos que nao se desintegram ate o tempo t. Em outras
palavras, podemos prever, com bastante precisao, a fra9ao N(t)/N de :itomos que
nao se desintegram ate o tempo t, mas nao podemos dizer quais os :itomos que
permanecerao inalterados. J:i que todos os :itomos sao identicos, observar simul-
taneamente se N atomos seria equivalente a N repeti96es do mesmo experimento
onde, neste caso, o experimento consiste em observar o tempo que urn :itomo leva
para se desintegrar.
Em primeira aproxima9ao (que e na realidade bastante precisa), a taxa com
que o istopo se desintegra, no tempo t, e proporcional ao numero de :itomos
presentes no tempo t, de modo que N(t) e dado aproximadamente pela solu9ao
da equa9ao .diferencial

df -Aj(t), f(O) = N,
dt
onde /.. > O e urna constante de proporcionalidade . A solu9ao unica desta equa9ao
e f (t) = N e-At, de modo que , a fra9ao de atom os que nao se desintegram ate o
tempo t, e dada aproximadamente por N(t)/N = e-"1-.t. Se O .;:;;; t 0 .;:;;; t 1 , a fra9ao
de :itomos que se desintegram no intervalo de tempo [to , t!] e (e-At o - e-"1-.t, ).
Consequentemente, de acordo com a interpreta9ao de probabilidade como frequencia
relativa, tornarnos (e -"1-.t o - e-"1-.t') com o a probabilidade de que urn :itomo se
desintegre entre os tempos t 0 e t 1 .
Para fazer urn modela matematico des te experimento podemas tentar proceder
corno no exemplo anterior. Primeiro escolhemos urn eonjunto Q que possa ser
posto em correspondencia urn a urn com os possfveis resultados do experimento.
Urn resultado, neste caso, e o tempo que urn atomo leva para se desintegrar. Ele pode
ser qualquer numero real positivo, assirn tornarnos Q como sendo o intervalo
[0, oo) sobre o eixo dos numeros re ais. De nossa discussao acima p arece razoavel
associar a probabilidade (e - "1-.to - e- "1-.t,) ao intervalo [t 0 , t 1 ]. Em particular,
se t 0 = t 1 =t, o intervalo se degenera no eonjunto {t} e a probabilidade associada
a este eonjunto e O.

,A
. No exemplo anterior Q tinha apenas urn numero finito de pontos; entre-
tanto, aqui Q tern urn numero infinito (nao enumer:ivel) de pontos e cada ponto
tern probabilidade O. Observamos novamente que P(Q) = I e P(cf>) =O. Suponha
que A e B sejam dois intervalos disjuntos. Entao, a proporyao de :itornos que se
desintegram no intervalo de tempo A U B , e a soma das propor96es de atomos que
se desintegram no intervalo A e no intervalo B. A luz desta aditividade exigimos

J.
que no nosso modela matematieo A U B tenha a probabilidade P(A) + P(B) a ele
associada. Em outras palavras, no nosso modela matematieo desejamos que
P(A u B ) = P(A) + P(B)
sempre que A e B forem intervalos disj untos.

1.2. ESPA<;OS DE PROBABILIDADE


Nosso propsito nesta se9iio e desenvolver urna estrutura matematiea formal,
ehamada espa9o de probabilidade , que forma a base para o tratamento matematieo
de fenornenos aleatrios.
Considere urn experimento real o u imagiruirio q ue estamos proeurando modelar.
A primeira eoisa que devemos fazer e decidir sobre os possiveis resultados do expe-
rimento . Nao e muito serio se admitinnos em nossa eonsidera9iio, mais eoisas
do que realmente podem aeonteeer, mas desejamos estar certos de que nao exclufmos
eoisas que podem oeorrer. Urna vez deeididos sobre os possiveis resultados, esco-
lhemos urn eonjunto n eujos pontos w estio associados a esses resultados. Entre-
tanto, do ponto de vista estritamente matematico , S1 e s.implesmente urn eonjunto
abstrato de pontos.
Tornarnos a seguir urna coleyao nao vazia d de subconjuntos de n , que
representara a coleyao de " eventos" aos quais desejamos assoeiar probabilidades.
Agora, urn evento signif1ca por defmi9ao urn conjun o A em s1. A afinnayao:
O evento A oco"e, signif1ca que o resultado do nosso experimento e representado
por algurn ponto w E A. Novamente , do ponto de \ista estritamente matematieo,
s1 e apenas urna coleyao especificada de subconjuntos do eonjunto n. Serao
assoeiadas pro babilidades apenas aos conjuntos. A E d, isto e, eventos. No modela
do Exemplo l , s1 eonsistia de todos os subconjuntos de n . 1a situa9ao geral em
que n nao tern urn numero finito de pontos, como no Exemplo 2, pode nao ser
possfvel escolher s1 desta maneira.
O probierna seguinte e, o que deve ser a coleyao s1 ? E bastante razolivel
exigir que s1 seja feehado sob unioes frnitas e interseyoes fmitas dos conjuntos
em s1 ; bem como sob complementayao . Por exemplo , se A e B sao dois eventos,
A U B ocorre se o resultado do experimento e representado por urn ponto em A
ou em B. Claramente entao, faz sentido falar sobre as probabilidades de que A e B .,
ocorram, tamhem deve fazer sentido falar sobre a probabilidade de que ou A ou B l
ocorra, isto e, de que o evento A U B ocorra. Ja que associaremos probabilidades
somente aos conjuntos em s1 , devemos exigir que A U B E s1 sempre que
A e B sao membros de s1 . Por outro lado A n B oeorre se o resultado do
experimento e representado por algurn ponto que esta em ambos os conjuntos
A e B. Urn raciocfnio, analogo ao seguido para A U B, convence-nos que devemos
ter A n B E .sd, sempre que A, B Es1 . Finalmente dizer que o evento A nao
ocorre e dizer que o resultado do experimento nao e representado por urn ponto .
em A, de modo que ele deve ser representado por algurn ponto em A c . Seria o
6
climulo da tolice dizer que podemos falar em probabilidade de A mas nao 11 :1
probabilidade de A c. Assim exigiremos que A c es tej a e m A sempre que s-f
estiver e m A c.
Chegarnos assim a eonelusio de que s-f deve ser urna coleyao nao vazia de
subconjuntos de Q ten do as seguintes propriedades:
(i) Se A esta em s-f tamhem esta em A c.
(ii) Se A e B estao em s-f, A u B e A n B tambero estao
Urn simpies argumento indutivo m ostra que se A 1 , A 2 , , A n sao conjuntos
eros-f,U?;t A; e n?;t A; tambero o sao. Aqui, usamos a notayaO abreviada
n
U A;
i; l
= A1 u A 2 uu A"
e
n
n A; = A
i; l
1 n A 2 n n A".

Ja que A n Ac = </J e A u Ac = Q, vemos tambero que o eonjunto vazio e o


eonjunto Q devem estar em s-f.
Urna coleyao nao-vazia de subconjuntos, de urn dado eonjunto Q, que e
fechada sob finitas operay6es da teoria dos conjuntos, e chamacta algebra de sub-
conjuntos de Q . Portanto, parece que devemos exigir que s-f seja urna algebra
de subconjuntos. Acontece, entretanto , que devido a certa~ razoes matematicas,
e insuficiente tornar s-f como sendo urna algebra de subconjuntos. o que realmente
exigiremos da coleyao s-f e mais restritivo. Exigiremos que s-f seja fechada nao
somente sob finitas operay6es da teoria dos conjuntos , mas tambem, sob urn numero
infinito enumeravel de operay6es da teoria dos conjuntos. Em outras palavras,
se l A n~, n;;;;, l, e urna seqi.iencia de conjuntos em s-f, exigiremos que
ro ro
U An E s-f
n:::;; l
e n An
n;!
E d.
l
Usamos aqui a nota9ao
ro
U An = A
n;!
1 u A 2 u

para representar a uniaode todos os conjuntos da seqi.iencia e

nro

n; 1
A" = A 1 n A 2 n

para representar a interse9ao de todos os conjuntos de seqi.iencias. Urna coleyao


de subconjuntos, de urn dado eonjunto Q, que e fechada sob urn numero infinito
enumeravel de opera96es da teoria dos conjuntos e chamacta a-algebra de subcon-
juntos de Q. (Usa-se a para distinguir urna tal coleyao de urna algebra de sub-
conjuntos.) De urn modomais formal, ternos a seguinte:
7

. : ...o~~
Defmi~o l. Diz-se que urna eole9iiO nao-vazia d de subconjunto de n e
urna a-algebra de subeonjuntos de n, desde que, as seguintes propriedades sejam
satisfeit as:
(i) Se A esta em d , A c tamhem esta em d.
(ii) SeAn estaemd,n=l,2, .. . ,enti'io U:'=tAn e n:..lAn tamhem
estao em d.
Chegarnos agora ao probierna de assoeiar probabilidades aos eventos. Deixamos
claro nos exemplos da se~ao anterior que a probabilidade de urn evento e urn numero
real . nao-negativo. Para urn evento A , seja P(A) a sua probabilidade. Entao
O ~ P(A) ~ l. Ao eonjunto n representando todos os resultados possiveis deve,
naturalmente , ser assoeiado o numero l , de modo que P(n) = l. Mostramos na
diS<:ussao do Exemplo l que se A e B sao dois eventos disjuntos quaisquer,
P(A U B) = P(A) + P(B). De forma semelhante, mostramos no Exemplo 2 que
se A e B sao dois intervalos disjuntos, deviamos exigir tamhem que

P(A u B) = P(A) + P(B).


Pareee entao razoavel exigir, em geral, que se A e B sao dois eventos dis-
juntos, entao P(A U B) = P(A) + P(B). Se seguiria entao por in~u9ao que se
A 1 , A 2 , , An sao n eonjuntos mutuamente disjuntos (isto e; se A i nA i= cp _
sempre que i =l= j), entao

Na realidade, novamente por razes matematieas, exigimos que esta proprie-


dade aditiva se verifique para eole9es enurneraveis de eventos disjuntos.
Defini~o 2. Urna medida de probabilidade P, sobre urn a-algebra de
urn SUbeonjunto d de urn eonjunto n, e urna fun9a0 real eujo dominio e
d e que satisfaz as seguintes probabilidades:
(i) P(n) = 1.
(ii) P(A);;;. O para todo A E d .
(iii) Se An, n= l , 2, 3, ... ; sao eonjuntos mutuamente disjuntos emd,
entao

Urn espa9o de probabilidade, representado por (n, d , P), e urn eonjunto


n, urn a-algebra de subeonjuntos d, e urna medida de probabilidade P defi-
nidaero d.
E bastante faeil eneontrar urn espa9o de probabilidade que eorresponda ao
experimento de extrair urna bola de urna eaixa, e este, jii foi dado, em essencia,
8
~ dScu.ssao deste experimento. Simplesmente tornarnos n como sendo urn eon
~ ..;: : o -- to contendo s pontos, d como sendo a cole~ao de todos os subconjuntos
e !2 e P como sendo a medida de probabilidade que associa a probabilidade
. A =:s ao even to A se A eontern exatamente j pontos.
C remos agora o espar;:o de probabilidade associado ao experimento
:... ..:=v- - ~~o de istopo (Exemplo 2). Neste caso, e claro que n = [0, ""),
e tac bi o o que d e P devem ser. Na verdade, como indicaremos
~-- __ .z-"" e, de modo algum, urn probierna trivial, e sim urn probierna em que
.:.._: ~ _...zs r21Ilificay5es dependem de algumas propriedades da teoria dos eon-
-. . 2 . .::2o ern do escopo des te livro.

_ , ~ - no entanto e clara: quaisquer que sejam as escolhas de d e P,


~=- :o dos os intervalos e P deve associar a probabilidade (e-At o - e-ll.t')
: : 0 , t 1 ], se desejamos que o espar;:o de probabilidade que e starnos

_ -.: . :-eLita a situayao fisica. Entao o probierna de construir urn espar;:o


~ ::o seguinte problema, puramente matem:Hico: Existe urn a-algebra
: - =-- ;." od os os intervalos . e urna medida de probabilidade P definida
-.-= :::sso...."ia a probabilidade desejada P(A) ao intervalo ? Problemas
-= - =s-'= no dominia de urn ramo da matematica avanr;:ada chamada teori!l
e -:: ?odem ser tratados ao nfvel deste livro. Re suitados da teoria da
e a resposta a este probierna particular e a outros de mesma
=- .. .:;a. tais construy5es sao sempre possiveis .
. ,-: - . ::C:rremos ern construr;:oes de espar;:os de probabilidades em geral.
- -~~ -a da probabilidade comer;:a com urn espar;:o abstrato de proba-
-: :: :.: "_ . "ve a teoria u san do o esp ar;: o de probabilidade com o urna base
::! - =~ -;- . ~.:.;:::~ cando a formar;:ao de urna base para defmir precisamente outros
~ ' : os na teoria, o espar;:o de probabilidade desempenha urn p apel
- - :;::~.._-=:: ::o esenvolvimento subseqiiente da teoria. Quantidades auxiliares
- -:e ~ eis aleatrias, urn conceito abordado no Capituo 3) se trans-
:~=- -. ~:::e em terna dominante da teoria e, o espar;:o de probabilidade
plano secundario.
d.iscussao de espar;:os de probabilidade construindo urna
espayos de probabilidade denaminados esparos uniformes

..;.:.~...:::... ?- : , e:mas mais antigos em probabilidade envolvem a jdeia de escolher


p<h;:o e urn eonjunto S. Nossas ideias intuitivas sobre esta nor;:ao
se A e B sao conjuntos de mesmo "tamanho", a chance de
e A deve ser a mesma que a de escolher de B. Se S tern
- ~ w de pontos, podemos medir o tamanho de urn eonjunto
= ;;...:.: 2idade. Assim dois conjuntos sao do mesmo "tamanho"
::nesmo nfunero de pontos. E bastante facil construir urn espar;:o de
pro .,. corresponde:Jte ao experimento de escolher ao acaso urn ponto de
urn eonjunto S . T omarnos n = S e d como sendo todos os subconjuntos de S ,
9
e associamos ao eonjunto A a probabilidade P(A) = jfs se A e urn eonjunto
que eontern exatamente j pontos. Tal espa~o de probabilidade e charuado esparo
simetrico de probabilidade porque cada eonjunto com urn ponto tern a mesma
probabilidade s- 1 Voltaremos ao estudo de tais espa~os no Capituo 2.
Suponha agora que S e o intervalo [a, b] sobre o eixo real, on de
-00 < a < b < + 00 Neste caso, parece razoavel medir o "tamanho" de urn sub-
conjunto A de [a, b] atraves do seu comprimento. Entao, dois conjuntos sao
do mesmo tamanho se tiverem o mesmo comprimento. Representaremos o com-
primento de urn eonjunto A por lA 1.
Para construir urn espa~o de probabilidade para o experimento de"escolher
ao acaso urn ponto S" procedernos de maneira semelhante aquela adotada para .
o experimento do istopo. Tornarnos n = S e lan~arnos mao dos resultados da
teoria da medida, que mostram que existe urn a-algebra .91 de subconjun:tos de
S e urna medida de probabilidade P defmida em .91 tal que P(A) = lA l l l S l
sempre que A e urn intervalo.
De urna forma mais geral, seja S urn subconjunto qualquer do espa~o Eucli-
diano r-dimensional, ten do urn volume r-dimensional fillito e nao nulo. Seja lA l
o volume de urn subconjunto A de S. Entao, existe urri a-algebra .91 de sub-
conjuntos de S que eontern todos os subconjuntos de S que possuem volumes a
eles associados como em calculo e urna medida de probabilidade P definida em
.s;(, tal que P(A) = l A l l l S l para qualquer eonjunto A. Tal espa~o sera desig-
nado esparo uniforme de probabilidade e representado por (S,d,P).

1.3. PROPRIEDADES DAS PRO BABILIDADES


Derivaremos nesta sec;:ao algumas propriedades adicionais de uma t.;('lida
de probabilidade P que decorrem de sua prpria defini~ao. Estas propriedades
serao usadas constantemente ao longo do restante deste livro. AssU111.L.nos "v~
seja dado algurn espac;:o de pro babilidades (n, .91, P) e que todos os conjur,ws .
em discussao sao eventos, isto e, mernb.ros de d .
Para urn eonjunto qualquer A ternos A U A c = n e assim para dois con-
juntos quaisquer A e B ternos a decomposi~ao de B :
r
(l) B=n n B=(AUAc)nB=(AnB)U ( Ac n B). ' ,,, '
Urna vez que A n B e AC n B sao disjuntos, vemos que de (iii) da:Defi- ' "'
ni~ao 2 que ,, ' 1' "
(2) P(B)= P(A n B)+ P(Ac n B) .
Fazendo B= n e lembrando que P(n) = l, concluirnos ,de (2) que
(3) P(AC) = l - P(A).

Em particular P(rp) = l -P(n), de modo que


(4) P(rp)=O.
lO
Como urna segunda aplicas:ao de (2), suponha que A C B. Entao A n B =A e
por~anto

(5) P(B) = P(A) + P(Ac n B) se A C B .


Ja que P(Ac n B);;;. O em virtude de (ii), vemos de (5) que
(6) P(B);;;.P(A) se A CB.
As leis de De Morgan estabelecem que se {An} n ;;;. l' e urna sequencia
qualquer de conjuntos, entao

(7)
e .
(S)

Para ver que (7) e verdadeiro, observe que OJ E CUn ?. l AnY se, e somente se,
w f$. An para qualquer n, isto e, w E A~ para todo n;;;. l, ou equivalentemente
OJ E n.A~ . Para estabelecer (8) aplicamos (7) a {A~} , obtendo

.(y A~r = 0 A.,


e tomando o complemento vemos que

YA~= (0 A"r
Urna relas:ao utU que decorre de (7) e (3) e
(9) P ( yA n) = l - P ( 0 A~) .
Mas Un An e o evento de que pelo menos urn dos eventos An ocorre, enquanto
n. A~e o evento de que nenhum desses eventos ocorre. Em palavras, (9) afirma
que a probabilidade de que pelo menos urn dos eventos An ocorra e l menos
a probabilidade de que nenhum dos eventos An ocorra. A vantagem de (9) e
que em algumas situas:5es e mais facil deterrninar P(n. A~) do que P(U" A.).
[Note que desde que os eventos A n nao sao necessariamente disjuntos, nao everda-
deiro que P(Un A.) = Ln P(An). ] O exemplo a seguir Hustra com propriedade
o uso da expressao (9).
Exemplo 3. Suponha que se lance tres moedas identicas e perfeitamente equilibradas.
Deterrnine a probabilidade de obter pelo menos urna cara.
Representando cara por H e coroa por T, existem .oito resultados possiveis
para este experimento

MOEDA l H H H H T T T T
MOEDA 2 H H T T H H T T
MOEDA 3 H T H T H T H T

11
A intui9ao sugere que cada urn desses resultados deve ter a pro a ilida e de
ocorrencia 1/8. Seja A 1 o evento de que a primeira moeda apresenra ara. .4=
o evento de que a segunda moeda apresenta cara e A 3 o evento de que a te eira
moeda apresenta cara. O probierna pede a determina9ao de P(A 1 l.J A= A 3 ).
PoremA~nA~nA~={ T,T,T} eassirn

P(A ~ n A~ n A~) = l /8;


portanto (9) implica que
P(A 1 U A 2 U A 3 ) = l - P(A ~ n A~ n A~) = 7/8.

O postulado basico (iii) sobre medidas de probabilidade diz-nos que


P(A u B)= P(A) + P(B), para conjuntos disjuntos A e B. Se A e B nao sao
necessariamente disjuntos, entao
(lO) P(A U B) = P(A) + P(B) - P(A n B)
e conseqiientemente
(11) P(A UB)";; P(A) + P(B).
Para ver que (lO) e verdadeiro, observe que os conjuntos A n Be, A n B,
Ac nB sao mutuamente disjuntos e sua uniao e sirnplesmente A U B ( ver Figura 2).
As sim
(12) P(A UB) =P(A n Be) +P(Ac n B) +P(A n B).
Entretanto, em virtude de (2)
P(A nBc) =P(A) -P(A n B)
e
P(Ac n B)= P(B)- P(A n B).
Substituindo essas express5es em (12), obtemos (10).
A

Figura 2

As expressces (10) e (11) estendem-se para qualquer numero fmito de eon- .


juntos. O anlilogo da frmula exata (l O) e urn tan to complicado e sera discutido
no Captulo 2. Entretanto, a desigualdade (11) pode ser estendida facilmente
por indu9ao, obtendo-se
n
(13) P(Al U A2 U U An) L P(A;).
i= l
12
Para demonstra-lo, observe que se n~ 2, entao por (11)

P(At u .. u An) = P((At u .. u An-t) u An)


::::;; P(At uu An-t) + P(An).

Portanto se (13) e verdadeiro para n - l conjuntos, tamhem o e para n


conj untos. Ja que (13) e claramente verdadeiro para n = l, o resultado fica de-
monstrado por indu9ao.
Ate aqui usamos o fato de que urna medida de probabilidade e fmitamente
aditiva. O resultado seguinte usa a aditividade enumenivel.
Teorema l. Sejam os eventos A n, n~ l.
(i) Se A 1 c A 2 c e A = U:'= 1 A., entao

(14) lim P(An) = P(A) .

(ii) Se A 1 ::J A2 ::J e A= n:= t A., entao (14) se verifica tambem.


Dernonstrayao de (i). Suponha que A 1 CA 2 C e A = U~ 1 An.
Seja B 1 = A 2 e para todo n~ 2, seja B n o eonjunto de pont9s que estao em A n
mas nao em A n- 1 , isto e, B n= A n n A~- 1 . Urn ponto w esta em B n se e
som eme se, w es ta em A e A n e o primeiro eonjunto da seqtiencia A 1 , A 2 ,
q ue on tern w. Por definiyao os conjuntos B n sao disjuntos,

e
00

A= U Bi.
i= l
Conseqi.ientemente
n
P(An) = L P(Bi)
i ::::; l
e
00

P(A) = L P(BJ
i= 1
Mas
n oo
(15) lim L P(Bi) = L P(Bi)
n-+ co i= l i= l

de acordo com a defmi9ao da soma de urna serie infmita. De (15 ), segue-se que
n
lim P(An) = lim L P(B;)
n ...... oo n-+ oo i::;;l
00

L P(B;) -= P(A ),
i= l

de modo q ue (1 4 ) e verdadeiro.

J
srra~o de. (ii). Suponha que A 1 ~A 2 ~ e A
A~::.::: A~ C e em virtude de (8)

Assim pelo item (i) do teorema

(16)

Como P(A~) =l -P(A 11 ) e P(Ac) =l -P(A), segue-se de (16) que

!im P(An) = !im (l - P(A~))


n-+ co n- co

!im P(A~)

e novamente (14) se verifica.

1.4. PROBABILIDADE CONDICIONAL


Considere urna caixa contendo r bolas vermelhas numeradas de l a r e b
bolas pretas numeradas de l a b. Suponha que a probabilidade de extrair qualquer
bola e (b + r l . Se sabe!lJOS que a bola extraida e vermelha, qual a probabilidade
t
de que seu numero seja l? Uutra maneira de formular este probierna e como segue.
Seja A o evento de que a bola selecionada e vermelha e seja B o evento de que o
numero da bola selecionada e urn. o probierna entao e determinar a probabilidade
do evento B ter ocorrido, da do que ocorreu o evento A. Este probierna nao pode
ser resolvi do sem ter urna definiyao precisa da probabilidade condicional de urn
evento, dado urn outro evento. Esta definiyao e a seguinte:
Defini~o 3. Sejam dois eventos A e B tais que P(A) > O. Entao define-se
a probabilidade condicional de B da do A, representada por P(B l A), com o
sen do

(17) P(B ' A) = P(B 0 A) .


P(A)

Se P(A) =O , a probabilidade de B dado A e indefmido.


A dcfiniyao acima pode ser facilrnen te motivada pela interpretayao de pro-
babilidades como freqilenci as relativas. Considere urn experimento que e repetitivo
urn grande nurnero de vezes. Sejam N 11 (A) , N 11 (B) e N 11 (A n B) o numero
de vezes que os even tos A , B e A n B ocorrem em n repetiy6es do ex perimento.
Se registrassemos somente os cxperimentos em que A ocorre , terfarnos N 11 (A)

l .f
;;.2sB ocorre Nn(A (') B) vezes. Assim, a proporyao de vezes ue
3 . e -es:e:s Sn(A) experimentos e Nn(A n B)/Nn(A). Mas

N"(A n B) N"(A n B)/n


N"(A) Nn(A)/n
e- para >-alores grandes de n es ta fra9ao deve estar prxima de P(A n B)/P(A ).
C o primeiro exemplo do uso de (17) resolvemos o probierna proposto
o come~ desta se9ao. Ja ue n eontern b + r pontos, cada urn com probabi-
.da e b+ r)- 1 vemos ue P(A) = r(b + rt 1 e P(A (')B)= (b+ r)- 1 . Assim

l
P(B lA)=-.
r

Esta probabilidade deve ser comparada com a probabilidade "incondicional"


de B uee P(B) = 2(b + rt 1
Exernplo 4. Considere o lanyamento de duas moedas identicas e perfeitamente
equilibradas.
(a) Determine a probabilidade condicional de obter duas caras, dado ue se obteve
cara na primeira moeda.
b) Determine a probabilidade condicional de obter duas caras, dado ue se obteve
pelo menos urna cara.
Para resolver estes problemas, tornarnos o espa9o de amostra n consistindo
de uatro pontos HH, HT, TH, TT, cada urn com probabilidade 1/4. Seja A
o evento de obter cara na primeira moeda e B o de obter cara na segunda. Para
resolver (a) determinamos
P(A n B l A)= P(A n B)/P(A) = (1/4)(1/2) = 1/2.
Para resolver (b) determinamos
P(A nB lA U B)= P(A n B)/P(A U B)= (1/4)/(3/4) = 1/3.
Nos exemplos acima, o espayo de probabilidade era especificado e usamas
(17) para determinar diversas probabilidades condicionais. Entretanto, em muitos
problemas procedernos realmente na direyao oposta. Partindo do conhecimento
antecipado de valores ue algumas probabilidades condicionais devem assumir,

l usamos essa inforrnayao para deterrninar a medida de probabilidade em n. Apre-


sentamos seguir urn exemplo tipico dessa situayao.
Exemplo 5. Suponha que a populayao de urna certa cidade e constitu{da por 40%
de homens e 60 % de mulheres. Suponha ainda que 50% dos homens e 30% das
mulheres sao fumantes . Determine a probabilidade de que urna pessoa ue fuma
seja homem.
Representamos por M o evento de que a r-essoa selecionada e homem e
por F o evento de que a pessoa selecionada e mulher. Seja S o evento de que a
l -
pessoa seiecionada e fumante e por N o de que a pessoa nao e fumante . Entao os
dados do probierna sao: P(S IM) = 0,5;P(S IF) = 0,3;P(M) = 0,4 e P(F) = 0,6.
O probierna con.siste em determinar P(M l S). De acordo com (17).

P(M .I S) = P(M 11
S) :
P(S)
Mas P(M n S) = P(M) P(S l M) = (0,4X0,5) =. 0,20, de modo que o numeradar
pode ser determinado em termos de probabilidades conhecidas. Como S e a uniao
de dois conjuntos disjuntos S n M e S n F, segue-se que
P(S) =P(S n M)+ P(S n F)
Ja que
P(S n F) = P(F) P(S l F) = (0,6)(0,3) ~ O,J8,
Vemos que
P(S) = 0,20 + 0,18 = 0,38
Assim

P(M l S) = ~;~ ~
0,53.
'
O leitor observani que o espayo de probabilidade nunca foi mencionado expli-
citamente como tal. Resoive-se este probierna e outros de natureza similar usando
a informayao dada e as regras para determinar probabilidades dadas na Seyao 3 para
obter as probabilidades desejadas.
E bastante facil construir urn espayo de probabilidade para o exemplo acima.
Toma-se para n o eonjunto formado de quatro pontos SM, SF, NM e NF que
sao os ii.nicos pontos nos conjuntos S n M, S n F, N n M e N n F, respectiva-
mente. As probabilidades associadas a esses pontos nao sao especificadas direta-
mente, mas precisam ser determinadas de tal forma que os eventos (S l M), (S l F),
M e F tenham as pro babilidades especificadas. Ja determinamos P(S n M)= 0,20
e P(S n F) = 0,18. Deixamos como exerci'cio a determinayao das probabilidades
associadas aos outros dois pontos.
O probierna discutido neste exempio e urn caso especial da situa9ao geral
que passarnos aconsiderar. Suponha que A 1 ,A 2 , ,An sao n conjuntosmutua-
mente disjuntos cuja uniao e n. Seja B em evento tal que P(B) > O e suponha
que P(B l Ak) e P(Ak) sao conhecidas para l .,;;; k ..;; n. Qual e o valor de
P(A; l B)? Para resolver este probiema, observe que Ak sao conjuntos disjuntos
cuja uniao e n, de modo que

B = B 11 cvl Ak) = kvl (B 11 Ak).


As sim
11 Ak).
n
P(B) = L P(B
k=l

16
Mas

de modo que podemos escrever

(18) P(A. l B) = P(A; n B) = P(A;)P(B l A;)


' P(B) L~; 1 P(Ak)P(B l Ak)

Esta frmula, chamada regra de Bayes, tern aplica~ao freqiiente . Urna forma
de interpretar o resultado (18) e a seguinte: Suponha que pesemos nos eventos
Ak como as possiveis "causas" do evento observavel B. Entao P(A; l B) e a
L
probabilidade de que o evento A; foi a causa de B, dado que B ocorreu.
A regra de Bayes tamhem forma a base de urn metodo estatistico chamado metodo
Bayesiano que sera discutido no Volumeii,Introdurao a Teoria Estatlstica.
Como ilustra~ao da regra de Bayes, consideramos o probierna seguinte Ga
meio elassie o).
Exemplo 6. Suponha que existam tn!s cofres, cada um com duas gavetas. O p
meiro tern urna moeda de ouro em cada gaveta, o segundo tern urna moeda de ouro
em urna gaveta e urna moeda de prata em outra, e o terceiro cofre tern urna moeda
de prata em cada gaveta. Escolhe-se urn cofre ao acaso e abre-se urna gaveta. Se a
gaveta eontern urna moeda de ouro, qual a probabilidade de que a outra gaveta
contenha tamhem urna moeda de ouro? Pedimos ao leitor que fa~a urna pausa
e adivinhe a resposta antes de ler a solu~ao ~ Freqiientemente a resposta errada
de 1/2 e dada para este problema.
Resolve-se o probierna f:kil e corretamente usando a regra de Bayes urna
vez decifrada a descri9ao. Podemos pensar em urn espa~o de probabilidade em que
os eventos A 1 , A 2 e A 3 correspondem as sele~qes do primeiro, segundo e ter-
ceiro cofre, respectivamente. Estes eventos sao disjuntos e sua uniao e n, ja que
se seieciona exatamente urn cofre. Alem do mais, presume-se que os tres cofres
sao igualmente provaveis de serem selecionados, de modo que P(A;) = 1/3,
i= l, 2, 3. Seja B o evento de que a moeda observada e de ouro. Entao, da com-
posi~ao dos cofres e claro que

e
O probierna pede a probabilidade de que a segunda gaveta contenha urna moeda
de ouro, dado que havia urna moeda de ouro na primeira. Isto pode acontecer
somente se o cofre escolhido foi o primeiro, assim o probierna equivale ao de deter-
minar P(A 1 l B). Agora podemos aplicar a regra de Bayes (18) para obter a resposta
que e 2/3. Deixamos ao leitor .:orno exerccio a deterrnina~ao de probabilidacie
de que a segunda gaveta contenha urna moeda de prata, dado que a primeira continha
urna de ouro.
Para exemplo seguinte consideramos urn esquema simpies de probabilidarle
devido a Poiya.
Exemplo 7. Esquema de urna de Polya. Suponha que urna urna contenha r bolas
vermelhas e b bolas pretas. Extrai-se urna bola e observa-se a sua cor. A seguir
coloca-se na urna a bola extraida juntamente com c > O bolas da mesma cor.
Este procedimento ~ ,repetido (n - l) vezes. mais, de modo que o numero to tal
de extr~5es ~ n.
Seja R1, l ~ j ~ n, o evento de que a j-6sima bola selecionada ~ vermelha
e seja B1, l ~ j ~n, o evento de que a j-6sima bola selecionada ~ preta. Natural-
mente R1 e B1 sao disjuntos para urn dado j. No momentoda k-6sima extra9ao
existem b + r + (k - l)c bolas na urna e assumimos que a probabilidade de sele-
cionar qualquer bola particular ~ (b+ r + (k- l)c )- 1 . Para determinar P(R 1 n R 2 )
escrevmos

Mas

P(R 1) = -r- ,
b + r
e assim

De forma similar

e assim

=(b: r)
l'
C::: J+C~ J(b+:+ J=
b + r
Consequentemente P(R 2 ) =P(R 1 ) . Ja que

P(B 2 ) = l - P(R 2 ) = _ b- ,
b + r
ternos P(B 2 ) = P(B 1 ) . Propriedades adicionais do esquema de Polya serao de-
senvolvidas nos exerdcios.

1.5. INDEPEND~NCIA
Considere urna caixa contendo quatro bolas distintas e urn experimento que
consiste em extrair urna bola da caixa. Assumimos que a extra9ao de qualquer bola
e igualmente provaveL Seja S1 = { l , 2, 3, 4 } , cada ponto com probabilidade 1/4.
18
Sejam dois eventos A e B. Para certas escolhas de A e B, o conhecirnento
de que A ocorre, aumenta a chance de B ocorrer. Por exemplo, se A = { l, 2l e
B= {l}, entao P(A) == 1/2, P(B) = 1/4 e P(A n B)= 1/4. Conseqiientemente
P(B l A) = l /2, que e maior que P(B). Por outro lado, para outras escolhas de A
e B, o conhecimento de que A ocorre, diminui a chance de B ocorrer. Por exem-
plo: se A = { l, 2, 3 l , B = { l, 2, 4 l , etao f( A) = 3/4, P(B) = 3/4 e
P(A n B)= 1/2. Portanto P(B l A)= 2/3 que e menor que P(B).
Urn caso muito interessanie ocorre quando o conhecirnento de que A ocorre
nao altera a chance de ocorrencia de B. Como urn exemplo disso, seja A = {l, 2}
e B = { l, 3 } ; entao P(A) = 1/2, P(B) = 1/2 e P(A n B)= 1/4, e portanto -
'l
P(B l A) = 1/2. Eventos como esses, para os quais as probabilidades condicional
e incondicional sao iguais, saochamados eventos independentes.
Sejam A e B dois eventos quaisquer em urn espa~ geral de probabilidade,
e suponha que P(A) =l= O. Podemos defmir os eventos A e B como sendo inde-
pendentes se P(B l A) = P(B). Com o P(B l A) = P(B n A )/P(A ), vemos que
se A e B sao independentes, entao
{19) P(A n B) = P(A) P(B).
Com o (19) faz sentido mesmo que P(A) = O e e tamhem sirnetrica em A
e B, ela conduz a urna definiyao altemativa de independencia.
Defmiyao 4. Dois eventos A e B sao independentes se e somente se,
P(A n B) =P(A)P(B).
Podemos considerar urn probierna semelhante para tres conjuntos A, B
e C. Seja n = { l, 2, 3, 4 }, cada p on to com probabilidade l /4. Seja A = {l, 2 },
B = { l, 3} e C= { l, 4} . Deixamos como exercicio, mostrar que os pares de
eventos A -e B, A e C e B e C sao independentes. Dizemos que os eventos .
A, B e C sao independentes aos pares. Por outro lado, P( C) = l/2 e

P(CIA nB)= l.
Assirn, o conhecirnento de que o evento A n B ocorre, aumenta a chance de C
ocorrer. Neste sentido os eventos A, B e C nao chegam a ser mutuamente in de-
r pendentes. Em geral tres eventos A, B e C sao mutuamente independentes se
sao independentes aos pares e se
P(A n B n C)= P(A)P(B)P(C).
Como exerc1c1o, mostre que se A, B e C sao mutuamente independentes e
--t P(A n B) o=/= O, entao P(C l A n B)= P(C).
De urn modo geral, definirnos n >3 eventos A 1 , A 2 , . , A n com o sen do
mutuamente independentes se

19
c sc alquer subcol~ao eonten do pe o xe::1os :: ...:: ~ _--
sao muruarnente independentes.
Exemplo 8. Seja S o quadrado no plano O ~ x ~ : =
espat;:o uniforme de probabilidade sobre o quadrado, e sef- _.;.
{(x, y): 0 ~ X ~ 1/ 2, 0 ~ y ~ l
e B o evento
{(x, y): 0 ~ x ~ l, 0 ~ y ~ l t4}.
Note que A e B sao eventos independentes.
Para tan to, determinamos P(A ), P(B) e P(A n B) e m os tramo: ._ ~
P(A n B) = P(A) P(B). Como A e urn sub-retangulo do quadrado S com aica
1/2 e B e urn sub-retangulo de S com area 1/4, segue-se que P(A ) = l _ e
P(B) = 1/4. Poroutrolado
A nB= (x,y) :O~x~ l/2,0~y~ 1/4
e urn sub-retangulo do quadrado S com area 1/8. Assim P(A n B)= 1/8 e vemos
que A e B sao eventos independentes.
Usa-se frequentemente a not;:ao de independencia para construir espat;:os de
probabilidades correspondentes a repetit;:6es de urn mesmo experimento. Daremos
um tratamento mais compieto a esse assunto no CapituJo 3. Aqui nos contentaremos
em examinar a situat;:ao mais simples, aquela que envolve experimentos (como o
lant;:amento de urna moeda possivelmente nao tendenciosa) que podem conduzir
a apenas urn dos dois resultados possfveis - sucesso ou fracasso.
Em urn experimento com n lant;:amentos de urna moeda, ondc;: sucesso e
fracasso em cada lant;:amento ocorrem com probabilidades p e l - p, respectiva-
mente, acreditamos intuitivamente que o resultado do -esimo lant;:amento nao
deve ter influencia algurna sobre os resultados dos outros lant;:amentos. Desejamos
agora construir urn espat;:o de probabilidade para o experimento composto, consistindo
de n repetit;:6es do nosso experimento, que incorpore as nossas crent;:as intuitivas.
Ja que cada urna das n repetit;:6es pode resultar ern sucesso ou fracasso,
existern urn total de 2n resultados possfveis para o experimento cornposto. Pode-se
representar esses resultados atraves de urna n-tupla (x 1 , x 2 , . . . , X n), on de X i= l
se a -esima repetit;:ao resulta ern sucesso e xi = O caso contrario. Tornarnos o
eonjunto n como sen do a col~ao . de todas as n-tuplas corno esta. Toma-se o
a-algebra sd corno sendo constituido de todos os subconjuntos de n.
Chegarnos agora a alocat;:ao de urna medida de probabilidade. Para isso e
necessario tao sornente alecar probabilidades a 2n conjuntos de urn ponto
{ (x l ' x2' ... 'X n) } . Suponha que a n-tupla (x l ' . . . ' Xn) e tal que exatamente
k dos Xi tern o valor l, por simplicidade , digamos que x 1 = x 2 = = xk = l
e os outros x i tenharo o valor O. Entao se A i representa o evento de que a i-esima
repetit;:ao resulta em sucesso, vemos que
{(!, l , .. . , l, O, ... , O)}
....__....-..__.... = A 1 n n Ak n AZ + 1 n n A~ .

k n - k
20
De acordo com nossa intuic;ao, os eventos A 1 , A 2 , , Ak> Ak+ l ' .. . , A~ devem
ser mutuamente independentes e P(Ai) = p, l ..-;;;i..-;;; n. Assim devemos escolher
P de tal forma que

P({(, l, . .. , l, O, . . . , O)}) = P(A 1 ) P(Ak)P(Af+ 1) P(A~)

= l(l :. . p)"-k .
...
Usan do o mesmo raciocinio, vemos que se a n-tupla ( x 1 , , x n) e tal que exa-
tamente k dos x i tern o valor l, P deve ser tal que

Determinemos a seguir a probabilidade de que exatamente k das n repetic;oes


resultem em sucesso. Observe, cuidadosamente, que is~o difere da probabilidade
de que exatamente k repetic;oes especificas, resultem em sucesso e que, as outras
n - k repetic;oes, resultem em fracasso. Seja Bk o evento de. que se obtem sucessos
em exatamente k das n repetic;oes. Urna vez que cada seqih~ncia especifica com k
sucessos tern probabilidade pk (l - p )n- k, o evento Bk tern probabilidade
P(Bk) = C(k, n)pk(l - p)n-k , onde C(k, n) e o numero de sequencias
(x1 , ... , Xn) nas quais exatamente k dos X tern valor l. A determinaao de
C( k , n) e urn probierna combinatrio simpies que sera resolvido na Sec;ao 2.4, on de
mostraremos que

(20) C(k , n) = n! O::;k::;n.


k!(n k)!'

Lembre-se que O! = l e que

m! = m(m - l) l.

para qualquer numero inteiro positivo m. Geralmente representa-se a quantidade

n! / k! (n- k)! por ( ~) (coeficiente binomial). Assim

(21) P(Bk) = (Z) l(l - p)n-k .

Diversos problemas aplicados sao modelados por provas independentes do tipo


sucesso-fracasso. O probierna discutido a seguir e tipico.
Exemplo 9 , Suponha que urna maquina proctuza parafusos dos quais l 0% sao de-
feituosos. Determine a probabilidade de que urna caixa com 3 parafusos contenha
no maxima urn parafusa defeituoso.
Para resolver o problema, supernos que a produc;ao de parafusos constitui
repetic;oes independentes de urna prova do tipo sucesso-fracasso em que a produc;ao
de urn parafusa defeituoso e urn sucesso. Entao a probabilidade de sucesso neste
caso e 0,1. Seja B 0 o evento de que nenhum dos tres parafusos e defeituoso e
21
B 1 o "'" ~ ::x:"_"_~:;-
e o c,-e.._.-
disjuaws, s.e-5 <'-se . .,. _e

P(B 0 U B t) = P(B 0 ) + P Bt) =

= (~) 0 3
(0,1) (0,9) + ~
= (0,9) 3 + 3(0,1)(0,9) 2 =

= 0,972.

Exercfcios

L Seja (D, d , P) urn espa<yo de probabilidade, onde d e u-<ilgc . :Z -o-::o-


os subconjuntos de n e P, urna medida de probabilidade que --
babilidade p> O cada eonjunto de urn ponto de n.
(a) Mostre que D deve ter urn numero finito de pontos. Su~:"' : - osTr-e
que n nao pode termais de p- 1 pontos.
(b) Mostre que se n e o numero de pontos em D, entao p . ~c s.:~ igual
a n- 1
2. Pode-se construir urn modela para urn "spinner" aleatrio to
uniforme de probabilidade sobre a circunferencia de urn e raio l ,
de modo que a .probabilidade de que o ponteiro do spinner re so re urn
arco de comprimento s e s/2rr. Suponha que o cir Ulo e~ ej
zonas numeiadas de l a 37. Determine a probabili e de c o ponteiro
pare sobre urna zona par.
3. Considere um ponto escolhido ao acaso sobre urn qu _ o liitiri.o. De errnine
a probabilidade de que o pon to esteja no trian 0 o co or x = O, y = O
ex+y=l.
4. Seja P urn ponto escolhido ao acaso sobre urn disco unitirio. Deterrnine
a probabilidade de que P esteja no setor angular de O a ~ radianos.
5. No Exemplo 2 deterrnine as pro babilidades dos seguintes eventos:
(a) Nenhuma desintegra<yao ocorre antes do tempo 10.
(b) Ocorre urna desintegra<yao antes do tempo 2 ou urna entre os ternpas 3 e 5.
6. Urna caixa eontern 10 bolas numeradas de l a 10. Extrai-se ao acaso urna
bola da caixa. Deterrnine a probabilidade de que o numero da bola seja 3, 4 ou 5.
7. Suponha que se lance urn par de dados e que os 36 resultados possiveis sao
igualmente provaveis. Determine a probabilidade de que a soma dos numeros
observados seja par.
22
eventos tais q ue P(A) = 2/5, P(B ) = ?./ 5 e

detennine P(B ).
, q e se escolha ao acaso urn ponto sobre urn quadrado uni tario . Seja A
o e-.eilro e que o ponto esta no triiingulo limitadopor y =O, x = l e x = y .
e B o evento de que o ponto est:i no re tangulo com vertices em (0 ,0) , (l, 0).
( . l _)e (O, 1/2). Determine P(A u B) e P(A n B) .
l . Gma caixa eon tern l O bolas numeradas de l a l O. Seleciona-se urna bola ao
a aso e a seguir seleciona-se, tamhem ao acaso, urna segunda bola dentre as
9 restantes. Determine a probabilidade de que os numeros das bolas selecionadas
diferem de duas ou mais unidades.
12. Dado que urn ponto escolhido ao acaso sobre urn quadrado unitario esteja no
triiingulo limitado por x =_O, y = O e x + y = l, determine a probabilidade
de q ue o mesmo es tej a tamhem no triiingulo limita do por y = O, x = l e x = y .
13. Suponha que ternos quatro cofres, cada urn com 2 gavetas. Os cofres l e 2,
tern urna moeda de ouro em urna gaveta e urna de prata na outra. O cofre
3, tern duas moedas de ouro e, o cofre 4 tern duas de prata. Escolhe-se urn
cofre ao acaso, abre-se urnagaveta e encontra-se urna moeda de ouro. Determine
a probabilidade de que a outragaveta contenha
(a) urna moeda de prata;
(b) urna moeda de ouro.
14. Urna caixa eontern 10 bolas das quais 6 sao pretas e 4 sao brancas. Remove-se
tres bolas sem observar suas cores. Determine a probabilidade de que urna
quarta bola -removida da caixa seja branca. Assuma que as lO bolas sao igual-
mente provaveis de serem removidas da caixa.
15. Para urna caixa de mesma composis;ao que a do Exerdcio 14, determine a
probabilidade de que todas as 3 bolas removidas sejam pretas, sabendo-se que
pelo merros urna delas e preta.
16. Suponha que urna fabrica tern duas m:iquinas A e B, respons:iveis, respecti-
vamente, por 60% e 40% da produs;ao total. A maquina A proctuz 3% de itens
defeituosos, enquanto que a maquina B proctuz 5% de itens defeituosos. Determi-
ne a probabilidade de que urn dado i tern defeituoso foi procluzido pela maquina B.
17. Mostre por indus;ao sobre n que a probabilidade de selecionar urna bola ver-
melha na n-esima extras;ao no esquema de Polya (Exemplo 7) e r,(b + r f 1 .
para qualquer n.
18. Urn estudante se submete a urn exame de multipla escolha no qual cada questao
tern 5 respostas possiveis das quais exatamente urna e correta. O estudante
seleciona a resposta correta se e1e sabe a resposta. Caso contr:irio, ele seleciona
ao acaso urna resposta entre as 5 possiveis. Suponha que o estudante saiba a
resposta de 70% das questoes.
23
l
l

11

\
r.
( ) Qu.a: a probabilidade de que o estudante escolha a resposta correta para
urna dada questao?
(b) Se o estudante escolhe a resposta correta para urna dada questao, qual
a probabilidade de que ele sabia a resposta?
19. Suponha que se escolha ao acaso urn ponto sobre urn quadrado unitario. Saben-
do-se que o , ponto esta no re tangulo limitado por y = O, y = l, x = O, e
X = 1/2, qual e a probabilidade de que O ponto esteja no triangulo limitado

por y = 0, x = 1/2 e x + y = l?
20. Supnha que urna caixa contenha r bolas vermelhas e b bolas pretas. Extrai-se
ao acaso urna bola da caixa e a seguir extrai-se, tamberu ao acaso, urna segunda
bola dentre as que f1caram na caixa. Determine a probabilidade de que
(a) ambas as bolas sejam vermelhas;
(b) a primeira bola seja vermelha e a segunda p re ta;
(c) a primeira bola seja preta e a segunda vermelha;
(d) ambas as bolas sejam pretas.
21. Urna caixa eontern 10 bolas vermelhas e 5 pretas. Extrai-se urna bola da caixa.
Se a bola e vermelha, ela e recolocada na caixa. Se e preta, alem de recoloca-la
na caixa, adiciona-se duas bolas a caixa. Determine a probabilidade de que urna
segunda bola extraida da caixa seja
(a) vermelha; (b) p re ta.
22. Extrai-se duas bolas, com reposi<;:ao da primeira, de urna caixa contendo 3 bolas
brancas e 2 bolas pretas.
(a) Construa urn espa<;:o de amostra com pontos igualmente provaveis para
este experimento.
(b) Dete.rmine a probabilidade de que as bolas extraidas sejam da mesma cor.
(c) Determine a probabilidade de que, pelo menos, urna das bolas extraidas
seja branca.
23. Resolva o Exercicio 22, caso a primeira bola nao seja repostana caixa.
24. Resolva o Exercicio 22, construindo urn espa<;:o de amostra baseado em 4 pontos
correspondendo a bola branca e bola preta para cada extra<;:ao.
25. Caixa I contem . 3 bolas brancas e 2 pretas, caixa II eontern 2 bolas brancas
e l preta e caixa III eontern l bola branca e 3 pretas.
(a) Extrai-se urna bola de cada caixa. Determine a probabilidade de que todas
as bolas sejam brancas.
(b) Seleciona-se urna caixa e dela extrai-se urna bola. Determine a probabilidade
de que a bola extrafda seja branca.
(c) Caleule em (b) a probabilidade de que a primeira caixa foi selecionada,
dado que a bola extrafda e branca.
26. Urna caixa eontern 3 bolas brancas e 2 bolas pretas. Selecionam-se duas bolas
sem reposis:ao.
24
(a) Caleule a probabilidade de que a segunda bola seja preta, dado que a pri-
meira e preta.
(b) Caleule a probabilidade de que a segunda bola seja da mesma cor da
primeira.
(c) Caleule a probabilidade de que a primeira bola seja branca, da do q ue a
. segunda e branca.
27. Urn colegio e composto de 70% de homens e 30% de mulheres. Sabe-se que
40% dos homens e 60% das mulheres sao fumantes. Qual e a probabilidade
de que urn estudante que foi visto fumando seja homem?
28. Suponha que os automveis tern igual probabilidade de serem produzidos
na segunda, terc;:a, quarta, quinta e sexta-feira. As porcentagens de autom-
veis amarelos produzidos nos diferentes dias da semana sao: segunda - 4% ;
terc;:a, quarta e quinta - l %; e sexta - 2%. Se voce compra urn automvel
amarelo , qual a probabilidade de queomesmo foi proctuzido numa segunda-feira?
29. Suponha que existisse urn teste para cancer com a propriedade de que 90%
das pessoas com cancer e 5% das pessoas sem cancer reagem positivamente.
Adrnita que l % dos pacientes de urn hospital tern cancer. Qual a probabilidade
de que urn paciente escolhido ao acaso, que reage positivamente a esse teste,
realmente tenha cancer? .
30. No probierna de tres cofres discutidos no Exemplo 6, determine a probabilidade
de que a segunda gaveta contenha urna moeda de prata, dado que a primeira
continha urna moeda de ouro.
31. No esquema de urna de Polya (Exemplo 7), dado que a segunda bola e vermelha,
determine a probabilidade de que
(a) a primeira bola era vermelha;
(b) a priilleira bola era p re ta.

32. Suponha que se lanc;:a tres moedas identicas e perfeitamente equilibradas. Seja
A i o evento de observar cara na i-esima moeda. Mostre que os eventos
A 1 , A 2 e A 3 sao mutuamente independentes.
33. Suponha que as seis faces de urn dado tern igual probabilidade de ocorrencia
e que sucessivos lanc;:amentos do dado sao independentes. Construa urn espac;:o
de probabilidade para o experimento composte de tres lanc;:amentos do dado.
3-t . Sejam A e B dois eventos independentes. Mostre que A e Bc, AC e B
e A c e BC sao tamhem independentes.
r. Seja Q = { l, 2, 3, 4 } e suponha que cada ponto tern probabilidade 1/4 .
Sen do A = { l , 2 } , B= { l , 3 } e C= { l, 4} , mostre que os pares de eventos
A e B , A e C e B e C sao independentes.
36. S ponha que A , B e C sao eventosmutuamente independentes e P(A ll B) =f. O.
llome que P(C l A ll B)= P(C) .
25
37. Experiencia mastra qtie 20% das pessoas que fazem reservas de mesa num certo
restaurante deixam de comparecer. Se o restaurante tern 50 mesas e aceita 52
reservas, qual a probabilidade de que seja capaz de acomodar todos os fregueses?
38 . Urn alvo circular de raio unitario esta dividido em quatro zonas anelares com
raios externos 1/4, 1/2, 3/4 e l , respectivamente. Suponha que se dispare
ao alvo lO tiros independentemente e ao acaso.
(a) Determine a probabilidade de que no maximo 2 tiros atinjam a zona limi-
tacta pelos circulos de raios 1/2 e l.
(b) Se 5 tiros atingem o disco de raio 1/2, determine a probabilidade de que
pelo menos urn atinja o disco tle raio 1/4 .
39. Urna maquina consiste de 4 componentes ligados em paralelo, de tal sorte que a
maquina falha somente se todos os quatro componentes falham. Suponha que
as falhas dos componentes sao independentes umas das outras. Se os compo-
nentes tern probabilidades 0,1; 0,2; 0,3 e 0,4 de falhar quando a maquina e
acionada, qual e a probabilidade de que a maquina furreione quando acionada?
40. Urn certo componente de urn motor de foguete falha 5% das vezes quando o
motor e acionado. Para obter maior confiabilidade no funcionamento do
motor, duplica-se esse componente n vezes. O motor entao falha somente
se todos os n componentes falharn . Suponha que as fallias dos componentes
sejam independentes urna das outras. Qual e o menor valor de n que pode ser
usado para garan tir que o motor furreione 99% das vezes?
41. Lan9a-se um dado simetrico tres vezes. Sabendo-se que a face l ocorre pelo
menos uma vez, qual e a probabilidade de que ela ocorra exatamente urna vez?
42. Existem 4 reis num baralho de 52 cartas. Extrai-se urna carta do baralho,
registra-se o seu valor e a seguir rep6e -se a carta extraida. Este procedimento
e repetido 4 vezes. Deterrnine a probabilidade de que existam exatamente
2 reis entre as cartas selecionadas, sabendo-se que entre elas existe pelo merros
urn rei.
43 . Mostre que se A , B e C sao eventos tais que P(A n B n C) =F O e
P(C l A n B)= P(C l B), entao P(A l B n C) = P(A l B).
44. Urn homem dispara 12 tiros independentes num alvo. Qual a probabilidade
de que ele atinja o alvo pelo menos urna vez, se tern probabilidade 9/ 10 de
atingir o alvo em qualquer tiro?
45 . Lan9a-se urn da do 12 vezes. Determine a probabilidade de o bter
(a) dois "seis";
(b) no maxima dois "seis".
46. Suponha que a probabilidade de atingir urn alvo e 1/4 . Disparando-se oito tiros
ao alvo, qual a probabilidade de que o alvo seja atingido pelo merros duas vezes?
4 7. No Exercicio 44 qual a probabilidade de que o alvo seja atingido pelo merros
du as vezes, sabendo-se que o mesmo foi atingido pelo menos urna vez?
26
ANALISE COMBINATORIA

Lembre-se da Se~ao 1.2 onde urn espa~o simetrico de pro)abilidade contendo


s pontos, e o modelo usado para o experimento de selecioar ao acaso urn ponto
de urn eonjunto S contendo s pontos. Daqui para diante, quando falarmos em
selecionar ao a'caso urn ponto de urn eonjunto fmito S, estaremos dizendo que,
a probabilidade associada a cada eonjunto de urn ponto e s- 1 , e, portanto, que a
probabilidade associada a u~ eonjunto A contendo j pontos e jfs.
Seja N(A) o numero de pontos em A. Desde que P(A) = N(A)/s, o probierna
de determinar P(A) e equivalente aO de determinar N(A) . O procedimento para
obter P(A) e eontar o numero de pontos em 4 e dividir pelo numerototal s de
pontos. Entretanto, as vezes inverte-se o procedimento. Se de algurna forma co-
nhecemos P(A) , podemos obter N(A) pela frmula N() = sP(A). Este proce-
dimento sera usado muitas vezes na seqiiencia.
A determin~ao de N(A) e facil quando A tern apenas alguns pontos, pois
neste caso podemos, simplesmente enumerar todos os pontos em A. Porem, mesmo
que A tenha urn numero moderado de pontos, o metodo de enumera~ao direta
torna-se impraticavel, e assim algumas regras simpies de contagem sao desejaveis.
Nosso propsito neste capitulo e apresentar urna discussao nao-tecnica e sistematica
de metodos que sao elementares porem de grande aplicabilidade. Este assunto
tende a tornar-se dificil rapidamente, por -isso limitaremos nosso tratamento aquelas
partes maiores na teoria da probabilidade. As prirneiras quatro se~5es deste capftulo
eontern o material essencial, enquanto as quatro liitirnas se~5es eontern urn material
opcional e urn pouco mai's diffcil.

2.1. AMOSTRAS ORDENADAS


Suponha que ternos dois conjuntos S e T. Se S tern m pontos distintos
s 1 , s 2 , . . . , sm e T tern n pontos distintos t 1 , t 2 , . , t n, entao o numero
de pares (s i, lj) que podem ser formados tomando urn ponto do eonjunto S e urn
segundo ponto do eonjunto T e mn. Isto e clar0- de vez que qualquer elemento
do eonjunto S pode ser associado a qualquer urn dos n elemcntos do eonjunto T.
,
x.emplo I. Se S= ~ 1,2} e T= ll,2,3}, entaoexistemseispares:(1 ,1), (1 ,2),
(1,3), (2, 1) , (2,2), (2,3). Observe cuidadosarnente que o par (1 ,2) e distinto do
par (2, 1).
De formamais geral, suponha que ternos -n conjuntos S 1 , S 2 , . . , Sn tendo
s 1 , s2 . , Sn pontos distintos, respectivarnente. Entao o numero de n-tuplas
(x 1 , x 2 , . . , Xn) que podem ser formados, onde x 1 e urnelementode S 1 , x 2
urn elementode s2' ... ' e Xn urnelementode Sn, e sls2 ... Sn. Isto e urna
extensao bastante bvia do caso discutido acima para n = 2. (Urna demonstra9ao
formal de que o numero den-tuplas e s 1 s 2 sn pode serfeita porindu9ao sobre n.)
Urn importante caso especial ocorre quando cada eonjunto S, l .;;;; i .;;;; n, e
o mesmo eonjunto S tendo s pontos distintos. Existem entao sn n-tuplas
(x 1 ,x 2 , . . ,xn), onde cada X e umponto do eonjunto S.
Exemplo 2 .. S= {.1, 2} e n= 3. Neste caso e_xistem ~ n-tupla.t_(l, l, 1), (1, l, 2),
(l ' 2, 1), (l' 2, 2), (2, l ' 1), (2, l ' 2), (2, 2, 1), (2, 2, 2).
O caso especial em que os conjuntos S, l .;;;; i.;;;; n, sao os mesmos, pode ser
~
abordado de urn ponto de vista difereil.te. Suponha que urna caixa eontern s bolas
distintas numeradas de l a s. Extrai-se urna bola da caixa, registra-se o seu numero
l
e a seguir rep6e-se a bola na caixa. Repete-se o procedimento n vezes. Cada urna
das n extra96es produz urn numero de l a s. O resultado pode ser registrado
atraves de urna n-tupla. (x 1 , x 2 , , Xn), onde x 1 e o numero da 11:1 bola, x 2 ,
o da 2? etc. Existem ao todo sn n -tuplas. Este procedimento charna-se amostragem
com reposirao de urna popula9ao de s objetos distint os. O re.sultado (x 1 , .X 2 , , X n)
chama-se arnostra de tamanho n extraida com reposi9ao de urna populayao de
s objetos. Falarnos de amostragem aleatria com reposirao , se admitirmos que
todas as sn arnostras possiveis tern a mesma probabilidade ou , na linguagem tradi-
cional, sao igualmente provaveis de ocorrer.
Exemplo 3. Lan9a-se n vezes urna moeda perfeitarnente equilibrada. Determinar
a probabilidade de obter pelo menos urna cara.
Presumivelmente a afirmayao de que a moeda e perfeitarnente equilibrada
implica que a probabilidade de obter cara em qualquer lanyamento e 1/2. Se assim
for, e se supormos que lanyar a moeda n vezes equivale extrair urna arnostra alea-
tria de tarnanho n de urna popula9ao de dois objetos l H, T } , entao cada urn
dos 2n resultados possiveis e igualmente provavel. Seja A o evento de obter pelo
menos urna cara e Ai o de obter cara no i-esimo lanyarnento. Entao A = U?=
1 Ai.
Mas

P(A) l - P(Ac) - P ( (v Ai) c)


1

= l- P ((\A~)
e ('\?=1 A~ ocorre se e somente se , todos os n lanyarn~ntos produzirem coroas.
Assim P( n7= 1 A ~) = r" , de modo que P(A) = l - 2-n.
28
Seja S urn eonjunto contendo s objetos distintos, Selecionamos urn objeto
de S e registramos o objeto selecionado, mas suponha agora que nao o repomos
ao eonjunto S. Se repetirmos este procedimento, faremos urna selec;;ao dentre
(s - l) objetos restantes. Suponha que o procedimento seja repetido mais n - l
vezes, de modo que selecionamos n objetos ao todo. (Obviamente devemos ter
n ,;;:;; s neste caso). Novamente podemos registrar o resultado em forma de urna
n-tupla (x 1 , x 2 , , Xn), porem desta vez os numeros x 1 , x 2 , . , Xn devem
ser distintos, nao pode haver duplicac;;oes na nossa amostra. O primeiro objeto
pode ser qualquer urn dos s objetos, o segundo pode ser qualquer urn dos s - l
objetos restantes , o terceiro pode ser qualquer urn dos s - 2 objetos restantes etc.,
de modo que existem ao todo (s)n = s( s - l) (s- n+ l) diferentes resultados
possfveis para o experimento. Refere-se a este proceclime_nto como amostragem
sem reposiriio n de umapopulac;;ao de s objetos distintos. Falamos de umaamostra
aleatria de tamanho n tornada sem reposiriio de urna popu(ariio de s objetos
se supomos que cada urn dos (s)n resultados e igualmente provavel.
Representamos o produto s(s - l) (s -n + l) por meio de simbolo (s)n.
Em particular (s)s = s(s - l) l = s! Mas extrair urna amostra de tamanho s
de urna populac;;ao de s objetos diferentes equivale a escrever os numeros l, 2, ... , s
em algurna ordem. Assim s! representa o numero de ordenac;;oes diferentes (ou
permutac;;oes) de s objetos.
Suponha que se extraia com reposic;;ao urna amostra aleatria de tamanho
n de urn eonjunto de s objetos. Desejamos a probabilidade do evento A de que
nenhum ponto ocorre duas vezes na amostra. Este probierna pode ser resolvido
facilmente. O numero de amostras de tamanho n com reposic;;ao e sn . Dentre
estas sn amostras aleatrias, o nUmero daquelas nas quais nenhurn ponto aparece
duas vezes e igual ao numero de amostras de tamanho n extraidas sem reposiriio
dentre s objetos, isto e, sn. Assim, ja que todas as amostras sao igualmente pro-
vaveis, vemos que aprobabilidade desejada e
(s)n s(s- l)(s - n + l)
( l)
s" sn

Exempio 4. Urna aplicac;;ao recente e urn tanto surpreendente de (l) e nochamado


probierna do aniversario. Suponha que os aniversarias das pessoas ocorram com
igual probabilidade entre os 365 dias do ano. (Ignoramos aqui os anos bissextos
e o fato de que as taxas de natalidade nao sao exatamente uniformes ao Iongo do
ano). Deterrninar a probabilidade p de que em urn grupo de n pessoas nao existam
duas com aniversarias comuns.
Neste probierna ternos s= 365, e assim aplicando (l) vemos que

3~5) (1 - 3~5) ... ( 1 - n 3~5


1
p = (1 - )

29
numericas sao bastantes inesperadas. Mesmopara s tao pequeno
_\s ~....::51:' ~- eacias
o .., . p < 1/ 2, e para n = 56, p = 0,01. Isto e, num grupo de 23 pessoas,
a ?Iobabilidade de que pelo merros duas pessoas tenham o mesmo aniversario ex-
ce e 1/ 2. Num grupo de 56 pessoas e quase certo que duas pessoas tenham o mesmo
aruversan o.
Se ternos urna popula<;:ao de s objetos, existem sn amostras de tamanho
n que podem ser extrafdas com reposi<;:ao e (s)n amostras de tamanho n que
podem ser extrafdas sem reposi<;:ao. Se s for grande em rela<;:ao a n, existe pouca
diferens;a entre esses dois metodos de amostragem. Realmente, vemos de {l) que
para qualquer n fixo.

(2) lim (s~" = lim (1


s-+- co S s-+oo
!)
(1 - n - )
S
1
S
1.

(Para estimativas mais precisas ver Exerccio 12.)

2.2. Pennuta<;:oes
Suponha que ternos n caixas distintas e n bolas distintas. O numero total
de marreiras de distribuir as n bolas nas caixas de modo que cada caixa contenha
exatamente urna bola e n! Dizer que essas bolas sao distribuidas ao acaso nas
n caixas com urna bola por caixa signif1ca que associamos probabilidade l /n! a cada
urna dessas distribui<;:6es possiveis. Suponha que este seja o caso. Qual e a proba-
bilidade de que urna bola especifica, digamos bola i, esteja numa caixa especifica,
digamos caixa j? Se a bola i es ta na caixa j, isto deixa (n - l) bolas para serem
distribuidas em (n :_ l) caixas de modo que exatamente urna bola esteja em cada
caixa. Isto pode ser feito de (n - l)! maneiras, de modo que a probabilidade dese-
jada e (n- 1)!/n! = 1/n.
Outra maneira de interpretar este resultado e a seguinte. Se permutarnos
entre si n objetos distintos, a probabilidacie de que urn objeto especlfico esteja
numa po si<;:ao especlfica e 1/n. Realmen te , a qui podemos identificar as posi<;:6es
com as caixas e os objetos com as bolas.
Pode-se estender facilmente as consideras;oes acima de l para k ;;;. l objeto.
Se permutarnos entre si n objetos, .a probabilidacie de que k objetos especlficos
estejam em k posi<;:6es espec1ficas e (n - k)! /n!. Deixamos a demonstra<;:ao desse
fato para o lei tor.
Problemas envolvendo permuta<;:6es aleatrias, tornam urna variedade de formas
quando enunciados literalmente. Apresentarnos a seguir dois exemplos:
(a) Mistura-se urn baralho de cartas nurneradas de l a n e extrai-se as cartas
urna a urna. Para urn da do i, q u al e a probabilidade de que a ~esima
carta extrafda e a de numero i?
{b) Suponha que dez casais compaiecem a urna festa. Entao forma-se ao
acaso pares de rapazes e mo<;:as. Qual e a probab.ilidade de que exatamente
k rapae s especlficos fiquem com as respectivas namoradas?
30
Urn probierna mais sofisticado envolvendo permutayoes aleatrias , e o de
determinar a probabilidade de que ocorram exatamente k "encontros". Para usar
o nosso exemplo visual de distribuir bolas em caixas, o probierna e deterrninar a
probabilidade de que a bola i esteja na caixa i para exat(}II1ente k valores
diferentes de i.
Pode-se resolver o probierna do encontro de varias maneiras. Adiamos a
discussao deste probierna para a Seyao 2.6.

2.3. Combinar;oes (amostras desordenadas)


Urna mao de pquer consiste de cinco cartas extraidas de urn baralho de 52
cartas. De acordo com a discussao acima, existiriam (52) 5 maos de poquer.
Entretanto, para chegar a esta contagem diferentes orderray5es das mesmas cinco
cartas sao consideradas maos diferentes. Isto e, a mao 2 , 3 , 4, 5 , 6 de espadas nesta
ordem e considerada diferente damao 2, 4, 3, 5, 6 de espadas nesta ordem. Do ponto
de vista do jogo, estas maos sao as mesmas. De fato, todas as 5! permutay6es das
mesmas cinco cartas sao equivalentes. Das (52) 5 maos possiveis, exatamente 5!
delas sao simplesmente permutay6es dessas mesmas cinco cartas. Sirnilarmente,
para qualquer eonjunto de cinco cartas existem 5! diferentes p~rmutay6es. Assim,
o numero total de maos de poquer, sem considerar a ordem em que as cartas apa-
recem, e (52) 5 /5! Nesta contagem considera-se duas maos diferentes se, e somente
se, elas diferem como eonjunto de objetos, isto e, se elas tern pelo menos urn ele-
mento diferente. Por exemplo, entre as (52) 5 /5! maos de poquer, as maos (2 , 3,
4, 5, 6) de espadas e (3, 2, 4, 5, 6) de espadas sao as mesmas, porem as maos (2, 3, 4,
5, 7) de espadas e (2, 3, 4, 5, 6) de espadas sao diferentes.
De urna forma mais geral, suponha que ternos urn eonjunto S de s objetos
distintos. Entao, como foi explicado anteriormente, existem (s), amostras distintas
de tamanho r que padem ser extraidas sem reposiyao de S. Cada subconjunto
distinto { x 1 , ... , x, } de r objetos de S pode ser orderrado (rearranjado) de r!
maneiras diferentes. Se decidimos ignorar a ordem em que os objetos aparecem na
amostra, essas r! reordenay6es de x 1 , . . , x r serao consideradas as mesmas. Existem
portanto, (s)7 /r! diferentes amostras de tamanho r que padem ser extradas, sem
reposifiio e sem considerafiiO de ordem, de urn eonjunto de s objefos distintos.
Geralmente representa-se a quantidade (s),/r! por meio do simbolo do coe-
ficiente binomial

(s),
r!
= (s)r .
Observe que para r =O, l, 2, ... , s

s) = (s), ~ s!
(r r! r! (s - r)!
31
lndicamos aqui para uso futuro que ( ~ ) e bem defl~ido para qualquer numero
real a e qualquer numero inteiro nao-negativo r atraves de

(3)
(a)r = (a), =
r!
~a - l) (a - r
r!
+ l)

onde O! e (a) 0 sao ambos definidos como sendo l.

Exemplo S.

( - n)( - n - l )( - n 2)
3!
n(n + l )(n + 2)
3!
Observe que se a e urn numero inteiro p ositivo , entao ( ~ ) =O para r >a.
Convencionamos que ( ~) = O se r e urn numero inteiro negativo . Entao (~)
e deflnido para todo real a e todo inteiro r .
Como foi observado anteriormente , qu ando s e urn inteiro positivo e r
e urn inteiro nao-negativo , e interessan te pensar em ( ;) como o numero de ma-
neiras em que podemas extrair sem reposigao urna aroostra de tamanho r de urna
populagiro de s objetos distintos sem consideragao da ordem em que esses objetos
sao escolhidos.
Exemplo 6. Considere o eonjun to de ntimeros - l , 2, . .. , n } . Entao, se
l ~ r ~ n, existem exatamente ( ~ ) escolhas de numeros i 1 , i 2 , . , i, tais que
l ~ i 1 < i 2 < . . <i, ~ n . Realmente , cada urna das (n), escolhas de r numeros
distintos de l a n tern r ! reordenag5es das quais exatamente urna satisfaz a condi-
gao desejada. Assim , o numero de escolhas distintas de numeros que satisfazem
a condigao e igual ao numero de distintos subconjuntos de tamanho r que sepode
extrair do eonjunto { l , 2, . . . , n } .
Exemplo 7. Membros de com issao . O departamen to de matematica consiste de
25 professores titulares , 15 professores adjuntos e 35 professores assistentes. Urna
comissao de 6 membros e selecionada ao acaso do corpo docente do departamento.
Determine a probabilidade de que todos os membros da comissao sejam professores
assistentes.
Existem ao todo 75 professores. De 75 urna comissao de 6 pode ser escolhida
de ( 7~) maneiras. Como sao 35 professores assistente~, existem ( 3~ ) manehas
de formar urna comissao como apenas professores assistentes. Assim a probabilidade
desej ada e ( 3~) / ( 7
~) . Calculos conduzem ao valor de 0 ,01, portanto os pro-
fesso res titulares e adjuntos nao precisam preocupar-se indevidamente com a possibi-
lidade de nao ter representagao na comissao.
3_
Exempo 8. Considere urna mao de pquer de cinco cartas. Determine a probabi-
lidade. de obter urn " four" (isto e, quatro cartas de mesmo valor) supondo que as
cinco cartas sao escolhidas ao acaso.
Podemos resolver o probierna da seguinte forma.
Existem ( 552 ) maos diferentes, que deverao ser igualmente provaveis. Assim
D tera ( 5 l)pontos. Para que o evento desejado ocorra, devemos ter quatro cartas
de mesmo valor. Existem 13 scolhas diferentes para o valor das cartas que irao
compor o " four" , a saber, 2, 3 , 4 , 5 , 6, 7, 8 , 9, 10, J, Q, K e A. Para cada urna
dessas escolhas (que determine quatro das cinco cartas da mao desejada) existem
48 cartas dentre as quais podemas escolher a 5'!- carta. Ja que cada urna das 13
escolhas do " fo ur" pode ser associada com cada urna das 48 escolhas da 5'!- carta,
existem ao to do (13)( 48) maneiras possfveis de o b ter urna mao de poquer com
quatro das cinco cartas iguais. A probabilidade desejada e portanto

(13)(48)

c;)
~ 2,40 X 10- 4 .

Exemplo 9. Suponha que se distribui n bolas em n caixas de tal forma que os


n n arranjos poss!veis sao igualmente provaveis. Deterrnine a probabili~ade de
que somente a caixa l esteja vazia.
:\este caso o espac;:o de probabilidade consiste de nn - pontos igualmente
pro aveis. Seja A o evento de que apenas a caixa l esteja vazia. Isto pode acontecer
someme se as n bolas estao nas n - l caixas restantes de tal forma que nenhuma
caixa estej a vazia. Assim, ex atamente urna dessas (n - l) caixas deve eonter duas
bolas, e as (n - 2) caixas restantes devem ter exatamente urna bola cada. Seja Bi
o evento de que a caixa i, i = 2, 3, . .. n, tenha duas bolas, caixa l esteja vazia
e as (n - 2) caixas restantes tenharo exatamente urna bola cada. Entao os eventos
Bi sao disj un tos e A= Ui =2 Bj . Para deterrninar P(Bj) observe que as duas
bolas colocadas na caixa -i podem ser escolhidas dentre n bolas de ( ~ ) maneiras.
As (n - 2) bolas podem ser rearranjadas _de (n - 2)! maneiras nas (n - 2) caixas
restantes. Assim, o numero de maneiras distintas em que podemos colocar duas
bolas na caixa i, deixar a caixa l vazia e colocar exatamente urna bola em cada urna
das caixas restante s e (~)(n - 2)! . Portanto

P(B)
n"
e conseqiientemente

P(A)
(n -
------
l)(;) (n - 2)!
------ -
(;)(n - l) !
---------
n" n"
3
.\R.TI~ ES
C a grande variedade de problemas combinatrios que envolvem amostras
.;.,s.o .en adas sao do seguinte tipo. Urna caixa eontern n bolas -vermelhas e b
brancas. Extrai-se sem reposi~ao da caixa uma .amostra aleatria de tamanho n.
Qual e a probabilid~de de que a amostra contenha exatamente k bolas vermelhas
(e portanto n- k bolas pretas?)
Para resolver o problema, argumentamos como segue. Estamos interessados
apenas no nmero total de bolas vermelhas e bolaspretas e nao na ordem em que
elas sao extrafdas. lsto e, estamos lidando com amostragem sem reposic;:ao e sem
consider~ao da ordem. Podemos, portanto, tornar o nosso espac;:o de amostra

com o sendo a cole~ao de (b ~ ') amostras de tamanho n que podem ser extraidas
dessa maneira .das r +b bolas da popula~ao. Associamos a probabilidade (b~') -l
a cada urna dessas (h ~ ') arnostras. Devemos determinar a seguir o numero de
maneiras em que sepode extrair urna amostra de tamanho n , de modo que contenha
exatamente k blas vermelhas. De r bolas vermelhas pode-se extrair k bolas
vermelhas de ( k-) maneiras, sem considerar a ordem, e de b bolas pretas pode-se
escolher n- k bolas pretas de (n ~ k) maneiras , sem considerar a ordem. Como
podemos associar cada escolha de k bolas vermelhas com cada escolha de n - k
bolas pretas, existem urn total de ( k) (n ~ kJ escolhas possveis. Assim a proba-
bilidade desejada e

A essencia deste tipo de probierna e que a populac;:ao (neste caso as bolas)


e particionada em duas classes (bolas vermelhas e pretas). Toma-se urna amostra
aleatria de urn certo tamanho e deseja-se determinar a probabilidade de que a
amostra contenha ntimeros especificos de itens das duas classes.
Em alguns prohienfas deste tipo as duas classes nao sao defmidas explicita-
mente, mas podem ser identificadas a partir dos enunciados.
Exemplo 10. Urnamao de poquer consiste de cinco cartas extradas de urn baralho
comurn de 52 cartas. Obtenha a probabilidade de que a mao tenha exatamente
dois reis.
Para resolver o problema, observe que existem ( 552) maos de poquer. Num
baralho existem 4 reis e outras 48 cartas. Isto particiona as cartas em duas classes,
reis e nao-reis, tendo 4 e 48 cartas, respectivamente . A mao de poquer e urna
amostra de tamanho 5 extraida sem reposic;:ao e sem considerac;:ao de ordem da
populac;:ao de 52 cartas. o probierna e assirn o de determinar a probabilidade de
34
que a amostra contenha 2 membros da primeira classe e 3 da segunda. Portanto
a probabilidade desejada e

3,99 X 10- 2

Exemplo 11. Urn baralho de cartas tern 4 naipes de 13 cartas: paus, ouros, copas
e espadas.
(a) Qual e a probabilidade de que em urna mao de 5 cartas exatamente 3
sejam paus?
(b) Qual e a probabilidade de que em urna mao de 5 cartas exatamente 3
sejam do mesmo naipe?
Para resolver (a) observe que as condiy6es do probierna dividem o baralho
de 52 cartas em duas classes. A primeira e a de "paus" com 13 membros, e a classe
dois e a de "nao-paus" com 39 membros. As 5 cartas constituem urna amostra de
tamanho 5 de urna populayao de 52 cartas, e o probierna requer que 3 das 5 cartas
sejam da classe l. Assim, a probabilidade desejada e

p 8,15 X 10- 2 .

Para resolver (b), seja A 1 o evento de que exatamente tres cartas sejam
paus, A 2 o de que exatamente tres sejam ouros, A 3 o de que exatamente tres
sejam copas e A 4 o de que exatamente tres sejam espadas. Entao, como existem
apenas 5 cartas na mao, os eventos A 1 , A 2 , A 3 e A 4 sao mutuamente disjuntos .
Sua uniiio A 1 U A 2 U A 3 U A 4 e o evento de que exatamente 3 das 5 cartas sejam
do mesmo naipe. Assim a probabilidade desejada e 4p.
Exemplo 12. Considere novamente urna mao de poquer de 5 cartas. Qual e a proba-
bilidade de que ela seja urn "fuli house" (isto e, urn par de cartas de igual valor
e urna trinca de cartas de igual valor) , supondo que as cartas sao extrafdas do ba-
ralho ao acaso?
Para resolver o problema, observamos novamente que existem ( 552 ) maos
equiprovaveis de poquer. Dentre elas devemos agora determinar o numero de ma-
neiras em que podemes ter urn par e urna trinca. Considete o numero de maneiras
em que po dernos escolher urna trinca particular, digamos 3 ases , e urn par particular,
digamos 2 reis. A trinca tern 3 cartas que serao escolhidas sem considerayao de
orderu dentre 4 ases, e isso pode ser feito de ( j )maneiras. O par tern 2 cartas
que serao escolhidas sem considera9ao de orderu dentre 4 reis. Isso pode ser feito
de ( i )maneiras. Entao o numero total de maneiras de se obter urna mao com
urna trinca de ases e urn par de reis e (
j )(i) . Assim, a probabilidade de obter uma
mao com urna trinca de ases e urn par de reis e (j )(i) / (5l) =p . aturalmente
esta probabilidade seria a mesma para qualquer par especifico e qual quer trinca
especifica. Mas o valor das cartas da trinca pode ser qualquer urn dos 13 , e o valor
das cartas do par, pode ser qualquer urn dos 12 restantes. Como cada urn dos 13 va
lores da trinca pode ser associado a c ada urn dos 12 valores do par, existem ( 13) (12)
escolhas desse tipo. Cada urna dessas escolhas constituem urn evento disjunto tendo
probabilidade p , de modo que a probabilidade desej ada e

3 2 4 6
(5lJ "" ,
( 13)(1 2)p = (l )(1 )( )( ) l 44 X 10- 3 .

Exemplo 13. Qual e a probabilidade de obter exatamente dois pares? Aqui urna
mao como (2 , 2, 2, 2, x ) nao eontacorno dois pares mas como urna quadra.
Para resolver o probierna observamos que se a mao tern dois pares, entao
duas cartas tern o mesmo valor x, duas tern o mesmo valor y =l= x e a quinta carta
tern urn valor diferente de x e y . Existem 13 valores diferentes. Os valores dos
pares podem ser escolhidos de ( 1) maneiras. A outra carta pode ter qualquer
urn dos 11 valores restantes. As duas cartas de valor x podem ser escolhidas dentre
4 cartas deste valor de (i) maneiras, o mesmo valendo para as duas cartas de
valor y. A Ultima carta de valor z pode ser escolhida de (i) = 4 maneiras dentre
as quatro com esse valor. Assim o nfunero total de escolhas e (l) (11) (i )(i)C4) ,
e portanto a probabilidade desejada e

Em alguns problemas envolvendo


no exemplo a seguir.
parti~oes as classes sao imaginadas como
..

Exemplo 14. Suponha que ternos urna caixa contendo r bolas numeradas de l a r.
Toma-se urna amostra aleatria sem reposi~ao de tamanho n e registra-se os nu-
meros das bolas. Repoe-se as bolas a caixa e torna-se urna segunda amostra aleatria
sem reposi~ao de tamanho m . Determine a probabilidade de que duas amostras
tenham exatamente k bolas em comum.
Para resolver este probierna podemos argumentar como segue. O efeito da
primeira amostra e participar as bolas em duas classes: as n bolas selecionadas
e as r - n nao-selecionadas (podemos imaginar que as n bolas da primeira amostra
sao pintadas de vermelho antes de serem repostas nas caixas). O probierna e entao
36
deterrrlinar a probabilidade de que a aroostra de taroanho n contenha exataroente
k bolas da primeira classe, de modo que a probabilidade desejada e

Se o argumento fosse conduzido de forma inversa e pensassemos na segunda


amostra fazendo a partiyao obteriamos a probabilidade

Deixaroos como exercicio mostrar que essas duas probabilidades sao iguais.
Podemos estender facilmente a nossa considerayao de dividir urna populayao
em duas classes para m ;;;. 2 classes. Suponha que ternos urn eonj unto de r objetos
tais que cada objeto e de urn dos m tipos possiveis. A populayao consiste de r 1
objetos do tipo 1, r2 objetos do tipo 2, ... , rm objetos do tipo m, on de
r 1 + r2 + + 'm=r. Extraindo-se urna amostra aleatria sem reposiyao de ta-
manho n da populayao desses r objetos, qual e a probabilidade de que a aroostra
contenha exatamente k 1 , objetos do tipo l , : . . , km objetos do tipo m onde
k 1 + .. +km=n ?
Urna vez mais o espayo de probabilidade e a coleyao das ( ~) amostras igual-
mente provaveis de taroanho n que se pode extrair sem reposiyao e sem conside-
rayao de ordem da populayao de r objetos. Pode-se escolher os ki objetos do
tipo i na aroostra. dos ri objetos deste tipo na populayao sem considerayao de
ordem de ( ~i. ) maneiras. Assim, a probabilidade de escolher a aroostra com a
COmpoSiyaO eSpecificada e
l

Exemplo 15. Em urna mao de 13 cartas de urn baralho comum, obtenha a probabi-
lidade de ocorrer exataroente 3 paus, 4 ouros, 4 copas e 2 espadas.
Neste probierna r =52 e n = 13. S e a classe l econtituida de paus, classe 2 de
ouros, classe 3 de copas e classe 4 de espadas, entao m = 4, k 1 = 3, k 2 = 4, k 3 = 4,
e k4 = 2, de modo que a probabilidade desejada e

37
Exemplo 16. Problernade comissao. No probierna da comissao discutido anterior-
rnente , obtenha a probabilidade de que unta comissao de 6 rnernbros seja cornposta
de 2 professores titulares, 3 professores adjuntos e l professor assistente.
Usando o rnModo acirna, obtemos a resposta como sendo

2.5. UNIA.O DE EVENTOS*


Considere novarnente a perrnuta9ao aleatria de n objetos distintos. Dizernos
que ocorre urn encontro na i-esirna posi9ao se o i-esirno obje to ocupa a i-esirna posi9ao.
Seja A i o evento de q ue ocorre urn encontro na posi9ao i. Entao A = U7= 1 A;
e o evento de que ocorre pelornenos urn encontro. Podernos determinar PCU7= 1 A;)
para n = 2 atraves da Equa9ao (l O) do Capitul o l que estabelece que
P(A 1 u A 2 ) = P(A 1 ) + P(A 2) - P(A 1 n A 2).

E possivel usar esta frrnula para obter urna frrnula sernelhante para n = 3.
Sejam A 1 , A 2 e A 3 treseventoseseja B=A 1 UA 2 Entao
P (A 1 u A 2 u A 3 ) = P (B u A 3 ) = P (B ) + P(A 3 ) - P ( 'J n A 3 ).
Mas
(4) P (B ) = P (A 1 u A 2 ) = P (A 1 ) + P (A 2 ) - P (A 1 n A 2 ) .
corno B llA 3 = (A 1 UA2 ) U A3 = (A 1 ll A 3 ) u (A2 ll A3), segue-se que
(5) P(B n A 3 ) = P (A 1 n A3 ) + P (A 2 n A 3 ) - P(A 1 n A 2 n A 3 ) .
Substituindo(4)e(5)naexpressaode P (A 1 U A 2 UA 3 ) , vernosque
P(A 1 u A 2 u A 3 ) = [P(A 1) + P (A 2 ) - P (A 1 n A 2 )] + P(A 3 )
- [P(A 1 n A 3 ) + P (A 2 n A 3 ) - P(A 1 n A 2 n A 3 )]

= [P(A 1 ) + P (A 2 ) + P (A 3 )]

- [P(A 1 n A 1) + Pf.A 1 n A 3 ) + P(A 2 n A 3 )]

+ P(A 1 n A 2 n A 3 ) .
Para expressar esta frmula de rnaneira rnais conveniente, fazernos
S 1 = P(A1) + P (A1 ) + P(A3) ,

S 2 = P(A 1 n A 2 ) + P(A 1 n A 3) + P(A2 n A3),


e

38
Entao
(6)

Existe urna generalizac;:ao de (6) que e valida para todo numero inteiro po-
sitivo n. Considere os eventos A 1 ,A 2 , . . . ,A 11 Defina n numeros S,, l ";;, , ";;,n ,
atraves de

S, = L P(A;, n n A;J.
l ~ i1 < <i,.$.n

Entao, em particular

n-l n
s2 =L L i= l j=i+ l
P(A;nA) ,
e
Sn = P(A 1 nn A").

A frmula desejada para P(U7= l A;) e dada por


(7) , p (Ol A;) = Jl (-l)'- lS,
= Sl- S2 + .. . + ( - 1)"-IS".

O leitor pode facilmente ve.rificar que es ta frmula es ta de acordo com ( 6) se n = 3


e com a Equac;:ao 10 do Capitulo l se n = 2. A demonstrac;:ao de (7) se faz por
induc;:ao, sendo anilaga a de (6). Ornitiremos os detalhes da demonstrac;:ao.
A soma S 1 tern n termos, a soma S 2 tern ( 2J termos, e em geral a soma
S, tern ( ~) termos. Isto pode ser verificado observando que a r-6sima soma e
simplesmente a soma dos numeros P(A;, n n A;.) sobre todos os valores dos
indices i 1 , i 2 , . . , i, tais q ue i 1 < i 2 < < i,. Os indices assumem valores entre
l e n. Assim o numero de diferentes valores que estes i'ndices podem assurnir
e igual ao numero de marreiras diferentes em que podemas selecionar r numeros
distintos dentre n numeros, sem reposic;:ao esem considerac;:ao de ordem.

2.6. PROBLEMAS DE ENCONTRO


Podemos agora resolver facilmente o probierna do numero de encontros. Seja
A i o evento de que ocorre urn encontro na posic;:ao i e seja Pn a probabilidade
de que nao ocorra nenhum encontro. Para determinar l - Pn =P(U7= 1 A;), preci-
samos deterrninar P(A;, n A; 2 n n A;J onde i 1 , i 2 , . . . , i, sao r numeros dis-
tintos { l, 2, ... , n}. Mas esta probabilidade e simplesmente a probabilidade de
ocorrer urn encontro em cada urna das posic;:oes i 1 , i 2 , . . , i,, e ja de terminamas
39
esta probabilidade como sen do (n - r) !/n!. Corno a r-esima soma S, tern exa-
tamente (~) termos, vimos que

P(A 1 uu A.) = f (n)r ~n_-=n!_!1! ( -1)' - 1


r=l

(n - r)!
= L" C-ly-1 - - -
n!
r= 1 r!(n r)! n!
" (-ly-1
= r~l --
, -, - ;

isto e,
l l (-l)"- l
(8) (l - p) = l - - + - - ... + -'-----:._____
" 2! 3! n!
Usando (8), vemos que a probabilidade Pn de que nao ocorra encontros e

(9) Pn
l
= l - l + - - - + +
2!
l
3!
-=--- = L -=---)k
( l)"
n! k=o
" ( l
k!
Vemos que o segundo membro de (9) e simplesmente os pmeiros n + l
termos da expansao de e- 1 em serie de Taylor. Portanto, podemos aproximar
Pn por e- 1 e obter l - e- 1 = 0,6321. .. como urna aproximas:ao de (l - Pn)-
Vefica-se que esta aproximas:ao e extremamente boa, mesmopara valores pequenos
de n. Na tabela abaixo apresentamos valores de (l - Pn) para diversos valores de n.

n 3 4 5 6

1-Pn 0,6667 0,6250 0,6333 0,6320

Ternos assim, o extraordimio resultado de que a probabilidade de ocorrer


pelo menos urn encontro entre n objetos pennutados aleatoamente e pratica-
mente independente de n.
O probierna de encontros pode ser reformulado de varias maneiras diferentes.
Urna das mais famosas e a seguinte: Toma-se dois baralhos equivalentes de cartas
e forma-se pares com urna carta de cada baralho. Qual e a probabilidade de ocorrer
pelo menos urn encontro?
Para resolver o probierna precisamos observar apenas que se pode usar o pri-
meiro baralho para de terruinar as posis:oes ( caixas). Sem perda de generalidade
podemos supor que as cartas do primeiro baralho estao arranjadas na ordem
l, 2, . .. , n. Associa-se entao as cartas do segundo baralho (bolas) as posis:oes
deterrninadas pelo pmeiro baralho. Urn encontro ocorre na posis:ao i se, e somente
se, a i-esima carta extraida e a de nfunero i.
40
Agora que sabemos como determiar a probabilidade Pn de nenhum en-
contra, podemas obter facilmente a probabilidade f3n(r) de que haja exatamente
r encontros. Para resolver o problema, determinamos iniialrnente a probabilidade
de que haja exatamente r encontros e que estes ocorram nas primeiras r posi~6es.
Isto pode acontecer somente se nao houver encontros nas (n - r) posi~6es restantes.
A probabilidade de que nao haja encontros em j objetos permutados aleatoriamente
e Pj Portanto, j! Pj e o numero de maneiras em q ue se pode permutar j objetos
entre si de modo que haja encontros (Por que?). Ja que existe apenas urna maneira
de ter r encontros nas primeiras r posi~6es o numero de maneiras em que podemas
ter r encontros nas primeiras r posi~6es e nao ter nenhum encontro nas (n - r)
posi~6es restantes e (n - r)! Pn _ r Assim, a probabilidade desejada e

(n - r) !
a, = - - -- Pn-r
n!
A probabilidade de que haja exatamente r encontros e que estes ocorram em r
posi~6es especifi cas quaisquer e a mesma para todas as especifi ca~6es das posi-
~6es , isto e, Ci.r .

Para re solver o probierna de que haj a exatamente r encontros, tudo que


e necessario perceber agora e que os eventos " exatamente r encontros ocorrendo
nas p os i ~6e s i 1 , i2 , . . . , ir'' sao eventos disjunt os para as diversas escolhas de
i 1 , i2 , . , ir. O numero de tais escolhas e ( ~) . Assim, a probabilidade desejada
e ( ~ ) cxr. Portan to , se f3n(r) e a probabilidade de que ocorra exatamente r en-
contros entre n objetos permutados aleatoriamente, obtemos

(l O)

n! (n-r)! Pn-r
- - -- - -
r! (n - r)! n!

Pn - r
r!

Usando o fato de que Pn _ r e aproximadamente igual a e- 1 (aproximac;;ao


que e bastante boa mesmopara n-r moderadamente grande) obtemos

(11)

Como ilustra~ao fmal dessas ideias, determinaremos a probabilidade de que


ocorra urn encontro na posi~ao j, dado que ocorrem exatamente r encontros.
41
Para resolver este problema, seja Aj o evento de que ocorre urn encontro
na posi<;:ao j e B, o evento de que ocorram exatamente r encontros. A proba-
bilidade desejada e P(Aj/B, ). De (l O) ternos P(B,) = Pn _ ,jr!, de modo que pre-
cisamos determinar P(Aj !l B,). Mas o evento Aj !l B, ocorre se, e somente se,
ex.iste urn encontro na j-esima posis:ao e existem exatamente (r - l) encontros
nas (n - l) posi<;:6es restantes. O numero de marreiras em que podemas ter exa-
tamente (r - l) encontros em (n - l) posi<;:6es e (n - l)! ~n _ 1 (r - l). Assim

P(Aj n B,) = ~n l)

Pn-r
(r-l)!n
Portanto
Pn-r r! r
P(Aj l B,)
n(r - l)! Pn-r n

2.7. PROBLEMAS DE OCUPA<;AO


Urna grande variedade de problemas combinatrios de probabilidade sao
equivalentes ao probierna de distribuir n bolas distintas em r caixas distintas.
Como qualquer urna das n bolas pode ocupar qualquer urna das r caixas, existem
ao todo ,n marreiras diferentes de distribuir as bolas nas caixas. Supondo que a
distribuis:ao e feita ao acaso , cada urna dessas marreiras tern probabilidade ,;-n.
0 espayO de probabilidade S/. para este experirnento tern portanto rn pontos
igualmente provaveis. Nos problemas envolvendo esta distribuis:ao de bolas, irn-
pomos diversas condi<;:6es sobre a ocupa<;:ao das caixas e perguntamos qual a pro-
babilidade de que ocorra a situa<;:ao especificada. Como primeiro exemplo considere
o probierna seguinte.
Distribuindo-se aleatoriamente n bolas em r caixas, qual e a probabilidade
de que nenhuma caixa contenha mais de urna bola?
Para resolver o problema, observe antes de mais nada que a probabilidade
desejada e O se n > r, por isso suponha que n ,;;;;; r. Entao (pensando na distribuis:ao
das bolas urna a urna) a prirneira bola pode ir para qualquer urna das r caixas,
a segunda para qualquer urna das (r- l) caixas restantes etc., de modo que existem
ao t odo (r )n marreiras diferentes. A probabilidade desejada een tao (r )n/rn.
Esta probabilidade e exatamente a mesma de extrair com reposi<;:ao urna
amostra de tamanho n de urna populas:ao de r- objetos e obter urna amostra em
que todos os objetos sao distintos, Observe tambero que rn e o numero de amostras
de tamanho n de urna populas:ao de r objetos distintos. Isto nao e acidental.
Extrair aleatoriamente n objetos com reposi<;:ao e formalmente o mesmo que
42
?tro
distribuir aleatoriamente n bolas em r caixas. !sto pode ser constatado simples-
'ba. mente pensando na distribuis;ao das bolas nas caixas da forma seguinte. Extraimos
re.
primeiro urna amostra de tamanho n de urn eonjunto de r objetos, e se o i-esimo
:e,
elemento de amostra for o j-esimo objeto, colocarnos a bola i na caixa j. As vezes
)S
e util pensarna aroostragem aleatria com reposis;ao desta maneira, isto e, como distri-
buis;ao aleatria de bolasem caixas (veja o probierna de cupom ao fmal do capitulo) .
Considere a distribuis;ao aleatria de n bolas em r caixas. Qual e a proba-
bilidade de que urna bola especffica , digamos bola j , esteja em urna caixa especifica,
digamos caixa i? Se a bola j esta na caixa i, ternos (n - l) bolas para distribuir
nas r caixas sem restris;ao quanto ao destino das bolas. Pode-se colocar a bola j
na caixa i de urna maneira apenas , e as (n - l) bolasrestantespodem ser colocarlas
nas r caixas de rn -l maneiras. Assim a probabilidade desejada e rn -l frn = 1/r.
Traduzindo em linguagem de aroostragem aleatria, vemos que em urna amostra
aleatria de tamanho n, extrafda com reposis;ao de urna populas;ao de r objetos, e
igualmente provavel que o j-esimo elemento da amostra seja qualquer urn dos
r objetos.
As consideras;oes acima estendem-se facilmente de urna caixa especffica para
k caixas, l ~ k ~ r . Deixamos como exercfcio mostrar que a probabilidade de
que k bolas especfficas ocupem k caixas especfficas e. simplesmente ,-~
Em linguagem de aroostragem aleatria este resultado diz que se extrairmos com
reposis;ao urna amostra de tamanho n de uma populas;ao de r objetos, a probabili-
dade de que o j 1 -esimo, j 2 -esimo, ... h -esimo elementos da amostra sejam k obje-
tos especificos quaisquer e r -k.
Seja Aj(i) o evento de que o j-esimo elementoda amostra e o i-esimo objeto.
Entao acabamos de dizer que para qualquer escoha j 1 < j 2 < <h, 1 . ~ k ~n,
de elementos de amostra (isto e, bolas) e qualquer escoha i 1 , i 2 , , ik de objetos
(isto e, caixas), ternos

P(Aj,(i 1) n Ah(i 2 ) n n Ah(ik)) r -k .

Como P(Aj(i)) = ,-l para qualquer j e i, ternos que

(12)

Como esta relas;ao e vaiida para todo k e todas as escolhas de j 1 , ,h, vemos
que os eventos A 1 (i 1 ), , A n (i n) stlo mutuamente independentes para qualquer
i1,i2, .. . ,in.
, Se pensarnos na extras;ao aleatria de urna amostra de tamanho n de urn
eonjunto de r objetos distitos como n repetis;oes do experimento de escolher
ao acaso urn objeto deste mesmo conjunto, vemos que a afirmas;ao de que os eventos
A 1 (i 1 ), . . , AnCin) sao independentes significa que o resultado de urn experimento
nao tern influencia algurna sobre os resultados dos outros experimentos. Natural-
mente isto esta bem de acordo com a nos;ao intuitiva de aroostragem aleatria.
43
Exemplo 17. Suponha que se distribui aleatoriamente n bolas em r caixas. Obtenha
a probabilidade de que tenha exatamente k bolas nas primeiras r 1 caixas.
Para resolver o probierna observe que a probabilidade de que urna dada bola
esteja em urna das primeiras r caixas, e rtfr. Pense na distribuis:ao de n bolas
como n repeti96es do experimento de colocar urna bola em urna das r caixas.
Suponha que o resultado e considerado sucesso se a bola cai em urna d as primeiras
r1 caixas, e fracasso caso contnirio. Entao, do resultado da Ses:ao 1.5 ., vemos
que a probabilidade de que as primeiras r 1 caixas contenham exatamente k bolas e

2.8. NUMERO DE CAIXAS VAZIAS


Voltamos a considerar novamente o probierna da distribuis:ao aleatria de
n bolas em r caixas e investigamos a probabilidade Pk(r , n) de que exatamente
k caixas estejam vazias.
Iniciamos a resolver o probierna representando por Ai o evento de que a
i-esima caixa esta vazia. Para que este evento ocorra, todas as n bolas devem estar
nas (r - l ) caixas restantes, e isto pode acontecer de (r - l) n maneiras. As sim,
P(Ai) = (r -l)n/rn =(l - 1/r)n.
De maneira semelhante , se l< i 1 < i 2 < < ik < r, o evento Ai 1 n Ai 2 n
n Aik ocorre se, e somente se, todas as bolas estiverem nas r - k caixas restantes .
Conseqiientemente P(Ai 1 n n Aik) = (r - k)n /rn =(l - k/r)n . Podemos agora
aplicar (7) para determinar a probabilidade de A 1 U U A n que e simplesmente o
eventodeq~epelomenos umacaixaestejavazia . Nestasituas:ao Sk = (~) (1-k /r)n ,
de modo que usando (7) obtemos
r
I (- nk-1 sk
k=l

t (_
k= l
l )k - 1
( /')
J.;,
( l ~) n
l

Assim a probabilidade p 0 (r, n) de que todas as caixas estej am ocupadas e


(13) Po(r, n) =

Como etapa seguinte determinamos a probabilidade a.k(r, n) de que exa-


tamente k caixas especificas ( digamos as primeiras k caixas) estejam vazias. Es te
44
evento pode ocorrer se todas as n bolas estiverem nas (r - k) caixas restantes
e se nenhuma dessas r- k caixas estiverem vazias. O numero de marreiras em q ue
podemos distribuir n bolas em (r - k) caixas de modo que nenhuma caixa fique
vazia e (r- k) n p 0 (r- k, n). Assim, a probabilidade desejada e
(1 4) ak(r, n) = (r - _k)np 0 ~r - k ,_!!)
r

= (1 - ;) n p 0 (r - k , n).

Podemos agora de terroinar facilmente as pro babilidades p k (r , n). Para cada escolha
de k numeros distintos i l' i2' ... ' i k do eonjunto de numeros { l' 2, ... ' n}'
o evento{exatamente k caixas i 1 , i 2 , . . , ik vazias}tem piobabilidade cxk(r, n)
e estes eventos sao mutuamente disjuntos. Existem ( ~) tais eventos e sua uniao
e simplesmente o evento exatamente k caixas vazias. Assim

(15) Pk(r, n) = (~) (l ;) n p 0 (r - k, n) .

Usaudo a expressao de p 0 (r, n) dada em (13) vemos que

(16) Pk(r, n)= (kr)r-k


j~O (-l)j
(r -j k)( l - j+k)n
- ,- .

Como acontece com o probierna dos encontros, os problemas de ocupayao


tern diversas formulay5es. Apresentamos a seguir urna das mais famosas entre elas.
Probierna do cupom. Coloca-se cupons ou, nos dias atuais, brinquedos nas
caixas de cereais para atrair compradores infantis. Suponha que existem r tipos
de cupons ou brinquedos e que e igualmente provavel que urna dada caixa contenha
qualquer urn deles. Suponha que se adquire n caixas, determine a probabilidade de
(a) obter urna cole9ao com pelo me nos urn de cada tipo,
(b) nao obter exatamente k dos r tipos de cupons ou brinquedos.

Exercfcios

l. O cdigo genetico especifica urn aminoacido atraves de urna sequencia de tres nu-
cleotideos. Cada nucleotideo pode ser de urn dos quatro tipos T, A, C e G, sendo
permitidas as repeti96es. Quantos aminoacidos podero ser codificados desta
maneira?
2. O cdigo Morse consiste de urna sequencia de pontos e tra9os em que repeti96es
sao permitidas.
(a) Quantas letras sepode codificar usando exatamente n simbolos?
(b) Qual e o nt1mero de letras que se pode codificar usando n ou me os
simbolos?
3. Urn harnem passui . n chaves das -quais, exatarnente urna abre a fechadura.
Ele experirnenta as chaves urna de cada vez, esco1hendo ao acaso ern cada ten-
tativa urna das chaves que nao forarn experirnentadas. _Deterrnine a probabilidade
de que ele escolha a chave correta na r-esirna tentativa.
4. Urn onibus parte com 6 pessoas e para ern 10 pontos diferentes. Supondo que
os passageiros tern igual probabilidade de saltar ern qualquer parada, deterrnipe
a probabilidade de que dois passageiros nao desernbarquem na rnesrna parada.
5. Suponha que ternos r caixas. Bolas sao colocadas aleatoriarnente nas caixas,
urna de cada vez, ate que algurna caixa contenha :luas bolas pela prirneira vez.
Deterrnine a probabilidade de que isto ocorra na n-esirna bola.
6. Urna caixa eontern r bolas nurneradas de l a r. Seleciona-se ao acaso N bolas
da caixa ( onde N.;;:; r), registra-se os seus numeros e repoe-se as N bolas na caixa.
Se esse processo e repetido r vezes, qual e a probabilidade de que nenhurna
das N bolas originais seja duplicada?
7. Se Sarn e Peter estao entre n homens dispostos aleatoriarnente ern urna fila
qual e a probabilidade de que haja exatarnente k homens entre eles?
8 . Um dornin e urn bloco re tangul ar dividido ern doi s su b-retangulos, como
ilustra a figura abaixo. Cada sub-retangulo passui urn m1rnero; sejarn x e y
esses numeros (nao necessariarnente distintos). Corno o bloco e sirnetrico,

X Y

o domin (x, y ) e o rnesrno que (y, x). Quantos blocos diferentes de domin
se pode fazer usando n numeros diferentes?
9. Considere o probierna de encontros envolvendo n objetos e sejarn i e r duas
posis;oes especlficas distintas.
(a} Qual e a probabilidade de q ue ocorra urn eneontra na posis;ao i e nao
ocorra na posis;ao r?
(b) Dada que nao ocorre urn encontro na posis;ao r, qual e a probahilidade
de urn encontro na posis;ao i?

l O. Suponha que se distribui n bolas ern n caixas.


(a) Qual e a probabilidade de que exatarnente urna caixa esteja vazia?
Sugestiio : use o resultado do Exernplo 9.
(b) Dado que a caixa l esta vazia, qual a probabilidade de que sornente urna
caixa estej a vazia?
(c) Dado que sornente urna caixa esta vazia, qual a probabilidade de que a
caixa l esteja vazia?
l l. Se distribuimos aleatoriarnente n bolas ern r caixas, qual e a probabilidade
de que a caixa l contenha exatarnente j bolas, O .;;:; j .;;:; n?
46
12. Mostre que

n_ l)n-1 < (s)n ( ])n-1 -


( 1- - s- -
- <
s" -
1- -
s

13. Urna caixa eontern b bolas pretas e r bolas vermelhas. Bolas sao extraidas
sem reposi9ao, urna de cada vez. Determine a probabilidade de obter a primeira
bola preta na n-esima extra9ao.
O probierna seguinte diz respeito a maos de pquer. Urn baralho tern 52 cartas.
Estas cartas consistem de 4 naipes chamadas paus , ouros, copas e espadas.
Cada naipe tern 13 cartas com os sfmbolos 2, 3, 4 , . .. , 10, J, Q, K, A. Urna
mao de pquer consiste de 5 cartas extra!das do baralho sem reposir;:ao e sem
considera9ao de ordem. Considera-se que constituem seqiiencias as maos dos
seguintes tipos: A, 2, 3, 4, 5, 2, 3 , 4 , 5, 6; ___; 10 , J , Q, K, A.
14. Determine a probabilidade de ocorrencia de cada urna das seguintes maos de
pquer:
(a) Royal flush ((lO, J, Q, K, A) do mesmo naipe);
(b) Straight flush ( cinco cartas do mesmo naipe em se qiiencia) ;
(c) Four (valores da forma (x, x, x, x, y) on de x e y sao distintos);
(d) Fuli house (valores de forma (x, x, x, y, y) on de x e y sao di sti ntos);
(e) Flush ( cinco cartas do mesmo ~aipe);
(f) Straight ( cinco cartas em seqiiencia, sem considerac;ao de naipes);
(g) Trinca (valores de forma (x, x, x , y, z) onde x, y, e z sao distintos) ;
(h) Dois pares (valores da forma (x, x, y, y, z) onde x, y e z sao distintos);
(i) Urn par (valores da forma (w, w, x, y, z) onde w,x,y e z sao distintos).
15. Uma caixa eontern dez bolas numeradas de l a 10. Seleciona-se urna amostra
aleatria de 3 elementos. Determine a probabilidade de que as bolas l e 6
estejam entre as bolas selecionadas.
16. Extrai-se urna a urna as cartas de urn baralho comurn ate obter o primeiro
rei. Determine a probabilidade de que isto ocorra na n-esima carta extrafda.
17. Suponha que se extrai urna amostra de tamanho n de urna popula9ao de r
elementos. Determine a probabilidade de que nenhum dos k elementos espe-
cfficos esteja na amostra se o metodo utilizado e
(a) aroostragem sem reposi9ao;
(b) aroostragem com reposi9ao .
18. Suponha que se extrai, sem reposi9ao, urna amostra de tamanho n de urna
popula9ao de r elementos. Obtenha a probabilidade de que k objetos dados
estejam inclu!dos na amostra.
19. Suponha que se permuta n objetos aleatoriamente entre si. Mostre que a
probabilidade de que k objetos especificos ocupem k posi96es especificas
e (n -k)! /n!.
_Q. Em relac;:ao ao Exerplo 14, mostre que

r -
( 111 -
11)
k c~) c= ~n
c:J (:;)
21. Urna caixa eontern 40 fus{veis bons e 10 defeituosos. Supondo que se seleciona
l o fus!veis, qual e a probabilidade de q ue to dos eles sejam bons?
22. Qual e a probabilidade que as maos norte e su! de bridge juntas (urn total de
26 cartas) eontenbam exatamente 3 ases?
23. Qual e a probabilidade de que de 4 cartas extradas de urn baralho, 2 sejarn
pretas e 2 vermclhas?
24. Determine a probabilidade de que urna mao de pquer nao contenha nenhuma
carta inferior a 7, dado que eontern pelo menos urna carta superior a 10, onde
ases sao consideradas cartas altas.
25. S e voce possui 3 bilhetes de urna loteria para a qual se vendeu 11 bilhetes e
existem 5 premios, qual a probabilidade de voce ganhar pelo menos urn premio?
26. U ma caixa de 100 retentores eontern 5 itens defeituosos. Qual e a probabilidade
de que dois retentores selecionados ao acaso (sem reposic;:ao) da caixa sejain
ambos bons?
27. Considere duas caixas , cada uma com r bolas numeradas de l a r . Toma-se
de cada caixa urna amostra aleatria sem reposic;:ao de tarnanho n ";; r.
Obtenha a probabilidade de que as amostras contcnharn exatamente k ele-
mentos em comum.

48
VARIAVEIS ALEATORIAS DISCRETAS

Considere o experirnento de lanyar urna moeda tres vezes em que a probabi-


lidade de obter cara em urn lanyarnento individual e p . Suponha que ganhemos $ l
dlar para cada lanyarnento que resulte em cara, mas percarnos S l dlar para cada
lanyarnento que resulte em coroa. Nesta situayao, a quantidade de interesse e clara-
mente o nosso ganho total. Seja X essa quan tidade. E claro que X pode assumir
somente os valores S 3, S l , -S l e -S 3. ao podemos dizer com certeza qual
destes sera o valor de X , urna vez que este valor depende do resultado de nosso
experirnento aleatrio . Se, por exemplo , o resultado for HHH , X sera $3; enquanto
para o resultado HTH, X sera S l. a tabela abaixo listarnos os valores de X
( em dlares) correspondentes a c ada urn dos oito poss1veis resultados.

w X(w) P{w}
HHH 3 p3

HHT l p2(1 - p)

HTH l p2(1 - p)

THH l p2(1 -p)

HIT -l p(l - p)2

THT -l p(l - p)2

TTH -l p(l - p)2

TTT -3 (l - p)3

Podemos pensar em X como urna funy:Io real no espayo de probabilidade


correspondente ao experirnento. Entao, para cada w E n, X( w) e urn dos valores
3, l, -1, -3. Considere, por exemplo, o evento l w: X(w) =l~. Este eonjunto
eontern os tres pontos w 2 , w 3 e w 4 correspondentes a os resultados HHT, HTH
e THH, respectivarnente. A Ultirna coluna da tabela da as probabilidades associa as
aos oito resultados possiveis do experirnento. Desta tabela vemos que o evento
{w : X(w) =l} tern probabilidade 3p 2 (1 - p). Geralmente expressamos estefato
abreviadamente dizendo que { X= l } tern probabilidade 3p 2 (l - p). Considerac;:oes
sirnilares naturalmente se aplicam a outros valores que X pode assurnir. Vemos por-
tanto que para cada valor possivel de X existe urna probabilidade precisamente
definida de X assurnir esse valor. Como veremos na sec;:ao seguinte, a quantidade
X e urn exemplo do que se chama variavel aleatria discreta.

3.1. DEFINI~ES
Seja (D, d, P) urn espac;:o arbitrario de probabilidade e seja X urna func;:ao
real em n , tomando apenas urn mimero finito ou infmito enumeravel de valores
x 1 , x 2 , Como no exemplo que acabamos de dar, certamente gostar{amos de
po der falar na probabilidade de q ue X as suma o valor x i para cada i. Para isso,
precisamos sa ber que {w E n: X(~) = X } e llffi evento, isto e, urn membro de
d para cada i . Se, comono exemplo anterior, d e o a-algebra de todos os sub-
conjuntos de n, este certamente e o caso. Pois neste caso, nao importa qual seja
X, { w: M(w) = X } e urn subconjunto de n e portanto urn membro de d,
ja que d eontern todos os subconjuntos poss{veis de n. Entretanto, como in-
dicamos na Sec;:ao 1.2., em geral d nao consiste de todos os subconjuntos de D,
de modo que nao ternos nenhuma garantia de que {w E n: X(w) = X } esteja em
d . A unica saida razoavel e supor explicitamente que X e urna func;:ao em n
tal que satisfac;:a a condic;:ao desejada. !sto nos conduz adefinic;:ao a seguir.
Defini~iiol. Urna variavel aleatria discreta real X , em urn espa<;:o de
probabilidade (D, .<4, P), e urna func;:ao X cujo dominio e n e cujo
contradominia e urn subconjunto finito ou infinito enumeravel {X l' x2' ... }
dosnumerosreais R talque { w:X(w)=xi } eumeventoparatodo i.
Entao {w: X(w) = X } e por defmic;:ao urn evento e podemos falar de sua
probabilidade. Por brevidade representamos em geral o evento { w: X(w) = X}
por { X = X } , e a probabilidade deste evento por P(X = xi) em vez de
P({ w:X(w) = X }).
Seja X urna variavel aleatria discreta real. Entao { w : X(w) = x } e urn
evento para qualquer numero real x . Realmente, se x 1 , x 2 , .- sao os valores
que X pode assurnir, { w : X(w) = X } e urn evento de acordo com a definic;:ao
de urna variavel aleatria discreta real. Se X nao e urn desses valores, entao
{ w : X(w) = x } = cp que tambero e urn evento.
Se os valores possiveis de urna variavel aleatria discreta X consistem apenas
de ntimeros inteiros ou de numeros inteiros nao-negativos, dizemos que X e urna
"'
variavel aleatria inteira ou urna variavel aleatria inteira nao-negativa, respectiva-
mente . A maioria das variaveis aleatrias discretas, que ocorrem nas aplicac;:oes,
siio inteiras nao-negativas.
50
Defini~ao 2. Chama-se fun~ao discreta de densidade X a urna fun c;;ao ~e::.. .--
definida por f(x) = P(X = x). Diz-se que urn numero real X e urn -c.: ::
possivel de X se f(x) >O.
Representaremos a func;;ao de densidade de X por f x sempre que necessano
para indicar que ela e func;;ao de densidade relativa avariavel aleatria X.
Exemplo l. Seja X a variavel aleatria introduzida no comec;;o deste capituJo
na discussao de tres lanc;;amentos de urna moeda com, digamos, p = 0,4. Entao
X tern a densidade discreta f dada por
f(-3) = 0 ,216; f(-l) = 0,43 2; f(l) = 0,288; f(3) = 0 ,064
e f(x) = O se x =l= -3 , -l , l , 3 . Pode-se representar esta densidade por meio de
urn cliagrarna como ilustra a Figura l

0.432

0,288
0,216

0,064

-3 -2 -1 o 2 3

Figura l

Exemplo 2. Distribui<;:ao binomial. Considere n repetic;;oes independentes de


urn experimento simpies do tipo sucesso-fracasso discutido na Sec;;ao 1.5. Seja Sn
o numero de sucessos em n repetic;;oes. Entao Sn e urna variavel aleatria que
pode assumir somente os valores O, l, 2, ... , n. Mostramos no Capituo l que,
para urn numero inteiro k , o< k <n,

P(Sn = k) = (~) l(l - p)n-k;

(C)
portanto a densidade f de S n e dada por

f(x) = px(l - p)n-x, x = O,l, 2, .. . ,n,

O, para outros valores de x.


Esta densidade, que esta entre as mais importantes que ocorrem na teoria da proba-
bilidade, chama-se densidade binomial de parametros n e p. A densidade o
Exemplo l e urna densidade binomial de parametros n = 3 e p = 0,4.
Refere-se freqi.ientemente a urna variavel illeatria X , com densidade !.::.c
mial, dizendo que X tern urna distribuij:rio b inomial (com parametros n e ;:
quando se deseja ser mai s preciso ). Usa-se tambem fraseolo gia semel.ha:::::e :: -"-
out ras variaveis aleatrias que tern designac;;ao especifica.

j
Como foi explicado no Capituo 2, a distribuic,:ao binomial ocorre na aroos-
tragem aleatria com reposic,:ao. Na aroostragem aleatria sem reposic,:ao, ternos a
distribuic,:ao discutida a seguir.
Exemplo 3. Distribuic;:ao hipergeometrica. Considere urna populac,:ao de r objetos
dos quais r 1 , sL de urn tipo e r 2 = r - r 1 sao de urn segund tipo. Suponha
que se extraia desta populac,:ao urna aroostra aleatria sem reposic,:ao de tamanho
l
n .::;; r. Seja X o numero de objetos do prirneiro tipo na aroostra. Entao X e urna
l

variavel aleatria cujos valores possiveis sao O, l , 2, . . . , n . Dos resultados da


Sec,:ao 2.4. sabemos que

P(X = x) X O, l , 2,. __,n.

Mas podemos escrever

(rl)x(r - rl)n-x n!
x!(n - x)! (r).

Assirn podemos escrever a densidade f de X de duas formas

x 0,1 ,2, ... ,n,


f(x)

outros valores de x
ou
n) (r )x(r - rl)n-x
f(x) = (( x 1 (r). x = O, l, 2, ... , n,
O, outros valores de x

Esta densidade chama-se densidade hipergeometnca.


Apresentaroos a seguir alguns exemplos mais de variaveis aleatrias.
Exemplo 4. Variavel aleatria constante. Seja c urn numero reaL Entao a func,:ao
X definida atraves de X(w) = c para todo w e urna variavel aleatria discreta,
ja que { w: X(w) =c~ e todo o eonjunto Sl e Sl e urn evento. Claramente
P(X = c) = l, de modo que a densidade f de X e ~irnplesmente /(c)= l e
f(x) = O, x -=1= c. Es ta variavel aleatria charoa-se variavel eonstan te. E sob es te
ponto de vista que urna constante numerica e considerada urna variavel aleattia.
Exemplo 5. Variavel aleatria indicadora. Seja A urn evento. Fac,:a X(w) = l
se w E A e X(w) =O se w tfc A. Entao o evento A ocorre se, e somente se,
52
X = l. Esta variavel aleatria chama-se variavel aleatria indicadora de A porque
o valor de X, nos diz se o evento A ocorre ou nao.
Reciprocamente se X e urna variavel aleatria em urn espa9o de probabilidacie
(n, d , P), que toma o valor l ou O, entao X e a variavel aleatria indicadora
do evento.
A= l w :X(w)= l }.
Seja p= P(X = 1). A densidade f de X e dada por
!(O)= l - p , f(l) =p e f(x ) =O para x'1'=0 ou l.

Exemplo 6. Considere o seguinte jogo de azar. Divide-se urn alvo circular de raio
l em n zonas por meio de n discos concentricos de raios 1/n, 2/ n , . . . , n/ n= l,
como ilustra a Figura 2 para o caso n = 5. Lanyase aleatoriamente urn dardo
ao alvo, e se ele atinge a zona anular entre os c irculos de raios i/n . e (i + l )/n ,
ganha-se i dlares, i = O, l , 2, .. . , n - l . Seja X a importancia ganha. Obtenha
a densidade de X.

Figura 2

O espa9o de probabilidacie escolhido para este experimento sera o espayo


uniforme de probabilidacie sobre o disco de raio l. Claramente X e urna variavel
aleatria discreta neste espayo com os valores possiveis l, 2, . .. , n. O evento
A = { X = n - i l ocorre se, e somente se, o dardo atingir a regiao Iimitada pel os
circulos de rai os i/n e (i + l)/ n. De acordo com a discussao de Seyao l. 2., a pro-
babilidacle de A e a area de A dividida pela area do disco unitario. Assim para
i = O, l , 2, . .. , n - l ,
P(X = n - i) ~ P(A)

n
Fazendo n - i =X, vemos que a densidade de X e
2(n - x) + l
x=l,2, .. . ,n,
f(x) = nz ,
(
O, para outros valores de x
~3
A densidade f de urna variavel aleatria discreta X tern as tres seguintes
importantes propriedades:
(i) f(x)~O,xER.
(ii) { x: f(x) i= O f e um subconjunto finito ou infinito enumerdvel de R.
Seja { x 1 , x 2 , . } este conjunto. Entiio
(iii) L.f(xi) =l.
As propriedades (i) e (ii) sao imediatas da defini9ao de fun9ao de densidade
discreta de X. Para verificar (iii), observe que os eventos {w: X(w) = X f sao
mutuamente disjuntos e sua uniao e n. Assim
L f(x;) = L P(X = x;)

= P( y {X = x;}) = P(Q) l.

Defmi~o 3. Diz-se que urna fun9ao real f definida em R e urna fun9ao de


densidade discreta desde que ela satisfa9a as propriedades (i), (ii) e (iii) men
cionadas acima.
E f:icil ver que qualquer fun9aO de densidade discreta e fun9aO de densidade
de algurna variavel aleatria X. Em outras palavras, dado f, podemos construir
urn espa9o de probabilidade (n, Sli, P) e urna variavel aleatria X, definida em
n, cuja densidade discreta e f. Realmente, suponha que f e dado e que
{ x 1 , x 2 , . . } e o eonjunto de valores on de f(x) i= O. Tome-se { x 1 , x 2 , . } para
n, todos os subconjuntos de n para st1 e a medida de probabilidade definida em
st1 por P( w ) = f(x i) se w = X para P. Entao a variavel aleatria X defmida
por X( w) = X se w = X e urna variavel aleatria com as caracteristicas expostas
acima. Isso p-ode ser constatado observado que { w: X( w)= X } = { X } e assim
P(X = x;) = P ({ x ;}) = f(x;).
O resultado acima nos garante que asser96es como "seja X urna variavel
aleatria com densidade discreta f" sempre fazem sentido, mesmo que nao
especifiquemos diretamente o espa9o de probabilidade sobre o qual X e definido.
Para economia de escrita, usaremos doravante o termo densidade no lugar de den-
sidade discreta ate o fmal deste capitulo.
A no9ao de variavel aleatria discreta constitui urn meio conveniente de des-
crever urn experimento aleatrio que tern urn numero finito ou infinito enumenivel
de resultados possiveis. Nao precisamos nos preocupar em estabelecer urn espa9o
de probabilidade para o experimento. Em vez disso podemas simplesmente intro-
duzir urna variavel aleatria X que assuma os valores x 1 , x 2 , . . . tal. que X= X
se, e somente se , o experimento conduz ao i :.e simo resultado. Assim, por exemplo, na
extra9ao aleatria de urna carta de urn baralho com n cartas, podemos fazer X= i
quando a i-esima carta e extraida. Entao P(X = i) = n- 1 , e podedarnos descrever
o experimento dizendo que observamos urna variavel aleatria X tomando os
54
valores inteiros l, 2, .... , n e
tendo , f(x) =n-l pani X= l, 2, ... , n e f(x) = 0
para outros valores de x como sua func;ao de densidade.
Pode-se em geral descrever a realizac;ao de urn experimento que tern urn rru-
mero finito ou infinito enumenivel de resultados possiveis como a observac;ao do
valor de uma variavel aleatria discreta . Na realidade, muitas vezes esta e a forma
como o experimento nos apresenta, e freqiientemente e mais facil pensarno experi-
mento nestes termos do que em termos de urn espac;o de probabilidade.
Como ilustrac;ao dessa ideia, considere o experimento de selecionar ao acaso
urn ponto do subconjunto S de R, consistindo dos pontos distintos x 1 , x 2 , , Xs.
Entao a func;ao f definida por

f(x) = fs-1, X = XI, X2, .. . , X 5 ,


\0, para outros valores de x.

e claramente urna func;ao de densidade discreta . Quando urna variavel aleatria X


tern esta densidade , dizemos que ela se distribu unifonnemente em S. Observar
urn valor de X correspondente anoc;ao intuitiva de escolher ao acaso urn ponto de S.
Apresentaremos agora mais duas densidades discretas que serao muito liteis
na resoluc;ao de certas classes de problemas cuja importancia se tomani aparente
mais tarde.
Exemplo 7. Densidades geometricas. Seja O < p < l. Entao a func;ao real f
definida em R por

{p(l - X = O, l, 2, . .. '
o, .
f(x) = p)X,
para outros valores de X.

e urna func;ao de densidade discreta charuada densidade geometrica de parametro p . .


Para ver que f e urna densidade , tudo que precisamos fazer e verificar se ela
satisfaz a condic;ao (iii) , pois obviamente satisfaz as condic;oes (i) e (ii). Mas (iii)
decorre do eonhecido fato de que a soma da serie geometrica .L:'=o (l - PY e
simplesmente p- 1
Exemplo 8. Densidades binarniais negativas. Seja a urn numero real positivo
qualquer e seja O < p < l. Urna den$idade intimamente relacionada com a geo-
metrica e a densidade binomial negativa de parametros a e p definida por

(l) f(x) = (p" (-:) (- lY(l - p)X, X = O, l, 2, ... '


O, para outros valores de x.

Para mostrar que isto e urna densidade, devemos mostrar que (l) satisfaz as pro-
priedades (i)-(iii). Obviamente a propriedade (ii) e satisfeita. Para ver que (l)
satisfaz (i), observamos que para urn numero inteiro nao-negativo X ternos

(-(J.)
x
= ( -O:)x = ( - o:)( -IX
x!
- l)"' (-IX -
x!
X + l)

55
_ ( -:-lY(a)(a + l) c~ X - l)
x!
= (-l}" (a + X - l)x
x!

As sim
(2) pa (~a) (-l}"(l _p}"= pa (a+:- l) (l_ p}".
Como o segundo membro de (2) e daramen te nao-negativo, vemos que (i) e verdadeiro .
Para verificar (iii), lembre-se que a serie de Taylor de {l - t)-a para -l <t< l e

(3) (l - t)-a = f (-a) (-t}".


x=O X

De (3) com t = l -p vemos que

p-a = Jo (~et) ( -1}"(1 - p}"

e portanto que Lx f( x) = l.
De ( 2) vemos que podero os escrever a densidade b inomial negativa na forma
alternativa

((X + X - l) (l _ }" = O, l, 2, ... '


=
.a
X
(4) f(x) p x p '
(
O, para outros valores de x.

Para alguns propsitos esta forma e mais litil do que a dada em (1). Observe que a
densidade geometrica de parametro p e a densidade binomial negativa de parametros
a= l e p.
Exempo 9. Densidades de Poisson. Seja i\ urn numero positivo. Define-se a
densidade de Poisson de parametro i\ atraves de
J..xe - ).
= 0, l, 2, ... ,
= ~'
X
f(x)
(
O, para outros valores de x.

E evidente que esta func;:ao satisfaz as propriedades (i) e (ii) de defmic;:ao de func;:ao
de densidade discreta. A propriedade (iii) segue-se imediatamente da expansao em
serie de Taylor da func;:ao exponencial, a saber,
00 J..X
e;,= L-.
x=O X!
Sabe-se de experiencia que muitos fenornenos aleatrios que envolvem eon-
tagem seguem aproximadamente a distribuic;:ao de Poisson. Alguns exemplos de
56
tais fenornenos sao o numero de atornos de urna s~bstancia radioativa que se de-
sintegram na unidade de tempo, o numero de chamadas que ~!legam a urna central
telefOnica na unidade de tempo, o numero de erros de irnpressao por pagina de urn
livro e o nui!lero de colonias de bacterias em urn recipiente de petri untado com
urna suspensao de bacterias. Urn tratamento compieto desses modelos requer a
noc;:ao de processo de Poisson, que sera discutido no .Capitulo 9.

3.2. CALCULOS COM DENSIDADES


Ate aqui restringimos nossa atenc;:ao a determinac;:ao de P(X = x). Frequen-
temente estamos interessados em determinar a probablidade de { w : X( w) E A }
onde A e urn subconjunto de R com mais de urn ponto.
Seja A urn subconjunto de R e seja X urna variavel aleatria discreta ten do
valores possfveis distintos x 1 , x 2 , ; Entao {w: X( w) E A } e urn evento. Para
ver isso, observe que

(5) {w l X(w) E A} = U {w l X(w) = x;},


Xi E A

onde Ux;eA representa a uniao sobre todo valor de i, tal q11e X E A. Geral-
mente abrevia-se o evento { w ': X(w) E A} para {X E A } e representa-se sua
probabilidade por P(X E A). Se - 00 .::;;; a <b.::;;; o6 e A e urn intervalo com extre-
mos em a e b, digamos 'A = (a, b ], en tao geralmente escrevemos P( a < X.::;;; b) em
vez de P(X E (a, b]). Usa-se notac;:ao semelhante para outros intervalos com estes
pontos extremos.
Usa-se tamhem urna notac;:ao abreviada para probabilidades condicionais..
Assirn, por exemplo, se A e B sao dois subconjuntos de R , escrevemos
P(X E A l X E B) para a probabilidade condicional do evento {X E A } dado
o evento {X E B }..
Seja f a densidade de X. Podemos determinar P(X E A) diretamente da
densidade f por meio da frmula
(6) P(X E A) = L f(x;) ,
Xi EA

on de '2:.xi E A representa a soma sobre t odo i tal que xi E A . Es ta frmula segue-


se imediatamente de (5) ja que os eventos {w l X(w) = X }, i = l, 2, .. . , sao
disjuntos. Geralmente abrevia-se o segundo membro de (6) para '2:.x E A f(x) .
Em termos desta notac;:ao, (6) transforma-se em
(7) P(X E A) = L f(x).
XEA

A func;:ao F( t), - oo < t < oo, definida por

F(t) = P(X :::; t) = L f(x), - CX) < t < oo,


x::f_t

57
chama-se funfiiO de distribuifiiO da variavel aleatria X ou da densidade j. ""=~~-:~
imediatamente da definicrao de funcrao de distribuicrao que
P(a < X b) = P(X b) - P(X a) = F(b) - F(a).
Se X e urna variavel aleatria inteira, entao
[t]
F(t) = L
x :::::- GO
f(x),

on de [t] representa o maior inteiro menor ou igual a t (por exemplo,


[ 2, 6] = [ 2] = 2). Vemos que F e urna funcrao nao-decrescente e que, para qualquer
inteiro x, F da urn salto de magnitude f(x) no ponto x e F e constante no
intervalo [ x, x + 1). Propriedades adicionais das funcroes de distribuicrao serao
obtidas de urn po n to de vista m ais geral .no Cap itulo 5.
Exemplo l O. Seja S = { l, 2, ... , l O } e seja X urna variavel aleatria uniforme-
mente distribuida em S. Entao f(x) = 1/10 para x = l, 2, . .. , lO e f(x) =O
para outros valores de X. A funcrao de distribuicrao de X e dada por F( t) = o
para t< l, F(t) = l para t> 10 e
(r] [t]
F(t) = L f(x) = - , l x 10.
x; l 10
O grafico da funcrao F(t) e dado na Figura 3. A probabilidade P(3 <X ..;;; 5)
pode ser calculada como
P(3 < X 5) = /(4) + /(5) = 2/10
ou como
P(3 < X 5) = F (5) - F (3) = 5/ 10 - 3/ 10 = 2/ 10.
Analogamen te P(3 ..;;; X..;;; 5) obtem-se como
P (3 X 5) = /(3) + /(4) + /(5) = 3/ 10
ou como
P(3 X 5) = P(2 < X 5) = F (5) - F (2) = 5/ 10 - 2/ 10 = 3/ 10.

--
----
p (X :s; t}
----
-- --
2 3 4 5 6 7 8 9 10

Figura 3
58
Exemplo 11. Sej a X urna variavel aleatria com distribuic;:ao geometrica de pa-
rametro p. Obtenha a func;:ao de distribuic;:ao de X e determine P(X ;;;> x) para
urn numero inteiro nao-negativo de X.
A densidade de X, de acordo com o Exemplo 7, e
/(x)= {p(l - p)X, x =O, l, 2, ... ,
O, outros valores de x.
Assim F( t)= O para t< O e
[t]
F(t) = L p(l - p)X, t ?: O.
x=O
Usando a frmula para a soma de urna progressao geometrica finita, concluimos que
F(t) = 1 - (l - p)rrJ+ 1 , t?: O.
Em particular, para urn inteironao-negativo x, F(x- l)= l -( I - p )X e, portan to,
P(X ?: x) = l - P(X < x) = l - P(X .:::;: x - l)
= l - F(x - l) = (l - py.
Variaveis aleatrias com distribuic;:ao geometrica ocorrem naturalmente nas
aplicac;:6es. Suponha que ternos urn componente de urn equipamento, tal como
urn fusivel eletrico, que nao deteriora nem melhora com o passar do tempo, mas
pode falhar devido a causas esporadicas e aleatrias que ocorrem homogeneamente
no tempo. Suponha que se observe o objeto a intervalos ftxos de tempo, tais como
horas ou dias, e seja X o numero de unidades de tempo ate e inclusive a. primeira
falha, suponha que o -objeto esta novo no tempo O. Claramente X e urna variavel
aleatria disc re ta cujos valores possiveis sao os inteiros l , 2, . . . O e vento
{X = n } ocorre se, e somente se, o objeto falha pela primeira vez no n-esimo
periodo de tempo. Pode-se formular precisamente a noc;:ao de que o objeto nao
deteriora nem melhora com o tempo da seguinte forma. Se sabemos que o objeto
nao falhou ate o tempo n de modo que X> n, a probabilidade de que o objeto
nao falhe a te o tempo n + m, isto e, P(X > n + m/X > n), deve ser igual a pro-
babilidade de urn objeto novo instalado no tempo n, nao falhar ate o tempo n+ m.
Pode-se tornar o fato de que as causas da falha ocorrem homogeneamente no tempo
como significando que esta probabilidade depende apenas do numero de intervalos
que decorrem entre n e n + m, isto e, m, mas nao de n. Assim P(X >n) deve
satisfazer a equac;:ao

(8) P(X > n + m lX > n) = P(X > m).

Urna vez que

__ P(X > n + m),


P(X > n+ m lX > n)
P(X > n)

podemos reescrever (8) como

(9) P(X > n + m) = P(X > n)P(X > m), n, m = O, l, 2, . .. .


59
Fazendo n = m = O vemos que P(X > O = P(X > 0) 2 , de modo que P(X > O)
e igual a l ou O. Se P(X > O) = O, entao P(X = O) = l, o que e impossivel no
nosso caso ja que X pode assumir somente valores inteiros positivos. Portanto
P(X> O)= l.
Fazendo p = P(X = 1), de modo que P(X > l) = l -p, vemos de (9) que

P(X > n + l) = (l - p)P(X > n).

Por i teras:ao sobre n segue-se que P(X >n) = (l -p )n. Assim para n == l, 2, ... ,

(10) P(X = n) = P(X > n - l) - P(X > n)


= {l - p)n-1 - (l -p)" = p{l - p)"'-1.

Se p= O, entao P(X =n)= O para n= l, 2, ... e assim P(X= +oo) =l,


isto e, o objeto nunca falha. Ns excluimos este caso de corisideras:ao. Da mesma
forma excluimos p = l porque neste caso P( X = l) = l, e o objeto sempre falha
no primeiro periodo de funcionamento.
Seja Y = X - l. Entao Y assume os valores O, l, 2, ... com probabili-
dades P(Y =n) =p (l -p )n. Vemos portanto que Y tern distribuis:ao geometrica
de panimetro p.
Como acabamos de mostrar, a variavel aleatria Y= X- l distribui-se geo-
metricam~nte. Este exemplo e tipico no sentido de que variaveis aleatrias com
distribuis:ao geometrica ocorrem geralmente ero relas:ao ao tempo de espera ate a
ocorrencia de algurn evento. Este fato seni discutido mais detalhadamente depois
de tratarmas das repetis:oes independentes de urn experimento na Ses:ao 3.4.

3.3. VETORES ALEATRIOS DISCRETOS


Acontece, freqiientemente , estarmos interessados ero estudar a relas:ao entre
duas ou mais variaveis aleatrias. Assim , por exemplo, na extras:ao de urna aroostra
aleatria de tamanho n de urna caixa, contendo r bolas, numeradas de l a r,
podedarnos desejar saber qual o numero mais alto Y ou o numero mais baixo Z
observado entre as bolas selecionadas.
Seja (n, d, P) urn espas:o de probabilidacie e sejam X 1 , X 2 , , X, r varia-
veis aleatrias discretas definidas neste espas;o. Entao para cada ponto w E n
cada urna das variaveis aleatrias X 1 , , X, assume urn de seus valores possiveis,
fa to que sera indicado escrevendo

Em vez de pensarem observar r numeros re ais x 1 , x 2 , , x ,, podemas pensarero


observar urna r-tupla X= (X 1, X2, , X r ), on de para cada i, X i e Uffi dentre O nu-
mera fmito ou infmito en urneravel de valores q ue a variavel aleatria Xi pode assumir.
:JO
Seja R' a cole~?o de toda~ as rtuplas de' numeros reais. Urn ponto
X = (x l ' ' ' .
o x,) de R' e habitualmente chamado de vetor r-diinensional. Assim,
'

para cada w E n, os r valores XI (w), ... ' X,( w) deflnem urn ponto
X(w) = (X1 (w), X 2 (w), ... , X,(w))

de R'. Isto de fin e urna funyao vetorial r-dimensional em n, X: n -+ R', que se


representa habitualmente por X = (X 1 , X 2 , , X,) . . A fun~ao X e chamacta
de vetor aleatrio discreto r-dimensional.
Acabamos de defmir urn vetor aleatrio r-dimensional em termos de r variaveis
aleatorias reais. Altemativamente , pode-se defmir iun vetor aleatrio r-dimensional
diretamente com a fun~ao X: n -+ R' , estendendo quase literalmente a defini~ao
de urna variavel aleatria real.
Defmi~o 4 . Urn vetor aleatrio r-dimensional X, e urna fun~ao X de
n para R', assurnindo urn nUmero fmito ou infinito e numeravel de ~aiores
X1, x 2 , .. tais que

{w: X(w) = x;}


e urn evento para todo i.
Define-se a fun~ao de densidade f de urn vetor aleatrio -X atraves -de

f(x 1 , . . , x,) = P(X1 = x 1, . ; X, = x,)

ou equivalentemente
f(x) = P(X = x), XER'.

Pode-se deterrninar a probabilidade de que X perten~a ao su_bconjunto A


de R' usando o analogode (7), a saber,

P(X E A) = L f(x).
X.4.

Como no caso unidimensional, a fun~ao f tern as seguintes propriedades:


(i) f(x) ~ 0, xER'.
(ii) { x : f(x) =F O } e um subconjunto finito ou in_finito enumerdvel de R',
que serd representado por { x 1 , x 2 , - }
(iii) ~i f(xi) = l.
Qualquer fun~ao real f definida em R', que tern estas tres propriedades,
sera chamacta de fun~ao de densidade discreta r-dimensial. o argumento apre-
sentado para o caso unidimensional aplica-se literalmente para mostrar que qualquer
fun ao de densidade discreta r-dimensional e fun~ao de densidade de algurn vetor
eatrio r-dimensional.
a terminologia tradicional associada com v?tores aleatrios e suas
- - - Ses ~~,..;~.e. Seja X = (X 1 , X 2 , . . , X,) urn vetor aleatrio r-dimensional
61
com densidade f. En ta? a funyaO f e habitualmente chamacta de funriio de den-
sidade eonjunta das variaveis aleatrias X 1 , X 2 , , X,. A funyao de densidade
da variavel aleatria X; e entao chamacta de i-esimadensidade marginal de X ou de f.
Sejam X e Y duas variaveis aleatrias discretas: Para quaisquer numeros
reais x e y, o eonjunto { w l X(w) = x e Y( w) = y} e urn evento, que sera
representado por { X = x , Y = y } . Suponha que os valvres possiveis distintos
de X sejam x 1 , x 2 , e os de Y sejam y 1 , Y 2, ... Para cada x, os eventos
{X= x, Y= Yj }, j = l, 2, .. . , sao disjuntos e sua unHio e o eventd {X= x }.
As sim

P(X = x) = P ( y {X = x, Y = yj})
= L P(X = X, Y = Y) = L P(X = X, Y = y).
j Y

Esta ultima expressao resulta do uso da mesma conven9ao notacional introduzida


para variaveis aleatrias na Se9ao 3.2.
Analogamen te ,

P(Y = y) = p (Y {X = X;, Y = y})


= L P(X = X;, Y = y) = L P(X = x, Y = y).
i X

Em outras palavras, se eonhecem as a densidade eonjunta de duas variaveis aleatrias


discretas X e Y, podemas obter a densidade fx de X somando sobre y e, a
densidade f y de Y somando sobre x. Assim em termos das densidades , se f
e a densidade eonjunta de X e Y, entao
(l l) fxCx) = L Jcx, r)
e

(12) f r(Y) = L f(x,


X
y).

Exemplo 12. Suponha que se extraia aleatoriamente, sem reposiyao, duas cartas
de urn baralho de 3 cartas numeradas de l a 3 . Sej a X o numero da primeira carta
e Y o da segunda. Entao a densidade eonjunta de X e Y e dada por
f(l , 2) =f(l , 3) = f( 2, l) =f(2, 3) =f(3, l) =f(3 , 2) = 1/6 e f(x,y)=O para
outros pares de X e y. A primeira densidade marginal , isto e, a densidade de X
e dada por f x (l ) =f( l , l)+ f(l , 2) + f(l , 3) =O+ 1/6 + 1/6 = 2/6 = 1/3 e similar-
mente para x = 2 e 3. Portanto fx(x) = 1/3 , x =l , 2, 3, .e fx(x) =O para outros
valores de x , com o era de se esperar.
Exemplo 13. Suponha que X e Y sao duas variaveis aleatrias que assumem os
valores de x e y, onde x = l, 2 e y = l, 2, 3, 4, com as probabilidades dadas
na tabela abaixo.
62
Y
X 4

1/ 16

1/8

Entao fx(l) = L:t=l : - _ ~ - ltl6 + 1/16 = 1/2, e


f x( 2) = l -fx( l) = l ::. ~ ::OTTJ :stribui9ao uniforme sobre l e 2.
Analogamen te

fy(l)=l / 4+1/16=:. -.::. =.3 i6,[y(3)= 5/16,[y(4)=3/16.

3.4. VARIAVEIS ALEATRHS I: iDEPENDENTES


Considere o expcrr;:r: :no _j: h .'19ar
. urna moeda e urn dado. Acreditamos
intuitivamente que o re~:2..o -io lan9amento da moeda, qualquer gue seja ele,
nao deve ter influenca sob~ o ;anqamento do dado, e vice-versa. Desejamos cons-
truir urn modelo de prob3.biJdade que reflita essas ideias. Seja X urna variavel
aleatria que e l ou O. dependendo de se o lanqamento da moeda resulta em cara
ou coroa, isto e, o evento ~X= l } representa o resultado de se observar cara e o
evento { X = O} o de se observar coroa. De forma semelhante representamos o
resultado do lan9amemo do dado por urna variavel aleatria Y que assume o valor
l , 2, . .. ou 6 dependendo de , se o numero observado no dado e l , 2, ... ou 6.
Pode-se representar o resultado do experimento composto atraves do vetor alea-
trio (X, Y). A noqao intuitiva de que os resultados observados , na moeda e no
dado, nao tern influencia urn sobre o outropode ser traduzida, precisan1ente dizendo,
que se x e urn dos numeros l e O e y e urn dos numeros l, 2, .. . , 6 , entao os
eventos {X = X } e { X = Y} devem ser independentes. Assim o vetor aleatrio
(X, Y) deveteradensidadeconjunta f(x,y) dadapor

_ {P(X = x)P(Y = y), X= 0 ,1, Y= l, 2, ... , 6,


f(x,y)- O,,
outros valores dt: x e y.

Em outras palavras, a densidade eonjunta f de X e Y deve ser dada por

f(x , y) = fx(x) fy(y) .

Defmis:ao 5. Sejam XI, x2, ... , x, r variaveis aleatrias discretas tendo


as densidades f 1 , [ 2 , . . . , f,, respectivamente . Diz-se que estas variaveis aleatrias
sao mutuamente independentes se a sua fun9ao de densidade eonjunta f e dada por
Diz-se que as variaveis aleatrias sao dependentes se elas nao forem independentes.
Com o no caso do experimento composto de lanyar urna moeda e urn dado, a no9ao de
variaveis aleatrias independentes constitui urna forma conveniente de formular pre-
cisamente a no9ao intuitiva de que os experimentos sao independentes uns dos outros.
Considere duas variaveis aleatrias independentes com densidades fx e {y,
respectivamente. Entao para dois subconjuntos quaisquer A e B de R.

(14) P(XEA, YEB) =P(XEA)P(YEB).

Para verificar ( 14), observe que

P(X E A, Y E B) = L L fx.r(x, y)
XEA yEB

= L L
XEA yEB
fx(x)fr(Y)

= [x~A fx(x)] L~B fr(Y)]


= P(X E A)P(Y E B).

A frmula (14) acima estende-se facilrnente de 2 para r variaveis aleatrias inde-


pendentes. Assim, se A 1 , A 2 , . . A, sao r subconjuntos quaisquer de R, enta

(15) P(X 1 EA 1 , . . . ,X,EA,) =P(X1 EA 1 ) P(X,EA,).

Exemplo 14. Sejam X e Y duas variaveis aleatrias independentes com distri-


buiyao geometrica de panimetro p.
(a) Determine a distribuiyao de min (X, Y) .
(b) Determine P(min (X, Y) = X)= P( Y;;;:. X).
(c) Determine a distribui9ao de X+ Y.
(d) Determine P( Y = y l X+ Y = z) para y = O, l, . . . , z.
Para resolver (a), observamos que para urn inteiro nao-negativo z
P(min(X, Y);;;:. z) = P(X;;;;. z, y;;;;, z) = P(X;;;;. z) P(Y;;;;. z),
de modo que, pelo Exemplo 11

Segue-se do Exemplo 11 que min (X, Y) tern urna distribuiyao geometrica de


parametro

64
Para resolver (b), observamos que
00

P(Y ~ X) = L P(X = x, Y ~ X)
x=O
00

= L P(X = x, Y~ x)
x=O
00

= L P(X = x)P(Y ~ x)
x=O
00

= L p(I - p)"'(l - PY
x=O
00

=p L (l - p)2x
x=O

Para resolver (c), seja z urn inteiro nao-negativo. Entao


%

P(X + Y = z) = L P(X = x, X + Y = z)
x=O

= L" P(X = x, Y = z - x)
x=O
%

= L P(X = x)P(Y = z - x)
x=O
z
= L p(l - p)"'p(l - py-x
x=O

= (z + l)p2 (1 - py.
A solutyao de (d), e dada por

P(Y = YlX + Y = z) = P(Y = y, X + Y = z)


. . P(X + Y= z)

P(X = z - y, Y = y)
P(X + Y::::: z)
P(X = z - y)P(Y = y)
P(X + Y= z)
p(l - py-yp(1 - p)Y
(z + l)p 2 (1 - PY
l
z + 1
65
Considere urn e~perimento (tal como o lanc,:amento de urn dado) ..= ::-:-
somente urn numero finito ou infinito enumeravel de resultados poss! e r -- ~
como ja foi explicado, podemas pensar neste experimento como a obse n - ;i
valor de urna variavel aleatria X. Suponha que o experimento seja repe ::
vezes. Pode-se descrever o experimento compasto como a observac,:ao d os'~ __ _
das variaveis aleatrias XI' x2' . .. ' X n ' on de X; e o resultado do ..esimo ex;:':'
rimento. Repetindo-se os experimentos sob condic,:oes identicas, presumivehne l" _
mecanismo de chance permanece o mesmo, de modo que devemos exigir que estzs .
variaveis aleatrias tenharo a mesma densidade . Pnde-se agora formular a n~3o
intuitiva de que os repetidos experimentos nao tern influencia uns sobre os outros.
exigindo que as variaveis aleatrias X 1 , X 2 , . , Xn sejam mutuamente indepen-
dentes. Assim, em resumo, pode-se usar n variaveis aleatrias independentes, com
densidade discreta f para representar n repetic,:oes de urn e:X:perimento, tendo urn
numero fmito ou infmito en urneravel de resultados poss!veis.
Os experimentos aleatrios mais simpies sao, aqueles que tern apenas dois
resultados poss!veis, que podemas designar de sucesso e fracasso. No lanc,:amen,to
de urna moeda, por exemplo, podemas pensar na obtenc,:ao de cara como sucesso,
enquanto na extrac,:ao de urna cana de um baralho podemas considerar a obtenc,:ao
de urn as como sucesso . Suponha que realizamos n repetic,:oes do nosso experimento
simples. Entao podemas descrever a siruayao supondo que X 1 , X 2 , . , X n s:Io
n variaveis aleatrias indieadoras tais que X; = l ou O dependendo de se a -esima
repetic,:ao do experimento resulta em sucesso ou fracasso. a literatura, provas que
podero resultar em sucesso ou fracasso sao chamadas de provas de Bemoulli , e
descreve-se a situac,:ao acima dizendo que realizamos n provas de Bemoulli com
probabilidade comurn de sucesso p = P(X; = l). ~este contexto diz-se que urna
variavel aleatria que assurne os valores l e O, com probabilidades p e 1 - p,
tern urna densidade de Bernou/li de panimetro p.
O resultado da realizac,:ao de n provas de Bernoulli pode ser representado
pelo vetor aleatrio X = (X1 , X 2 , . . , X n) . A informac,:ao contida neste vetor
diz exatamente quais sao as provas que resultaram em sucesso e quais resultaram
em fracasso. Freqiientemente nao se requer urna informac,:ao tao precisa, e tudo
que desejamos conhecer e o numero de sucessos Sn obtidos em n provas.
Mostramos no Exemplo 2 que Sn se distribui binomialmente com parametrds
n e p. Observe que Sn = XI + x2 + ... + Xn. Pode-se pensar em qualquer
variavel aleatria que se distribui binomialrnente com esses parametros como sendo a
soma de n variaveis aleatrias independentes de Bernoulli, cada urna com parametro p .
Consideremos agora as repetic,:oes independentes de urn experimento que tern
urn numero finito r ;;:;. 2 de resultados poss!veis.

3.4.1. A DISTRIBUI~AO MULTINOMIAL. Considere urn experimento, tal como


o lanc,:amento de urn dado, que pode resultar em somente urn nUmero finito r de
distintos resultados poss!veis. Podemos representar este experimento dizendo que
66
observamos wna variavel aleatria Y que assume os valores l, 2, . . . , r, de modo
que o evento { Y= i } representa o fato de que o experimento produziu o i.esimo
resultado. Seja Pi = P( Y = i). Se realizamos n repetiy5es independentes do
experimento, 'podemos representar o resultado dessas n provas por meio de wn
vetor aleatrio n-dimensional ( Y1 , . . . , Y n), on de a variavel aleatria Yi eorres-
ponde a j.esima prova. Aqui as variaveis aleatrias Y1 , . . . , Y n sao mutuamente
independentes e P( Yi = i) = Pi.
O vetor aleatrio ( Y1 , . . , Y n) nos da o resultado de eada urna dessas
n provas. Como no easo de r = 2 resultados, freqiientemente nao estamos inte-
ressados numa deseriyao tao detalhada, mas gostar!amos de saber apenas quantas
das n provas eonduziram a eada wn dos diversos resultados poss!veis. Seja
Xi, i = l, 2, ... , r, o numero de provas que proctuzem o i.esimo resultado.
Entao Xi = xi se, e somente se, exatamente X das n variaveis aleatrias
Y1 , , Y n assumem o valor i, isto e,. exatamente X das n provas proctuzem
o i.esimo resultado.
Por exemplo, para r = 3 e n= 5, se

entao

A seguir determinaremos a densidade eonjunta de X 1 , . , X,. Para isso,


sejam x 1 , x 2 , , x, r numeros inteiros nao-negativos tais que x 1 + + x, =n.
Com o as variaveis aleatrias Y 1 , Y 2 , . , Y n sao independentes e tern densidade
eomum, urn pouco de raeioe!nio m ostra que eada eseolha espee!fiea x 1 de las
ten do valor l, x 2 delas ten do valor 2, ... , x, delas ten do valor r tern a mesma
probabilidade que e
x1 x2 xr
Pt P2 Pr
Assim, representando por C(n; x 1 , . , x,) o numero de eseolhas poss{veis,
vemos que

P(X1 = x 1 , ... ,X,= x,) = C(n;x 1 , . ,x,)p~ p~'.

A determinayao de C(n; x 1 , . , x,) e urn probierna de analise eombinatria que


se pode resolver facilmente pelos metodos do Cap!tulo 2. A maneira mais simpies
de faze-lo e pensarnos r valores l, 2, . .. , r eomo r eaixas e nas n provas eomo
n bolas. Entao C(n; X t' . . . 'x,) e o numero de maneiras em que podemos
distribuir n bolas em r eaixas de modo que tenharnos exatamente x 1 , bolas
na eaixa l, . . . , exatamente x, bolas na eaixa r. Se assim for feito a caix2 l
ten1 x 1 bolas. Estas x 1 bolas poderao ser escolhidas dentre n bolas ~
f n) maneiras. As n - x 1 bolas restantes estarao distnouidas nas r - l caix.as
~ x1
2, 3, ... , T de modo que teremos x 2 bolas na caixa 2, . . . , x,. bolas na ca:ixa. r.
Assim

(16) C(n;x 1 , ,x,)=(: ) C(n..:...x 1 ;x 2 , , x,).


1

Segue-se por induyao sobre n que

(17)

Realmen te, para T= l nao ha nada a demonstrar. Suponha que (17) seja verd.arlei!
para T- l caixas. Entao de (16) vemos que

n! (n - xi) !
C(n;x 1 , ... ,x,) = (x 1 !)(n-xt}! (x 2 !) .. (x, .)

.n!
(x 1 !) (x, !)

como desejado.
Portanto a densidade eonjunta f de X 1 , , X e

(18) f(x 1 , , x,)


x; te ~ Otaisque x 1 + +x, =n ,
O, o os valores de x ;

Esta densidade chama-se multinomial de parametros n e p 1 , p, .


densdade
Observamos de imed.iato que as variiveis aleatrias XI ' ... ' x, nao sao
independentes. De fat6, como XI + x2 + ... + X, =n , quaisquer T - l delas
determinam a T..esima. Usa-se as vezes esse fato, juntamente com a relayao
p 1 + + Pr = l, para expressar a distribuiyao multinomial de urna forma dife.
rente. Sejam x 1 , x 2 , . . . , x,_ 1 ; T - l nfuneros inteiros nao-negativos tais que
x1 + + x,_
1 ~n . Entao;

(19) P(X 1 = XI , . .. ' x.-1 = x. - l)


n!

Esta forma e conveniente quando estamos interessados nos primeiros T - l resul-


tados e pensarnos no T..esimo resultado como o resultado que e "nenhum dos
68
r - l resultados". Assim, no lan9amento de urn dada podeamos esta.r interes-
sados em saber se ocorrem 2, 4 ou 6. Entao o experimento teria quarro resultados
possiveis "2", "4", "6" e "nao tf(2, 4 ou 6)".
Seja k urn numero inteiro nao negativo, k ~ r . Urn simpies argumento
probabilistico mastra que para numeros inteiros nao-negativos x 1 , x 2 , . . . , Xk
tais que x 1 + + xk ~ n,

n!
(x 1!) .. (xk!)[n- (x 1 + ... + xk)J!
X P1' '' 'p:(l - (p l + ''' + Pk))n-(x, + ... +xl.

Para ver isto, observe que na realiza9ao das n provas estamos agora interessados
somente nos (k + l) resultados "l", "2", ... , "k" e "nao (1, 2, ... , k)".
Assim, em essencia ternos n repeti96es de urn experi.Ihento tendo k + l resultados,
com Xi sendo o ntimero de vezes que ocorre o i..esimo resultado, i== l, 2, ... , k.
A equa9ao (20) decorre entao de (19) com r- l ==k.

3.4.2 APROXIMAl;AO DE POISSON PARA DISTRIBUil;AO BINOMIAL.


Existe urna importante liga9ao entre a distribui9ao binomial e a de Poisson.
Suponha por exemplo que realizamos n provas de Bernoulli com probabilidade
de sucesso Pn == A./n em cada prova. Entao a probabilidade de obter Sn == k
sucessos nas n provas e dada por

P(Sn == k) == (Z) (pn)k(l - Pn)"-k

== J..k (n)k
k! nk
(l - ~)"
n
(l - ~)-k.
n

amedida que n -Ho, (n)k/nk-+ l, (i- A./n)n -+e-A, e ( l - A./n)-k-+ l.


Consequentemente,

(21) .
l Im
n->OO
(n) (Pn)k(l _ Pn)n-k
k = Ak e -;. .
k!

Na deriva9ao de (21) tnhamos npn == A.. Na realidade (21) e valido sempre que
npn -+ A. quando n -+ oo.
Usa-se a Equa9ao (21) nas aplica96es para aproximar a distribui9ao binomial
pela distribui9ao de Poisson quando a probabilidade de sucesso p e pequena e
n e grande. Faz-se isso aproximando a probabilidade binomial P(Sn == x) por
meio de f(x), onde f e a densidade de Poisson de parametro A. == np. A apro-
xima9ao e. bastan te quando np 2 e pequeno. O exemplo seguinte ilustra essa tecnica.
69
Exemplo 15. Urna maquina produz parafusos dos quais 19 sao defeituosos. Deter-
mine a probabilidade de que nao haja parafusos defeituosos numa caixa de 200
parafusos.
Ternos aqui n = 200 provas de Bemoulli com probabilidade de sucesso
p= 0,01. A probabilidade de que nao haja parafusos defeituosos e

(l - 0,01) 200 = (0,99) 200 = 0,1340.

A aproximayao de Poisson para esta probabilidade e dada por

e- 2oo(o ,o1) = e - 2 = O,l3S 3 .

O fato de que a distribuiyao de Poisson pode ocorrer como o lirnite de distri-


buiy6es binomiais tern im portan te s consequencias tericas. E urna das justificativas
para desenvolver modelos baseados em processo de Poisson, que serao discutidos
no Capltulo 9. O uso da aproximayao de Poisson como artiflcio para poupar tra-
balho na determinayao de probabilidade binomia} tern importiincia secundaria,
urna vez que sepode calcular facilrnente as prprias pro babilidades binomiais.

3.5. SEQUENCIAS INFINITAS DE PROV AS DE BERNOULU


Considere a realizayao repetida de urn experirnento do tipo sucesso-fracasso
com probabilidade de sucesso p ate que ocorra o prirneiro sucesso. Para qualquer
numero predeterminado n de provas, existe a probabilidade nao-nula (l - p )n
de que nao ocorra nenhum sucesso. Assim, considerando o numero de provas ate
o prirneiro sucesso, nao podemos nos limitar a qualquer numero predeterrninado
de provas mas, considerar urna seqi.iencia interrninavel de provas.
Urn dado numero fmito n de provas constituem n provas de Bemoulli,
representadas por n variaveis aleatrias independentes de Bemoulli X 1 , , Xn.
Para representar urna seqiiencia infmita de provas de Bemoulli consideramos urna
seqi.iencia infmita {Xn } , n ;;;. l, de variaveis aleatrias independentes de Bemoulli
tendo o mesmo parametro p.
Em geral diz-se que as variaveis aleatrias XI, x2, . . . sao independentes
se as variaveis aleatrias X 1 , . , X n forem mutuamente independentes para
qualquer numero inteiro positivo n. Pode-se mostrar que dada urna densidade
discreta qualquer f, existe urn espayo de probabilidade (n, d, P) no qual estao
definidas as variaveis aleatrias mutuamente independentes X 1 , X 2 , com den-
sidade comurn f.
Como modelo para a realizayao de urna seqiiencia ilimitada de Bernoulli
tomamos, portanto, urna seqi.iencia infmita { Xn} , n;;;. l, de variaveis aleatrias
de Bemoulli mutuamente independentes tais que P(Xn = l) = p, n ;;;. l. Inter-
- etamos Xn = l como significando que a n..esima prova resulta em sucesso e
J..'= = O significando que ela resulta em fracasso.
Considere o nfunero de provas W, a:e o primeiro sucesso. A variavel alea-
tria W1 pode assumir somente os vclor..-s:.:: reiros l, 2, . . . O evento { W1 = n ;
ocorre se, e somente se , as primeiras 11 - l pro\as sao fracassos e a n.::esirna prova
e urn sucesso. Portanto
{w l =n } = { XI = O, ... 'Xn- l =O, X n = l }.

Segue-se que

P(W 1 = n)=P(X 1 =O , .. . , Xn - 1 =O,Xn=l)


=P(X 1 = O) P(Xn - t = O)P(Xn =l)
=(1-p ) ll- lp.

Consequen tern en te

(22) P(W 1 - l = n)=p(l-p)n .


Assim, W1 - l clistribui-se geometricamente com parametro p.
Seja r ;;;;, l urn numero inteiro e T, o numero de provas ate o r.esimo sucesso
(de modo que r.e sirno sucesso ocorre na prova Tr ) . En tao T, e urna variavel
aleatria que pode assumir somente os valores r, r + l, . . . O evento {T, = n }
ocorre se, e somente se , ocorrer urn sucesso na n.esirna prova e ocorrem exatamente
r - l sucessos nas primeiras n - l provas. Assim

{ T7 = n } = {X 1 + + X 11 _ 1 =r - l } n {Xn = l } .

Como os dois eventos do segundomembro sao independentes e X 1 + + Xn _ 1


tern distribuis;ao brnomial de parametros n - l e p, vemos que para n = r, r + l , . . .

P(T, =n)= P(X 1 + + X.- 1 = r- l)P(X. = l)


(~ =D p'-1(1 - p)"-'p

('; =Dp'(! - p)"-'.

Consequentemente

( 23) P(T, - r = n) = (
r +r _n -
1
l) p'(l - p)".

Vemos das equas;6es ( 4) e (23) que T, - r tern distribuis;ao binomial negativa


de panunetros a= r e p.
Seja T0 = O e T7 a variavel aleatria defmida acima para qualquer nfunero
inteiro r;;;;;, l. Defma Wi = Ti- Ti _ 1 , i= l, 2, . . . Entao Wi eo numero de prmas

l:
ti o i..esimo sucesso, ~ps o (i- l) i..esimo sucesso. Mostraremos a seguir que, para
- alquer numero inteiro r ~ l' as varhiveis aleatrias wl - l' w2 - l' ... ' w, - l
sao rnutuamente independentes e tern a mesma densidade geometrica de parametro p .
Pa!a tanto, sejam n 1 , n 2 , , n, r numeros inteiros positivos quaisquer.
Entao o evento { W1 = n 1 , . . , W, = n, } ocorre somente se todas as prirneiras
n 1 + + n, provas sao fracassos, exceto as provas

que sao sucessos. Como as provas sao mutuamente independentes com probabilidacte
comurn de sucesso p, vemos que
P(W1 = 1 , . . . , W,= n,)= (l- p)" 1 - 1 p(1- p)" 2 - 1p .. (1- p)"'- 1p

n [p( l - py-1 J.
r
=
i= l

Assim as variliveis aleatrias W1 - l, .. . , W, - l sao independentes e distribuem-se


geometricamente com parametro p.
Vemos claramente que T, - r = (W 1 - l) + + (W, - 1), de modo que
T, - r e a soma de r variliveis aleatrias independentes geometricamente distri-
budas. Mostramos anteriormente que T, - ,.. tern distribui9ao binomial negativa
de parametros r e p . Fica assim estabelecido o fato interessante e importante de
que a distribuiriio da soma de r variliveis aleatrias geometricas independentes
identicamente distribuz'das com parrirrietro p terrz distribuiriio binbmial negativa
de panimetros r e p.
Propriedades adicionais de sequencias infmitas de provas de Bernoulli serao
tratadas nos exerccios .

3.6. SOMA DE VARIAVEIS ALEATRIAS INDEPENDENTES


Nesta se9ao discutiremos metodos para determinar a distribui9ao da soma
de urn numero fmito de variaveis aleatrias discretas independentes. Come9amos
considerando duas de tais variaveis aleatrias, digamos X e Y.
Suponhamos entao que X e Y sao variaveis aleatrias discretas independentes.
Sejam x 1 , x 2 , os distintos valores possveis de X. Para qualquer z, o evento'
{X + Y= z } e o mesmo que o evento
U {X = X ;, Y = z - x;}.
i

Como os eventos { X = x;, Y =z - x ; } sao disjuntos para valores distintos de i ,


segue -se que
P(X +Y z) = L P(X = X;, Y = z - X;)
i

= ~ P(X = x;)P(Y
Em outras palavras,

(24) fX+r(z) = L fx(x)fr(z - x).

Se X e Y sao varhiveis aleatrias inteiras, entao X+ Y e tamhem inteira.


Neste caso podemos interpretar (24) como sen do vilida, quando z e inteiro e a
variavel x do segundo membro se estende sobre os (24) inteiros. Urna particula-
rizayao adicional ~ util. Suponha que X e Y assumam somente valores inteiros
nao-negativos. Entao X+ Y tamb~m assume somente valores inteiros nao-negativos.
Se z ~urn nmero inteiro nao-negativo, entao fx(x) fy(z- x) =O a menos que
x seja urn dos valores O, l, ... , z. Entao sob essas condiyoes podemos reescrever
(24) como
z
(25) fx+Y(z) = L fx(x)fr(z - x).
x=O

Embora a equayao (25) seja util na determinayao da densidade de X + Y,


geralmente ~ mais simpies usar funyoes geratrizes de probabilidade. Descreveremos
a seguir tais fun_yoes e apresentaremos diversas aplicayoes irnportantes de seu uso .
na determinayao da densidade de soma de variaveis aleatrias independentes.
Defmiyao 6. Seja X urna variavel aleatria inteira nao-negativa. Defme-se
funyao geratriz de pro babilidade IP x de X como

<I>x(t) = xto P(X = x)t" = xto (:) (pt)"(l - p)"-".

A seguir determinaremos IPx( t) para tres casos especificos.


Exemplo 16. Distribuiao binomial. Seja X urna variavel aleatria tendo distri-
buiyao binomial de parametros n e p. Entao

P(X = x) = (:) p"(l _ p)"-x


e portanto
00 00

<l>x(t) = L P(X = x)t" = L fx(x)t", - l ::s; t:::;; l.


x=O x=O

Pela frmula de expansao binomial

(a + b)" = f (n) a"bn-x,


x=O X

concluimos que
(26) ~Px(t)=(pt+ 1-p)n.

Exemplo 17. Distribuiao b inomial negativa. Seja X urna variavel aleatria


com distribuiyao binomial negativa de parametros a e p. Entao

3
e portanto

<l>x(l) = Jo Pa (~tX) (-lY(l- pytx

= pa f (-(J.) (-t(l -
x=O X
p)y.

Da expansao em serie de Taylor

(l + s)-a = f (-a) sX,


x=O X

com s = -t(l- p) , segue-se que

(27) <l>x(t) = (
p )a .
l - t(l - p)
Exemplo 18. Oistribuic;ao de Poi sso n. Suponha que X tern urna distribui<;ao
de Poisson de parametro 'A. En tao
f... X e- A
P(X =x)=
x!
e portanto
(h)"
<l>x(t) = e-;. L
00

x=O X!
Fazendo s =f... t na expansao em serie de Taylor
s ~ SX
e = i..J -
x=O X 1
vemos que
(28) <Px(t) =eAt e-A =eA(l - ' ) .

Sejam X e Y duas variaveis aleatrias independentes , inteiras e nao-negati.vas.


En tao
(29) <Px+r(t) = <Px(t)<Py(t) .
Para verificar este resultado, observe que em virtude de (25)

X :

L t= L fx(x)fr(z - x)
z=O x=O
OCJ X,

=
x=O
L .fx(x)t-' L fr(Z
==x
- xw-x
OCJ 'X)

= L
x=O .
fx(x)t-'
y=O
L fr(y)tY
= <l>x(t)<I>r(t),
que e o resultado desejado .
74
De (29) segue-se facilmente por induyao que se X 1 , , X, sao variaveis
aleatrias independentes, inteiras e nao-negativas, entao

(30) <Px 1 + .. +x,(t) = c:fJx 1 (t) ... <Px,(t).

Pode-se demonstrar mais facilmente as conclus6es do teorema seguinte usando


a "tecnica da funyao geratriz", q ue se baseia no fa to de que se
00 00

L axtx
x= O
= L
x=O
bxt\ - l<t<l ,

entao podemas igualar os coeficientes de tx nas duas series de potencia e concluir


que ax = bx, x = O, l , 2, . . . I sto m ostra q ue se duas variaveis aleatrias inteiras
e nao-negativas tern a mesma funyao geratriz de probabilidade, elas devem ter a
mesma distribuiyao. Em outras palavras, a funyao geratriz de probabilidade de urna
variavel aleatria in teira nao-negativa de termina unieamen te a distribuiyao des ta
variavel aleatria.
Teorema l. Sejam X 1 , , X, variaveis aleatrias independentes.
(i) Se Xi tern distribuiyao binomial de panimetros ni e p, entao
X 1 + +X, tern distribuiyao binomial de panimetros n 1 + ... +n, e p .
(ii) Se Xi tern distribuiyao binomial negativa de parametros CY. e p, entao
X 1 + + X, tern distribui9iio binomial negativa de parametros
cxl + ... +ex, e p.
(iii) Se Xi tern distribui<;:ao de Poisson de parametro A, entao X 1 +-- +X,
tern distrib,ui<;:ao de Poisson de parametro A. 1 + ... +X,.
Demonstrayiio de (i). Se os Xi sao como especificados em (i), entao pelo
Exemplo ( 16)
c:pX1 +.. +Xr(t)= <Px t (t) ... <Px r(t)
=(pt + 1-p)nt ... (pt + 1-p)nr
=(pt + l-p)n1 +.. +nr.
Assim a funyao geratriz de probabilidade de X 1 + +X, e igual ade urna variavel
aleatria com distribui<;:ao binomial de parametros n 1 + . +n, e p. Isto implica
que X 1 + .. . +X, deve ter esta distribuiyao binomial. Pois sup~mha que
a .. = (111 + ~o+ n,) p-"(1 - pyl+ 000 +n,-x

sejam as probabilidades binarniais correspondentes. Entao


co
L P(X 1 + ... +X,= x)tx = <l>x + .. +x/t) 1
x=O

75
Assim, igualando os coeficientes, vemos que

P(X1 ++X, =x) =ax

e portanto que X 1 + + X, distribui-se binomialmente conforme estabelece (i).


Demonstra~o de (ii). Se os X; s!o como especificados em (ii), entao pelo
Exemplo 17.

<Pxl + + x,(t) = <Px l (t) . .. <Px,(t)


c t~ p)r c
1

t~ p)r
c
_ _

t~ _ p)r
1
+ +<t.

Assim a funyao geratriz de probabilidade de X; + + X, e igual a de urna variavel


aleatria com distribuiyao binomial negativa de pariimetros a 1 + + a, e p.
Segue-se entao pelo mesmo argumento usado na demonstrayao de (i) que
X 1 + +X, tern a distribuiyao binomial negativa e~ecificada.
A demonstrayao de (iii) e analoga as de (i) e (ii), e deixamo-la para o leitor
a ttulo de exerccio.
Suponha que a 1 = = a, = l no item (ii) do Teorema l. Entao cada
urna das variaveis aleatrias X 1 , , X, distribui-se geometricamente com pa-
riimetro p, e (ii) estabelece que X 1 + +X, tern distribuiyao binomial negativa
de pariimetros r e p. Isto constitui urna demonstra9ao alternativa do resultado
obtido na Seyao 3 .5.
O exemplo seguinte ilustra o uso de probabilidades condicionais.
Exemplo 19. Sejam X 1 , X 2 , variaveis aleatrias independentes, inteiras
e nao-negativas, tendo urna densidade comum. Suponha que S 0 = O e
S n = X 1 + + X n, n ;;;;. l. Seja N urna variavel aleatria inteira nao-negativa
e suponha que N, X 1 , X 2 , . sao independentes. Entao SN = X 1 + + XN
e a soma de1 urn nfunero aleatrio de variaveis aleatrias. Para urna interpretayao
de SN, suponha que no tempo O urn milnero aleatrio N de bacterlas sao in tra-
duzidos num sistema, e que no tempo l a colonia iniciada pela i.esima bacteria
eontern X; membros. Entao SN eonfunerototaldebacteriaspresentesnotempo l.
Mostre que a funyao geratriz de probabilidade de SN e dada por

(31)

Para verificar (31) observamos inicialmente que


ctJ

P(SN = x) = L P(SN = x, N = n)
n;O

76
(O

L P(Sn = x, N = n)
n=O
(O

= L P(N = n)P(Sn = X l N = n).


n= O
Corno N e independente de XI' x2' . .. ' Xn, e independente de Sn, e portanto
P(Sn = x fN =n)= P(Sn = x). Assim
(O

(32) P(SN = x) = L P(N = n)P(Sn = x).


n=O
Conseqiienternente para - l ~t ~ l
<X)

<I>sN(t) = L txP(SN = x)
x=O
(O (O

= L tx L P(N = n)P(Sn = x)
x=O n=O
<X) <X)

= L P(N = n) x=Q
L txP(Sn = x)
n=O
<X)

= L P(N ~ n) <I>dt)
n=O
a:>

= L P(N = n)(<I>x,(t))"
n= O
= <I>N(<I>x;(t)).

Exercicios

l. Quaquer ponto no intervalo [0, l) pode ser representado atraves de sua ex-
pansao decima O, x 1 , x 2 Suponha que se escollie, aeatoamente, urn
ponto do intervao [0, 1). Seja X o prirneiro dfgito da expansao decima
que representa o ponto. Determine a densidade de X.
2. Suponha que X tenha urna densidade binornial negativa de parametros a = r
e p, (sendo r inteiro). Determine a densidade de X+ r.
3. Suponha que urna caixa contenha 6 bolas vermellias e 4 pretas. Seleciona-se
urna amostra aleatria de tamanho n. Seja X o numero de bolas vermellias
na amostra. Determine a densidade de X para amostragem (a) sem reposi9ao
e (b) com reposi9ao.
4. Seja N urn n1lmero inteiro positivo e seja

f(x) = { c2x, x=l,2, . . . ,N,


o, para outros vaores de x .

Determine o vaor de c para o qua f e urna densidade de probabilidade.


77
5. Suponha que X e urna variavel aleatria tendo a densidade f dada por

X -3 -l o l 2 3 5 8
f(x) 0,1 0,2 0,15 0,2 0,1 0,15 0,05 0,05

Determine as seguintes probabilidades:


(a) X e negativo;
(b) X e par;
(c) X assume urn valor entre l e 8 (inclusivos);
(d) P(X= -3/X~ O)
(e) P(X~3/X>O).
6. Suponha que X tern urna distribui9ao geometrica com p= 0,8.
Determine as probabilidades dos seguintes eventos:
(a) X> 3;
(b) 4 ~ X ~ 7 ou X > 9;
(c) 3~X~5 ou 7~X~l0.
7. Suponha que X se distribui uniformemente sobre O, l, ... , 99. Determine:
(a) P(X~ 25);
(b) P(2,6<X< 12,2);
(c) P(8<X~ 10 ou 30<X~32) ;
(d) P(25 ~X~ 30).
8. Suponha que urna caixa eontern 12 bolas numeradas de l a 12. Faz-se duas
repeti96es independentes do experimento de selecionar aleatoriamente urna
bola da caixa. Seja X o maior entre os dois nfuneros observados. Determine
a densidade de X.
9. Considere a situa9ao do Exercicio. 8 em que a seleyao e feita sem reposi9ao.
Determine a densidade de X.
10. Seja X urna variavel aleatria geometricamente distribuda com parametro p.
Seja Y = X se X< M e Y= M se X ~M; isto e, Y = Min (X, M). Deter-
mine a densidade de Y.
11. Suponha que X se distribui geometricamente com parametro p. Determine
a densidade de
(a) X 2 ;
(b) X+ 3.
12. Suponha que urna caixa eontern r bolas numeradas de l a r. Seleciona-se
sem reposiyao urna amostra aleatria de tamanho n. Seja Y o maior numero
observado na amostra e Z o menor.
(a) Determine a probabilidade P(Y ~y).
(b) Determine a probabilidade P(Z ~z).
78
=-'.,._.., X e Y duas variaveis aleatrias tendo a densidade eonjunta dada na
:a....~la seguin te .

~ -2
-l

1/9
o
1/27
2
1/ 27
6
1/9
l 2/9 o 1/ 9 1/9
3 o o 1/ 9 l 4/ 27
l

Deterrnine as probabilidades dos seguintes eventos :


(a) Y e par ;
(b) XY e impar;
(c) X>O e y ;;;. o.
14. Seja X e Y duas variaveis aleatrias indepen den'tes com densidade uniforme
em {0, l , . . . ,N }. Determine
(a) P(X ;;;. Y) ;
(b) P(X =Y).
15. Sejam X e Y comono Exerc!cio 14. Obtenha as densidades de :
(a) min (X, Y);
(b) max (X, Y);
(c) l Y- X l.
16. Sejam X e Y duas variaveis aleatrias independentes tendo densidades geo-
metricas de parametros p 1 e p 2 respectivamente.
Obtenha:
(a) P(X;;;. Y);
(b) P(X= Y) .
17. Sejam X e Y comono Exerc!cio 16. Obtenha a densidade de
(a) min (X, Y);
(b) X+ Y.
18. Sejam X e Y varhiveis aleatrias discretas e sejam g e h fun~oes tais que
satisfa~am a identidade.

P(X = x, Y= y) = g(x)h(y).
(a) Expresse P(X = x) em termos de g e h.
(b) Expresse P( Y = y) em termos de g e h.
(c) Mostre que (Lx g(x)) (Ly h(y)) = l.
(d) Mostre que X e Y sao independentes.
79
19. Sejam X e Y variaveis aleatrias independentes com a mesma densidade
geometrica de parametro p . Sejam Z= Y- X e M= min (X, Y).
(a) Mostre que para z e m;;;. O inteiros

P(M=m Z=z)= {P(X=m-z)P(Y=m), z<O,


' P(X=m)P(Y=m+z), z;;;.o.
(b) Conclua de (a) que para z e m;;;. O inteiros
P(M=m , Z=z) =p 2 (1 -p) 2 m(l-p)lzl.
(c) Use (b) e o Exercicio 18 para mostrar que M e Z sao independentes.
20. Suponha que wn alvo circular esta dividido em tres zonas limitadas pelos cr
culos concentricos de raios 1/ 3, 1/ 2 e l , conforme ilustra o diagrama seguinte.

Figura 4

Disparando-se aleatoriamente tres tiros ao alvo, qual a probabilidade de que


exatamente urn tiro atinja cada zona?
21. Suponha que se distribui aleatoriamente 2r bolas em r caixas. Seja X; o
nfunero de bolas na caixa i .
(a) Obtenha a densidade eonjunta de X 1 , , X,.
(b) Obtenha a probabilidade de que cada caixa contenha exatamente 2 bolas.
22. Considere urn experimento com tres resultado~ poss!veis que ocorrem com
probabilidades p 1 , p 2 e p 3 , respectivamente. Suponha que se realiza n
repetiy6es independentes do experimento e seja X; o nfunero de vezes que
ocorre o resultado i.
(a) Qual ~a densidade de X l + x2?
(b) Determine P(X2 =y IX 1 +X2 =z), y =O, l, 2, ... ,z.
23. Use a aproximayao de Poisson para calcular a probabilidade de que no maximo
2 dentre 50 motoristas tenham carteiras de habilitayao invilida se normalmente
5% dos motoristas o tern.
24. Use a aproximayao de Poisson para calcular a probabilidade de que urna caixa
com 100 fus!veis contenha no maxiiDo 2 fus!veis defeituosos se 3% dos fus!veis
fabricados sao defeituosos.
25. Lanya-se urn dado ate observar o nfunero 6.
(a) Qual ~ a probabilidade de que sej am necessarios seis lanyamentos no maximo?
80
(b) Quantos lan~aro~ntos s[o necessarios para que a probabilidade de obter
6 seja no minimo 1/2?
Os Exerci'cios 26-30 sao problemas inter-relacionados e baseiaro-se em urna
seqtiencia infmita de provas de Bernoulli conforme discussao da Se~ao 3.5.
26. Seja Ti o nfunero de provas ate (e inclusive) o t..esirno sucesso. Sejaro
O..;; x 1 < < x, nfuneros inteiros. Determine a probabilidade
= x 1 , T 2 = x 2 , , T,= x,).
P(T1
Sugestiio : Fas;a W,= T, - T, _ 1 , r;;;. 2 e W1 = T1 : entao

P(T 1 = x1, ,T,=x,)


..
l
=P(W1 =x 1 , W2 =x 2 -X 1 ,,,, , W, = x, - x,_ 1 )
Use a seguir o fa to de que as variaveis aleatrias W1 - l, ... , W,- l sao mu-
tuaroente independentes e tern a mesma distribuis;ao geometrica de parametro p.
27. Seja Nn o nU:mero desucessos nas prirneiras n provas. Mostre que
l
P(T1 =x lNn=l) -, x=l,2, ... , n.
n
28. De urna formamais geral , rnostre que

P(T1 ~ x1 , T 2 =x 2 , , T, = x, JNn =r) =(~)-I,


O<x 1 <x 2 < <x,..;;n.
lsto mestra que , dado que ocorrern r sucessos nas prirneiras n provas, as
provas nas quais tais sucessos ocorrern constituem urna aroostra aleatria de
taroanho r (sem reposis;ao) da "popula~ao" das localizas;oes possveis.
29. Seja k urn numero inteiro positivo, k..;; r. Do Exerci'cio 28 podemes deter-
rninar de irnediato que

(
X
k-1
-l) (nr-k
- X)
P(Tk = x i N. = r) =
(~)
Realrnente, se Tk = x, o k..esimo sucesso o.corre na posis;ao x. Nas prirneiras
x - l posi~oes deve ocorrer exataroente k - l sucessos, e nas Ul tirnas n - x
posi~oes deve ocorrer exataroente r - k sucessos. Como, dado Nn = r, as
posi~oes dos r sucessos constituem urna aroostra aleatria de taroanho r da
"popula~ao" de n posi~oes, segue-se o resultado acirna. Verifique que isto
realmente acantece deterrninando P(Tk =x/Nn = r) diretaroente .
30. Sejaro l ..;; i< i..;; r numeros inteiros nao-negativos. Obtenha
P( Ti =x, Ti =y l N n =r)
para O < x < y ..;; n.
81
31. Suponha que X e Y sejam variaveis aleatrias independentes que tenham densi
dade uniforme sobre l, 2, . ,N. Deterrninea densidade de X+ Y.
32. Seja X urna variavel aleatria uniformemente distribuda em {O, l, 2, ... N }.
Obtenha <Px(t).
33. Seja X urna variavel aleatria inteira nao-negativa cuja fun9ao geratriz de
probabilidade e dada por <Px(t) = e;>..(r-Il, onde A> O. Obtenha fx .
34. Demonstre o item (iii) do Teorema l.
35. Sejam X e Y variaveis aleatrias independentes com densidades de Poisson
de parametros A1 e A2 , respectivamente. Obtenha P(Y = yfX +Y= z)
para y = O, ... , z. Sugestiio: use ( iii) do Teorema l.
36. Sejam X, Y, e Z variaveis aleatrias independentes com densidades de Poisson l
<e -
de parametros A1 , A2 e A3 , respectivamente . Obtenha
P(X=x, Y=y,Z=z IX+ Y+Z=x+y+z)
para nfuneros inteiros nao-negativos x,y e z. Sugestiio: use (iii) do Teorema l.
37. No Exemplo 19 suponha que X 1 assuma os valores l e O com probabilidades
p e l-p, respectivamente, onde O<p< l. Suponha tamhem queNtenha
densidade de Poisson de parametro A.
(a) Use a Equa9ao {31) para obter a fun9llo geratriz de probabilidade de SN.
(b) Use (a) para obter a densidade de SN.
Para urna interpreta9ao de SN , suponha que se introduza urn numero aleatrio
N de celulas cancerosas no tempo O e que cada celula, independentemente
das outras celulas e de N, tern probabilidade p de sobreviver a urn tratarnenio
radioativo. Seja Xi = l se a i.esima celula sobrevive e Xi = O caso contrano.
Entao SN e o nfunero total de celulas que sobrevivem ao tratamento.
38. Resolva {b) do Exercicio 37 sem usar a fun9llo geratriz de probabilidade, mas
usando em seulugar a Equa9llo {32) e o fato de que X 1 + . + Xn tern urna
densidade binomial.

,J
t. l

82
r'.
(

EXPECTANCIA DE VARIAVEIS
ALEATRIAS INDEPENDENTES

Consideremos urn certo jogo de azar. Para apostar no jogo devemos pagar
urna importiincia de a dlares. Como resultado da aposta recebemos X dlares,
on de X e urna variavel aleata cujos valores possiveis sao x 1 , x 2 , , x,.
O probierna e saber se devemos apostar no jogo. Se vamos apostar urna 6nica vez,
o probierna e bastante dificiL Entretanto, suponha que apostamos urn grande
numero de vezes. Aps n apostas, pagariamos na dlares e receberiamos
X 1 + + X 11 dlares. Se supornos que as apostas sucessivas do jogo constituem
repetiyes independentes do mesrno expemento (observayao de urn valor de X),
podemos tornar as variaveis aleatas XI, x2, ... , x" como sendo mutuamente
independentes e tendo a densidade comurn f de X. Seja N 11 (x;) o numero de
apostas que resultam novalor x;, isto e, o nmero de X; que assumem o valor
x;. Entao podemos escrever
r
X1 ++X,. = L x;N,.(x;).
i= 1

A quantia media recebida e entao

X1 ++X.= X; [N,.(xJ].
n i= 1 n
De acordo com a da probabilidade como freqiiencia relativa se n for
inteq)Jeta~o
grande, os nmeros N,.(x;)/n devem ser aproximadamente iguais a J(x;), e assim
i a soma do segundo membro deve ser aproximadarnente igual a Jl = l:~ = 1 x;[(x;).
Assim parece razoavel antecipar urn ganho liquido no jogo se Jl > a e esperar urna
perda liquida se ll < a. Se Jl =a, antecipari;nos sair do jogomais ou menos quites.
A quantidade l:~= 1 x;f(x;) chama-se expectancia da variavel aleata X.
De urna forma mais geral, seja X urna variAvel aleatria discreta qualquer, que
assume urn nmero finito de valores x 1 , , x,. Entao o valor esperado de X,
representado por EX ou p, ~ o nmero
r
(1) EX= L xJ(xJ,
i=1

onde f e a densidade de X.
Suponha que X tern distribuiyao uniforme em x 1 , . , x, . E:;:-... .-
= P(X = xi) =,-t e de (l) vemos que EX= (x 1 + ~ +x, )r- 1
neste caso, EX e apenas a media aritmetica dos valores possiveis de X . b _
(l) mostra que EX e a media aritmetica dos valores possiveis de X ; o peso .-..
ciado ao i-esimo valor xi e sua probabilidade f(xi)
O valor esperado EX chama-se, tambem, media de X (ou da de ' d.l:C _--
de X) e representa-se habitualmente por /J.. A media e urna forma de tentar :c..:.....:....
a distribuiyao de probabilidade, a urn unico numero que se supe represe :...:
''valor tipico" de X. O grau de adequayao disto depende do giau de eoncen
dos valores de X em tom o de JJ... Examinaremos es te probierna em maior de~
quando discutirmos a variaocia de X na SeyaQ 4.3.
Exemplo l. Distribui~ao binomial. Suponha que X tern a distribuiyao binorcia!
de parametros n e p. Obtenha EX.
Para n = l, X assume os valores O e l com pro babilidades (l - p) e
respectivamen te. Portan to:

EX= O P(X =O) + l P(X = l) =p.


Como urna variavel aleatria, que tern densidade binornial de parametros
l e p, e simplesmente urna variavel aleatria indicadora, vemos que se pode obter
a probabilidade de urn eventa A, de que }{ = l, deterrninando a expectancia
do seu indicador.
Determinemos agora EX para n ~ l qualquer. Neste caso X assume os
valores 0,1,2, ... , n , e

EX = (~)
j=O
j
}
pi(l - p)"-i.

Para calcular esta quantidade observamos que


jn!
j! (n .- j)!
n(n - l)!
(j - l)! [(n - l) - (j - l)]!

=n
( j-l'
n - l)
Assim

EX= n t (~ : :
j= l J
1

1
) . pi(l - p)"- i.

Fazendo a mudanya de variavel i =j - l vemos que

EX = L
np n-1 ( n ~ 1) pi(l _ p)n-i-1.
i=O ~

84
=- omial

it~ {n~ l) i(l - p)n-i-1 = [p + (l - p)]n-1 l,

" .u:: que


EX= np.

4.1. DEFINI~AO DE EXPECTANCIA


Suponha agora que X e urna variavel aleatria discreta qualquer, cujos valores
possiveis sao x 1 , x 2 , Gostariamos de defmir a expecti.ncia de X como

(2) EX= L"'


j= l
xif(x}

Se X tern apenas urn numero ftnito de valores possiveis .X 1 , , x 7 , entao


(2) e simplesmente a nossa defmic;:ao anterior. No caso discreto geral, esta defmic;:ao
e valida desde que a soma 'L i x i f(x i) seja bem defmida. Para que este seja o caso,
exiginios que 'Li l x i l f(x i)< 00 lsto nos leva aseguinte deftnic;:ao.
Defmi~o l. Sejaurna variavel aleatria discreta com densidade f.
X
Se 'L i l x i l f(x i) < oo,
clizernos que X tern expectancia f mi ta e defmirnos
sua expectancia atraves de (2). Por outro lado , se 'L 1 l x i l f(x i) = oo,
i=
dizemos que X nao tern expectancia fmita e EX e indefmido.
Se X e urna variavel aleatria nao-negativa, geralmente indica-se por EX< oo
o fato de que ela tern expectancia fmita.
Exemplo 2. Distribui9ao de Poisson. Suponha que X tern urna distribuic;:ao de
Poisson de parametros :\. Entao

EX = f
j=l
j ~e-A =
jl
f (J. -)J l)! e-A
j=l

"' )J .
= A.e-A L -:- = A.e-AeA = A..
j=O}!

..1 Exemplo 3. Distribui9ao geometrica. Suponha que X tern urna distribuic;:ao


geometrica de parametro p. Obtenha EX.
Do exemplo (2) ternos
co
EX = L jp(l - p)f
j=O
' co
= p(l - p) r i(t -
j=O
p)i-l

co d
-pO - p) L dp
-(t
j=O
- Pl

85
Com o se pode diferenciar urna serie geometrica, termo por termo, segue-se que
d
= - p{l -
<V
EX p) - ~ (l - p)i.
dp j=O
Usando a frmula da soma de urna progressao.geometrica, vemos que,

EX= -p{l -p)!!__(!) dp p


= -p{l -p) (-l).
p2

Conseqiientemente
EX= l - p.
p
Consideraremos a seguir urn exempo de uma densidade que nao tern media
fmita.
Exempo 4. Seja f a fun9ao defmida em R por

l , X = l, 2, . .. ,
f( x ) = (
x(x + l)
O, para outros valores de x

Obviamente a fun9ao f satisfaz as propriedades (i) e (ii) da defmi9lfo de


fun9es de densidade dada no Capituo 3. Para ver se f satisfaz a propriedade
(iii), obsetvamos qoe
l l l
--- = - - ~

x(x + l) x x + l

L [l-X -X -
l]
e portanto
00 00

L
x= 1
J<x> =
x=1 +l
=(l - 1/2) + {1/2 - /3) + ... = l.
Assim f satisfaz (fu) e portanto e urna densidade. Mas f nao tern media
fmita porque
00 00 l
~ lxlf(x) = ~ - -
x= 1 x=1 X + l

e sabe-se muito bem que a serie hannonica :E:; = 1 x- nao converge.

4.2. PROPRIEDADES DA EXPECI'ANCIA


Freqiientemente desejamos determinar a expectancia de urna variavel aleatria
como Z= X 1 + X 2 ou Z= XZ que e em si mesrna urna fun~o .p(X) do vetor
aleatrio X. Naturalmente isto pode ser feito usaodo (2) se eonhecemas a densidade
fz de Z. Entretanto, com bastante freqiiencia a densidade de Z pode nao ser
conhecida ou, a determin39ao de EZ, a partir de urna dada densidade de Z, pode
ser bastante dificil. O resultado que apresentaremos a seguir nos da uma forma
86
de decidir se Z tern expectiincia finita, e se tiver, de deterrrrlnar EZ diretamente
em termos da densidade f x e da funyao '{J.
Antes de estabelecer este resultado, introduzimos urna convenyao notacional.
Seja X urn vetor aleatrio discreto r-dimensional que tern valores possiveis
x 1 , x 2 , e densidade f e seja '{! urna funyao real qualquer definida em Rr.
Entao define-se ~x '{!(x)f(x) como
(3) L q;(x)f(x) = L q;(x)f(x).
X j

Teorema l Seja X urn vetor aleatrio discretc tendo densidade f e seja


'{! urna funyao real defmida em Rr. Entao a variavel aleatria Z = '{!(X)
tern expectiincia fmita se e somente se

(4) L !q;(x)lf(x)
X
< oo

e quando ( 4) e verdadeiro,

(5) EZ = L q;(x)f(x).
X

Demonstra~o. Sejam z 1 , z 2 , os distint os valores possiveis de Z e


sejam x 1 , x 2 , . os distintos ,valores possive~s de X. Para qualquer zi existe
pelo menos urn x; tal que, Zj = '{J(x;) mas, pode existir mais de urn x; que
satisfaz essa condiyaO. Seja Aj a coleyaO de tais X;, isto e,

Ai = {x; l q;(x;) = zJ.

Entao {X E A i} e {Z= zi} representam exatamente os mesmos eventos.


As sim

l
P(Z = zi) = P(X E A) = L fx(x).
X E Aj
Conseqtien te me n te,
l
l

Como '{J(x) = zi para x em A i' segue-se que

ll L lzilfz(zi)
j
= L L
j X E Aj
jq;(x)lfx(x).

Por sua defmiyao, os conjuntos A i sao disjuntos para valores distintos de


j , e sua uniao eo eonjunto de todos os valores possiveis de X. Portanto
L lzilfz(zi)
j
= L jq;(x)lfx(x).
X

l sto m ostra que Z tern expectancia fmita se, e somente se, (4) for verdadeiro.
87
Se Z possui expectancia fmita, entao repetindo o mesmo argumento acima
sem os sinais de mdulo, concluimos que (5) e verdadeiro.
Seja X urna variavel aleata com densidade f e seja IP(x) = l x 1. Entao
pelo Teorema l, l X l tern expectancia fmita se, e. somente se, ~x l x.l f(x) < 00
Mas , de acordo com nossa defmiyao de expectancia, X tern expectancia se, e so-
mente se, a mesma see converge. Vemos portanto que X tern expectancia fmita
se, e somente se, El X l < oo.
Usaremos agora o Teorema l para estabelecer as importantes propriedades
da expectancia que seguem.
Teorema 2. Sejam X e Y duas variaveis aleatrias ten do expectancia fmita.
(i) Se c e urna constante e P(X =c)= l, entao EX= c.
(ii)Se c e urna constante, entao eX tern expectancia finita e E(eX) = cEX.
X+ Y tern expectancia fmita e E(X + Y) =EX +,EY.
(iii)
(iv)Suponha que P(X ~Y)= l. Entao EX~EY; alem do mais, EX =EY
se, e somente se, P(X = Y)= l.
(v) lEX l ,;;;;El XI.
Demonstra~o. A demonstrayao de (i) e bastante sirnples. Se P(X =c)=: l ,
entao X tern densidade f x(x) =O para x =l= c e f x(c) = l. Assim em virtude de (2)
EX = L xfx(x) = cfx(c) = c.
X

'Para demonstrar (ii), seja ~P(x) =ex e observe que

L lcxlfx(x) = lei L lxlfx(x) < oo,


X X

de modo que eX tern expectancia fmita. Assim de (5)


E(cX) = L (cx)fx(X) = c L xfx(x) = cEX.
X X

Para estabelecer (iii) fazemos ~P(X, y) = x +y e seja f a densidade eonjunta


de X e Y. Entao
L lx + Ylf(x, y) ~ L lxlf(x, y)
x,y
+ L l Ylf(x,
x ,.y
y)
x,y

=L lxl I;J(x, y) +L IYI L f(x, Y)


X Y Y X

=L lxlfx(x) + L lYlfr(Y) < 00


Y
"
e portanto X+ Y tern expectancia fmita. Aplicando (5) vemos que
E(X + Y) =L (x + y)f(x, y)
x,y

= L
x,y
xf(x, y) + L yf(x, y)
x ,y

=EX+ EY . .
88

b
Para demonstrar (iv) observe que Z =X - Y = X + (- Y), e de acordo
com (ii) e (iii) vemos que

EX - EY = E(X - Y) = EZ = L zfz(z).
z
-
Como P(Z;;;. O)= P(X;;;. Y) = l, os valores zi que Z= X- Y assume, devem
ser todos nao-negativos. Assim ~z zfz(z) ;;;. O e portanto EX- EY;;;. O. Isto
conduz aprimeira parte de (iv). Se EX = EY, entao
O = EZ = Li zJz(z).
Mas a soma de termos nao negativos pode ser zero somente se todos os termos
individuais forem zero. Como fz(zi) > O, devemos ter zi = O. Assim o (mico
valor possvel de Z e O e conseqiientemente P(Z = O) = 1:
Finamen te ( v) decorre de (iv) e (ii) por que - l X l ~ X~ l X l e portan to
- El X l ~ EX ~E l X 1. l sto compieta a demonstrac;:ao do teorema.
Segue-se facilmente de (ii) e (iii) que. se X 1 , , Xn sao n variciveis
aleatrias quaisquer que tern expectiincia fmita e c 1 , . . , en sao n constantes
quaisquer, entao
(6) E(c 1 X 1 + + cnXn) = c1 EX1 + + cnEXn.
E util saber que urna variavel aleatria limitacta sempre tern expectiincia fmita.
Mais precisamente
Teorema 3 . Seja X urna variavel aleatria tal que P( l X l ~ M) = l, para
urna algurna constante M. Entao X tern expectiincia fmita e lEX l~ M.
Demonstra~o. Sejam x 1 , x 2 , . os valores possveis de X. Entao l X i l ~ M
para todo i. Realmente, se l xi l> M para algurn valor possvel de Xj, entao

o que contradiz o fato de que P(l X l ~M)= l. Conseqlientemente


L lx;/!(x;)
i
~ M Li f (x;) ~ M,

de modo que X tern expectiincia fmita. Alem do mais, em virtude de (v) do


Teorema 2.
IEXI ~ EIXI =L lxdf(xi)
i
~ M.
Jsto compieta a demonstrac;:ao .
Segue-se facilmente do Teorema 3 e de (iii) do Teorema 2 que , se
X e Y sao duas variaveis aleatrias tais que , Y tern expectiincia fillita e
P(l X - Y l ~M) = l, para algurna constante M, entao X tamhem tern expectiincia
fmita e l EX- EY l~ M. Deixamos para o leitor a demonstrac;:ao deste resultado.
Urna vez que a expectiincia da soma de duas variaveis aleatrias e a soma de
suas expectiincias, podia-se supor que a expectiincia de urn produto fosse o produto
89
das expectancias. Pode-se ver que isto nao e verdade, em geral, considerando a
variavel aleatria X que a5sume cada urn dos valores l e - l com probabilidade
1/2 e fazendo X= Y. Entao EX= EY = O mas EXY = EX 2 = 1.
Existe urn caso importante em que esta regra do produto e vilida. Trata-se
do caso em que X e Y sao variaveis aleatrias independentes. Estabelecemos
formalmente este caso a seguir.
Teorema 4. Sejam X e Y duas variaveis aleatrias independentes tendo
expectancias fmitas. Entao XY tern expectancia fmita e
(7) E(XY) = (EX)(EY).
Demonstra~o. Observe que a densidade eonjunta de X e Y e fx(x)fy(y) .
urna vez que X e Y sao independentes. Assim
L !xy!f(x, y) =Lx ,y !xi!Yifx(x)fr(Y)
x,y

= (~ !xlfx(x)) (~ !ylfr(Y)) < oo,

de modo que XY tern expectancia finita. Usando o Teorema l concluimos que

E(XY) = L (xy)fx(x)fr(Y)
x,y

= [ ~ xfx(x)] [ ~ Yfr(Y)] = (EX)(EY).

A reci'proca desta propriedade nao e verdadeira; duas variaveis aleatrias


podem ser tais que E(XY) = (EXXEY) mesmo que X e Y nao sejam inde-
pendentes.
Exemplo 5. Suponha que (X, Y) assume os valores (1,0), (0,1), (-1,0) e (0, -l)
com probabilidades iguais. Entao EX = EY = O. Como XY = O, segue-se que
E(XY) = O e portanto E(XY) = (EX)(EY). Para ver que X e Y nao sao
independentes, observe por exemplo que P(X = O) = P(Y = O) = 1/2 enquanto
P(X= O, Y= O)= O. Assim

P(X = O, Y= O) =l P(X = O)P(Y = 0).


Freqiientemente e mais facil determinar expectancias usando as propriedades
dadas no Teorema 2 do que usando diretamente a defmic;:ao. Ilustraremos agora
essa tecnica com diversos exemplos.
Exemplo 6. Distribui<;:ao binomial. Ja sabemos do Exemplo l que a media da
distribuic;:ao binornial de parametros n e p e np. Podemos tamhem obter este
resultado de urna maneira muito simples, usando a propriedade de que a expect:incia
de urna soma e a soma das expectiincias ((iii) do Teorema 2). Para isto, sejam
X 1 , . . . , X n n variaveis aleatrias independentes de Bernoulli de parii...'lletro p
90
e seja Sn = X 1 ++Xn. Entao Sn tern a distribuiyiio binomial de parametros
n e p. Da primeira parte do Exemplo l

EX; = p, l ::; i ::; n, e portanto

ESn
" EX;
= E(X1 + + X") = L = np.
i= l

Exemplo 7. Distribuic;:ao hipergeometrica. Suponha que ternos urna populayao


de r objetos dos quais r 1 sao do tipo urn e r - r 1 , sao do tipo dois. Extrai-se
desta populayiio urna amostra sem reposiyao de tamanho n. Seja Sn o numero
de objetos do tipo urn na amostra. Detennine ES n .
Sabemos que Sn tern distribuiyao hipergeometrica, de modo que poderiamos
determinar ESn usando (2). Entretanto, e muito mais simpies proceder intro-
duzindo as variaveis aleatrias indieadoras X 1 , , X n da seguinte forma. A variavel
aleatria X i = l se, e somente se, o i-esimo elementoda amostra e do tipo urn. Entao

ESn = L"
i= 1
EX; = n -'t .
r

Mas Sn = X 1 + + Xn, de modo que usando (iii) do Teorema 2 vemos que

EX; = P(X; = l) = !:.!.


r
Observe que as variaveis aleatrias X, 1 .,;;; i.,;;; n, niio sao independentes.
Exemplo 8. Suponha que ternos urna populayao de r objetos distintos numerados
de l a r. Extrai-se os objetos com reposiyao ate obter exatamente k .,;;; r objetos
distintos. Seja S k o tamanho da amostra necessaria. Determine ES k
E claro que S 1 = l e portanto ES 1 = l. Suponha que k;:;;. 2 e seja
Xi = Si+l - S, i= l, 2, ... , k-l. Entao claramente Sk =l+ X 1 + + Xk-t
Mas Xi e o numero de objetos que se deve extrair ate que o (i+ 1)-esimo objeto
novo ,entre na amostra, aps o i-esimo objeto novo ter entrado na amostra. Urn
pouco de raciocinio mostra que o evento {X; = n} ocorre se, e somente se, os
primeiros n - l elementos, extraidos depois que o i-esimo objeto novo entra
na amostra, repetem urn dos i objetos anteriores, e o n-esimo elemento, extraido
depois do i-esimo objeto novo, e diferente dos i objetos anteriores. Assim, como
as extra96es sao independentes,

n= l, 2, ....

lsto mostra que a variavel aleatria xi - l distribui-se geometriea-


rnenie com panimetro Pi = l - (ifr). Portanto, de acordo com o Exemplo 3,
E(Xi- l)= Pi 1 (l - P), e
(l - ifr)- 1

91
Conseqiientemente,

(8 )

L
k-1 ( _ r_ .)
i=O r- z

= r (!r + _l_ + ... + r-k+


r-1
l l) .
Registramos para uso futuro, que se toma claro da constru9ao de Xi, que
elas sao variaveis aleatrias mutuamente independentes.
Vimos no capituJo anterior que variaveis aleatrias inteiras nao-negativas
X desempenham urn papel proeminente. Para estas variaveis aleatrias pode-se
freqiientemente aplicar o teorema seguinte para decidir se X tern expectancia
flnita e determinar a expectancia de X.
Teorema S. Seja X urna variavel aleatria inteira nao-negativa. Entao X
tern expectancia fmita se, e somente se, a serie L;'= 1 P(X ~ x) converge.
Se a serie converge, entao

(9) EX

Demonstra~o. Mostraremos que


00 00

(10) L
x;l
xP(X = x) = L P(X
x;l
::::: x),

do qual segue-se imediatamente o teorema. Para isso escrevemos inicialmente o


primeiro membro de (lO) como
00 X

L P (X = x) L l.
x =l y= l

E possivel inverter a ordem dos somatrios e reescrever esta expressao como


00 00 00

L L P(X = x) = L P(X ::::: y).


y=l x=y y =l

Substituindo a variavel auxiliar y pela variavel auxiliar x no segundo membro


desta igualdade, obtemos o segundo membro de (10). Isto mastra que (10) e ver-
dadeiro como desejado.
Para urna aplica9ao elementar deste teorema, suponha que X e urna va-
riavel aleatria que se distriboi geometrieamen te com parametro p. ntao
P(X~x) =(l- p )X e de acordo com o teorema
00

EX = L ~l - PY =(l - p) + (l - p) 2 = ... = p- 1 (1 -p).


x=l

Isto esta de acordo com o resultado obtido no Exemplo 3.


92

J
4.3. MOMENTOS
Seja X urna variavel aleatria discreta e seja r ;;;. O urn numero 1nteiro.
Dizemos que X tern urn momento de ordem r se X' tern expectincia frnita .
Neste caso defmirnos o r-t~sirno momento de X como EX'. Se X tm urn mo-
mento de ordem r, entao o r-esimo momentode X- J1, on de J1 e a media de X ,
chama-se r-esimo momento central (ou r-esimo momento em torno da media)
de X. Podemos determinar pelo Teorema l o r-esimo momento e o r-esimo mo-
mento central de X diretamente da densidade f pelas frmulas
(11) EX' = L xj(x)
X

e
(12) E(X - 11Y = L (x
X
- Jl))(x).

De acordo com (11) e (12), o r-esimo momento e o r-esimo momento central


sao determinados pela densidade [, de modo que faz sentido falar neles como
o r-esimo momento e o r-esimo momento central desta densidade.
Suponha que X tern urn momento de ordem r, entao X tern urn momento
de ordem k para t odo k ~r. Para ver isto, observe que se l x l ~ l, en tao

enquanto para l x l > l,

Assirn, em ambos os casos e sempre verdade que

Entao, pelo teorema da comparayao para convergencia de series, vemos que


L lxl"f(x) :S: L [lxl' + l]f(x) = E(IXI') + i < oo,
X X

de modo que xk tern expectancia finita.


Por outro lado, como mostramos no Exemplo 4, urna variavel aleatria X
pode nao ter nem mesmo o primeiro momento. Urna simpies modificayao deste
exemplo mostra que urna variavel aleatria pode ter urn momento de ordem r
mas nao ter momentos de ordens superiores. (Ver Exerdcio 9.)
O primeiro momento (r = l) e simplesmente a media de X. Em geral, quanto
maior o numero de momentos de X que conhecemos, maior e a informayaO que
ternos sobre a distribuiyao de X; entretanto, os dois primeiros momentos sao de
maior interesse nas aplicay6es.
Sabemos pela propriedade (iii) do Teorema 2 que se X e Y tern ambos urn
primeiro momento finito, entao X + Y tamhem o tern. Mostrarernos a seguir
que esta desejavel propriedade mantem-se vilida para rnornentos de ordern r.
93
Teorema 6. Se _as variaveis aleatrias X e Y tern momentos de ordem r,
entao X + Y tamhem tern momento de ordem r.
Demonstra~ao. Este teorema baseia-se na simples desigualdade a seguir. Para
. qualquer numero inteiro nao-negativo j..;; r,

(13) X, Y E R.

Para ver isto, observe que se lx 1..;; IY l, entao lx Ji ly l' -j ..;; ly Ji IY l'-;
lyl'..;;lxl'+lyl'; enquantose lxi)>Jyl, entao lxJi Jy l' -i..;; Jxl' ..;;jxl' +lyl'.
Assim (13) e verdadeiro. Usando (13) e o teorema binomial, vernos que

lx + yl':::;; (Jxl + lYlY

j=O
t (~)
)
Jx li l yl'- i

Mas
t (r) =
j = O )
2'

porque

Consequentemente
lx + yl' :::;; 2'(1x l' + IYI').

Seja f a densidade eonjunta de X e Y. Entao


I, lx + y !J(x , y) :::;; 2' L (l xl' + l yl' )f(x , y)
x ,y x ,y

= 2'E(I X l' + l Y l')


= 2'(E IX I' + E I Y IJ < 00 .

Portan to, pelo Teorema l, (X+ Y)' tern expectancia fmita.


Segue-se facilmente por indu<;ao que se XI' x2' . . . ' X n tern todos urn
momentode ordem r, entao X 1 + +Xn tamhem o tern.
Seja X urna variavel aleatria que tern urn momento finito de segunda ordem.
Entao a varitincia de X, representada por V ar X ou V( X), e definida por
Var X= E[(X- EX) 2 ].
Expandindo o segundo membro vemos que
Var X= E[X 2 - (2X)(EX) + (EX)
2
]

94
Em outras palavras

(14)
Representa-se freqiientemente EX por J1 e Var X por a 2 O numero nao-
negativo a= .../Var X chama-sedesvia padriio de X ou de f X
De acordo com a nossa discussao anterior, J1 e o valor medio da variavel alea-
tria X. Urn dos usos da variiincia e como urna medida da dispersao da distribuic;:ao
de X em torno da media. Quanto maior a tendencia de X de se afastar do seu
valor medio, maior a tendencia de (X - J1 ) 2 de assumir valor grande , e portan to,
maior sera a variiincia.
Por outro lado, Var X = O se , e somente se, X e urria constante. Para ver
isto, observe que se P( X = c) = l para algurna constante c, entao EX =c e
Var X= O. Reciprocamente , se Var X= O, entao P((X - EX ) 2 =O)= l , portanto,
E[(X -EX) 2 ] =O. Conseqiien temente P(X =EX) = l.
O probierna seguinte, que e de interesse em estatistica, ilust ra urn uso alter-
nativo da media e variiincia. Seja X urna variavel aleatria que tern urn segund o
momento finito , e suponha que desejamos deterrninar o valor de a que minimiza
E(X- a? . Tal valor nos daria urna eonstan te que melhor se aju sta a X se o erro
fosse medido pelo desvio quad ratico medio.
Urna form a de resolver este probierna e pelo uso de ca.Iculo. Obse rve que
E(X - a) 2 = EX 2 - 2aEX + a2 .
Se diferenciarmos eni. relac;:ao a a e igu alarmos a derivada a zero, veremos que
a =EX. Como a segunda derivada e positiva (na realidade , ela e igual a 2), o ponto
corresponde a urn minimo , e o valor minimo e Var X.
Existe urna segunda forma de resolver este probierna que e tamhem impor-
tante compreender. Observe que

(X - a) 2 = [(X - /1) + (/1 - a)] 2


= (X - 11) 2 + 2(X - J.l)(/1 - a) + (/1 - a) 2
Como E(X- Jl) =O, o termo de produto cruzadotern expectiincia nula e portan to,

(15) E(X - a) 2 = E(X - 11) 2 + (/1 - a) 2


= Var X+ (/1 - a) 2
Torna-se claro que de (15) que E( X - a )2 alcanc;:a urn minimo quando J1 =a,
e que o valor deste minimo e Var X.
Freqiientemente podemos determinar mais simplesmente os momentos de
urna variavel aleatria inteira nao negativa pela diferenciac;:ao de sua func;:ao geratriz
de probabilidade <I>x. Suponha por simplicidade que
00

L
x=O
fx(x)t 0 < oo

95
_.:... gum t 0 > l. En tao podemes considerar <IX be m defmido em - t 0 < t < t0
::: ... ~ es de
00

<Dx(t) = L fx(x)tx, - t0 < t < t0


x~o

Podemos diferenciar <I>x(t) qualquer numero de vezes, diferenciando, termo a


termo, a correspondente serie de potencias. Em particular
00

<l>~( t) = L xfx(x)tx- \
x~l

e
00

<D;(t) = L x(x
x~2
- l)fx(x)lx- 2 , - t0 < t < t0 .

Em virtude das hipteses sobre t 0 , podemes fazer t = l nestas frmulas, o b ten do


00

<D~(!) =
'
L xfx(x)
x=l
= EX
e
00

<D;(l) = L x(x - l)fx(x) = EX(X - 1).


x~z

Assim, pode-se obter de <I>x a media e a variancia de X por meio das frmulas

EX = <D~(l)
e

P0de-se desenvolver frmulas semelhantes para os outros momentos de X em


termos de derivadas superiores de <I>x no ponto t= l.
Ilustraremos a seguir o uso dessas frmulas.
Exemplo 9. Distribuic;:ao binomial negativa. Seja X urna variavel aleatria com dis-
tribuiyao binomial negativa de parametros o: e p . Obtenha a media e a variiincia de X.
De acordo com o Exemplo 17 do Capituo 3 sabemos que a fun9ao geratriz
de X e dada por <!X( t ) = pCX [ l - t(l- p) ]-ex. Conseqiientemente
<D~(t) = etp'[l - t( l - p)]- (>+ 1)(1 - p)
e

As sim
<D~( l) = (.( e~ p) ,_
e

96
Portanto, EX= a:p- 1 (l -p) e

Var X = (ex + l)ex C~ p) 2


+ ex C~ P) - ex
2
c~ P) 2

l - p
=ex --2 -~ .
p
Em particular, se X tern urna distribuic;:ao geometrica de panimetro p, entao
EX=p- 1 (1 -p) (comojavimos)e VarX=p-2 (1-p).
Exemplo 10. Distribuh;:ao de Poisson. Suponha que X tern urna distribuic;:ao
de Poisson de parametro A. Obtenha a media e a variancia de X.
No Exemplo 18 do Capituo 3 vimos que <l>x (t) = e l\ (t- 1
). Assim
<l>~(t) = /.e;.<r-1)
e
<l>~(t) = J. 2eJ.(r- ll.

Consequentemente <l>x(l) = A e . <l> x(l) = A2 . Segue-se imediatamente que


EX= A,
concorda com o resultado obtido no Exemplo 2, e

Var X = }, 2 + X - }, 2 = },.

lsto mastra que se X tern urna distribuic;:ao de Poisson de parametro A, entao


a media e a variancia de X sao iguais a A..

4.4. V ARIANCIA DE UMA SOMA


Sejam X e Y duas variaveis aleatrias que tern segundos momentos fmitos.
Entao X+ Y tern segundo memento finito e portanto variancia fmita. Ternos que
Var (X + Y) = E[(X + Y) - E(X + Y)J 2
= E[(X - EX) + (Y - EY)r
= E(X - EX? + E(Y - EY) 2
+ 2E[(X - EX)(Y- EY)]
= Var X+ Var Y+ 2E[(X- EX)(Y- EY)].
Assim, ao contrario da media, a variancia da soma de duas variaveis aleatrias
nao e em geral igual asoma das variancias.
A quantidade
E[(X- EX)(Y- EY)]

chama-se covaritincia de X e Y e representa-se pgr Cov (X, Y) .


Ternosassim a importante frmula
(16) Var (X + Y) = Var X + Var Y + 2 Cov (X, Y).
97
Urn a vez que
(X- EX)(Y- EY) = XY- (Y)(EX) - X(EY) + (EX)(EY),
tomando as expectiincias, vemos que
(17) Cov (X, Y) = E[(X- EX)(Y- EY)] = E(XY) - (EX)(EY).
Desta fonna, toma-se claro que Cov (X, Y) = O sempre que X e Y sao indepen-
dentes. (O Exemplo 5 mostra que a reciproca e falsa.) Vemos de (16) que se
X e Y sao variaveis aleatrias independentes, tendo segundos momentos fmitos,
entao Var (X+ Y)= Var X+ Var Y.
Em particular se P( Y = c) = l para algurna constante c, entao X e Y
sao independentes e a variiincia de Y e zero; conseqiientemente

(18) Var (X + c) = Var X + Var (c) = Var X.


De urna fonna mais geral, se X 1 , X 2 , , X n sao n variaveis aleatrias,
cada urna com segundo momento finito, entao

e em particular, se X 1 , . . . , X n sao mutuamente independentes, entao

(20)

Pode-se obter. estas fnnulas atraves de um desenvolvimento direto parecido


com (porem mais complicado que) o usado no caso n = 2, ou pode-se estabelece-las
por indQfi:li:O sobre n, partindode n = 2.
Em particular, se X 1 , . . , X n sao variaveis aleatrias independentes ten do
variiincia comurn a 2 (se elas tern a mesma densidade , por exemplo), entao

(21) Var (X1 + + XJ = n Var X 1 = na 2 .


Outro fato elementar, porem, bastante util e que Var (aX) = a2 Var X.
DeiXamos para o leitor a verificayao deste fa to.
Exemplo 11. Distribuic;:ao binomial. Sejam, X 1 , , X n, n variaveis aleatrias
independentes de Bernoulli tendo cada urna a mesma probabilidade p de assumir
o valor l. Entao (ver Exemplo 6) a soma Sn = X 1 + +Xn distribui-se bino-
mialmente com parametros n e p. Mostramos anterionnente que ES n = np.
Usando (21) obtemos de imediato que

Var Sn = n Var X 1

Mas X i = X1 porque X 1 e O ou l. Assim EX i = EX1 =p


Var X 1 = EXf - (EX 1 ) 2 = p - p 2 = p(l - p).
Conse qiientemente Var S n = np(l -p).
e portanto

'
98
Em resumo entao, a media de urna variavel binomialmente distribuida e
np e sua varincia e np(l -p).
Exemplo 12. Distribui~ao hipergeometrica. Considere a situa~ao do Exemplo 7.
Desejamos agora determinar Var Sn para obter a variancia de urna distribui~ao
hipergeometrica. Para isso usaremosa equa~ao (19).
Para os indicadores independentes X t, ... , X n, obtivemos anteriormente que

P(X 1 = l) = EX 1 =~
r
Como X i= X; vemos que

Var X 1 = EX/ - (EXY

A seguir determinamos as covariancias. Suponha que l < i< j <n. Corno


X;Xj = O a m enos que X; e Xi. Sejamambos iguais a l, ternos que

EX 1Xj = P(X 1 = l,Xj =l)=(~)(';~:).


Assim

(~f
(?:1)
r
(~-
r - l
~)
r

't) rt - r
( --;: r(r - l)'

e portanto

,J

Segue-se entao de (19) que

Var S = n rt(r - rt) - n(n - l) rt(r - rt)


n r2 r 2 (r - l)

= n (~) (l - ~) (l - : =~) .
E interessante comparar a media e variancias da distribui~ao hipergeometrica
com as da distribui~ao binomial tendo a mesma probabilidade de sucesso p= (rtfr).
Suponha que ternos urna popula~ao de r objetos dos quais r t sao do tipo urn e
99
- r 1 sao do tipo d~is. Extrai-se urna aroostra de taroanho n da populayao. Seja
~
Y o n tirne ro de objetos do tipo urn na aroostra.
Se a aroostragem e com reposiriio, Y distbui-se binornialmente com parii-
~etros n e p= (rdr), e portanto

EY = n(~) e

Por outro lado, se a aroostragem e sem reposiriio, Y tern a distbui9ao hiper-


geometca, e

A media e a mesma nos dois casos, mas a variancia e menor na aroostragem


sem reposi9ao. Intuitivaroente, quanto maior a proxirnidade entre n e r, mais
determinfstico se torna Y, quando a aroostragem e feita sem reposi9ao. Realmente,
se n = r, a variiincia e zero e P( Y= r 1 ) = l. Ma~ se r e gran de em compara9ao
a n, de forma que (n/r) se aproxima de zero, a razao das variiincias obtidas nas
aroostragens com e sem reposi9ao e prxima de urn. Isto era de se esperar, pois,
para n f1Xo e r grande, existe pouca diferen9a entre aroostragem com reposi9ao
e aroostragem sem reposi9ao.

4.5. COEFICIENTE DE CORRELA~AO


Sejaro X e . Y duas variaveis aleatas ten do variancias fmitas e nao-nulas.
Urna medida do grau de dependencia entre duas variaveis aleatrias e o coeficiente
de correlayao p(X, Y) defmida por

Cov (X, Y)
(22) p = p(X, Y)
J (V ar X ) (V ar Y)
Diz-se que estas variaveis aleatas nao sao correlacionadas se p = O. Como
Cov (X, Y) = O se X e Y sao independentes, vemos de imediato que variaveis
aleatrias independentes nao sao correlacionadas. E tarohem possfvel que variaveis
aleatrias dependentes nao sejaro correlacionadas, como se pode ver do Exemplo 5.
E importante para aplicay5es em estatfstica saber que o coeficiente de corre-
layao esta sempre entre - l e l , e que l p l = l se, e somente se, P(X =a Y)= l
para algurna constante a. Estes fatos sao consequencias imediatas da desigualdade
basica a seguir charoada desigualdade de Schwarz.
Teorema 7. A desigualdade de Schwarz. Suponha que X e Y tern segundos ..
momentos fmitos. Entao l
l}
(23) [E(XY)J2 ~ (EX 2 )(EY 2 ).
Alemdomais a igualdade prevalece em (23) se e somente se _ P(Y =O)= l
ou P(X =a Y)= l para algurna constante a.
100
Demonstra~o.Se P(Y = O) = l, entao P(XY = O) = l, ErY= : !
EY = O; assim, neste caso (23) se verifica com a igualdade. Ta::::::..,.-
2

P(X = a Y) = l, urn simpies desenvolvimento mostrani que ambos os ILe-::::_


de (23) sao iguais a (a 2 EY 2 ) 2
Mostraremos agora que (23) e sempre verdadeiro. Em virtude da discliSSio

r
. acima podemas supor que P( Y = O) < l e portanto EY 2 > O. A demons tras;ao
baseia-se em urn artificio simpies porem engenhoso. Observe que para qualquer
numero real A

Trata-se de urna funs;ao quadnitica de A. Com o o coeficiente EY 2 de A2 e posi-


tivo, obterri-se o minimo para algurn valor de A, digamos A = a, que pode ser
obtido pelo metodo usual de calculo , ou seja, igualando a ptimeira derivada a zero
e resolvendo a equas;ao re sutan te . A resposta e a = [E( XY)][ EY 2 ] - 1 . Com o o
valor resultante da funs:ao e

(24) O ~ E(X - aY)2 = EX 2 - [E(XY )J 2


EY 2
segue-se que (23) e vilido. Se a igualdade prevalecer na desigualdade de Schwarz,
entao vemos de (24) que E( X- aY) 2 =O, de modo que
P[(X- aY) = OJ = l.
Isto compieta a demonstras;ao.
Aplicando a desigualdade de Schwarz as variaveis aleatrias (X - EX) e
(Y - EY) vemos que

(E[(X- EX)(Y- EY)J) 2 ~ [E(X- EX) 2J[E(Y- EY) 2];


isto e,
[Cov (X, Y)] 2 ~ (V ar X)(Var Y).

Assim, pela defmis;ao de p


ip(X, Y)l ~ l.
Vemos tamhem pelo Teorema 7 que l p l = l se, e somente se, P(X =a Y) = l
L

.'" para algurna constante a.


O coeficiente de correlas;ao e de uso limitado na teoria da probabilidade.
Ele ocorre principalmente em estatistica, e sua discussao mais detalhada sera adiada
para o Volume II.

)
4.6. DESIGUALDADE DE CHEBYSHEV
Seja X urna variavel aleatria nao negativa tendo expectancia fmita e seja
t um numero real positivo. Defma a variavel aleatria Y fazendo Y= O se X< t
e Y = t se X~ t. Entao Y e urna variavel aleatria discreta tendo dois valores
101
poss1veiS O e t que ela assume com probabilidades P(Y = O)= P(X <t) e
P ( Y= t) = P(X~ t) respectivamente.
Assim
EY = tP(Y = t) + O P(Y = O) = tP(Y = t) = tP(X;;:::: t).
Mas claramente X~ Y e portanto EX~ EY. Assim
,
EX ;;:::: EY = tP(X ;;:::: t)
ou

(25) P(X;;:::: t) ;:5; EX.


t
Pode-se deduzir de (25) urna considenivel variedade de desigualdades uteis.
A mais importante delas e a desigualdade de Chebyshev.
Desigualdade de Chebyshev. Seja X urna vaavel aleatria com media
11 e variancia fmita a 2 Entao, para qualquer numero real O t>
(J2
(26) P(IX - 111 ;;:::: t) ;:5; -
. t2

Para demonstrar (26), aplicamos (25) a variavel aleatria ntro-negativa


(X- 11) 2 e o nume ro t 2 Concluimos que

P((X - 11)2 ;;:::: t 2) ;:5; E(X


t
~ J1)2 = a: .
t
Como (X - 11)2 ~ t 2 se, e somente se, l X - 111 ~ t vemos que (26) e ver-
dadeiro.
A desigualdade de Chebyshev estabelece urn limite superior em termos de
Var X e t para a probabilidade de que X se desvie de sua media por mais t uni-
dades. Sua virtude reside em sua grande generalidade. Nao se faz nenhuma restri~ao
sobre a distribui~ao de X, exceto que ela possua variancia fmita. Esta desigualdade
e o ponto de partida para vaos desenvolvimentos tericos. Para a maioria das
distribui~ oes que ocorrem na pratica, existem limites muito mais rigorosos para
P( i' X- 11 l ~ t) do que o dado pela desigualdade de Chebyshev, entretanto, exem-
plos mostram que em geral o limite estabelecido pela desigualdade de Chebyshev
nao pode ser melhorado (ver Exercicio 26).
Sejam X 1 , . . , X n n variaveis aleatrias independentes que tern a mesma
distribui~ao, pode-se pensar nestas variaveis aleatrias como n medidas indepen-
dentes de algurna grandeza, que se distribui, de acordo com sua distribui~ao comum.
Neste sentido falamos as vezes nas varia.veis aleatrias X 1 , . . . , X n como, consti-
tuindo urna aroostra aleatria de tamanho n desta distribui~ao .
Suponha que a distribui~ ao comurn dessas variaveis aleatrias tenha media
flnita 11 Entao, para n suflcientemente grande, esperarfamos que sua media arit-
metica S n/n = (X 1 + + Xn)/n se aproxime de 11 Se Xi tiver tamhem va-
riancia fmita, enttro
}Q _
/l

e assim, Var (Sn /n) -+O quando n -+ "" Como foi discutido na Se<;ao 4.3 .. isto
implica que, a medida que n cresce, a distribui<;ao de 1 .)11' 11) ' e eoncentra mais
em torno de sua media /1. De modo mais prcc1so, aplicando a desigualdade de
Chebyshev obtemos a desigualdade

(27) p ( S" _ !l ,::::: (J) ~ V~_r:_ ~~n /_'2_) = r;


2

n u- nfJ 2
Em particular, segue-se de (27) que para qualquer o :>O
(28) (IS l fJ)
!im P _!l - f.1 ,::::: = O.
n- ao n
Podemos interpretar (28) da seguinte forma. Pode-se pensar no numero
o como a precisao desejada na aproxirna<;ao de 11 por Sn /n. A Equa<;ao (28)
garante-n os que, por menor que seja o valor escolhido para o, a probabilidade
de que Snfn aproxime 11 com esta precisao, isto e, P(l (Sn/n) - 11 l< o), con-
verge para l amedida que o numero de observa<;6es se tomagran de. Este resultado
chama-se Lei Fraca dos Grandes Numeros. Ns demonstramos a lei fraca apenas
sob a hiptese-de que a variancia de Xi e finita. Na realidade isto nao e necessario;
tudo que e necessario e que Xi tenha media finita. Enunciamos este resultado
mais geral no teorema a seguir. A demonstra<;ao sera dada no Capituo 8.
Teorema 8 Lei F raca dos Grandes Numeros. Sejam XI, x2, ... 'X n vari-
aveis aleatrias independentes ten do urna distribui<;ao comurn?com media
finita 11 e seja Sn = X 1 + +Xn. Entao para qualquer o> O

!im p
n-+ 00
(lS"n - . f.l l ::?: fJ) = O.

A lei fraca e va!ida sempre que Xi tern media finita. Entretanto, se elas
tern tamhem -variiincia finita. entao (27) se verifica. Esta e urna assercao inais precisa

urna vez que elanos da urn limite superior para P (i~ - f.l l ,::: fJ) em termos de . n.

Ilustraremos agora o uso de (27) aplicando-a a variaveis aleatrias com distribui<;ao


binomial.
Suponha que X, , . . . , X n sejam 11 variaveis aleatrias independentes de
Bernoulli assumindo o valor l com probabilidade comurn p. Entao 11 = p e
a = p (l -p). Assim, (27) mostra que
2

(29) p (ls ~: -
1
P[ ::?: fJ
)
~ ~--
p(l-p)
.

Com o p (l -p) ~ l /4 se O <p < l (porque metodos habituais de calcu! o mostram


que p(l - p) alcan<;a o seu maxirno para p = 1/2), segue-se que, independen-
temente do valor de p,
103
(30)

A Equa9ao (29 ) e util quando conhecemos o valor de p, enquanto (30) n os da

urn limiteparap ([~ -pi;;:::: {))' que e vilida para qualquer valor de p. Se p es-

tiver prximo de 1/2, (29) e (30) nao diferem muito, mas se p estiver longe de
1/2, a estimativa dada por (29) pode ser muito melhor. (Na realidade, mesmo
os lirnites dados por (29) sao bastante pobres. No Capituo 7 discutiremos outro
metodo que produz estimativas muito melhores).
Suponha que o e E> O sao dados. Podemos usar (29) ou (30) para obter
urn limite inferior para o numero necessario de provas para nos garantir que

Realmente, de (29) vemos que este sera o caso se p (l - p )/no 2 ,.;;; E. Resolvendo
para n vemos que n ;;..p(l-p)jEo 2 Se usarmos (30), n ;;.:(4Eo 2 1 provas t
serlro suficientes. Observamos novamente que estes limites dados pela desigualdade
de Chebyshev sao pobres e que na realidade urn nfunero muito menor de provas
pode ser suficiente.
Como urna ilustra9ao da diferen9a entre estas duas estimativas, escolha = 0,1o
e E= 0,01. Entao o2 E= 10- 4 e de (30) vemos que para garantir que

P ( l ~n -p :;::::0,1 ~ 0,01

necessitariamos de n = 104 / 4 = 2500 observay5es. Suponha, entretanto, que


soubessemos que p = 0,1. Entao, como p(l -p) = 0,09, vemos de (29) que
n ;;:.: 0,09 x 104 = 900 observay5es serao suficientes. Para p = 1/2, (29) produz
a mesma estimativa de (30), ou seja 2500.
Para ilustrar a pobreza dos limites de Chebyshev no caso da distribui9ao bi-
nornial, suponha que n = l 00 e p = l /2.
De (29) obtemos entao.

P( l ~n -o,s i;;.:o,l) ,.;;;o,25.


Este resultado deve ser comparado com o valor exato des ta probabilidade que e 0,038.

Exercicios

l. Seja N um numero inteiro positivo e seja f a fun9ao definida por

f(x) = (N(:x+ l) ' X= 1,2, ... ,N,

O, outros valores de x
104
Mostre que f e urna densidade discreta e obtenha suz "& 5ugestiio:
f. x = N(N + 1)e f.
x 2 = S _- - l _s - 1) .
x;l 2 x; l 6
2. Suponha que X tern urna densidade binomial de 8fune ,.os n = 4 e p.
Obtenha E sen (1r X/2).
3, Suponha que X tern urna densidade de Poisson de pa.-.imetro A. Determine
a media de (l+ Xt 1
4 .' Se X tern media l e Y tern media 3, qual e a media X + 5 Y?
5. Suponha que X e Y sao duas variaveis aleatrias - - que
P( l X - Y! .;;;; M ) = ~

para algurna constante M . Mostre que se Y tern expectincia finita, entao


X tern expectancia finita e lEX- EY l .;;;; Jf.
6. Seja X urna variavel aleatria com distribuic;:ao geornetrica e seja M> O urn
numero positivo. Fac;:a Z = min (X , Jf) . De termine a media de Z. Sugestao:
use o Teorema 5.
7. Seja X urna variavel aleatria com distribuic;:ao geometrica e seja M> O urn
numero positivo. Fac;:a Y = Max ( X , M ). Determine a media de Y. Sugestiio:
determine P( Y < y) e a seguir use o Teorema 5.
8. Suponha que X se distribui uniformemente sobre { O, l, .. . , N }. Determine
a media e variancia de X usando a sugestao do Exercicio l.
9. Construa urn exemplo de urna densidade que tern urn momento finito de ordem
r, mas nao tern nenhum momento de ordem superior a r. Sugestao: considere
a serie l:;= 2
1 X- (r + ) e transforme-a em urna densidade.

10. Suponha 1ue X e Y sao duas variaveis aleatrias independentes tais que
EX 4 = 2, EY 2 =l, EX 2 =l, e EY =O. Determine Var (X 2 Y).
11. Mostre que V ar (a X)= a 2 Var X.
12. Suponha que X se distribui binomialmente com panimetros n e p. Use a
func;:ao geratriz de probabilidade de X para determinar sua media e variancia.
13. Seja X urna variavel aleatria inteira nao-negativa.
(a) Mostre que

<l>x(l) = Etx, - l :::;; t :::;; l,


<l>~(t) = EXtx- 1 , - 1 <t< l,
e
<l>~(t) = EX(X- l)tx-z, - l<t<l.

(b) Use o Teorema 4 para demonstrar que se X e Y sao variaveis aleatrias


inteiras, nao-negativas e independentes, entao
-l:::;;t:::;;l.
105
14. Sejam X e Y duas variaveis aleatrias independentes ten do segundos momentos
fmitos. Determine a media e a variancia de 2X + 3 Y em termos das de X e Y.
15. Sejam X 1 , , Xn variaveis aleatrias independentes tendo urna densidade
comurn com media p. e variancia a2 Fa9a X = (X1 + + Xn)fn.
(a) Escrevendo xk- X= (Xk -p.)- (X -p.), mostre que
n n
~
'-' - 2
(Xk - X) = '-' ~
(Xk - Jl )2 - -
n(X - Jl) 2 .
k=l k=l

(b) Conclua de (a) que

E Ct 1
(Xk - X)
2
) =(n- 1)a
2

16. Suponha que se distribua aleatoriamente n bolasem r caixas. Seja Xi = l ,


se a caixa i estiver vazia e, seja X i= O caso contnirio.
(a) Determine EX.
(b) Para i* j determine E(XiXj)-
(c) Seja S, o numero de caixas vazias. Escreva Sr = X 1 + + Xr , e use
o resultado de (a) para determinar ESr.
(d) Use os resultados de (a) e (b) para determinar Var Sr.
17. Suponha que tenharnos dois baralhos de n cartas, cada urn com as cartas nume-
radas de l a n. Utilizando estas cartas forma-se n pares, cada par contendo urna
carta de cada baralho. Dizemos que ocorre urn encontro na posi9ao i se o
par i e constitui'do de cartas de mesmo valor. Seja Sn o nfunero de encontros.
(a) Deterrnine ESn.
(b) Deterrnine VarSn .
Sugestiio : seja X i = l se ocorre urn encontro na posi9ao i, e seja Xi = O
caso contnirio. Entro Sn = X 1 + + X n . Dos resultados do Capituo 2
sabemos que P(Xi = l ) = l/n e que se i i= j,
P(X. = l X 1. = l ) = l
' ' n( n l)
18. Considere a variavel aleatria Sk introduzida no Exemplo 8. Deterrnine Var Sk .
19. Estabeleya as seguintes propriedades da covariancia:
(a) Cov(X, Y) =Cov(Y, X) ;

(b) Cov (t aiXi , itl biYi)


1
= i~ ;t 1
aibi Cov (Xi, Yi).
l
20. Sejam X 1 , X 2 e X 3 variaveis aleatrias independentes tendo variancias fmitas J
e positivas ai , a~ e a~, respectivamente. Obtenha a correlayao entre
X 1 -X2 e X 2 +X3
2 1. Suponha que X e Y sao duas variaveis aleatrias tais que p( X, Y) = 1/2,
V ar X= l e Var Y= 2. Obtenha Var (X- 2Y) .
106
22. Urna caixa eontern 3 bolas vermelhas e 2 pretas. Extraise urna amostra
sem reposiyao de tamanho dois. Sejam U e V os numeros de bolas vermelhas
e pretas, respectivamente, na amostra. Determine p( U, V).
23. Suponha que urna caixa eontern 3 bolas nurneradas de l a 3. Seleciona-se
sem reposiyao duas bolas da caixa. Seja X o numero da primeira bola e Y
o numero da segunda bola.
Determine Cov (X, Y) e p(X, Y).
24. Suponha que se repete n vezes urn experimento tendo r resultados possfveis
l, 2, ... , r que ocorrem com probabilidades p 1 , . . , Pr Seja X o numero
de vezes que ocorre o resultado l e seja Y o numero de vezes que ocorre
o resultado 2.
Mostre que p(X, Y) = -J PtP2
(l - Pt)(l - P2) '
atraves das seguintes etapas. Faya I; = l se ocorre resultado l na iesima
repetiyao, e I; = O, caso contnirio. Similarmente faya f; = l se ocorre
resultado 2 na i-esima repetiyao, f; = O para outros valores. Entao
X=lt ++In e Y=ft + +fn. Aseguirmostreque
(a) E(I;f;) =O.
(b) Se i=Fj,E(I;fj)=ptP2

(c) E(XY) =E (tt I;li) + E (tt J~i IifJ)


= n(n - l)ptP2
(d) Cov (X, Y)= -nPtP2 .
(e) p(X, Y)= - J , - - -
P-tP_2_ _
(1 - Pt)(l - P2)
25. Suponha que urna populayao de r objetos e constitufda de 't objetos de
tipo l, r2 objetos do tipo 2 e r 3 objetos do tipo 3, onde 't
+ r 2 + r 3 =r.
Toma-se desta populayao urna amostra aleatria sem reposiyao de tamanho
n .:;;; r. Seja X o numero de objetos do tipo l e Y o numero de objetos do
tipo 2 na amostra. Determine p(X, Y) da seguinte forma : Faya I; = l ou O
dependendo de se o i-esimo objeto e do tipo l ou nao, e f; = l ou o depen-
dendo de se o i..esimo objeto e do tipo 2 ou nao.
(a) Mostre que El;= rtfr e EJ;= r 2 jr.
(b) Mostre que para i =F j,

e que E(I;f;) =O.


(c) Faya X= / 1 + .. +In, e Y=f 1 ++fn e use a e b, para determi
nar E(XY), Var X e Var Y.
107
(d) Use (c) para determinar p(X, Y). Cornpare com o correspondente coe-
ficiente de correla~ao do Exercicio 24 p 1 = rdr e p 2 = r2 /r.
26. Seja X urna variavel aleatria tendo a densidade f dada por
1/18, X= l, 3,
f(x) = { 16/18, X= 2.
M ostre que existe urn valor de 8 tal que P( l X - fJ. l ~ 8) = V ar X/ 8 2 , de
modo que ern geral o limite dado pela desigualdade de Chebyshev nao pode
ser rnelhorado.
27. Urn fabricante de parafusos sabe que 5% de sua produ~ao e defeituosa. Ele
oferece urna garantia sobre sua rernessa de l 0.000 i ten s, prornetendo reernbolsar
o dinheiro se rnais de a parafusos forem defeituosos. Qual o menor valor que
o fabricante pode atribuir a a e ainda continuar seguro de que nao precisa
reern bolsar o dinheiro ern mai s de l% de vezes?
28. Suponha que X tern densidade de Poisson de ~arnetro A. Use a desigualdade
de Chebyshev para verificar as seguintes desigualdades:

(b) P(X 2 2A) ~!,


A
29. Seja X urna variavel aleatria inteira nao-negativa cuja fun~ao geratriz de
probabilidade <I>x(t) = EtX e finita para todo t e seja Xo urn numero inteiro
positivo. Argumentando comona demonstra~ao da desigualdade de Chebyshev,
verifique as seguintes desigualdades:

O~ t~ l;

(b) P(X 2 x 0 ) ~ <l>x(l), l 2 l.


l xo

30. Suponha que X tern densidade de Poisson de parametro A. Verifique as


seguintes desigualdades :

(
(a) P X ~l
A) ~
(2)j
~
f ;2

(b) P(X 2 2A) ~ (~Y.


Sugestiio: use calculo para minirnizar os segundos membros das desigualdades
do Exercicio 29. Estas desigualdades sa:o muito mais rigorosas do que as dadas
no Exercicio 28.
Os Exercicios 31 e 36 desenvolvem e aplicarn as no~5es de densidade condicional.
Sejarn X e Y duas variaveis aleatrias discretas. Defme-se a densidade condi-
cional f y 1x (y l x) de Y dado X = x atraves de

_ {P(Y X = x), se P(X = x) > O,


o,
= y
f YIX (Y l X )
J

-
para outros valores de x .
108
Segue-se que f Y!X(y l x) e urna densidade em Y para qualquer X :._ - ...1;;
P(X = x) >O. O Exemplo 14(d) do Capituo 3 pode ser interpretado .=:.:- ::..:
que se X e Y sao independentes e se distribuem geometricamente com ~~-i
metro p, entao, para z :> O, a densidade condicional de Y dado X+ Y = ::
e a densidade uniforme em {O, l , ... , z }.
Suponha que Y tern expectancia fmita. Defme-se como expecttincia condi-
ciona/ de Y dada X =X a media da densidade condicional de Y dado X= X,
isto e,
E[ Y l X = x] = L yfYIX(y l x).
Y

31. Verifique as seguintes propriedades de densidade condicional e da expectancia


condicional:
(a) fr(Y) = Lfx(x)fflx(Y l x) ;. (b) EY = Lfx(x)E[Y l X = x].
X X

32. Sejam X e Y duas variaveis aleatrias independentes com densidade geo-


m~trica de parametro p. Determine E[ Y l X + Y = z] onde z e urn inteiro
nao-negativo. Sugestao: Use o Exemplo 14(d) e o Exercicio 8.
33. Sejam X e Y duas variaveis aleatrias independentes com distribui96es de
Poisson de parametros :\ 1 e :\2 , respectivamente. Determine E[ Y l X+ Y= z]
onde z e urn inteiro nao-negativo. Sugestao: use o resultado do Exercicio 35
do Capituo 3.
34. Seja N urna variavel aleatria inteira nao-negativa. Sejam { Y n}, n:> O, vari-
aveis aleatrias com expectancias fmitas e independentes de N. Mostre que
E[YN l N= n] = EYn.
35. Sejam {X n}, n :> l, variaveis aleatrias independentes tendo media J.1. e va-
riancia a 2 fmitas e comuns. Fa9a S0 =O e S n= X 1 ++Xn, n:> l. Seja
N urna variavel aleatria inteira nao-negativa com media e variancia fmitas , e
suponha que N e independente de todas variaveis aleatrias defmidas em
termos de" {X n }, n :> l. Entao S n tern media e variancia fmitas. Mostre que

e
V ar SN = a 2 EN + J.L
2
V ar N.

Sugestao: use os Exercfcios 31 (b) e 34.


36. Obtenha os resultados do Exercfcio 35 diferenciando a fun9ao geratriz de
probabilidade de SN obtida no Exemplo 19 do Capituo 3 e fazendo t= l.

109
VARIAVEIS ALEATORIAS CONTiNUAS

No Capituo 3 consideramos as variaveis aleatrias discretas e suas densidades


como, por exemplo, a binomial, a hipergeomHrica e a de Poisson. Nas aplicay6es,
estas variaveis aleatrias representam tipicamente o numero de objetos de urn certo
tipo, como o numero de bolas vermelhas em urna amostra aleatria de tamanho n,
com ou sem reposiyao, ou o numero de chamaclas que chegam a urna central tele-
fonica num minuto.
Existem muitas situay5es, tanto tericas como aplicadas, em que as variaveis
aleatrias naturais a considerar sao "continuas" em vez de discretas. Como apro-
ximayao inicial, podemos definir urna variavel aleatria continua X num espayo
de probabilidade n como urna funyaO X( w), w E n, tal que

P( {w l X( w)= x}) =O, _oo <X< oo,


isto e, tal que X assume qualquer valor especfico x com probabilidade zero.
E facil pensar em exemplos de variaveis aleatrias contnuas. Como primeira
ilustrayao, considere urn modelo probabilstico para os teropos de desintegrayao
de urn numero fmito de partlculas radioativas. Seja T o tempo que decorre ate
a desintegrayao da primeira particula. Entao, T seria urna variavel aleatria continua,
pois a probabilidade de que a primeira desintegrayao ocorra num tempo especlfico
(por exemplo, T= 2.0000 . . . segundos) e zero. Como segundo exemplo, consi-
dere o experimento de escolher ao acaso urn ponto de urn subconjunto S do espayo
euclidiano n-dimensional , tendo urn volume n-dimensional fmito nao-nulo (lembre-se
da discussao deste experimento no Captulo 1) . Seja X a variavel aleatria que
representa a primeira coordenada do ponto escolhido. Suponha, por exemplo,
que n = 2 e que S seja urn disco de raio unitario no plano, centrado na origem.
Entao, o eonjunto de pontos em S que tern a primeira coordenada zero e urn seg-
mento de reta no plano. Qualquer segmento como este tern drea zero e portanto
probabilidade zero.
De urna forma geral, as variaveis aleatrias que representam medidas de gran-
dezas fsicas como coordenadas espaciais, peso, tempo, temperatura e voltagem
sao descritas mais adequadamente como variaveis aleatrias contfnuas. Variaveis
aleatrias associadas as centagens de objetos ou eventos sao exemplos tfpicos de
variaveis aleatrias discretas.
Entretanto, existem casos em que tanto a fprmula~ao discreta como a continua
poderiam ser apropriadas. Assim, embora normalmente a medida de comprimento
seja considerada como urna variavel aleatria continua, p odeamos considerar a
medida arredondada para urn certo numero de casas decimais, e portanto como
sendo urna variavel aleatria discreta.

5.1. VARIAVEIS ALEATRIAS E SUAS FUN~ES DE DISTRIBUI~AO


Nas aplica~6es, urna variavel aleatria representa urna quantidade numerica
defmida em termos do resultado de urn experimen to aleatrio. Matematicamente,
entretanto, urna variavel aleatria X e urna fun~ao real defmida num espa~o de
probabilidade. Naturalmente desejamos que P(X.;;;; x) seja bem defmida para todo
numero real x. Em outras palavras, se (n, .91, P) for urn espa~o de probabilidade
sobre o qual se defme X, desejamos que

{ wiX(w) <( x }

seja urn evento (isto e , urn elemento de .91 ). Isto nos leva as defmi~6es abaixo.
Defmi~ao l. Urna variavel aleatria X num esp a~o de probabilidade (n, d, P)
e urna fun~ao real X( w), w E n, tal que { w l X( w) .;;;; x } e urn evento
para -= < x < =.
Defmi~o 2. A fun~ao de distribui~ao F de urna variavel aleatria X e a fun~ao

F(x) =P(X <( x), -=<x<=.

A fun~ao de distribuiyaO e Util na determina~ao de diferentes probabilidades


associadas com a variavel aleatria X. Urn exemplo disto e a frmula

(l) P(a <X<( b) =F(b) -F(a) , a.;;;; b.

Para verificar a validade de (1), fa~a-se A= {w l X(w) <(a} e B= {w l X(w).;;;; b}.


Entao A ~B e, segundo a defmi~ao de variavel aleatria, A e B sao ambos eventos.
Portanto {w l a < X.;;;; b}= B n A c e urn evento e (l) e urn caso especial do
fato demonstrado na Se~ao 1.3, de acordo com o qual, se A ~ B, entlfo

P(B nAc) =P(B) -P(A).


Exemplo l. Considere o experimento de escolher ao acaso urn ponto do disco
de raio R no plano, centrado na origem. Para tornar o experimento mais inte-
ressante, podemos imagina-lo como sendo o resultado do lan~amento de urn dardo
sobre urn alvo circular. Associado a este experimento, esta o espa~o uniforme de
112
probabilidade descrito na Seyao 1.2. Seja X a variave: a:e2 ::Z __e representa a
distancia do ponto escalbido a origem. E facil determinar a . - e ;-:uibuiyao
de X . Se O ~ x ~ R, o evento {w l X( w) ~ x } e o disco o x no plano,
centra do na origem. Sua area e trx 2 Assim, pela defmiyao de urn espa ~o uniforme
de probabilidade,

J
1TX2
P(X~x) = - O~x~R.
trR 2
Se, x <O, entao P(X ~ x) =O. Se x > R, entao P(X ~ x) = l. Assim , a fun9ao
de distribuiyao F da variavel aleatria X e dada por
.,..
O, x<O ,
(2) F(x) = 2
x /R 2
, O ~x ~R,
l, x>R.

O gnifico de F e dado na Figura l. Segue-se das frmulas (1) e (2) que


se O~a ~ b~R, entao

b2 - a2
P(a<X~b) = F(b) - F(a)= R2 .

Figura 1

Exemplo 2. Considere urn modela probabilistico para os ternpas de desintegra9ao


de urn nfunero fmito de partlculas radioativas. Seja X o tempo de desintegrayao
de urna partleula especlfica. Obtenha a funyao de distribuiyao de X.
.
(} Corno vimos na Seyao 1.1, para urn valor positivo adequado de A,

P(a <X~ b) = e- "Aa - e- "Ab , O ~a~ b< oo.

Ja que X assume somente valores positivos, P(X ~ x) = O para x ~ O e, em


particular, P(X ~O)= O. Para O< x < oo,
113
~X<~=~X<m+P~<X<~=
=P(O<X<x) =
= 1-e - x.

Assim, X tern a fun~ao de distribui~ao F dada por

(3) F(x) =
l O,
l -e- x'
x<O ,
x>O .

Naturalmente as variaveis aleatrias discretas tamhem tern fun~6es de dis


tribui~ao, duas das uais foram determinadas nos Exemplos 10 e 11 do CapituJo 3.

Exemplo 3.Suponha que X tenha urna distribui~ao binomial de parametros


n= 2 e p= 1/2. Entao [(O)= 1/4, f(l) = 1/2 e [(2) = 1/4. Conseqiientemente
O, x<O,
1/4, O<x<I,
F(x) =
3/4, l <x<2,

l' 2<x .
O gnifico desta fun~ao de distribui~ao e dado na Figura 2.

Y. + - - - - - -

o 2

Figura 2

S.l.l. PROPRIEDADES DE FUNl;ES DE DISTRIBUil;AO. Nem todas as fun~6es ~J J


ocorrem como fun~6es de distribui~ao, pois as liitirnas devem satisfazer certas con-
di~6es. Seja X urna variavel aleatria e seja F sua fun~ao de distribui~ao. Entao

(i) O< F(x) < l para todo x.


(ii) F e urna funrao nio decrescente de X.

A propriedade (i) decorre imediatamente da propriedade de defini~ao


F(x) = P(X < x). Para verificar a validade de (ii) , precisamos simplesmente observar
cue se x <y, entao
F( y)- F(x) = P(x <X <y);;;. O.
Diz,.se que urna fun9ao f tern urn limite L a direita (a esquerda) r.o ~
x se f(x + h) ~ L para h ~ O atrav~s de valores positivos (negativos). Quz:: -'o
existem, representam-se os limites a direita e a esquerda por f(x +) e f(x - ) . .\"- o
~ difcil mostrar que se f for limitacta e nao-crescente ou nao-decrescente, ent.ao
f(x +) e f(x -) existem para todo x. Sob as mesmas condiy6es, f tern os limites
- ,l f( - 00) para x ~ -oo e f( +oo) para x ~ +oo.
Das propriedades (i) e (ii) e da discussao do paragrafo precedente, segue-se
que a funyao de distribuiyao F tern os limites F(x +) e F(x -) para t odo x ,
bero cqmoos limites F( -oo) e F(+oo).
(iii) F( _oo) = O e F( +oo) = 1.
(iv) F(x+) = F(x) para todo x.
Para avaliar F( -oo) e F( +00 ) precisamos apenas obter os limites de F(n)
para n ~ - 00 e n ~ +oo. (Isto decorre do fato de que F nao-decrescente).
Sej a

Bn = {w IX(w)<n }.

n s"= 0
- ro + ro
e U B"= n.
it=O n=O

Segue-se entao os resultados do Teorema l do Capituo l que


lim P(B") = P(0) = O e !im P(B") = P(Q.) = l.
n-+-oo n-++ oo

Devezque F(n)=P(X < n)=P(Bn), vemosque

F(- oo) = lim F(n) = lim P(B") = O


n-+- oo n-+- oo

e analogamente que F(+oo) = l.


A propriedade (iv) estabelece que F e urna funs:ao continua a direita e que
(4) F(x+) = P(X<x), _ oo < x < oo.
Urn resultado intimamente relacionado com ( 4) ~

(5) F(x-) = P(X<x),

As demonstray5es de (4) e (5) sao semelhantes a de (iii) . Para demonstrar (4),


por exemplo, precisamos apenas mostrar que F(x + 1/n) ~ P(X < x) para n~ +00
lsto pode ser feito definindo

11 5
observando que ()"B" = {w l X(w) ::5; x} e repetindo o argumento de (iii) .
Vemos imediatamente de (4) e (5) que

(6) F(x+) -F(x-) =P(X=x), - =<x<=.


Esta frmula estabelece que se P(X = x) > O, entao F apresenta urn salto de
magnitucle P(X = x) no ponto x. Se P(X = x) =O, entao F e continua no
ponto x. Lembramos o conceito de urna variavel aleatria continua (introdu<;:ao
deste capitulo).
Defini<;:ao 3. Chama-se urna variavel aleatria X de variavel aleatria
continua se
P(X=x) =O, -= < x < =.
Vemos agora que X e urna variavel aleatria continua se, e somente se, sua
fun<;:ao de distribui<;:ao F for continua para cada x, isto e, F for urna fun<;:ao
continua. Se X for urna variavel aleatria continua, entao alem de (l) ternos que
(7) P0<X<~=P0<X<~=P0<X<~
=F(b) -F(a),
de modo que < e < padem ser usados indiscriminadamente neste contexto.
As diversas propriedades de urna fun<;:ao de distribui<;:ao estao ilustradas na Figura 3.
(Observe que a variavel aleatria com esta fun<;:ao de distribui<;:ao nao seria nem
discreta nem continua.)

i
F (x+) - F (x-)=P (X-x)

F (x - )
l

X
r ~o
Figura 3

Considere a variavel aleatria X defmida no Exemplo l. Da frmula (2)


ou Figura l vemos que sua distribui<;:ao e continua. Entao X e urna variavel alea-
tria continua. Da mesma forma toma-se claro de (3) que a variavel aleatria do
Exemplo 2 e urna variavel aleatria continua.
116
A maioria das variaveis aleatrias que ocorrem nas aplicac,:5es pniticas sao
discretas ou continuas. Existem algumas excec,:oes. Considere o Exemplo 2. Neste
exemplo, X representa o tempo ate a desintegrac,:ao de urna partieula especifica.
Se o experimento durar apenas urn tempo especificado, digamos ate o tempo
t 0 > O, e a partieula nao se desintegrar ate este instante, o seu tempo real ate a
desintegrac,:ao nao sera observado. Urna possivel forma de eontornar esta dificuldade
. t' e defmir urna nova variavel aleatria Y da seguinte forma

X( w) se X(w) ~ t0 ,
Y(w) =
I to se X(w)>t 0 .

Assim Y e o tempo de degradac,:ao, se este tempo for observado (isto e, for menor
ou igual a t 0 ) e Y = t 0 caso contnirio. A func,:ao de distribuic,:ao Fy de Y e
dada por
O, y<O,
F y(y) = l - r y,

l'
A func,:ao de distribuic,:ao apresenta urn salto de magnitude e- A to no ponto y = t 0 .
Assim fica claro que a variavel aleatria Y que acabamos de construir nao e discreta
nem continua.
Ns definimos func,:5es de distribuic,:ao em termos de variaveis aleatrias.
Elaspodem ser defmidas diretamente.
Defmi~o 4. Urna func,:ao de distribuic,:ao e qualquer func,:ao F que satisfaz
as propriedades (i)-(iv); isto e,
(i) O~ F(x) ~ l para t odo x,
(ii) F. e urna func,:ao nao decrescente de x,
(iii)F( - oo)=O e F(+oo)= l,
(iv) F(x+) = F(x) para todo x.
Em textos mais avanc,:ados demonstra-se que se F for ur-..:: _-" e distri-
buiriio, necessariamente existe urn esparo de probabilidade e :...-= , :;:,r_ ,e. alea tria
X definida neste esparo tal que F ea funriio de distrib - - :.Z _

5.2. DENSlDAD ES DE V ARIAVEIS ALEATRL.\S CO_


Na pratica defme-se geralmente as fun_-: :e "---~~--"' ..' ~ili termos de
func,:oes de densidade.
Defini~o S. Urna func,:ao de densi --"~ l e uma func,:ao
nao-negativa f tal que

.]C

117
r Observe que se f for urna funyao de densidade , entao a funyao F defmida por

(8) F(x) = f 00
f(y)dy , - 00 < X< 00,

~ urna funyao continua que satisfaz as propriedades (i)-(iv) da Seyao 5 .1.1. Assim
(8) defme urna funyao de distribuiyao continua. Dizemos que esta funyao de dis-
tribuiyao tern densidade f. E possivel, embora dificil , construir exemplos de fun y6es
de distribuiyao contlnuas que nao possuem densidades. Aquelas que realmente pos-
suem densidades sao chamadas de funy6es de distribuiyao absolutamente continuas.
Se X for urna variavel aleatria continua tendo F como sua funyao de
distribuiyao, onde F ~ dada por (8), entao f ~ tamhem chamada de densidade
de X. Usaternos o termo "funyao de densidade" em relayao a funy6es de densidade
discreta ou a funy6es de densidade em relayao a integrayao. Devera fi car claro ,
no contexto, o tipo de funyao de densidade que esta sendo considerado . Por
exemplo, a frase "seja X urna variavel aleatria continua de densidade f" implica
necessariamente que f ~urna funyao de densidade em relayao a integratrao.
Segue-se de (l) e (8) que se X for urna variavel aleatria continua de den-
sidade f, cntao

(9) P(a :::;; X :::;; b) = f f(x) dx , a :::;; b,

ou de urna forma urn pouco mais geral, que

(lO) P(X E A) = f(x) dx


A

se A for a uniao de urn nfune ro finito ou in.finito contavel de intervalos disjuntos .


Assim P( X E A) pode ser re presentada como a area sob a curva f cpm x abran-
gendo o eonjunto A (ver Figura 4).

Figura 4

Na maiorla das aplicay6es, a maneira mais facil de determinar as densidades


de variaveis aleatrias continuas ~ diferenciar (8) e obter

(11) f(x) = F '(x) , _oo <x < oo.


118
Estritamente falando. ( 11) e valida em todos os pontos X onde f e continua.
Exemplo 4 Seja X a variavel aleatria do Exemplo l tendo a fun9ao de densidade
F dada por (2) . Entao

o, X< O,
( 12) F'(x) =
l 2x/R 2 ,
O,
o.;;;;x<R,
x>R.
A fun9iiO F nao e diferenciavel no ponto X = R. Entretanto, se defmirrnos f
por f(x) =F '(x), x i= R , e f(R) =O, este f sera urna densidade para F.
Qbservamos que (8) nao defme f de maneira unica, urna vez que podemos
alterar o valor de urna fun9ao em urn nl1mero fmito de pontos sem alterar a integral
da fun9iiO sobre intervalos. Urna fo rma tipica de defmir f e fazer f(x) = F'(x)
sempre que F'(x) existe e f(x) = O caso contrario. Isto defme urna densidade
de F desde que F seja sempre continua e que F ' exista e seja continua em todos,
exceto num numero fmito de pontos.
Existem outras maneiras de derivar ou verificar frmulas para a densidade
de urna fun9ao de distribui9ao continua F. Dada urna fun9ao de densidade f,
podemos mostrar que f e urna fun9iio de densidade de F verificando que (8)
e vilida. Alternativamente , podemos inverter este processo e mostrar que F pode
ser escrita na forma (8) para algurna fun9ao nao-negativa f. Entao f e necessa-
riamente urna densidade de F. Estes metodos, essencialmente equivalentes entre si,
sao geralmente mais complicados que o da diferencia9ao. Entretanto slio mais
rigorosos e evitam a necessidade de considera9ao especial dos pontos em que F'(x)
nao existe .
llustraremos o uso destes metodos no primeiro exemplo da subse9lio seguinte.

5.2.1. FRMULAS PARA MUDAN<;AS DE VARIAVEL. Seja X urna variavel


aleatria continua de densidade f. Discutimos metodos de obter a densidade de
urna variavel aleatria Y que seja fun9ao de X.
Exemplo S. Seja X urna variavel aleatria continua de densidade f. Obtenha a
densidade da variavel aleata Y = X 2
Para resolver este problema, inicialmente representamos por F e G as fun96es
de distribui9ao de X e Y, respectivamente. Entao G(y) = O para y .;;:; O.
Para y >O

G (y) = P( Y ,;;:; y) = P( X 2 ,;;:; y)


= P( - yy.;;:; X.;;:; yy)
= F( 0) - F(- VY)
e por diferencia~ao vemos que
119
=-
1
G'(y) - (F'(VY) +F'( - VY))
. 2yfy
l . .
2yy (f( yy) + f(- yy)).

Assim Y= X 2 tem.a densidade g dada por

- 1
- (f(yy) + f(- -/Y)) para y >O ,
(13) g(y) = 2yY
1o para y ,;( O.

Embora (13) seja v:ilido em geral, nossa derivac,:ao depende de diferenciac,:ao que
pode nao ser v:ilida para todos os pontos. Para dar urna demonstrac,:ao elementar
porem rigorosa de (13 ), podemos definir g atraves do segun do membro de (13)
e escrever para x > O

x g(y) dy = lx
f - oo O
1 -
;- U( y) +f( - , y)) dy.
2-...; y

Fazendo a mudanc,:a de variavel z = yy (de modo que dz = dy/ 2 y)i), obtemos

f;., g(y) dy = LI~ (/(z) +f( - z)) d::

J
.;~

= _ .;~f( z) dz

= F( x) - F( - , x) = G(x),

de modo que g e geralmente urna densidade de G.


Daqui para frente usaremos livremente a diferenciac,:ao para estabelecer fr-
mulas como (13), sabendo que se necessario podeamos apreentar derivac,:5es
alternativas via integrac,:ao.
Consideremos agora o uso de (13) para obter a densidade de X 2 , onde X
e a variavel aleatria defmida no Exemplo l. Determinamos no Exemplo 4 a densi-
dade de X como sendo f(x) = 2x/R 2 para O,;( x < R e f(x) =.O para outros
valores de x. Assim, usando (13) vemos que X 2 tern a densidade g dada por

e g(y) = O para outros valores de y. Esta densidade e urna densidade unif9rme


~ (O, R 2 ) de acordo com a seguinte.
Definiao 6. Sejam a e b duas eonstantes com a< b. A densidade unifo~
no in tervalo (a, b) ~ a densidade f defmida por

(b- a)- 1 para a< x <b,


(14) f(x) = {
0 para outros valores de x.

A fun~ao de distribuiyao correspondente a ( 14) ~ dada por

O, x <a,
(15) F(x) = (x-a)/(b - a) , a.;;;;x.;;;;b ,
l, X> b.
Nao ~ diflcil encontrar outros exemplos de variaveis aleatrias uniformemente
distribuidas. Quando se gira urn dial bem equilibrado , ~ razoavel supor que o angulo
do ponteiro (convenientemente defi.nido em radianos) ao parar, aps urn grande
nl1..'!1ro de revoluyes, se distribua uniformemente em ( -1T , 1T) ou equivalentemente
em (0,27T). Nas aplica~es da teoria da probabilidade em calculo nurn~ri co , supe-se
freqiientemente que o erro de arredondamento cometido pelo abandon o de to dos
os digitos alem de n casas decimais se distribui uniformemente em (0, w- n ).
Exemplo 6. Suponha que X se distribui uniformemente em (0 ,1) . . Obtenha
a densidade de Y= -A - 1 log (l- X) para A> O.
Seja G a fun~ao de distribuivao de Y. Observamos inicialmente que Y
e urna variavel aleatria positiva e conseqiientementeG(y) = O para y.;;;; O. Para
y >O ternos

G(y) =P(Y.;;;; y) =P(- - 1 log (1- X).;;;; y)

=P(log(l-X) ~- A.y)
=P(l-X~e-XY)

= P( X .,;;; l - e- Xy)
= 1- e-Xy.

Portanto G '(y) = Ae- XY para y >O e G'(y) =O para y <O. Portanto a den-
sidade de Y ~ dada por
Ae- Xy, y> O,
(16) g(y) = { o, Y.,;;; O.

Esta densidade chama-se densidade exponencial de panimetro A e sera discutida


mais detalhadamente na se~ao seguinte.
O exemplo acima e urn caso especial de problemas que podero ser resolvidos
por meio do teorema seguinte.
L I
Teorema l. Seja '{l urna fun ~o
estritamente decrescente em urn ime. <!.. . e 5<::_..:::! .:. l o contradominia
de '{l e '{1- 1 a fun~ao inversa de .;_ e:" -~ "-.i l aleatria continua
de densidade f tal que f(x ) = O ~ x E : - ---= Y = .,o( X) tern den-
sidade g dada por g(y) =O para y ~ .: l ~

(17) g(y) = f( '{1 - l ( y)) - .-. I).


dy - ~ .'- E.:

E urn pouco mais sugestivo escrever (l en te

(18) g(y) =f(x) l~~ l, y E (I) e x =.:

{ ou alternativamente g(y)ldy l = f (x) ldx l).


Para derivar (17) , sejam F e G as e X e Y res-
pectivamente. Suponha inicialmente que ..; sej es e cres.cente (isto e,
'{l(x 1) < '{l(x 2 ) se x 1 < x 2 , x 1 E/ e x. EJ). tio .,;- 1 e e- ;tamente crescente
em '{!(!) e para y E '{I(I ),

G(y = P Y<y)
=P(~(X) <y)
=P( X < -l (y) )
=F( '{l -l (y)) .

Assim, pela regra de difere n cia~ao em cadeia

G '(y) = d~ F( '{I- (y))

d
= F'('{l-1 (y)) _ ' { l - l (y)
dy

=[('{I- (y)) d~ '{1-1 (y).

Mas

..!!..._
dy
'{1-1 (y) = ldy
!!.._ '{1 - 1 (y) l

. rque ~ - 1 e estritamente crescente , de modo que (17) e vilida. Suponha a seguir


~ .; seja estritamente decrescente em I. Entao '{1- 1 e estritamente decrescente
e::J .; (/). e para y E '{1(/).
G(y) =P(Y<(y)
=P(<P(X).;;; y)
=P(X~ <P- 1 (y))

=l - F( <P- 1 (y)).
As sim
d
G'(y) = -F'(<P-1 (y)) dy <P-1 (y)

= /(([J-1(y)) (_:Y ([J-1(y)).

Mas

porque 1/)~ 1 e estritamente decrescente. Portanto vemos que G tern-a densidade g


dada por (l 7) em qualquer urn dos casos._
Exemplo 7. Seja X urna variavel aleatria tendo urna densidade exponencial
de parametro t... Obtenha a densidade de Y= X 1 /(3, on de {3 i= O.
De acordo com a defmiyao do exemplo anterior, a densidade de X e dada
por f(x) = t..e- x para X> o e f(x) =o para X.;:;;; O. o teorema acima e aplicavel
com <P(x) = x 1 Jf3, x > O. A equa9ao y = x 1 /(3 tern a solu9ao x = yf3 que nos da
dxjdy = (3yf3- 1 . Assim, de acordo com (18 ), Y tern a densidade g dada por

_ {1{31t..yf3-l e-Yf3, y>O,


g(y) - O, Y .;;; O.

Exemplo 8. Seja X urna variavel aleatria continua com densidade f e sejam


a e b duas constantes, com b i= O. Entao, de acordo com o Teorema l, a densidade
da variavel aleatria Y = a + b X e dada por

{19) g(y)-
_ fbil1 (Y- b- -a) ' -""<Y<""

Como urna ilustrayao desta frmula, seja X ,a variavel aleatria defmida no Exemplo l.
No Exemplo 4 determinamo~ sua densidade f como sendo f(x) = 2x/R 2 para
. O < x < R e f(x) = O para outros valores de x. Considere a variavel aleatria
Y= X/R e seja g sua densidade. Entao, pela Frmula (19) com a= O e b= 1/R,

g(y) = Rf(Ry) = 2y, O<y< l.

e g(y) =O para outros valores de y.


123
Se o leitor preferir, pode derivar fermulas corno as dos Exernplos 7 e 8 usando
o rn6todo d.ireto do Exernplo 6 ern vez do Teorerna l.
Corno virnos nos exernplos acima, podernos construir funyes de densidade
considerando funyes de vanliveis aleatrias. Existe outra rnaneira simpies de cons-
truir funyes de densidade. Seja g urna funyao nao-negativa qualquer, tal que

O< J~." g(x) dx < oo .

Entiio sernpre sepode normatizar g para obter urna funyao de densidade f= c-1 g,
onde c ~ a constante

c = J~." g(x) dx .
Os exernplos seguintes ilustram este rn~todo.
Exemplo 9. Seja g(x) = x(l - x) se O."-;; x ."-;; l e g(x ) =O para outros valores
de x. Entao
l x( l xl x3) 1=
c =
f o
- x) dx = - - -
2 3 o
1
-
6

e f= c- 1 g e dada por f (x ) = 6x (l - x) se U ."-;; x ."-;; l e f(x) = O para outros


valores de X. A funyaO de distribuiy.ao correspondente e dada por F(x) = o para
x <O, F(x) = 3x 2 - 2x 3 para O."-;; x ."-;; l e F (x) = l para x > l.
Exemplo 10. Seja g(x) = 1/ (1 + x 2 ), - 00 < x < 00 Sabemos de clilculo que
a integral indeftnida de 1/( l + x 2 ) e arctg x . Assirn

c = Jco ~ = arctg x ro
- co l x2 - co 2
Conseqiientemente f= c - 1 g e dada por

-oo < X< oo.

Esta densidade e conhecida como a densidade de Cauchy. A funyd'o de distribuiyao


correspondente e dada por
F(x) = 2l + 1T
l
arctgx, -OC< X < oo, '

Corno ilustrayao de urna varilivel aleatria com distribuiyao de Cauchy, ternos


o seguinte:
Exemplo 11. Seja X a tangente de urn angulo (medido ern radianos) escolhido
ao acaso de (- rr/2, rr/2). Deterrnine a distribuiyao de X.
124
Na resoluyaO deste P.roblerna designarernos por e a variavel aleatria que
representa o angulo escolhido, rnedido em radianos . Entao X = tg 8 e portanto
(ver Figura 5) para -oo < x < oo.

P(X: :::;; x) = P( tg 0 :::;; x)

= P (- ~ < 0 :::;; arctg x)

l l
= - + - arctg x.
2 1t .

Assini X tern a distribuiyao de Cauchy

Figura 5

5.2.2. DENSIDADES SIMETRICAS. Encerrarernos esta seyao d.iscutindo den-


sidades simetricas e variaveis aleatriaS simetricas. Diz-se que urna funyao de den-
sidade f e simetrica se f(x) = f( -x) para todo x. A densidade de Cauchy e a
densidade uniforme em (-a, a) sao arobas simetricas. Diz-se que urna variavel
aleatria X e sinietrica se X e -X tern a mesma funyao de distribui9ao. O resul-
tado do seguinte rnostra que estes dois conceitos sao intiniamente relacionados.
Teorma 2. Seja X urna variavel aleatria que possui urna densidade,
enta'o X tern urna densidade sinietrica se, e sornente se, X for urna variavel
aleatria sinietrica.
Demonstrayao. Demonstraremos este resultado para variaveis aleatrias
. uas. A dernonstrayao e simHar para variaveis aleatrias discretas. Na nossa
:c.::o;:~~-o usaremos fato de que para qualquer funyao integravel f

~ x: f( - y) dy = f~x f(y) dy, -00 <X< 00.

'cialmente que X tenha urna densidade simetrica [. Entao


125
P(- X ~ X) = P( X ~ - X)

= f~x f(y) dy
f ocJ( - y) dy

f(y) dy

= P(X ~ x),

de modo que X e -X tern a mesma func;ao de distribuic;ao.


Suponha ao contnirio que X e - X tenham urna densidade comurn g.
Defma f atraves de f (x ) = (g(x ) +g ( - x))/2. Entao f e claramente urna func;ao
de densidade simetrica. Alem disso

f oo f ( y) dy = 1/ 2 f,., g(y) dy + 1/2 f oo g( - y) dy

l 2 f "' g(y) dy + 1/2 f~x g( y) dy


l 2[P(X ~ x)] + 1/2[P( - X ~ - x)]

= P(X ~ x).

Assim X possui a densidade simetrica f como desejado .


Se urna func;ao de distribuic;ao continua F tern urna densidade simetrica f,
ent!o F(O) = 1/ 2. Os valores de F para x negativos podem ser caleulados a
partir dos valores de F para x positivos, pois

F( -x) = J~: f(y) dy

= f' f(- y) dy

= Loo f(y) dy
= f~oo f(y) dy - fooJ(y) dy

e portanto
(20) F(-x) = 1-F(x),

Por esta razao , quando se constri tabelas de urna func;ao de distribuic;ao simetrica,
0
eralmente s se apresenta valores nao-negativos de x.
l ~o
5.3. DENSIDADES NORMAL, EXPONENCIAL E GAMA
Discutiremos nesta ses:ao tres das mais importantes fanu1ias de funyes de
densidade na teoria da probabilidade e estatlstica.

5.3.1 DENSIDADE NORMAL. Seja g(x) = e-x /2, -oo < x < oo. Para
2

normalizar g e transforma-la em urna densidade, precisamos avaliar a constante

c =
J-oo
oo
e -x' J2 d x.

Nao existe nenhuma frmula simpies para a integral indefmida de e- x' 12 . A ma-
neira mais facil de avaliar c e atraves de urn artifcio especial em que escrevemos
c como urna integral bidimensional e introduzimos as coordenadas polares. Para
ser especifico

J~oo J~oo e-<x' + y') / 2 dx dy

= Loo (J:" e-r' f


2
r d{}) dr

= 2n fooo re-'' 12 dr

= - 2ne -r'/21oo
o
= 2n.

Assim c = ..j2ii e a forma normalizada de g e dada por

f(x) = (2tr) -l /2 e- x' /2 ' -oo<x<oo.


Deixamos tamhem registrada a frmula

(21) J 2n.

A densidade que acabamos de derivar chama-se densidade normai padrtio


e representa-se geralmente por '{), de modo que

(22)
<p
(x ) = J l2n e -x' / 2 ' -oo<x<oo .

A densidade normai padrao e claramente simetrica. Representa-se a funs:ao de


distribuis:ao de :p por ci>. Nao existe nenhuma frmula simpies para ci> de modo
que ela deve ser avaliada numericamente. Existem rotinas de computador e tabelas
127
como a Tabela I no fmal deste livropara detenninar <l>. Urna vez que <l> e sirnetrica,
(20) e aplicavel e

(23) <l>(- x) = l - <l>(x), -oo<x<oo.

Seja X
urna variavel aleatria com densidade normai padrao '{) e seja
Y = J1. + aX, onde a> O. Entao pela Prmula (19) Y tern a densidade g dada
,.
l

por

g ( Y) -- ~l_
1
- e
-(y - p)2/2tr2
, -oo < y < oo.
uv 2n

Esta densidade chamase densidade normai de media JJ. e vananc1a a 2 , sendo


representadapor n(JJ.,a 2 ) ou n(y;JJ.,a 2 ), -oo<y<oo. Portanto

(24)

Como nao defmirnos ainda momentos de variaveis aleatrias continuas, podemas


pensar temporariamente em J1. e a 2 como os parametros da fam11ia de densidades .
normais. A fun~ao de distribui~ao correspondente pode ser calculada em termos
de <1> , pois

P(Y ~ y) = P(JJ. + uX ~ y)

=P(x~Y:J.l.)

e: fl)
Segue-se que se Y tiver a distribui~ao n(JJ., a 2 ) e a~ b, entao

(25) P(a~Y~b)=<l> -<1> (a: JJ.).


Suponha pot exemplo, que Y tenha a densidade n(l, 4) e sejam a= O e b= 3.
Da Tabela I obtemos que

P(O ~Y~ 3) = <1>(1) - <1>(- 1/2) =<l>( l)- (l - <1>(1/2))


= 0,8413-0,3085 .
= 0,5328.
Se urna varidvel aleatria Y se distribui segundo n( J.l, a 2 }, enttio a varidvel
aleatria a+ bY, b* O, se distribui segundo n(a + bJJ., b 2 a 2 ). Isto e urna api-
128
ca9ao direta de (19). Altemativamente podemos escrever Y= p+ aX com X
tendo distribui9ao normai padrao. Entao

a'+ bY =a +b(p + aX) =(a+ bp)+ baX,

que se distribill segundo n(a +bp, b 2 a 2 ).


Variilveis aleatrias normalmente distribuidas ocorrem com bastante freqiiencia
em aplicay6es pniticas. A Lei de Maxwell em fisica estabelece que, sob condiy6es
apropriadas, os componentes da velocidade de urna molecula de gas se distribuirao
segundo urna densidade normai n(O, a 2 ) em que a 2 depende de certas quantidades
fisicas. Na maiorla das aplicay6es entretanto, as variaveis aleatrias de interesse
rem funyao de distribuiyao que e apenas aproximadamente normal. Por exemplo,
constatqu-se empiricamente que os erros de medida em experimentos ffsicos, a
variabilidade da eficiencia das linhas de produ9ao e a variabilidade biolgica ( como
a do peso e a da altura) tern distribui9ao aproximadamente normais. Constatou-se
tambem, tanto empirica como teoricamente, que flutua96es aleat6rias resultantes
da combinayao de urn grande nllinero de causas nao relacionadas, insignificantes
individualmente, tendem a se distribuirem de forma aproximadamente normal.
Os resultados tericos neste sentido sao eonbecidos como "teoremas do limite
central" e desenvoveram-se em urn dos mais importantes tpfcos de pesquisa em
teoria da probabilidade. Urn destes teoremas sera discutido no Capituo 7 e demous-
trado no Capituo 8. A importancia das distribuiy6es normais decorre tambem de
suas atraentes propriedades tericas. Urn exemplo e a propriedade segundo a qual
a soma de variaveis aleatria independentes normalmente distribu(das tamhem se
distrlbui nonalmente. Este fato sera demonstrado no Capituo 6. No volume II
veremos que (ijstribuiy5es normais tamhem desempenham urn pal>etfundamental
em estatistica terica e aplicada.

5.3.2. DENSWADES EXPONENCIAIS. A densidade exporiencial de parametro


A. foi defmida na Se9ao 5.2. Ela e dada por

u- /'..x x;;;;.o,
(26) f(x) = { '
O, x<O,

A fun9ao de distribuiyao correspondente e

(27) F(x) = {~"-e- A.x, x;;;;.o,


x<O.

Da discuss!fo do Capituo l e Exemplo 2 deste capitulo vemos que variaveis


aleatrias, exponencialmente distribuidas, sao liteis para o. estudo de tempos ate
129
a desintegra9ao de particulas radioativas. Tambem sao liteis para desenvolver mo
delos envolvendo muitos outros tempos de espera, tais como o tempo ate a faiha
de urn equipamento, o tempo necessario para completar urna tarefa ou o tempo
que decorre ate a chegada de urn novo usuario. As variaveis aleatrias, exponenci-
almente distribufdas, tern tamhem importancia terica, como se pode ver estudando
os processos de Poisson (Cap(tulo 9) ou as cadeias de Markov no tempo continuo
(V olume III). '-~ '
Urna importante propriedade de variaveis aleatrias exponencialmente dis-
tribu(das e que se X for urna tal variavel, entao

( 28) P(X>a +b)= P(X>a)P(X> b) , a~ O e b .~ O.

(Esta frtnula e similar aquela obtida no Capltulo 3 para variaveis aleatrias geome-
tricamente distribu1das.) Para ver que (28) e valida, seja 'A o parametro da dis-
tribui9ao exponencial de X . Entao, de (27) ternos
P(X > a)P(X > b) = e - ).ae - Ab

= e-),(a+b)

= P(X >a+ b).


Urna forma equivalente porem mais sugestiva de (28) e

(29) P(X>a +b i X>a) =P(X>b), a~ O e b~ O.


Pense em X como o tempo que decorre ate a falha de urn equipamento aps sua
instalal([o. Entao (29) afmna que , sob a condi~ao de que o equipamento nao falhe
ate o tempo a, a probabilidade de falhar alem de nao ocorrer nas prximas b uni-
dades de tempo, e igual a probabilidade incondicional do equipamento nao falhar
nas primeiras b unidades de tempo. Isto implica que o envelhecimento do equi-
pamento nao aurnenta nem diminui sua probabilidade de falhar num dado intervalo
de tempo.
O teorema seguinte mostra que (28) ou (29) caracteriza a farru1ia das dis-
tribui~oes exponenciais.
Teorema 3. Seja X urna variavel aleatria tal que (28) se verifica. Entao
ou P(X > O) = O o u X tem distribui~ao expnencial.
Demonstra9iio. Se P(X > O) = O, entao (28) se verifica trivialmente. Su-
ponha que (28) se verifique e que P(X > O) =l= O. Entao vemos de (28) com
a = b = O que P(X >O) = l, de modo que X e urna variavel aleatria positiva. '
Seja F a fun9ao de distribui~ao de X e defma G atraves de G(x) = 1 - F(x) = .,\
= P(X > x). Entao G e urna fun~ao nao crescente, continua a direita, G(O) = l,
G(+oo) =O, e de acordo com (28)

G( a+ b)= G(a)G(b ), a >O e b >O.


130
Segue-se que se c > O e m e n forem inteiros positivos, entao

(30) G(nc) = (G(c))n e G( c)= (G(c/m))m .

Afirmamos a seguir que O < G(l) < l. Pois se G(l) = l, entao G(n) =
(G(l))n = l, o que contradiz G(+oo) =O. Se G(l) =O, entao G(l/m) =O
e pela continuidade a direita, G(O) = O, outra contradiyao.
Umavezque O<G(l) < l, podemosescrever G(l)=e-i\ onde O<f...<oo.
Segue-se de (30) se m for urn inteiro positivo, entao G(l/m) = e- i\fm. Urna .
segunda aplicayao de (30) mostra que se m e n forem inteiros positivos,
l
entao G(n/m) = e-i\nfm . Em outras palavras, G(y) = e- i\ y e valida para todo
numero racional positivo y. Pela continuidade adireita, segue-se que G(y) =e- i\y
~r

para y ;;;;. O. Isto implica que F= l - G e a funyao de distribui9ao exponencial de


parametro A..

5.3.3. DENSinADES GAMA. Antes de defmirrnos as densidades gama em geral,


discutiremos urn exemplo em que elas surgem naturalmente.
Exemplo 12. Seja X urna variavel aleatria com densidade normai n(O, a 2 ).
Obtenha a densidade da variavel aleatria Y= X 2
Para resolver este probierna observamos inicialmente que a densidade de X e

f(x) = - l- . e- x 2 /2 a 2 -oo<x <oo.


a.J21r
De acordo com a frmula (13), Y tern densidade g dada por g(y) O para
y~Oe

= 2 v'Y (f( ..;y) +f(- vY )),


l
g(y) y>O.

Isto implica que

(31) g(y) = ~ e-Yf2a


2
y > O.
a 21ry '

Para defmir densidades gama em geral, consideramos inicialmente funy6es


l g da forma

xa - l e- i\ x
= ,
g(x)
j
O,
x>O,
x~O .

131
Aqui exigimos que a > O e A. > O para que g seja integnivel. A densi "' e:::
(31) corresponde ao caso especial a = 1/2 e A. = 1/2a 2 . N a normaliz~ e :;
para transforma-lo em densidade devemos avaliar

c = fooo xa-le-.l.x dx.

Fazendo a mudanc;:a de variavel y = Ax, ternos

c = ~ {"' ya-!e -y dy.


A Jo
Nao existe urna frmula simpies para a integral acima. Por isso ela e usada para
defmir urna func;:ao chamada func;:ao gama e e representada por r . Assim
l
c = - r(et),
).a
on de

(32) a> O.

A func;:ao normalizada chama-se densiqade gama de parametros a e A. e e repre-


sentada por I'(a, A.) ou r(x; a, A.). Vemos que
Aa a-1
X > O,
-.i.x

(33) f(x; et, A.) = ( ~(et) x e '


X~ O.
'

Deixamos tambem registrada a frmula seguinte , que se mostrara util no futuro:

r(et)
(34)
J oo
O
X
a- l
e- h d
X= -
).a
.

As densidades exponenciais sao casos especiais de densidades gama. Especi-


ficamente, a densidade de parametro A. e a mesma que a densidade I'(l, A.). Vimos
tamhem que a densidade dada por (31) e a densidade gama de parametros (l = 1/2
e A = 1/2a 2 Em outras palavras, se X tiver a densidade n(O, a 2 ), entiio X 2
tera a densidade gama I'(1/2, 1/2a2 ). Igualando (31) a (33) com a = 1/2 e
A.= 1/2a2 , obtemos a util relac;:ao

(35) r(l/2) = y:;r.

Urnaimportante propriedade da func;:ao gama e que

(36) I'( a+ l)= ar( a), a> O.


Est.a fnn ula decotre de (32) por urna simpies aplicac;:ao de integrac;:ao por partes.
Para sennos especificos

! l
Como r(l) = l, segue-se facilmente de (36) que se n for urn positivo inteiro,

(37) r(n)=(n-1) !.

Segue-se tamhem de (35) e (36), aps algumas simplificav6es, que se n for urn
positivo inteiro fmpar, entao
, rr(n l)!
(38) (~) l)
r
2n- l n ;

Nao existe urna frmula simpies para a funq.ao de distribuiq.ao correspondente


a r(a:, A) exceto quando a: = m e urn inteiro positivo. este caso podemas in-
tegrar por partes e obter para x >O

desde que m:;;;;, 2. Se integrarmos por partes m - l vezes desta maneira e observar-
mos que

J: A.e-;.y dy = l e -).x ,

()btemos a frmula

(39) X> O.

Esta frmula reflete urna interessante relar;:ao entre urna variavel aleatria X com
densidade gama r(m, A) e urna variavel aleatria Y com distribuir;:ao de Poisson
de parametro AX. Especificamente, (39) estabeiece que

(40) P(X~x) =F( Y;;;;, m) .

Como veremos no Capftulo 9, esta relavao e relevante a teoria dos processos de


Poisson.
133
O comportamento qualitativo da densidade gama, ilustrado na Figura 6 ,
e facilrnente obtido pelos metodos de ca.lculo.

l
. ._,l

Figura 6. A Densidade Gama

Urna importante propriedade das densidades gama e que se X e Y forem variaveis


aleatrias independentes tendo densidades r(a:l ' A.) e r (a1' ) respe ti\amente.
entao X + Y tera a densidade gama r(a 1 + a 2 , A.). Este resulta do sera demons ado
no Cap itu o 6. Esta e outras propriedades das densidades gama tornam sua mani-
pul a~ao bastan te sim pies. Existem muita.s sjrua, 5es pr:iticas em q ue nao se eonhece
a densidade de urna variavel aleatria X. E poss1\-el que se saiba que X e urna
variavel aleatria positiva cuja densidade pode ser aproxirna a razoa\-elmeme por
urna densidade gama de parametros aprop riados. Em tais casos. resolvendo urn
probierna envolvendo X, sob a hiptese que X tenha urna densjda e gama. pro-
porcionani urna a prox irna ~ ao ou pelo rnenos urna compreensao melhor da situa~o
real de sconhecida .

5.4. FUNc;:ES INVERSAS DE DISTRIBVIc;:AO \


l
Importantes aplicar;:oes das frmulas de mudanr;:a de variaveis da Ser;:ao 5.2.1.
podern ser obtidas relacion ando a funr;:ao ..p a fun r;:ao de distribuir;:ao F.
Seja X urna variavel aleatria continua tendo fun~ao de distribuir;:ao F
e funr;:ao de densidade f. Aplicaremos a frmula de mu dan~a de variavel a fun r;:ao
..P = F. Se y = F(x) , entao dy jdx = F'(x) = f (x ) - e portanto dx jdy = 1/ f (x).
Assim de acord o com ( 18 ), a variavel aleatria Y = F( X) tern densidade g on de

q(y) = f(x) = 1 O< y< l ,


f(x) '
134
e g(y) = O para outros valores de Y. Em outras palavras, a variavel aleatria
Y = F(X) distribui-se uniformemente em (0,1). Este resultado e vellido mesmo
que a fun<;:ao <P = F nao satisfa<;:a todas as hipteses do Teorema l . Usando urn
argumento direto, pode-se mostrar que se X e
urna varidvel aleatria contz'nua
com fun~ao de distribui~ao F, entao F( X) distribui-se uniformemente em (0, 1).
(Se F for descontinua em algurn ponto x 0 , entao P(X = x 0 ) >O, de modo que
- ;
' P(F(X) = F(X0 )) >O e F( X) nao poderia distribuir-se uniformemente em (O, 1).)
Pode-se tamhem prosseguir em outra dire<;:ao. Seja F urna fun<;:ao de dis-
tribui<;:ao continua que e estritamente crescente em algurn intervalo I e tal que,
F = O a esquerda de I se I for limitado inferiormente e, F= l a direita de I
se I for Iimitado superiormente. Entao para O < y < l, pelo teorema do valor
medio de ca!culo, existe urn unico valor de x tal que y = F(x). Assirn F- 1 (y),
O < y < l. e bem definida. Sob estas condi<;:5es, se Y for urna varidvel aleatria
uniformemente distribuz'da em (0,1) entao a varidvel aleatria F - 1 (Y) tern F
co mo sua fun~ao de distribui~ao.
Pode-se usar dois exemplos da Se<;:ao 5.2. 1 para ilustrar o resultado acima .
No Exemplo 6 obtivemos variaveis aleatrias exponencialmente distribuidas como
transformadas de urna variavel aleatria uniformemente distribuida . O leitor po-
deria checar e veria que estas transforrna<;:oes poderiam ser obtidas pelo metodo do
paragrafo acima. No Exemplo 11 mostramos que se e for uniformernente dis-
tribuida em (-rr/2. rr/2). entao tg e tera a distribui<;:ao de Cauchy. Suponha
que . Y se distribua uniformemente em (O. 1). Entao e = rrY - rr /2 distribui-
se uniformemente cm ( - rr / 2. rr / 2), de modo que

X = tg e = tg ( rr Y - ;)

tera a distribui<;:ao de Cauchy. Este e exatamente o que obteriamos usando o re-


sultado do paragrafo anterior. De acordo com o Exemplo l O, a fun<;:ao de distri-
bui<;:ao de Cauchy e dada por

l
(
l l
F(x) = -;:;- + - arctg x,
~ 1[
_ oo<x < oo,

e a equa<;:ao y = F(x), ou

l l
Y = - + - arctg x ,
2 1[

tem a solu<;:ao

135
:__ .: ~ propsitos e desejavel gerar urna variavel aieatria X tendo urna
- ~ :._,-m uiyao pre-estabelecida F . Urna maneira de faz~-lo egerar inicialmente
el aieatria uniformemente distri bu ida Y e entao fazer X= F- 1 (Y).
~- : o e especialmente util em computadores digitais ja que existem metodos
.:=-- te satisfatrios para gerar (o que se comporta com o) variaveis aleatrias uni-
.- emente distribuldas em tais computadores. Suponha por exemplo que dese-
_;amos urna rotina para gerar urna variavel aieatria X com densidade normai padrac
n(O, l). Usariamos urna sub-rotina para gerar urna variavel aieatria Y unifor-
memente distribuida em (0,1) e urna sub-rotina para computar a fun~ao numerica
<l> - l, e entao deterrninar X = <l> - 1 (Y) . Para gerar urna variavel aieatria X tendo
adensidadenormai n(Jl,a 2 ) fariamos X=Jl+ a<l>- 1 (Y) .
..
As fun~6es inversas de distribui~ao sao uteis para outros propsitos. Su-
ponha por exemplo que X tenha a densidade normai n(J.L, a2 ) e lembre-se da
Se~ao 5.3.1. que

P( X ~ b) = <l> (b ~ J1 )
Suponha que desejamos escolher b tal que P(X ~b) = 0 ,9. Precisamos resolver
em b a equa~ao

A solu~ao e dada por

ou

b= J1 + a<l>- 1 (0,9) .

Da Tabela I vemos que <l>- 1 (0,9) = 1,28. Assim b= J1 + 1,28a e

P(X~Jl+ 1,28a)=0,9 .

l.
1
Em estatistica aplicada o numero b =J.! + l ,28 a chama-se decil superior da
distribui~ao n (J.L, a 2 ).
Seja F urna fun~ao de distribui~ao qualquer que satisfaz as condi~6es para
que F- 1 (y), O< y < l , seja hem defmid~, conforme a discussao acima. Entao
m = F - 1 ( 1/2) chama-se mediana de F, F- 1 (3/4) e F- 1 (1/4) chama-se quartis
superior e inferior de F , F- 1 (0,9) chama-se decil superior e F- 1 (k/100) chama-se
136
k-percenti/ superior. 'Estas defmiy6es podem ser modificadas para aplicei-las afunyao
arbitraria de distribuiyao, e em particular as fun96es discretas de distribuiyiio.
Se X tiver urna densidade sirnetrica entao X tera daramen te a mediana
m = O. Para urn exemplo mais interessante, seja X urna variavel aleatria ex-
ponencialmente distribuida com parametro A. Entao sua mediana e dada por
l -e- "A m = 1/2, que tern a solu9ao m = A- l log 2. Suponha que X represente
o tempo para urna partieula radioativa se desintegrar. Entao se tivermos urn numero
bastante grande de tais particulas, esperaremos que a metade das particulas tenham
se desintegrado ate o tempo m . Em fisica este tempo chama-se meia-vida da par-
ticula. Se observarmos a meia-vida m poderemos usa-la para determinar a taxa de
desintegra9ao A= m- 1 log 2.
Para urna aplicayiio fina das fun96es inversas de distribuiyiio, seja X urna
variavel aleatria com densidade normai n(JJ., a 2 ) e suponha que desjarnos de-
terminar a >O tal que P(JJ.- a ~ X ~ JJ. +a)= 0,9. Entao de acordo com (25)
precisamos resolver em a a equa~ao

$ (~) - ~ (- ~) = 0,9.

Como <1>(-x}= 1- <P(x) para todo x, ternos

2$ (~) - l= 0,9

e portanto a= a<P- 1 (0 ,95) . Da Tabela I vemos que <1>- 1 (0,95)= 1,645 . Em


outras palavras,

P(JJ.- 1,645a ~X ~ JJ. + 1,645a) = 0,9.

Usando amesma tecnica obternos


P(JJ.- 0 ,675a ~X ~JJ. + 0,675a ) = 0,5

ou equivalente,

P(l X- JJ. I ~ 0,675a ) = 0,5

Isto indica que se X tiver a densidade normai n(JJ., a 2 ), entao X deferira de


JJ. por menos de 0,675a com probabilidade urn meio e por mais de 0,675a com
probabilidade urn meio. Se pensarmas em JJ. como urna quantidade fisica real e X
como urna medida de J.l., entao l X - J.1. l representa o erro de medida. Por esta
razao 0,675a eeonhecido como o erro provdvel.
137
Exercicios

l. Seja X urna variavel aleatria tal que P( l X - l l = 2) = O. Expresse


P( l X - l l ;;;. 2) em termos da fun9ao de distribui9ao Fx .
2. Considere urn ponto escolhido aleatoriamente no interior de urn disco de raio R
no plano. Seja X o quadrado da distancia do centro do disco ao ponto es-
colhido. Obtenha a fun9ao de distribui9ao de X .
3. Considere urn ponto escolhido uniformemente numa bola slida de raio R
no espa9o tridimensional. Seja X a distancia do centro da bola ao ponto
escolhido. Obtenha a fun9ao de distribui9ao de X.
4 . Considere urn ponto escolhido uniformemente no intervalo [0, a]. Seja X
a distancia da origem ao ponto escolhido. Obtenha a fun9ao de distribui9ao
de X.
5. Considere urn ponto escolhido uniformemente no interior de urn triangulo de
base l e altura h . Seja X a distancia da base ao ponto escolhido. Obtenha a
fun9ao de distribui9ao de X.
6. Considere urn triangulo eqiiilatero de lado s. Seja urn ponto escolhido uni-
formemente sobre urn lado do triangulo. Seja X a distancia entre o ponto
escolhido e o vertice oposto. Obtenha a fun9ao de distribui9ao de X.
7. Seja o ponto (u, v ) escolhido uniformemente no quadrado O ~ u ~ l,
O ~ v ~ l. Seja X a.variavel aleatria que associa o numero u + v ao ponto
(u , v), Obtenha a fun9ao de distribui9ao de X.
8. Seja F a fun9ao de distribui9ao dada pela frmula (3). Obtenha urn numero
m tal que F(m) = 1/ 2.
9. Seja X o tempo ate a desintegra9ao de algurna partieula radioativa e suponha
que a fun9aO de distribui9aO de X e dada pela frmula (3). Suponha que
A. seja tal que P(X ;;;. 0,01) = 1/2. Obtenha urn n\lmero t tal que
P(X;;;. t)= 0,9.
10. Seja X a variavel aleatria do Exercicio 4. Obtenha a fun9ao de distribui9ao
de Y= Min (X, a/2).
11 . Seja X urna variavel aleatria cuja fun9ao de distribui9ao F e dada por

o, X< O,
X
O~x< l,
F(x)
3'
= X
l ~X< 2,
2'
l, X~. 2.

138
Detennine:
(a) P( l j2<, X<,3 j2);
(b) P(l /2 <, X<, l);
(c) P(l / 2<,X< l);
(d) P(l <,X<,3j2);
(e) P(l <X< 2).
12. Se a funyao de distribuiyao .de X fosse definida de urna das formas abaixo ,
descreva corno as propriedades (i)-(iv) da Se9ao 5 .1.1 teriam de ser rnodificadas
ern cada caso :
(a) F(x) = P(X < x);
(b) F(x) =P(X>x) ;
(c) F(x) =P(X;;;.x) .
13 . Escolhe-se aleatoriamente urn ponto ern ( - 10, 10). Seja X urna variavel
aleatria definida de tal forma que X represente a coordenada do ponto se
o rnesrno estiver ern [- 5, 5 ], X = -5 se o porlto estiver-ern (-1 O, -5) e
X= 5 se o ponto estiver ern (5, l 0). Obtenha a funyao de distribuiyao de X.
14. Seja X urna variavel aleatria continua tendo a densidade de f dada por

f(x) = (l / 2)e-l x l, -=<x < oo.


Obtenha P(l <, l X l <, 2).
15. Seja F a fun9ao de distribuiyao defmi da por

F (x) =
l
2
X
+ 2(1x l + l) ' _oo<x <=.
Obtenha urna densidade f para F. Para que valores de x terernos
F '(x) = f (x) ?
16. Obtenha urna funs;ao de densidade para a variavel aleatria do Exercicio 3.
17. Obtenha urna funs;ao de densidade para a variavel aleatria do Exercicio 7.
18. Seja X urna variavel aleatria continua de de11sidade f. Obtenha urna-frmula
para a densidade de Y = l X 1.
19. Sejam X e Y = X 2 du as variaveis aleatrias continuas positivas ten do den-
sidades f e g, respectivamente. Obtenha f ern termos de g e g ern termos
de f .
20 . Suponha que X se distribui uniformernente ern (0,1). Obtenha a densidade
de Y= Xl lil, onde 13 =F O.
21. Seja X urna variavel aleatria continua positiva de densidade f . Obtenha
urna frmula para a densida de de Y= l /(X + 1).
22. Seja X urna variavel aleatria , g urna funyao de densidade ern relayao a inte-
grayao e <{) urna fun9ao diferenciavel estritamente crescente ern ( - =, oo).
Suponha que
139
q>(x)
P(X :s; x) =
J-oo g(z) dz, -oo<x<oo .

Mostre que a variavel aleatria Y= IP(X) tern densidade g.


23. Seja X urna variavel aleatria com distribui<,:ao uniforme em (a, b). Obtenha
urna fun<,:ao linear IP tal que Y= IP(X) tenha distribui<,:ao uniforme em (0, 1).
24. Suponha que X tenha urna densidade exponencial de parametro A.. Obtenha
a densidade de Y= eX, onde c> O.
25. Seja g(x) = x(I - x) 2 , O.;;;:; x.;;;:; l, e g(x) =O para outros valores de x.
Como se deve normalizar g para transforma-la em urna densidade?
26. Suponha que X tenha a densidade de Cauchy. Obtenha a densidade de
Y=a +bX, b -=1= O.
27. Seja X o seno de urn angulo escolhido aleatoriamente em ( -rr/2, rr/2).
Obtenha a densidade e a fun<,:lio de distribui<,:lio de X.
28. Seja X urna variavel aleatria continua com densidade simetrica f e tal que
X 2 tenha urna densidade exponencial de parametro A. Obtenha f.
29. Seja X urna variavel aleatria continua tendo urna fun<,:ao de distribui<,:ao
F e urna fun<,:ao de densidade f. Diz-se entao que f e simetrica em rela<,:ao
a a se f( a + x) = f(a - x), -= < x < =. Obtenha as condi<,:6es equivalentes
em termos de variavel aleatria X e em termos de fun<,:ao de distribui<,:ao F.
30. Define-se a fun<,:ao de erro por
2
erf(x) = J;c Jo{"' e -y 2 .
dy, -oo<x<oo.

Expresse 4> em termos de fun<,:ao de erro.


31. Suponha que X tern a densidade normai n(O, a 2 ). Obtenha a densidade
de Y= lXI.
3 2. Suponha que X tern a densidade normai n (JJ. , a 2 ). Obtenha a densidade de
Y= eX. Esta densidade chama-se densidade log norma/.
33. Suponha que X se distribui norrnalmente com parametros JJ. e a 2 Obtenha
P(IX -JJ.I.;;;; a).
34. Suponha que X se distribui norrnalmente com parametros JJ. e a 2 Determine
os numeros a e b tais que a + bX tenha a densidade normai padrao.
35. Suponha que X se distribui norrnalmente com parametros JJ. = O e
a 2 = 4.
Seja Y urna variavel aleatria inteira defmida em termos de . X por Y = m
se m- 1/2.;;;:; X< m+ 1/2, onde m e urn numero inteiro tal que -'S.;;;:; m.;;;:; 5,
Y= -6 se X< -5,5 e Y= 6 se X;;;;. 5,5. Obtenha [y e fa<,:a urn grafico
desta densidade.
36 . Suponha que o peso de urna pessoa selecionada ao acaso de urna certa popula<,:lio
distribui-se normalmente com parametros JJ. e a. Suponha tamhem que
P( X .;;;:; 160) = 1/ 2 e P(X.;;;:; 140) = 1/4. Obtenha JJ. e a e deterrnine
P(X ;;;. 200). De todas as pessoas pesando no minimo 200 libras, que percen-
tagem pesani mais de 220 libras?
37. Seja tP. urn numero tal que <l>(tp) =p, O< p< l. Suponha que X tern a
densidade normai n(Jl, a 2 ) . Mostre que para O< p 1 < p 2 < l,

38. Suponha que urn numero bastante grande de particulas radioativas identicas
tcnha tempo de desintegras;ao ue se distribua exponencialmente com urn
cert0 parametro i\. Se a metade das partfculas se desintegram no primeiro
segundo, quanto tempo levani para 75% das partfculas se desintegrarem?
39. Suponha que X se distribui exponencialmente com panimetro i\. Seja Y
a va!ia_vel aleatria inteira definida em termos de X por Y = m se
m ~ X < m + l , on de m e urn numero inteiro nao-negativo . Como se dis-
tribui Y?
40. Seja T urna variavel aleatria continua positiva que representa o tempo de
falha de urn certo sistema, seja F a funs;ao de distribuis:ao de T e suponha
que F( t)< l para O< t<"" Entao podemos escrever F( t)= l - e- G(t),
t> O. Suponha que G'( t)= g( t) existe para t> O.
(a) Mostre que T tern densidade f dada por
f( t)
l -F(t) = g(t), O<t <oo.

A funs:ao g econhecida como "taxa de falha", pois heuristicamente


f( t) d t
P( t ~ T ~ t + d t l T> t) = l _ F (t) = g( t) d t.
(b) Mostre que para s> O e t> O,
P(T > t+ s l T> t)= e-s:+,<w> du.

(c) Mostre que o sistema melhora com a idade (isto e, para urn s fixo a
expressao em (b) cresce com t) se g for urna fun9[o decrescente, e o
sistema deteriora com a idade se g for urna funs:ao crescente.
(d) Mostre que

f' g(u) du = oo.


(e) Como se comporta g se T tern distribuis:ao exponencial?
(f) Se G(t) = 'A.f\ t> O, para que valores de a o sistema melhora, deteriora
e nao se altera com a idade?
41. Suponha que X tern a densidade gama f(o:, i\). Obtenha a densidade de
Y=cX, onde c>O.
141
42. Mostre que se a> l , a densidade gama tern urn maxima em (a- 1)/A..
43. Suponha que X tern a densidade gama r(a, /..) . Obtenha a densidade de
Y=-JX:
44. Suponha que Y se distribui uniformemente em (0,1). Obtenha urna func,:ao
.p tal que X = .p( Y) tenha a densidade f dada por f(x) = 2x, O .:;;;; x .:;;;; l
e f(x) =O para outros valores de x.
45. Suponha que Y se distribui uniformemente em (0,1). Obtenha urna func,:ao
.p tal que .p(Y) tenha a densidade gama r(l/2, 1/2). Sugestiio: use o
Exemplo 12.
46. Determine <1>- 1 (t) para t = 0,1; 0,2; . .. ; 0,9 e use estes valores para cons-
truir. urn gnifico de <1>- 1 .
4 7. Suponha que X tern a densidade normai n(Jl, a 2 ) . Obtenha o quartil su-
perior de X.
48 . Suponha que X tern a densidade de Cauchy. Determine o quartil superior de X.
49. Suponha que X tern a densidade normai com panimetros J1 e a = 0,25.
2

Determine urna constante c tal que

P( l X - 111.:;;; c)= 0,9.

50. Seja X urna variavel aleatria inteira com func,:ao de distribuic,:ao F, e suponha
que Y se distribui uniformemente em (0,1). Defina a variavel aleatria inteira
Z em termos de Y por

Z=m se F(m-l)<Y.:;;;F(m ),

Para qualquer inteiro m. Mostre que Z tern a mesma densidade de X.


VARIA VEIS ALEATRIAS
COM DISTRIBUI<;AO CONJUNTA

Nas primeiras tres se96es deste capftulo discutiremos urn par de variaveis alea-
trias continuas X e Y e algumas de su as propriedades. Nas quatro se96es restantes
consideraremos as extens6es de duas para n variaveis aleatrias X 1 , X 2 , , X n.
A discussao de estatisticas de ordem da SeyaO 6.5 e opcional e nao sera necessaria
nos capitulos subseqiientes deste livro. A Se9ao 6.6 e essencialmente urn resumo dos
resultados de distribui96es amostrais que sao liteis na estatfstica e serao necessanos
no Volume II. O material coberto na Se9ao 6.7 sera usado somente mi demonstrayao
do Teorema l do Capitulo 9 e Teorema l do Capitulo 5 do Volume II.

6.1. PROPRIEDADES DAS DISTRIBUI<;ES BIDIMENSIONAIS


Sejam X e Y duas variaveis aleatrias definidas no rnesmo espayo .de proba-
bilidade. Define-se a suafunj:iio de distribuij:iio eonjunta F por

F(x,y) =P(X~x, Y~y), _oo<x,y<oo.

Para ver se F e bem definida, observe que {w/X( w) ~ x} e { w/Y (w) ~ y} am-
bos sao eventos ja que X e Y sao variaveis aleatrias. Asua uniao {w/X(w) ~x
e Y( w) ~ y} e tambemurn evento, e portanto sua pr~babilidade e bem definida.
Pode-se usar a fun9ao de distribuiyao eonjunta para calcular a probabilidacie
de que o par (X, Y) es tej a em urn re tangulo no plano. Considere o retiingulo

R = {(x,y)la<x~b,c<y~d},

on de a~ b e c~ d. Entao

(l) P((X, Y)ER)=P(a<X~b,c< Y~d)

=F( b, d)- F( a, d)- F( b , c)+ F( a, c).


Para verifiear que (l) e verdadeiro , observe que

P(a <X s;;;. b , Y s;;;. d) =P(Xs;;;.b , Y s;;;. d) - P(X s;;;. a , Y s;;;. d)


=F( b , d)- F(a , d).

Analogamen te

P(a <X s;;;. b , Y s;;. c)= F( b, c) -F( a, c).

Assim

P(a < X b, c < Y d)


= P(a < X b, Y d) - P (a < X b, Y c)

= (F(b, d ) - F(a, d )) - (F(b, c) - F(a, c))

e portanto (l) e verdadeiro eomo desejado.


As funyoes de distribuiyao unidirnensional F x e F y definidas por
Fx(x) =P(Xs;;;.x) e Fy (y) =P(Y s;;;. y)
sao ehamadas de fu nroes de dis trib uriio marginal de X e Y. Elas se relacionam
com a funyao de distri buiyao eonjunta F atraves de
F x(x ) = F(x . co) = !im F(x, y)
y - oo

Fr(Y) = F( co, y) = 11m F(x, y).

Se existir urna fun yao nao-negativa f tal que


(2) F(x , y) = f ro (f oo f (u, v) dv) du , - co < X, Y < CXJ,

entao f e ehamada de funyao de densidade eonju nta (em rela9ao a integrayao)


da funyao de densidade eonjunta F ou do par de variaveis aleatrias X e Y.
A menos que se espeeifique em eontrario , usaremos ao longo de todo este eapitulo
o termo fun yoes de densidade para fazer refereneia a funyoes de densidade em
relay[O aintegray[O em vez de funy6es de densidade disereta. t
l

Se P tiver densidade f, podemes reeserever a Equayao (l) em termos de f,

f (f
o b ten do
(3) P(a < X b, c < Y d) = f( x, y) dy ) dx.

Usando as propriedades da integrayao e a definiyao de espa9os de probabilidade,


pode-se mostrar que a relayao

(4) P((X , Y) EA) = II A


f(x, y) dx dy

144
se verifica para subconjuntos A no plano do tipo considerado em ccilculo. Fazendo
A representar todo o plano, obtemos de (4) que

(S) f~"' f~"' f(x, y) dx dy = l.


Obtemos tamhem de ( 4) que

Fx(x) = P(X :::; x) = f"' (f~"' f(u , y) dy) du

de modo que Fx tern densidade marginal fx dada por

fx(x) = f~"' f(x, y) d y


que satisfaz

Fx(x) = f "' fx(u) du .

Analogamen te F y tern densidade margin al fy dada por

fr(Y) = f~"' f(x, y) dx .

Como no caso unidimensional, f nao e unicamente defmida por (2). Pode-


mos alterar f em urn numero fmito de pontos ou mesmo sobre urn numero fmito
de curvas suaves no plano sem afetar a integral de f sobre subconjuntos do plano.
Novamente como no caso unidimensional , F determina f nos pontos de conti-
nuidade de f. Pode-se ob ter este fa to de (3 ).
Diferenciando (2) e aplicando as regras de calcu! o o b ternos
a F(x , .y)
-
ay f x
- oo
(aay JY- oo
f(u, v) dv) du

= f "' J( u,y) du

e
a2
(6) ax ay F(x,y) = f(x,y).

Sob algumas condiy5es brandas adicionais podemos justificar estas oper~5es e


mostrar que (6) e vcilido nos pontos de continuidade de f. Em casos especificos,
em vez de verificar se as etapas que conduzem a (6) sao validas, e geralmente mais
simpies mostrar que a funyao f obtida de (6) satisfaz (2) .
Exemplo l . llustraremos as defini6es e frmulas acima reconsiderando o Exemplo l
do Capituo S. Lembre-se que naquele exemplo escolhemos uniformemente urn
ponto de urn disco de raio R. Suponha que os pontos do plano sao determinados
por suas coordenadas cartesianas (x, y) . Entao o disco pode ser representado como

145
Sej am X e Y as variaveis aleatrias que representam as coordenadas aleatrias
do ponto escolhido. Correspondendo a hiptese de uniforrnidade supomos que
X e Y tern densidade eonjunta f dada por

(7) f(x, y) = (n~2 '


O, outros valores de x e y.

Entao para qualquer subconjunto A do disco (digamos do tipo considerado em


c:ilculo),

P((X, Y) E A)= J ff (x , y) dx i_
A

area de A
nR 2
que concorda com nossa hiptese de uniforrni dade. A ens.i de margin al fx
e dada por
oo l R'
J
J .j R2-x 2
fx(x) = f(x , y) d y = -~- -~ dy = - ~ ~ x-
- oo - -! R 2 - x 2 ~ ~ R .. R
para ~ R < x < R e fx(x) =O para outros valores de :x . A ensidade m arginal
fy(y) e dada. pela mesma frmula com y substituindo x .
Diz-se que as variaveis X e Y sao varifh:eis a ;rias independentes se
a ~ b e c~ d , en tao

(8) P(a < X~ b. c< Y~ d) = P a< X~ b P( c< Y~ d).

sempre que a = c = ~= b = x, e d = y, segue-se que se X e Y fore m inde-


pendentes, en tao

(9) F (x y) = F x (x )Fy(y), ~=<x,y<=.

Reciprocamente (9) implica que X e Y sao independentes. Pois se (9) for ver
dadeiro, entao de acordo com (l) o primeiro membro de (8) e

F(b, d) ~ F(a, d ) - F(b, c) + F (a, c)


= Fx(b) Fy(d) ~ Fx(a)Fy(d) ~ Fx(b)Fy(c) + Fx(a)Fy(c)
= (Fx(b) ~ Fx(a))(Fr(d) ~ Fy(c))
1'
4. lr
= P (a < X ~ b)P(c < Y ~ d) .

Pode-se mostrar de unia forma mais geral que se X e Y forem independentes


e A e B forem uni6es de urn numero finito ou infinito enumeravel de intervalos,
en tao
146
P(XEA, Y EB) = P(XEA )P(Y EB)
ou em outras palavras os eventos
{wiX(w)EA} e {wiX(w)EB}
serao eventos independentes.
Sejam X e Y variaveis aleatrias ten do densidades marginais fx e fy. Entao
X e Y sao ipdependentes se, e somente se, a fun<;:ao f definida por
t'
f(x,y) = fx(x)fy(y), _ oo<x ,y<oo,
for urna densidade eonjunta para X e Y. !sto e ums conseqiiencia da defini<;:ao
de independencia e da frmula

Como urna ilustra<;:ao de variaveis aleatrias dependentes, sejam X e Y as


variaveis definidas no Exemplo l. Entao para -R <x <R e -R <y <R,

4 v'ff2 - x2 v' R2 - y2
(lO) fx(x)fy(y) = 2 4 '
n R
que nao concorda com a densidade eonjunta dessas variaveis aleatrias no ponto
X = O, Y = O. Como (0,0) e urn ponto de continuidade das fun<;:6es definidas
por (7) e (10), segue-se que X e Y sao variaveis aleatrias dependentes. !sto
esta de acordo com a nossa no<;:ao intuitiva de dependencia, pois quando X esta
prximo de R , Y deve es tar prximo de zero, e assim informa<;:ao sobre X nos
da informa<;:ao sobre Y.
Pode-se defmir diretamente as fun<;:6es de densidade, corno vimos ern outros
contextos. Urna fun(:iio de densidade bidimensional f e urna fun<;:ao nao-negativa
em R 2 tal que

J~"' J~"' f (x, y) dx dy = l.

Correspondendo a qualquer fun<;:ao de densidade bidimensional existem urn espa<;:o


de probabilidade e urn par de variaveis aleatrias X e Y defmidas neste espa<;:o
cuja densidade eonjunta e f.
'
A rnaneira mais facil de construii fun<;:6es de densidade bidirnensional e a
7

partir de duas densidades unidimensionais f 1 e f 2 e defmir a fu~<;:ao f atraves de

(11) _oo<x,y<oo.

Entao, f sera urna fun<;:ao de densidade bidimensional ja que ela e claramente


nao-negativa e

J~oo J~oo f(x, y) dx dy = J~oo / (x) dx f~oo / (y) dy


1 2 = l.
147
Se as variciveis aleatrias X e Y tern f como sua densidade conjunta, ent.ao X e Y
sao independentes e tern densidades marginais fx = f 1 e fy = f 2 .
Como urna ilustra~ao de (11) , suponha que f 1 e f 2 sao arnbas densidade
normai padrao n(O,l). Entao f e dada por
f(x y) =_l_ e- x' /2 _ l_ e- y ' / 2
, ...;"Frr Y2ri
ou
(12) f(x,y)= 21rr e-(x'+y') /2, -=<x y <=.
A densidade dada em (12) charna-se densidade normai bidimensional padriio. 1 o
exemplo seguinte modificaremos um pouco o segundo membro de (12) para obter
urna fun~ao de densidade eonjunta que corresponde ao caso em que as duas variaveis
aieatrias tendo densidades marginais normais sao dependentes.
Exemplo 2. Suponha que X e Y tern a fun~ao de densidade eonjunta f dada por
f(x,y)=ce - (x' - xy+y') / 2, -=<x y <=,
onde c e urna eonstanie positiva que serci deterrninada no decorrer de nossa d.is-
cussao. lnicialmente "completamos o quadrado" em termos envolvendo y e reescre
vemos f como
f(x, y) = ce- [{y - 2
x/2) + 3x / 4) /2,
2
-= <x,y<=,
e entao observamos que

fx('x) = s:", /(x, y) dy = ce-3x2/8J:oo e- ( y-x 2 ) 2 2 dy .

Fazendo a mudan9a de variavel u =y - x/2, vemos que

Conseqiien te me n te
fx(x) = c .J'fT[e- 3x' /8.

Agora toma-se claro que fx ea densidade normai n(O, a2 ) com a2 = 4/3 e


portanto
#

c.Jl; =
a
)Tn2rr
ou c= ...(3!4ir. Conseqiientemente

(13) f(x, y) = '{! e- (x


2
- xy+ y )/ 2,
2
-=<x,y < = . ,\fk
1.

Os cc1lculos acima mostram que fx e a densidade normai n(O, 4/3). Anaiogamente


podemas mostrar que fy e tainbem n(O, 4/3). Como f(x, y) fx(x) fy(y), *
e claro que X e Y sao dependentes.
148

t
l
------------------------------------~
6.2. DISTRIBUiyAO DE SOMAS E QUOCIENTES
Sejam X e Y variaveis aleatrias tendo urna densidade eonjunta f. Em muitos -
contextos ternos urna variavel aleatria Z definida em termos de X e Y e dese-
jarnos determinar a densidade de Z . Suponha que Z seja dada por Z= ~~?(X, Y),
onde 4' e urna funvao real cujo dorninio eontern o contradominia de X e Y.
Para urn z fpco o evento {Z ..:;; z} e equivalente ao evento {(X, Y) E A z}, onde
A z e o subconjunto de R 2 definido por
Az = {(x,y) i~~?(x , y)..:;; z }.
Assim
Fz(z) = P(Z ~ z)
= P((X , Y) E Az)

= JJ!(x , y) dx dy.
A.

Se pudermas obter urna funyao nao-negativa g tal que

JJ f (x , y) dx dy = f oo g(v) dv, - o::i - < z < oo ,


A,
entao g sera necessariamente urna densidade de Z. Usaremos este metodo para
obter as densidades de X+ Y e Y/X.

6.2.1. I)ISTRIBUiyAO DE SOMAS. Seja Z= X+ Y. Entao

Az = {(x,y)lx+y..;;z}

e simplesmente o serni-plano a esquerda inferior da reta x + y =z como mostra


a Figura l. Assim

Fz(z) = Jff(x, y) dx dy = J~oo (f:x f(x, y) dy) dx.


.... A,

Fazendo a mudanya de variavel y = v- x na integral interna ternos

Fz(z) = J~oo (foo f(x, v - x) dv) dx

= foo (J~oo f(x, v - x) dx) dv,

on de invertemos a ordem de integravao. Assim a densidadede Z= X+ Y e dada por


(14) fX+r(z) = J~CX) f(x, z - x) dx, -00 < z < 00.

149
Y

(O, z)

x+y-z

------.li. ii~.~~~ii~~~~~~z.~EO~)--~x
4,

Figura l

Na maiorla das aplica96es de (14), X e Y sao independentes e pode-se reescrever


(14) como

(15) fx+r(z) = J~,x,fx(x)fr(z - x) dx, - 00 < z < 00.

Se X e Y forem variaveis aleatrias independentes nao-negativas, entao


f x + y( z) = O para z . ;;;; O e

(16) fx+r(z) = J: fx(x)Jy(z - x) ix, O < z < oo .

O segundo membro de (15) sugere urn metodo de obter densidades . Dadas


duas densidades unidimensionais f e g, a fun9ao h defmi da por

h(z) = f~a\ f(x)g(z - x) dx, - oo < z < oo,


e urna fun9lio de densidade unidimensional que se chama convoluriio de f e g.
Assim a densidade da soma de duas variaveis aleatrias independentes e a convolu9lio
das densidades individuais.
Exemplo 3. Sejam X e Y variaveis aleatrias independentes, cada urna com
densidade exponencial de parametro A.. Obtenha a distribui9ao de X+ Y.
A densidade de X e dada por fx(x) = A.e- A.x para X ::;", o e fx(x) =o
para x < O. A densidade de Y e a mesma. Assim f x + y(z) = O para z ..;;;; O e,
de acordo com (16), para z> O
fx+r(z) = J: A.e-lxA_e-l(z-x) dx

= A_2e-lz
,
r
Jo
dx = A_2ze-).z.

Vemos que X.+ Y tern a densidade gama r(2, A.).


150
Exemplo 4. Stipoilha que X e Y se distribuem independente e uniformemente
em (0, 1). Obtenha a densidade de X+ Y.
A densidade de X e dada por fx(x) = l para o < X < l e fx(x) = o
para outros valores de x. A densidade de Y e a mesma. Assim fx + y(z) = O
para z ~O. Para z> O aplicamos (16). O integrando fx(x) fy(z- x) assume
apenas os v:alores de O e l. Ele assume O valor 1- se x e z sao tai s q ue O ~ x ~ l
e O~z-x~l. Se O~z~l, ointegrandotemvalorlnointervalo O~x~z
e zero caso contnirio. Portanto obtemos de (16) que .,_
fx+y(z)=z, O~z~l.

Se l < z ~ 2? o integrando tern valor l no intervalo ? - l ~ x ~ l e zero caso


contnirio. Assim, de acordo com (16) .../
fx+y(z)=2-z, l<z~2.

Se 2 <z<"", o integrando de (16) e identicamente zero e portanto


fx+y(z) =O, 2<z < ""
Em resumo

,z, o :-: :; z :-:::; l,


fx+r(z) ;", 2 -:- z, l < z :-: :; 2,
. { O,
para outros valores de x .

o 1 2

Figura 2

O grafico de f e da do na Figura 2. Pode-se tamhem o b ter a densidade de X+ Y


determinando a area do eonjunto
Az= {(x,y)IO~x~l,O~y~l e x+y~z}

( ver Figura 3) e diferenciando o resultad em rela~ao a z.

1 <z < 2

Figura 3
151
O Exemplo 3 .tern urna iinportante generaliza9ao, que se pode formular
como segue.
Teorema l. Sejam X e Y variaveis aleatrias independentes tais que X
tern a densidade gama r(a 1 , A.) e Y tern a densidade gama r(a 2 , A.). Entao
X+ Y tern a densidade gama

Demonstra~ao. Observamos que X e Y sao variaveis aleatriaspositivas e que

X> 0,

e
A.~l y~l- 1 e- ;.y
fr(Y) = r(az) ' Y> O.

Assiin fx+y(z)=O para z~O e,deacordocom(l6),para z>O

Fazendo a mudan~a de variavel x = zu (com dx = z d u) na integral aciina, obtemos

(17) z' > O,

on de

(18)

. Pode-se determinar a constante c pelo fa to de que a in te gra de f x + y e l. De ( 17)


e da defmi9ao de densidades gama torna-se claro que f x + y deve ser a densidade
gama r( a 1 + a 2 , A.) com o foi afirmado.
De (17) e da defmi9ao de densidade gama vemos tamhem que c = 1/r(a 1 + a2 ) .
Isto juntamente com (18) permite-nos determinar a integral defmida que aparece
em (18) em termos de fun9ao gama:

(19) 11 u~'-1(1 - uyl-1 du = r(a1)r(az) o

Jo r(a 1 + a 2 )
Esta frmula permite-nos defmir outra fam!1ia de densidades com dois parametros
chamadas densidades Beta. A densidade Beta de parametros a 1 e a 2 e defmida por

(20) 0 <X<},

para outros valores de x.


A razao desta terminologia e que a fun9iiO de a: l e 0:2 defmida por
_ r(a 1)r(a 2 )
B(lXI, IX2 ) -
real + a2) '
chama-se fun9ao beta.
Nossa aplica9iiO fmal da frmula de convolu9iiO sera a variavei aleatrias
normalmente distribuidas.
Teorema 2. Sejam X e Y vari<iveis aleatrias independentes com densi-
dades ~ormais n(JJ. 1 , a i) e n(JJ. 2 , a~), respectivamente. Entao X+ Y tern
a densidade normai

Demonstra~o. Suponhamos inicialmente que JJ. 1 = JJ. 2 = O. Entao


__
f X(X )
a1
l_
J--
2n
e-x2 j 2a1
, -oo<x<oo,

r( )
JYY
= _ l_ -y 2 f2a~
J- e , - oo < y < oo.
a 2 2n
Assim de acordo com ( 15)

fx+r(z) = - -l -
2n:a 1 a 2
J co exp [-
- co
(x
-l 2
2 a1
2
+ (z - x)
a 22
2
.
)] dx .

Infelizmente a determina9ao desta integral requer alguns calculos laboriosos ( que


nao sao suficientemente importantes parajustificar seu doniinio). Urna das maneiras
de proceder e fazer inicialmente a mudan9a de variavel

u=
..J ai +a~
x.
Ol 02

Aps algumas transform~oos algebricas obtemos

fx+r(z) = 2n:J ai. 1 + a~ J-coco exp [-!2 (u 2


-
2
a 2J ai
uza 1
+ a~
+ z:)] du .
a2
A seguir completamos o quadro em u e observamos que

Entao fazendo urna segunda mudan9a de variavel


V= U

vemos que
153
Ji;r,j a f + a~ '
que e simplesmente a densidade normai n(O, a i +a n.
No caso gerai X - 11 1 e Y- 11 2 sao independentes e tern densidades normais
n(O, a i) e n(O, a~), respectivamente. Assim de acordo com o caso especiai
acima, (X - 11d +(Y -11 2 ) = X+ Y- (11 1 + 11 2 ) tern a densidade normai
n(O, aj.+ a~), e portanto X+ Y tern a densidade normai

n(111 + 112, aj+ a~)


com o afirmamos.
A demonstra9ao acima e elementar porem trabalhosa. Urna demonstra9ao
menos computacionai envolvendo tecnicas mais avan9adas sera dada na SeifaO 8.3 .
Outra demonstra9ao e indieacta no Exercicio 36 no fina deste capitulo.
Exemplo 5. Sejam X e Y variaveis aleatrias independentes cada urna com
densidade normai n(O, a 2 ). Obtenha as densidades X Y e X 1 +Y2
Pelo Teorema 2 vemos de imediato que X r tern a densidade normai
n{O, 2a 2 ) . De acordo com o Exemplo : _ C pi o 5, X 2 e Y 2 tern indivi-
dualmente a densidade gama r (l - l - - . 'e-se "acilmente que X 2 e Y 2
sao independentes. Assim, pelo Te e~~ ~ _ X- - Y 2 tern a densidade gama
r(l, l / 2a 2 ) que e tamhem a en ial de parametro l /2 a 2 .

6.2.2. DISTRIBUI<;AO DE QlJoc:IEI.TES. * Suponha que X e Y representam


variaveis aieatrias com densidade eonjunta f. Derivaremos a seiwir urna frmula
para a densidade da variavel aieatria Z = Y/X. A figura 4 mastra o eonjunto

Az = {(x,y) l yjx,.;;z}

Se x <O, entao y jx,.;;;; z se , e somente se, y;;;. xz. Assim \


~
A 1 = {(x,y )lx<O ey;;;.xz}U {(x,y)lx>O ey,.;;xz}.
l
C onseqtien tern en te

Fr 1x(z) = Jf!(x,y) dxdy


A:

["' x: f(x, y) dy) dx + L'' (f~ f(x, y) dy) dx.

154

_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ ___ \!
Y Y
l

z <O z >O

Figura 4

Fazendo a mudanc;:a de variavel y = xv (com dy = x dv) nas integrais intemas


o b ternos

Frtx(z) = f oo (i- oo xf(x, xv) dv) dx


+ Loo (foo xf(x, xv) dv) dx
f oo (foo (-x)f(x, xv) dv) dx
+ Loo (foo xf(x, xv) dv) dx

J~" (fo: l~lf(x, xv) dv) dx.

Invertendo a ordem de integrayao vemos que

(21) F r 1x(z) = x _ x . xr) dx dr. - ::c< = < ::c .


- ::c -. - X:

Segue-se de (21) que Y/ X tern a

(22) fr 1x(z) = J:"' x x .x= -ix.. - ~< = <::::::

No caso especial em que X e


_tivas,(22) reduz-se a IY;x(z) = O pa: _ .: .;;;;: ::: =
(23) < .: <

o teorema a seguir e urna aplicac;:ao direta


Teorema 3. Sejam X e Y variaveis aleatrias independentes com densi-
dades gama r( a: 1 , A) e re a: 2 , A) , respectivamente . Entao Y/X tern a den-
sidade dada por [y ;x(z) =O para z,.;;: O e
real + a z) z"2 -l
(24)
fYJX(z) = r(-;)r(a ) (z + l Y' + 2
o< z < 00.
1 2 '

Demonstra~o. Lembre-se que


A."'x"'- 1 e- A:"
fx(x) = real) ' X> O,

De acordo com a Equa~ao (34) do Capi"tulo 5

roo xt+a2-le-x).(z+ l) dx = real+ az)


)o ().(z + l))"' + 2

Conseqiientemente a frmula (24) e valida como foi afirmado .


Urna vez que (24) defme urna fun~ao de densidade, vemos que para a: 1 , a: 2 >O

roo z2-l(z + 1)-(t h2) dz = r(al)r(az) .


Jo real + az)
Exemplo 6. Sejam X e Y variaveis aleatrias independentes, cada urna com
densidade normai n(O, a 2 ). Obtenha a densidade de Y 2 /X 2 .
As variaveis aleatrias sao as mesmas do Exemplo 5. Assim X 2 e Y 2 sao
novamente independe1:1tes e tern a densidade gama r(l/2 , l/2a 2 ). O Teorema 3
e entao aplicavel e Y 2 /X 2 tern a densidade /y> /X' dada por /y> /X' (z)= 0
para z,.;;: O e
r(l) z-1 { 2

jy2fX2(z) = r(l/2)r(l/2) (z + l)

l
o< z < 00.
n(z l)Jz'
+
(Lembramos da Equa~ao (35) do Capituo 5 que r(l/2) = VJr ). A titulo de
exerci'cio deixamos para o leitor mostrar que, sob as mesmas condi~6es, tanto Y/X
como Y/1 X l tern a densidade de Cauchy.
156
6.3. DENSIDADES CONDICIONAIS
Para motivar a defmi9ao de densidades condicionais de variaveis aleatrias
cont(nuas, discutiremos inicialmente as variaveis aleatrias discretas. Sejam X e Y
duas variaveis aleatrias discretas tendo densidade eonjunta f. Se x e urn valor
poss!vel de X, entao
P(X = x, Y= y) _ f(x,y)
P(Y=yiX=x)= P(X=x) - fx(x)

A func;:ao [y ;x defmida por


f(x, y)
fx(x) # O,
(25) fr1xC Y l x) = ( f.x(x) '
O, fx(x) =O,
chama-se densidade condicional de Y da do X. Para qualquer valor possivel x de X,

Lfr1xCY l x) = Lyf(x,y) = lj(x) = l,


Y fx(x) fx(x)
de modo que para qualquer x nestas condic;:oes fy ;x(yjx) defme urna fun9ao de
densidade discreta de y, conhecida com o densidade condicional de Y dada X = x.
No caso discreto as densidades condicionais nao envolverri nenhum conceito novo.
Entretanto se X e urna variavel aleatria contlnua, entao P(X = x) = O
para todo x, de modo que P( Y = y jX = x) e sempre indefm!do. Neste caso,
qualquer defmic;:ao de densidades condicionais envolve necessariamente urn conceito
novo. A maneira mais simpies de defmir densidades condicionais de variaveis alea-
trias cont!nuas e urna analogia com a Frmula (25) do caso discreto.
Definic;:ao l. Sejam X e Y variaveis aleatrias cont!nuas tendo densidade
eonjunta f. Defme-se a densidade condicional fy /X atraves de
f(x, y)
O < f x(x) <co.
(26) fr,x(Y l x) = ( fx(x) '
O, para outros valores de x e y .
Segue-se imediatamente desta defmic;:ao que, com o urna func;:ao de y, fy ;x(yjx)
e urna densidade sempre que o< fx(x) < 00 (novamente denorninada densidade
condicional de Y dada X = x). Pode-se utilizar as densidades condicionais para
defmir pro babilidades condicionais. Assim defmirnos

(27) P(a :o; Y :o; b IX= x) = f!Y/x(Y l x) dy, a :o; b.

Alternativamente podeamos tentar defmir a probabilidade condicional


de (27) atraves do seguinte limite:
(28 ) P(a :o; Y :o; b l X = x)

= lim P(a :o; Y :o; b l x :..... h ~ X :o; x + h) .


h)O

157
Pode-se reescrever o segundo membro de (28 ) em termos de f como
hm j~:~ \J~ f( u, r ) dr) du lim _(1/211 ) J:~ ~ ~ Wf(u. r) dy)_du
h , L) i~ =- ~ n ~ y f( U, _\' ) dr) du hl O ( l j 2h) t ~ ;:J~( u ) du .
Se

f f (u , y ) dy

e contin ua em u para u = x , o numeradar do ultimo lirnite converge para

f .rcx, y) dy
quando h .J, O. Se f x e continua no ponto x , o denominador converge para
fx(x) quando h .J, O. Sob a con di~ao adicional de que fx (x) =fo O, somos levados
de (28) a

P(a :S; Y :S; blX = x) = J~ .[(x_, y) dy,


fx( x)
que concorda com (27) . Em resumo , definirnos densidades condicionais e proba-
bilidades condicionais no caso contlnuo em analogia com o caso discreto. Obser-
vamos tamhem que, sob restri~6es adicionais, urn processo envolvendo lirnites pro-
duziria a mesma defmi~ao de probabilidades condicionais. Acontece que e bastante
dificil trabalhar com tais processos, de modo que os mesmos nao mais serao usados .
Segue-se irnediatamente da defmi~ao de fun~ 6es de densidades condicionais que

(29) f (x,y) = f x (x) f n x(Y lx) , - oo < x , y<oo.

Se X e Y sao independentes e

(30) f(x,y) = fx(x) f y(y), - oo<x , y<oo,

entao

(31 ) fnx(ylx)=[y( y), O< fx(x) < oo e - oo<y< oo.

Reciprocamente, se (31) e verdadeiro , segue-se de (29) que (30) e verdadeiro e


X e Y sao independentes. Assirn (31) e urna condi~ao necessaria e suficiente
para q ue duas variaveis aleatrias ten do urna densidade eonjunta sejam independentes.
Exemp1o 7. Suponha que X e Y tern a densidade bidimensional f dada pela
Frmula (13) , ou seja i
'
f( x, y ) -_ J3
-- e
- (x 2 - xy+y') f 2
, - w< x, y <w .
4n
Entao , como vimos no Exemplo 2, X tern densidade normai n(O, 4/3). Assirn para
-oo < x , y<oo
l-
J3 e
- - ( x2-x y+y2) f 2

4n
frrx(Y l x) = -~---
-J3
--e -3x2 f S
2.fin

_ l
.
-(y-x / 2)2 / 2
- -= e
J2n
Em outras palavras, a densidade condicional de Y dado X = x e a densidade
normai n(x/ 2, 1).
Ate aqui partirnos de densidades conjuntas e atraves delas construimos densi-
dades marginais e densidades condicionais. Em certas situac;:5es podemes inverter
este procedimento e comec;:ar com densidades marginais e densidades cndicionais,
usando-as para construir densidades conjuntas.
Exemplo 8. Seja X urna vaavel aleata uniformemente distbui'da em (0, l)
e seja Y urna vaavel aleata uniformemente distbui'da em (0, X). Obtenha
a densidade eonjunta de X e Y e a densidade marginal de Y.
Pelo enunciado do probierna vemos que a densidade marginal de X e dada por

fx(x) = l~ para O< x < l.


para outros valores de x

A densidade de Y dado X= x e uniforme em (0, x), de modo que

hix(Y lx) = l 1/x


O,
para O<y<x< l,
para outros valores de x e y
A densidade eonjunta de X e Y e dada por

f(x,y) = lt para O<y<x< l,


para outros valores de x e y
A densidade margillal de Y e
fr(Y) =
J oo
- oo

f(x, y) dx =
Jl ~l dx =
Y -log y, O < y < l,

e [y(y) =O para outros valores de y .

6.3.1. REGRA DE BA YES. Naturalmente podemes inverter os papeis de X e Y


e defmir a densidade condicional de X dado Y= y atraves da frmula
f(x,y)
(32) fx1 y(x l y) = [y(y) , o<[y(y) < oo,
Urna vez que
!59
f(x, y) = fx(x)frlx(Y l x)
e

fr(Y) = J:oo f(x, Y) dx = J:oo fx(x)frJx(Y l x) dx,

podemos reescrever (32) como

(33) fxlr(x l y) = fx(x)ffix(Y l x )


J~oofx(x)frJx(Y l x) dx

Esta frmula ~ o amilogo continuo da famosa regra de Bayes discutida no Capituo l.


Nos Capftulos 3 e 4 consideramos variaveis aleatrias X e Y que eram
,-
ambas discretas. At~ aqui no Capituo 6 consideramos principalmente variaveis
aleatrias X e Y que sao ambas contlnuas. Existem casos em que estamos inte-
ressarlos simultaneamente em variaveis aleatrias discretas e continuas. Deve ficar
claro para o leitor como podemos modificar nossa discussao para incluir esta possi-
bilidade. Algumas das aplica~5es mais interessantes de (33) sao deste tipo.
Exemplo 9. Suponha que o nfunero de acidentes automobilisticos em que se en-
volve urn motorista durante urn ano e urna variavel aleatria Y tendo urna distri-
bui~ao de Poisson de parametro A, onde A depende do motorista. Se escolhemos
urn motorista ao acaso de urna certa popularr3"o, podemos supor que A varia e defme
urna variavel aleatria continua ,\ tendo urna densidade t~~.. A densidade condi-
cional de Y dado = A e urna densidade de Poisson de parametro A dada por
i. 1 e - ;.
para y = O, l, 2, .. . ,
fr ., (Y i.) = y.
o, para outros valores de y

Assim a densidade eonjunta de A e Y e

( O,
f~~.(J..)J/e-l
para y = O, l , 2, .. . ,
f()., y) = y!
para outros valores de y

Em geral nao podemos obter urna frmuia simpies para a densidade marginal de
Y ou a densidade condicional de A dado Y = y ja que nao podemos determinar
as integrais necessarias. Entretanto podemos obter frmuias simpies no caso especial
em que f e urna densidade gama r(o:, J3). de modo que

para A> o-
para outros valores de y.

Neste caso,
160
oo pa).a-le-;.p ).Ye-;.
=
fo re()()
- - - - - d).
y!
= __!!__ roo ).a+y-le-l(/3+1) d).
y!r(CI()Jo
re()( + y)pa
= Y! r(CI()({J + l)a+y.

O valor da tlltima integral foi obtido usando a frmula (34) do Capituo 5. Dei-
xamos para o leitor a tftulo de exercicio mostrar que [y e a densidade binomial.
negativa de parametros a e p = {3 /(1 + {3). Ternos tamhem que para A. > O e
y inteiro nao-negativo,

r (). 1 y) = f(). , Y2
J t.IY fr( Y)
{Ja).a+y-le- l( /3 + l) Y! r(CI()({J + l)a+y

r (CI()y! r(a + y){Ja


({J + l) a+ y).a+ y- 1 e -;.(p+ 1 l
rca + y)

que nos diz que a derisidade condicional de i\ dado Y = y e a densidade gama


r(a + y, {3 + 1). Se alguem de urna companhia de seguros desejasse resolver urn
probierna deste tipo, possivelmente tentaria aproximar a densidade real f A para
urna densidade r(a, {3), onde a e {3 seriam determinados de modo que a apro-
ximayao fosse a melhor possivel.

6.4. PROPRIEDADES DE DISTRIBUic;OES MULTIDIMENSIONAIS


Pode-se estender imediatamente para n variaveis aleatrias os conceitos ate
aqui discutidos em rela9ao a duas variaveis aleatrias X e Y. Indicaremos breve-

mente nesta se9ao como isto pode ser feito.


Sejam n variaveis aleatrias X 1 , . , X n defmidas em urn espa9o comurn
de probabilidade. Defme-se sua funfiiO de distribuifiio eonjunta F atraves de

Defmem-se as fun9oos de distribui9ao marginal F x m, m = l, ... , n atraves de

161
Pode-se o b ter o valor de F x m (xm) a partir de F faz.:n o x 1 . . .. . x _: .
tenderero to dos a + = .
X m+ 1 , . , X n
Diz-se que urna fun9ao nao-nega tiva f e urna fun _-o ensidade onjun2
(em rela~ao a
integrayao) para a fun9ao de disuib i~ -o - ~Jun F, ou para as
variaveis aleatrias X 1 , ... , X n se

(34) F(xl, . . . ' Xn) = f'"' ... r~ f (ul . ... . u. d : . . . dua.


- X < X . ... . Xn < CO.

Sob algumas condi96es brandas adicionais, a equa , ao

e validanos pontos de continuidade de F. Se 3 fo~ o e A for urn sub-


eonjunto qualquer de Rn do tipo considerado em cal lo. -o

Em particular

(35)

e se am .;;;;; bm para m = l, . . . , n, entao

= Jb, bft

., J (x 1 . , x") dx 1 dxn .

A variavel aleatria Xm tern densidade marginal fxm obtida pela integra9ao


de f sobre as n - l variaveis restantes. Por exemplo

fx2(x2) = f~"' ... f~"' f(x,, ... ' xn) dx, dx3 . . dx".

Em geral diz-se que as variaveis aleatrias X 1 , . . , X n sao independentes


sempre que a m.;;;;; b m, para m= l" ... , n , entao

P(a 1 < X 1 .;;;;; b1 , . . . , an <Xn .;;;;; bn)


=P(al <X 1 .;;;;;b 1 ) P(an < Xn .;;;;;bn).
i ''-

Urna condiyaO necessaria e sufciente de independencia e

162
A necessidade e bvia, mas a parte da suficiencia para n > 2 depende de artificios
peculiares e nao sera demonstrada aqui. Se F tern densidade f, en tao X 1 , . . . , X n
sao independentes se, e somente se, pudermes escolher f de modo que

Pode-se tamhem definir diretamente urna densidade n-dimensional como


urna funyao nao-negativa em Rn para a qual (35) e valido. A maneira mais simpies
de construir densidades n-dimensionais e a partir de n densidades unidimensionais
f 1 , .!n e definir f atraves de

(36)

Se X 1 , , X n sao variaveis aleatrias cuja densidade eonjunta f e dada por


(36), entao X 1 , , X n sao independentes e X m tern densidade marginal f m.
Exernplo 10. Sejam X 1 , , X n variaveis aleatrias independentes, cada urna
com densidade exponencial de parametro 'A . Obtenha a densidade eonjunta de
XJ, ... ,Xn.
A densidade de X m e dada por
A.e- hm para 0 < X m < 00,
fxJxm) = {O, para outros valores de x.
Assim f e dada por
para x 1 , ,x.>0,
para outros valores de x 1 , , x n.
Para determinar a densidade de somas de n variaveis aleatrias independentes,
bem como para muitos outros propsitos, necessitamos do seguinte resultado.
TPorema 4. Sejam n variaveis aleatrias independentes X 1 , , X n. Seja
Y urna variavel aleatria definida em termos de X 1 , , X m e seja Z urna
variavel aleatria definida em termos de X m + 1 , . . . , X n (com l ":;;m < n)
Entao Y e Z sao independentes.
r A demonstrayao deste teorema nao sera apresentada ja que ela envolve argu-
mentos da teoria da medida.
Usando este teorema e urn argurnento envolvendo induyao matematka, po-
demos estender os Teoremas l e 2 para somas de n variaveis aleatrias indepen-
dentes como segue.
Teorerna 5. Sejam X 1 , , X n variaveis aleatrias independentes tais que
X m tern densidade gama r(am' 'A) para m = l, ... , n. Entao XI + ... +Xn
tern densidade gama r(a, 'A), onde a= al + ... + an.
Lembre-se que a densidade exponencial de parametro 'A e a densidade gama
r(l, 'A). Assim, com o urn caso especial des te teorema, ternos o seguinte corolari:
163
Se X 1 , , X n siio variveis aleatrias independentes,
exponencial de panimetro ~ entiio X 1 + + X n tern der..sf..de .s- ..= -
Teorema6. Sejam X 1 , , Xn variaveis aleatrias ~~- _._
que X m tern densidade normal n(Jl m a?n ), m = l, . . . . . E;:-:-
X1 ++Xn tern densidade normal n(a, a 2 ), onde
Jl = lll ++Jln e a2 =aj ++ah .
Se X 1 , , X n tern urna densidade eonjunta f, entao qualquer su bcol~o
destas variaveis aleatas tern urna densidade eonjunta que p'ode ser obtida in-;e-
grando f sobre as variaveis restantes. Por exemplo, se l~ m< n,

Pode-se tambem definir de maneira bvia a densidade condicional de urna


subcole~ao de X 1 , , X n, dadas as variaveis restantes. Assim, a densidade eon
dicional de X m+ l' . . . 'X n dados XI' ... 'X m e defrnida por

onde f e a densidade eonjunta de X 1 , , X n.


Freqtientemente expressa-se as densidades condicionais atraves de urna nota~ao
urn tanto diferente. Por exemplo, sejam n + l variaveis aleatas com densidade
eonjunta f . Entao a densidade condicional de Y da dos X 1 , . , X n e defrnida por

f:YIX 1 , ... , x" ( Y l X1, ' Xn ) = f f(x l, ( , Xn, Y) )


Xt . . .. ,x" X1, ' Xn

6.5 ESTATisTICOS DE ORDEM*


Sejam U1 , , Un variaveis aleatas eontinuas independentes, cada urna
com fun~ao de distbui~ao F e fun~a:o de densidade f. Sejam X 1 , , X n as
vaaveis aleatas obtidas representando por X 1 (w), .. . , X n (w) o conjunt~
U1 (w) , . . . , Un(w) ordenado em ordem erescente. Em particular, X 1 e Xn
~ ..
sao defrnidas como sendo as funiroes

X 1 (w)= min (U 1 (w), . .. , Un(w))

Xn(w) = max (U 1 (w), . .. , Un(w)).

A variavel aleata X k chama-se k-esimo estatistico de ordem. Outra variavel


eorrelata de interesse e a amplitude R defrnida eomo
164
~ ~----------
i
.................................. ~

R(w) = Xn(w) - X 1(w)


= max (U1 (w), ... , Un(w)) - min (U 1(w), ... , UnCw)).
Segue-se das hipteses sobre Ui, . _ . , Un que os Ui sao distintos com proba-
bilidade l e portanto X 1 < X 2 < <Xn.
Para ilustrar numericamente estas defmi<y(}es, suponha que U1 (w) = 4,8;
'
(
U2(w) = 3,5 e U3(w) = 4,3. Entao X 1(w)= 3,5 ; X 2(w) = 4,3; X3(w) = 4,8
e R(w) = 1,3.
Exemplo 11 . Considere urna maquina tendo n componentes cujos tempos de
falha satisfazem as hipteses desta se<yao. Entao X k e o tempo que decorre ate
a falha de k componentes. Se a maquina como urn todo falha tao logo que falhe
urn unico componente, entao X 1 = min ( U1 , , U n) e o tempo de falha da
maquina. Se a maquina nao falha ate que todos os componentes falhem, entao
X n = max ( U1 , , U n) e o tempo de falha da maquina.
Exemplo 12. Suponha que se produz n itens supostamente identicos em urna
corrida de urna linha de montagem e suponha que U1 , , U n representam os
comprirnentos dos n itens. Urn inspetor poderia estar interessado no comprirnento
minimo X 1 e no comprimento maxima X n. Se os itens devem ser intercambiaveis,
a variabilidade dos comprimentos deve ser mantida baixa. Urna possivel medida
desta variabilidade e a amplitude R dos comprirnentos.
Passamos agora a obten<yao da fun<yao de distribui<yao do k-esimo estatistico
de ordem xk. Seja - 00 <X< 00 A probabilidade clP que exatamente j dos
ui estejamem (-oo,x] e (n-j) estejamem ("(, 00 ) e
(;) Fi(x)(l - F(x))"- i,

urna vez que e aplicavel a distribui<;ao binornial de parametros n p = F(x). e


O evento {Xk .;;;;; x} ocorre se, e somente se, k ou mais dos Ui estiverem em
(- oo, x] . Assim
(37) F xJx) = P(Xk ~ x)

(~)
i=k J
Fi(x)(l - F(x))"- i ,
'
- 00 < X < 00.

Em particular, pode-se escrever com muita simplicidade as fun<y(}es de distribui<yao


de Xn e X 1 como
_oo<x < oo,
e

-oo<x < oo.


Para obter as fun<y5es de densidade correspondentes, devemos diferenciar essas
expressoes. Obtemos facilmente que
165
e
fx (x)=nf(x)(I-F(x))n- t,
1
- oc<x<=.
A derivayao eorrespondente para X k em geral e urn pouco mais trabalhosa. De (3

L .
n l ' l
fxJx) = n . f (x)F j - 1 (xX1 - F x))" - i
i=k (J - l)! (n - J) !
n-1 1
- L . n: f(x)F i(x l - Fx) - j - t
i=kJ!(n - J - l)!
l
~(
= L
n l
n. f(x)F i - (x l - F(x)r - i
1

i=k ( j - l)! (n - j)!


n l
~ n. f( )F - 1 F( )) - i
. ./..; (. l) l ( .) l X ' X - X
, =k+ 1 1 - . n - 1 .

e por eaneelayao

(38 )
- 00 < X < CJ:;.

Para obter a densidade da amplirude R , deri amos inicialmente a densidade


eonjunta de X 1 e X n. Supernos que n~ 2 Qa que R = O se n = 1). Seja x ~y.
Entao

P(X 1 > x , Xn ~y) = P(x < U 1 ~ y, ... ,x < Un ~y)


= (F(y) - F(x ))n,

e naturalmente

Conseqiien te me n te
i
Fx 1 .dx, y) = P(X 1 :5: x, Xn :5: y)
= P(Xn :5:

=
y) - P(X 1 > x, X n :5: y)
F"(y) - (F(y) - F(x))n. l
.:n
l
A densidade eonjunta e dada por
al
f xt.Xn(x, y) = ax ay F Xt .Xn(x, y)

= n( n - l)f(x)f(y)(F(y) - F(x))"- 2, X :5: y.


166
E bvio e demonstra-se facilmente que

x>y.

Modificando urn pouco o argumento usado na Sec,:ao 6.2.1 para obter a densidade
de urna soma, o b ternos q ue a densi da de de R = X n - X 1 e dada por

'

Em outras palavras

fR(r) = (n( n - l) J~oo f(x) f( r + x)(F(r + x) - F(x)t - 2


dx , r>O
O, r <O .

Pode-se avaliar facilmente estas frmulas quando U 1 , . , Un sao independentes


e se distribuem uniformemente em (0 ,1). Deixamos esta avaliac,: ao para o leitor
a titulo de exercicio.
Existe urna forma "heuristica" bastante Util para derivar as frmulas acima.
Como ilustrac,:ao, derivaremos novamente a frmula para f x k Seja dx urn numero
positivo pequeno. Entao ternos a aproximac,:ao

A maneira mais provavel de ocorrer o evento { x .;;;; Xk .;;;; x + dx} e k - l dos


Ui estarem em (- 00 , X], urn dos Ui em (x, X+ dx] e n- k dos Ui em
(x + dx, oo) ( ver Figura 5). A derivac,:ao da distri buic,: ao multinomial dada no Ca-
p ftul o 3 e aplicavel e a probabilidade de . que o numero indicado de u i esteja
nos intervalos apropriados e
f x.(x) dx- n'
~(k - l)!l!(n-k) !

X(fa) f(u) dur-l J: +dx f( u) du (L: dxf(u) du r -k


n!
:::::: - - - - -k-)! f(x) dxFk- 1 (x)(l - F(x))"-k,
(k - l)!(n
da qual obtemos (38). Nao tentaremos dar rigor a este metodo.

k-1 . n-k

x x+dx

Figura 5
167
6.6. DISTRIBUH;ES AMOSTRAIS*
Sejam X 1 , , X n variaveis aleatas independentes, cada urna com dens.idade
normai n(O, a 2 ). Obteremos nesta se<;:ao as fun<;:5es de distbui<;:ao de diversas
variaveis aleatrias defmidas em termos dos X. Alem de se constituirem em
aplica<;:5es do material acima, estas distribui<;:oes sao de importancia fundamental
na inferencia estatistica e serao necessaas no Volume II.
A constante a 2 econveniente mas nao essencial, urna vez que Xtfa, ... , X n/ a
sao independentes e cada urna tern a densidade normai padrao n(O, 1). Assim
podemos sempre tornar a 2 = l sem perda de generalidade.
De acordo com o Teorema 6, a variavel aleata X 1 + + X n tern a den-
sidade normai de parametros O e na 2 Se dividirmos esta soma por diferentes
constantes obtemos formas altemativas deste resultado. Assim

XI+ .. +Xn
n

distbui-se normalmente com parametros O e a 2 jn e

tern densidade normai padrao n(O, 1).


Como Xtfa tern a densidade normai padrao segue-se do Exemplo 12 do
Capituo S que xifa 2 tern a densidade gama r (l 2, 1/2). Assim, de acordo com
o Teorema S

tern a densidade garna r (n/2, 1/2). Esta densidade gama particular e bastante
importante em estatistica onde se diz que a variavel aleata correspondente tern
distbui<;:ao qui-quadrada ~) com n graus de liberdade que e representada por
x2 (n). Aplicando o Teorema S obtemos o seguinte resultado sobre as distbui<;:5es x2
Teorema 7. Sejarn Y 1 . . . , Y n variaveis aleatas mdependentes tais que
Y m tern a distbui<;:ao ~(km). Entao Y 1 + + Y n tern a distribui<;:ao
x2 (k), onde k=k1 + +kn.
Demonstra~o. Por hiptese Y m tern a distribui<;:ao gama f(k/2, 1/2).
Assim pelo Teorema S, Y 1 + + Y n tern a distribui<;:ao gama r(k/2, 1/2), onde
k = k 1 + + kn. Mas esta distbui<;:ao e x2 (k) por defini<;:ao.
Podemos tamhem aplicar o Teorema 3 para obter a distribui<;:ao da razao
de duas variaveis aleatrias independentes Y 1 , e. Y 2 tendo distbui<;:ao x2 (kt)
168
e . x2 (k2 ) respectivamente. E tradicional em estatistica expressar os resultados
em termos das variaveis normalizadas Ytfk 1 e y2 /k 2 A distribui~ao de

e conhecida como distribui~lfo F com k 1 e k 2 graus de liberdade, sendo repre


sentada por F( k 1 , k 2 ).
Teorema 8. Sejam Y1 e Y 2 variaveis aleatrias independentes tendo dis-
tribui~oos x2 (kd e x2 (k 2 ). Entlfo a variavel aleatria

__
Ytfk ,1

Y2/k2
que tern a distribui~ao F(k 1 , k 2 ), tern densidade f dada por f(x) = O
para x ";;;;;O e

(39) X> O.

Demonstra~o. Pelo Teorema 3 a variavel aleatria YtfY 2 tern densidade


g, on de g e dada por (24) com a 1 = kt/2 e a 2 = k 2 /2. Assim a densidade
f de k 2 Ytfk 1 Y 2 e dada por

e (39) segue-se de (24 ).


Podemos aplicar este resultado as variaveis aleatrias X 1 , , X n defmidas no
inicio desta se~ao. Suponha que l ";;;;;m< n. Pelo Teorema 4 as variaveis aleatrias

e x~+l + . .. + x~
a2

sao independentes. Como elas tern distribui~ao x2 (m ) e x2 (n - m) respectiva-


mente, vemos que a variavel aleatria

(XI + + X~ )/ m
(X~+l + .. + X~ )/(n-m)

tern a distribui~ao F(m, n - m) e a densidade dada por (39), onde k 1 = m e


k 2 =n- m. Tabelas das distribui~5es F sao dadas no Volume II.
169
O caso m= l e especialmente importante. A variavel aleatria

(X~ + + Xh )/(n- l)

tern distribuiyao F(l, n - 1). Podemos usar es te fa to para o bter a distribuiyao de

xl
Y=
J (X~ + + Xh )/(n- l)

Como xl tern urna funyaO de densidade simetrica e e independente da variavel


aleatria J (X~ + + Xh )/(n - l). Segue-se facilmente do Teorema 2 do
Capituo 5 que Y tern urna funcao de densidade simetrica fy. De acordo com o
Exemplo 5 do Capituo 5, a densidade fy 2 esta relacionada com f y atraves de

1
fy(z) = ;-:: (fy(-yz)+ fy(Vz)), z>O.
2vz

Usando,,a simetrica de fy e fazendo z= y 2 vemos que

Como Y 2 tern a densidade F(l, n - l) dada por (39) com k1 l e


k 2 = k = n - l, o bternos

_Lyj_(} /k) r[(k +_ 1)/2] (y / k)_-~


2

fr(Y) = f(l/2) f(k /2) [l + (y2 /k)]<k+ 1)/ 2

Como r(l/2) = v'1T, esta expressao se reduz a

r[(k + 1)/2] [1 + (y 2f k)r(k+l)fl


(40) fr( Y) = '~ -~ -- - -- ' - oo < y < co.
J krr f(k/2)

Diz-se que urna variavel aleatria cuja densidade e dada por (40) tern distribuiyao
t com k graus de liberdade. Observamos que a distribuiyao t com l grau de
liberdade e a distribuiyao de Cauchy discutida no Capituo 4. Tabelas das distri-
buiyoes t sao dadas no Volume II.
A distribuiyao da variavel aleatria

Y=y (X22 2
+ +Xn)/(n-l) '

170
que e urna distribuic,:ao t com (n - l) graus de liberdade depende apenas do
fa to de que

e X~ ++X~
a2
f

sao indepen dentes e tern distribuic,:ao n(O, l) e x2 (n - 1), respectivarnente. Assirn


ternos o seguinte resultado.
leorema 9. Sejam X e Y variaveis aleatrias independentes com distri-
buic,:ao n (O, l) e x2 (k), respectivarnente. Entao
X
.JY7k
tern distribuic,:ao t com k graus de liberdade.

6 .. :\fUDAN<;AS MULTIDIMENSIONAIS DE VARIAVEIS*


Sejam X,, .. . , X n variaveis aleatrias tendo densidade eonjunta f. Sejarn
Y 1 . . . , Y n variaveis aleatrias defmidas ern termos de X~ N es ta sec,:ao discu- .
tiremos urn metodo para obter a densidade eonjunta dos Y ero termos de f.
ConsiC.eraremos principalmente o caso ern que se defmern os Y corno func,:oos
lineares de X .
S ponha entao que

Yi = L"
j= 1
auXi, i= l, .. . , n.

Os coe - nres eonstan tes a i i de terminaro urna rnatriz n x n

- ~;:a 2. es- matriz esta o seu determinante

det A

Se -' ~: A = D. existe urna unica rnatriz inversa B = [ b;j ] tal que BA =I ou


e ~-= ~==-::.e::::.e ~
l, =
L"
k=l
bikaki = {O,
i
i i' j .
j,

171.

l

Pode-se o b ter as eonstantes bij resolvendo para eada i o sistema (41) de n equa
90es a n inegnitas bi 1 , , b i~ Alternativamente, as eonstantes bij podem
ser unieamente definidas exigindo que as equa96es
n
Yi = L aijxi, i = l, ... , n,
j=l

tenham solu96es
n
(42) xi = L bijyi, i= l, ... , n.
j=l

Teorema 10. Sejam X 1 , , X n variaveis aleatrias ten do densidade eonjunta


f e suponha que as variaveis aleatrias Y1 , . , Y n sao definidas por
n
Yi = L aijxi , i = l, . . . ' 11,
. j= l

onde a matriz A = [ a ij ] tern determinante nao-nulo de t A. En tao


Y 1 , , Y n tern a densidade eonjunta f y, , .. . ,f y n dada por
l
(43) fr,, ... ,Y"(yl, , Yn) = jdet Al f(x l, ' Xn),

onde os x sao defmidos em termos de y por (4 2) ou eomo a solu9ao


unieadasequa96es Y i = LJ=l ai jx j.
Este teorema, que nao sera demonstrado aqui , e equivalente ao teorema de-
monstrado em eursos avan9ados de ealeulo em urn eontexto rnais geral envolvendo
" Jaeobianos". Do resultado geral dernonstrado em caleulo avan9ado , podernos
estender o teorerna acima a mudan9as nao-lineares de variaveis. Descreveremos
brevemente esta extensao . embora ela nao seja necess<iria rnais tarde .
Suponha que os Y sao defmidos em termos de X p or

i = l, . . . , n.

Considere as equa96es eorrespondentes

(44) i =l , .. . , n .

Suponha que estas equa96es defmem unieamen te os x em termos de y, q ue as


derivadas parciais oy if oxi existem e sao continuas e que o Jaeobiano

DY1 q~
DX t DXn
J(xl , . .. ' xn)
DYn DYn
DX! DXn
e sempre nao-nulo. Entao as variaveis aleatrias Y1 , , Y n sao eontinuas e
tern urna densidade eonjunta dada por
172

........................................... ~
(45

onde os x sao definidos implicitamente em termos de y por (44). Pode-se


es re, m.ais esta frmula de mudan~a de variavel, exigindo que as fun~5es
g ; sej - ....... Luu=-> , apenas em algurn subconjunto aberto S de Rn tal que

No especial em que Y; = 2.:}= 1 a;jxj, vemos que 3yl3xi = .a;j e


J x 1 , . x e simplesmente a eonstan te de t A = de t l a ij 1. Assim, torna-se
laro q e ( 4 - se reduz a (43) no caso linear.
Ex empi o 13. Sejam X 1 , , X n variaveis aleatrias independentes, cada
urna om nsidade exponencial de parametro A. Defina Y 1 , , Y n por
Y; = X 1 -r + X;, l ";;;; i ";;;; n. Obtenha a densidade eonjunta de Y1 , , Y n
A triz [aij] e
o
o
[!
Seu determinante e claramente l. As equa~oes

Y;=XI +.+X;, i= l, ... , n,


tern a solu ao

X;=y; -Yi-1 i= 2, ... ,n.

A ensida e eonjunta de XI' . .. 'X n e dada por


)."e-).(x,+ +x.,) X >O X
(46 ) xn) = f n '
\O,
(x l .. . ' ' l' . . . '
para outros valores de x 1 , , xn
Assirn a densidade conjun ta f y 1 , , y n e dada por
f J."e-J.y.,, O < Y l < ... < Yn,
4 ) fr" .... d Yt Yn)= \0, paraoutrosvaloresdey 1 , .. ,yn
:\aturalmente podemos aplicar o teorema ern sentido inverso. Assirn se
Y 1 . . , Yn tern a densidade eonjunta dada por (47), e as variaveis aleatrias
X 1 . , Xn sao defmidaspor X 1 = Y 1 e X;= Y;- Y;_ 1 para 2 ";;;i";;;; n,

entao os X tern a densidade eonjunta dada por (46). Em outras palavras,


X 1 . . . , X n sao independentes, cada urna com distribui~ao exponencial de para-
metro . . saremos este resultado no Capituo 9 na discussao de processos de Poisson.
173
Exercicios

l. Sejam X e Y variaveis aleatrias con tinu as ten do fu n~ao de de nsidade eon-


junta f. Obtenha a fun~ao de distribui ~ ao eonjunta e a fun ~ ao de densidade
eonjunta das variaveis aleatrias W = a + b X e Z = c + d Y, on de b > O
e d > O. Mostre que se X e Y sao independentes, entao W e Z sao inde-
pendentes.
2. Sejam X e Y variaveis aleatrias cont inuas tendo fu n~ ao de distribui~ao
eonjunta F e fun~ao de densidade eonjunta f. Obtenha a fun ~ao de distri-
bui~ao eonjunta e a fun~ao de densidade eonjunta das va riaveis aleatrias
W= X 2 e Z = Y 2 Mostre que se X e Y sao independe ntes, entao W e Z
sao independentes.
3. Sejam X e Y variaveis aleatrias independen te s. cada urna com distribui~ao
uniforme em (0 ,1). Obtenha

(a) P(IX- Yi <>;; 0,5),

(b) P( j ~ - 1/ :<; 0,5) ,


(c) P(Y ;;;. XI Y ;;;. I/2) .

4 . Sejam X e Y variaveis aleat ri as independentes , cada urna com distribui~ao


normai n(O , a2 ) . Obtenha P(X 2 + Y 2 <>;; l). Sugestiio: usar coordenadas
polares.
5. Suponha que X e Y tern urna densidade eonjunta f uniforme no interior do
trifulgulo com vertices e m (O, 0), (2, O) e (l, 2). Obtenha P(X <>;; l e Y<>;; l).
6. Suponha que os teropos que dois estudantes levam para resolver urn probierna
sao independentes e se distribuem exponencialmente com parametro "A. Deter-
rnine a probabilidade de que o primeiro estudante necessite pelo menos do
dobro do tempo gasto pelo segun do estudante para resolver o problema.
7. Sejam X e Y variaveis aleatrias continuas tendo fu n~ ao de densidade eon-
junta dada por f (x, y) = "A 2 e- .y, O<>;; x <>;; y, e f(x , y) = O para outros
valores de x e y . Obtenha as densidades marginais de X e Y. Obtenha a
fun~ao de distribui~ao eonj unta de X e Y .

8. Seja f(x , y) = c(y - x)a, O<>;; x <y <>;; l , e f(x , y) =O para ou tros valores
de x e y .
(a) Para que valorcs de a se pode escolher c para fazer de f urn a fun ~ ao
de densidade?
(b) Como se deve escolher c (quando possivel) parafazer de f urna densidade?
(c) Obtenha as densidades marginais de f.
9. Seja f(x , y)= ce-<x -xy +4y )/2, - 00 < x , y<oo. Comosedeveescolher
2 2

c para fazer de f urna densidade? Obtenha as densidades marginais de f.


174
l O. Sejam X e Y variaveis aleatrias continuas independentes ten do densidade
eonjunta f. Derive urna frmula para a densidade de Z= Y - X.
11. Sejam X e Y va riaveis aleatrias continuas independentes tendo as densidade
marginais especificadas abaixo. Obtenha a densidade de Z= X+ Y.

(a) X e Y distribuem-se exponencialmente com parametros A1 e A2 , on de


A1 = i\2
(b) X e uruforme em (O, l ) e Y distribui-se exponencialmente com parametro X.
12. Suponha que X e Y tern a densidade eonjunta f dada no Exercicio 8.
Obtenh densida de de Z = X + Y.
13. Suponh que X e Y sao independentes e distribuem-se uniformemente em
(a. b). Obtenha a densida de de Z= l Y - X 1.
1-L Sejam _:r e Y vari aveis aleatrias contlnuas tendo densidade eonjunta f.
Derive -rmula para a densida de de Z= aX +bY, on de b i= O.
15. Seja ; - urna densida de Be ta de parametros a: 1 > l e a: 2 > l. Em que ponto
f assurn" o seu \'alor maximo?
16. Seja.-:1 X e }' vamiveis aleatrias independentes, tendo as densidades normais
n~ - 1 . G ! e n 1 , a~), respect ivamente. Obtenha a densidade de Z= Y- X.
q.!" se escolhe aleatoriamente urn ponto no plano de tal forma que
s < :-oo- nadas se distribuem independentemente segundo a densidade normai
n O. G: _ Ob enha a fun~ao de densidade da variavel aleatria R que representa
a ----~ - ~ o ponto escolhido a origem. (Esta densidade ocorre em engenharia
-' -;;:-_ se. 'o onhecida como densidade de Rayleigh).
l . Sej a.- X e }. rariaveis aleatrias continuas tendo densidade eonjunta f.
De ."a ::-wula para a densidade de Z= X Y.
19. ~-- X " Y variaveis alea trias independentes, cada urna com a densidade
t: O. a:). \!ostre que tanto Y/X como Y/lXI tern a densidade
ex c_:'-:.
_o. SeJ=u X e Y defini dos como no Exercicio 19. Obtenha a densidade de
Z= Y ;r .
::! l. Sejam X e Y d u as variaveis aleatrias indepeildentes, c a da urna com distri-
bui~ao ex ponencial de parametro A. Obtenha a densidade de Z= Y/X.

21. Sejam X e Y duas variaveis aleatrias independentes tendo as densidades


gama r(a: 1 , A) e r(a: 2 , X), respectivamente. Obtenha ,a densidade de
Z= X / (X + Y) . Sugesttio: expresse Z em termos de Y/X.
23. Suponha que X e Y tern a densidade eonjunta f indicada abaixo. Obtenha
a densidade condicional f YIX em cada caso.
(a) f como no Exerclcio 7,
(b) f como no Exerclcio 8,
(c) f comono Exerclcio 9.
175
....c X ~ Y se dis tribuem como as variaveis definidas no Exemplo 7 .
. =-"e P Y ~ - I X= l).
- . iosrre que a densidade marginal f y no Exemplo 9 e binomial negativa com
parametros a: e p = {3 /(13 + 1). Sugestiio: use a frmula (36) do Capituo 5.
2.6. Seja Y urna variavel aleatria discreta tendo a distribui9ao binomial de pani-
metros n e p. Suponha que p se comporta como urna variavel aleatria rr
ten do a densidade Beta de parametros a: 1 e a: 2 Obtenha a densidade condi
cional de rr, dado Y= y.
27. Suponha que Y se distribui exponencialmente com parametro A. Suponha
que A se comporta como urna variavel aleatria A tendo a densidade gama
f(a:, {3). Obtenha a densidade marginal de Y e a densidade condicional de
A dado Y=y.
28. Suponha que XI , x2' e x3 representarn os componentes da velocidade
de urna molecula de gas. Suponha que XI ' x2 e x3 sao independentes,
cada urna com densidade normai n (O, a 2 ) . Diz-se e m fisica que a magnitu de
da velocidade Y = (Xi + X~ + X D \6 tern urna distribui9ao de Maxwell.
Obtenha [y.
29. Sejam X 1 , , X n variaveis aleatrias independentes ten do urna densidade
normai comum. Mostre que existem constantes A n e B n tais que

tern a mesma densidade de X 1


30. Sejarn X I , x2 e x3 variaveis aleatrias independentes , individualmente
uniformesem (O, l ). Obtenha a densidade da variavel aleatria Y = X 1 + X 2 + X 3 .
Determine P(X1 + X 2 + X3 ~ 2).
3 1. Suponha que se escolhe X 1 uniformemente em (O , l ), X 2 uniformemente
em (0 , X 1 ) e que se escolhe X 3 uniformemente em (O, X 2 ). Obtenha a
densidade eonjun ta de X I , x2 e x3 e a densidade marginal de x3.
32. Sejam U 1 , . . , Un variaveis aleatrias indepen dentes, cada urna com distri
f
bui9ao uniforme em (0 , l ). Sejam X b k = l , .. . , n , e R definidos como
na Se9ao 6.5.
(a) Obtenha a densidade eonjunta de X 1 e Xn.
(b) Obtenha a densidade de R.
(c) Obtenha a densidade de X k.
33. Sejam U 1 , . . , U n variaveis aleatrias in de pendentes, cada urna com
densidade exponencial de parametro A. Obtenha a de nsidade de X 1 = min
( U1, . . . , Un) .
34. Obtenha urna frmula para a densidade x2 (n).
176
35 . Sejam X e Y variaveis aleatrias independentes tendo as densidades x2 (m)
e 2 (n . respe tivamente. Obtenha a densidade de Z= X/(X + Y). Sugestiio:
use a r~sposta do E..xercicio 22.
36. Sej X e Y \ariaveis aleatrias independentes, cada urna com a densidade
noc::n.ai -o. O tenha a densidade eonjunta de aX + b X e b X- a Y, on de
; - . : > O. Cse este resultado para dar urna outra demonstrac;ao ao
T re;r:.a:...
37. Sej" aveis aleatrias independentes com densidade comurn f.
eonjunta de X e Z= X+ Y.
a,eis aleatrias independentes, cada urna com a densidade
ex - euo 'A. Determine a densidade condicional de X dado
Z =X - - = :. 5ugestao: use o resultado do Exercfcio 37.
39. R - -~ para o caso em que X e Y se distribuam uniforme-

40. s ~ J- sao variaveis aleatrias independentes, cada urna com


de cl -o. Seja Z = p U+ J l - p 2 V, on de - l < p < l.
(a) ....,.~.,..'-""'-= de Z.
(b) ..._;_""",.....~ -onjunta de U e Z.

( ' onjunta de X=p 1 +a 1 U e Y=p 2 +a2 Z, onde


Esta densi dade e conhecida como densidade normai

(dJ o dicional de Y dado X= x.


41. Sej - _" ~ ,. 2!..-i;e - alea rias continuas positivas com urna densidade
= Y X e Z = X + Y. Obtenha a densidade eonjunta
:. Sugest.iio: use a Equac;ao (45).
ea rias indepen dentes tendo as densidades gama
~ r -:. . . respe ,amente. Use o Exercicio 41 para mostrar
q ~ Y.- ~ _,- - F --o :ia:e- rueatrias independentes.
43 . Sej e :rias independentes tais que R tern a densidade
de

r ~O,
f- r =
O. r <O.

e 8 . tri ui uniformemente em (-rr. rr). Mostre que X= R cos


se e e
Y = R sen 8 sao ,ariaveis aleatrias independen tes e que cada urna tern a
densidade normal n(O, a 2 ). Sugestiio : use a equac;ao (45).

177
EXPECT ANCIAS E O
TEOREMA DO LIMITE CENTRAL
l
......"_

Nas primeiras .quatro se-;:oes deste cap!tulo estudamos a defini-;:ao e propriedades


das expectiincias de variaveis aleatrias que nao sao necessariamente discretas.
Na Se-;:ao 7.5. discutimos o Teorema do Limite Central. Este teorema, urn dos mais
importantes na teoria da probabilidade , justifica a aproxima-;:ao de muitas fun-;:oes
de distribui-;:ao pela fun-;:ao normai apropriada.

7.1. EXPECTANCIAS DE VARIAVEIS ALEATRIAS CONTiNUAS


Lembrem as a defini-;:ao e expectiincia de urna variavel aleatria discreta
X de densidade f (Capftulo 4). Dizemos que X tem expectiincia finita se
Lx lx l f(x ) < =, e neste caso definimos sua expectiincia EX, como

EX= L xf(x).
X

A maneira mais facil de definir expectiincias de variaveis aleatrias contfnuas que


possuem de nsidades e em analogia com o caso discreto.
Definiyao l . Seja X urna variavel aleatria continua de densidade f. Dizemos
que X tem expec tiincia finita se

J: x JxJ/(x) dx < <X!,

e neste caso definimos sua expectiincia por meio de

EX = J:oo xf(x) dx.


Usan do esta defini-;:ao, podemas calcular facilmente as expectiincias de variaveis
aleatrias contfnuas tendo as diversas densidades discutidas nos Capftulos S e 6.
Exemplo l. Suponha que X se distri bu i uniformemente em (a, b). En tao

a + b
2
Exemplo 2. Suponha que X tern a densidade gama r(o:, X). Entao

f'Xl
Jo
A."'
= r(cx) x"'e-J.x dx

A."' r(cx + l)
r(cx) A."'+ l
(X

= ~
onde usamos as frmulas (34) e (36) do Capituo 5. Fazendo o: = l vemos que , te
se X tern urna densidade exponencial de panimetro X, entao EX= X-l.
Exemplo 3. Suponha que X tern a densidade de Cauchy f dada por
l
-oo<x < oo.

Entao X nao tern expectancia finita, pois

f'"
- ro
lxl
rr( l
l
+ x 2)
-- dx = - 21""o l + x
rr
-X-2 dx

-2 lim
rr e- ro
lc +
o l
x
- --
x2
dx

! !im log (l + x 2 )1co


1! c _. oo

= 00.

7.2. UMA DEFINI(:AO GERAL DE EXPECT ANCIA


A definiyao de expectancia dada na Seyao 7.1 e certamente apropriada do
ponto de vista computacional para o caso de variaveis aleatrias continuas que
possuem densidades. Entretanto , para definir expectancia em geral e melhor es-
tender a no9ao de expectancia diretamente do caso discreto ao caso geral. Os de-
talhes precisos requerem conhecimentos adicionais da teoria da medida e integra9ao.
Vamos supor em nossa discussao que todas as variaveis aleatrias em considerayao
sao definidas em urn espa9o fixo de probabilidade (D., d , P).
Sejam X e Y variaveis aleatrias discretas tais que P( l X - Y l ..;;:; E) = l
para algurn E> O. Segue-se dos Teoremas 2 (iii) e 3 do Capituo 4 que se Y tern
expectancia finita, X tamhem a tern e l EX - EY l ..;;:; E. Segue-se tambem que
se Y mo tern expectancia fmita , X tamhem nao tern. Quando se define expec-
tancia em geral , estas propriedades devem continuar sen do va.Jidas.
o
Suponhamos que este e o caso e seja X urna variavel aleatria qualquer.
Suponha que desejamos calcular EX com erro nao superior a e, para algurn e > O.
Tudo que precisamos fazer e obter urna variavel aleatria discreta Y tal que
P( l X - Y l ~ e) = l e determinar EY de acordo com os metodos do Capituo 4.
E facil obter tais aproximat;:oes para X. Seja X E a variavel aleatria discreta-
. 1
definida por
r
(l) X E= ek se e'k ~X< e(k + l) para k inteiro.

Pode-se tambem definir esta variavel aleatria em termos da funt;:ao de maior inteiro
[ ] como XE =e(X/e]. Se e= 10-n paraalguminteironao-negativo n, XE(w)
pode ser obtido de X(w) escrevendo X(w) em forma decima e desprezando
todos os digitos que estiverem a n ou mais casas alem do ponto decimal. Segue-se
imediatamente de (l) que

X( w)- e< Xe(w) ~X( w), w E n,

e portanto P( l X- X l ~e)= l. A funt;:ao de densidade de X E e dada por

fx.(x) = {~(ek ~ X < e(k + 1)) se x = e k para k inteiro


para outros valores de x.

A variavel aleatria X E tern expectancia fmita se e somente se

L lxlfx.(x) = L lekiP(ek ~ X < e(k + l)) < co,


X k

neste caso
EX, = L t:kP(ek ~ X < e(k + 1)).
k

Pode-se escrever estas expressoes em termos de F x. Para

P(ek~X<e(k+ l))= P(X<e(k+ 1))-P(X<ek)

e pela Equat;:ao {5) do Capituo 5, P(X < x) = F(x-) se verifica para todo x.
O teorema seguinte, que enunciamos sem demonstrar, sera usado para dar urna
!' definit;:ao geral de expectancia.
Teorema l. Seja X urna variavel aleatria e suponha que X e, e> O, seja de-
finido por {l) . . Se XE tern expectancia fmita para algurn e> O, entao Xe
tern expectancia fmita para todo e> O e

lim EX,
,~co

existe e e finito.
Este teorema e a nossa discussao precedente sugerem a seguinte defint;:ao geral
de expectancia.
181
Defini~o 2. Seja X urna variavel aleatria e suponha que X E E > O. scj
defmido por (1). Se X E tern expectancia finita para algurn E > O, dizernos q e
X tern expectancia fmita e defmirnos sua expectancia EX atraves de
EX= !im EX, .
,-o
No caso contrario dizemos que X nao tern expectancia fmita.
\l
Da discussao que precede o Teorema l segue-se que a definic;ao de EX pode
ser dada em termos da func;ao de distribuic;ao de X e que se duas variaveis aleatrias
tern a mesma fun9ao de distribui9ao, suas expectancias sao iguais (o u ambas nao
sao finitas). Usando tecnicas da teoria da medida e integrac;ao, pode-se mostrar
que a Defmi9ao 2 conduz aos mesmos valores que as defmic;oes anteriores para os
casos em que X e discreto ou quando X e urna variavel aleatria continua que
possui urna densidade. Existe urn analogo do Teorema l do Capituo 4 que enun-
ciamos sem demonstra9ao. Neste teorema, cp pode ser qualquer func;ao do tipo
considerado em calculo.
Teorerna 2. Sejam X 1 , . , X n variaveis aleatrias continuas ten do den-
sidade eonjunta f e seja Z urna variavel aleatria definida em termos de
X 1 , , X n atraves de Z= cp(X 1 ,. _ . , X n). Entao Z tern expectancia finita
se e somente se

e neste caso

EZ = J~"" J_""co cp(x 1 , .. , x.)f(x 1 , ... , x.) dx 1 dx .

Podemos mostrar que as propriedades basicas da expectancia demonstradas


no Capituo 4 para variaveis aleatrias discretas sao vilidas em geral. Em parti-
cular os Teoremas 2, 3 e 4 do Capituo 4 sao vilidos e serao usados livremente.
Como no caso discreto , nos referimos , as vezes, a EX como media de X.
As defmic;oes de momentos , momento central , variancia, desvio padrao , covariancia
e correlac;ao dadas no Capituo 4 para variaveis aleatrias discretas dependem so-
mente da noc;ao de expectancia e estendem-se imediatamente para o caso geral.
Em geral, como no caso discreto , se X tern urn momento de ordem r, entao
X tern urn momento de ordem k para todo k !!( r. Os Teoremas 6 e 7 do Ca-
pitulo 4 sao tamhem validos em geral. O leitor deve rever os teoremas e defini<;5es
mencionadas no Capituo 4 antes de prosseguir para a se9ao seguinte.

7.3. MOMENTOS DE VARIAVEIS ALEATRIAS CONTINUAS


Seja X urna variavel aleatria continua tendo densidade f e media 11 _ Se
X tern urn m-esimo mometo finito , entao pelo Teorema 2
182
EX" = J_"'x x"'f(x) dx

Em particular, se X tern segundo momento finito, sua variancia o 2 e dada por

Observe que o 2 > O. Pois se o2 = O, teriamos pelo argumento da Sec;:ao 4.3 que
P(X = J1) = l, o que contradiz a hiptese de que X e urna variavel aleatria
continua.
Exemplo 4. Suponha que X tern a densidade gama r(Q, A.). Obtenha os mo-
mentos e a variancia de X.
O m-esimo momento de X e dado por

de modo que pelas frrnulas (34) e (36~do Capituo 5

(2) EXm = }."r(m + ex)


;.m+~r(cx)

ex(ex + l) (ex + m - l)
;.m

A variiincia de X e dada por

o2 = EX2 - (EX)2 = Q
(a +2 l) -(A.Q)2
A.

Fazendo Q = l, vemos que se X tern densidade exponencial de parametro A.,


en tao EX m = m! A.- m e X tern variancia A.- 2. Com o urn segundo caso especial,
suponha que X tern a distribuic;:ao x2 (n) que, de acordo com a Sec;:ao 6.6, e a
distribuic;:ao r(n/2, 1/2). Entao

EX= n/ 2 =n e
n/2
Var X= (1/ ) 2 = 2n.
1/2 2
183
Freqiientemente podemos tirar partido da silnetria na determina~ao de mo-
mentos. Por exemplo, se X tern densidade simetrica, se Exm existe e se m
e urn nfunero inteiro positivo irnpar, entao Exm = O. Para verificar este resultado,
observe que pelo Teorema 2 do Capituo 5, X e -X tern a mesma fun~ao
de distribui~ao. Assim xm e ( -X)m = -xm tern a mesma fun~ao de dis-
tribui~ao e conseqtientemente a mesma expectancia. Em outras paiavras
Exm = E(- xm) = - Exm, o que implica em EXm = O.
Exemplo S. Suponha que X tern a densidade normai n(J.l, a 2 ). Obtenha a media
e os momentos centrais de X.
A variavel aleatria X- J.l tern a densidade normai n(O, a 2 ), que e simetrica.
Assim E(X - J.l )m = O para todo numero inteiro positivo impar m. Em particular
E(X- J.l) = O, o que mostra que o parametro J.l da densidade normai n(J.l, a 2 )
e simplesmente a media da densidade. Segue-se entao que todos os momentos
centrais de ordem impar de X sao iguais a zero. Para determinar os momentos
centrais de ordem par, lembramos da Se~ao 5.3.3 que Y= (X- J.l) 2 tern a den-
sidade gama f(l/2, l/2a 2 ). Como E(X- J.l)m = EYmf 2 , para m par, segue-se
do Exemplo 4 que

r(T)
(2~ 2 r
12

r (D
~~(Y)
_l )m/2
(
2a 2
aml 3 (m - 1).
Usaodo as frmulas (35) e (38) do Capituo 5, obtemos a frmula aiternativa

(3)

Em particular a 2 representa as variancias de X e E(X- JJ-) 4 = 3a 4


Sejam X e Y variaveis aieatrias continuas tendo densidade eonjunta [,
me dias J.lx e J.l y, e segundos momentos finitos. Sua covariiincia e dada por

(4) E(X -' Jlx)(Y - Jly) = f~"' f~"' (x - Jly)(y - Jlr)f(x, y) dx dy.

Exemplo 6. Suponha que X e Y tern a densidade eonjunta f do Exemplo 2


do Capituo 6. Obtenha a correla~ao entre X e Y. De acordo com o Exemplo 2
do CapituJo 6.
184
f( x , y) = 4: e-[ (x2-.ry+y2) f 2l

_ - 3e -3x2 f 8 e -[(y-x/ 2)2 / 2] .


-
4n
Vimos naquele exemplo que tanto X como Y tern a densidade normai n(O, 4/3).
l
l. Assim !J x =p y = O e Var X= Var . Y= 4/3. Da Equa9ao (4) e da segunda ex-
pressao de f ternos

Ex Y 3
= -- f"' xe -(3x
2/8) dx f"' l e -[(y-x/2)2/2] d y.
y -=
2J2;r -oo . -oo J2n
Mas

f"' l
y -=e -((y-x/2)2 / 2] d -
y- f"' (u+-X) -=
l e -(u2f2) d u-- -
X
,
- oo J 2n -oo 2 J2n 2
de modo que

EXY = 1 f"' x 2 e-(3x


2
/ Sl dx
2 (J3) J2n -oo

1/2 f:"' 2
x n(x; O, 4/3) dx

1/2.4/3 = 2/3.
A correla9ao p entre X e Y e dada por
EXY 2/3 i
p =
v'Var X v'Var Y 2

Exemplo 7. Sejam U1 , , U n variaveis aleatrias independentes, cada urna


com distribui9ao uniforme em (O, l) e seja

Obtenha os momentos de X e Y e a correla9ao entre X e Y.


Estas variaveis aleatrias foram estudadas na Se9ao 6.5 (on de foram repre-
sentadas por X1 e Xn). Especializando os resultados daquela se9ao para U;
que se distribuem uniformemente, concluimos que X e Y tern a densidade eon-
junta f dada por
185
T
0 ::::; X ::::; Y ::::; l ,
(5) f(x, y) = {~~n- l)(y- xy-2,
outros valores de x e y .

Os leitores que ornitiraro a Seyao 6.5 podem pensar no presente probierna como
o de obter a correlayao entre as variaveis aleatrias X e Y cuja densidade eonjun ta
e dada por (5).
O m-esimo momentode X e dado por
EXm = n(n - l) s: xm dx f (y - xY-
2
dy

(y _ x)"-1 \y=l
l
l
= n( n - l) xm dx
1
o n - l

f
y=x

= n xm(l - xY- 1 dx.

A integral defmida que aparece nesta expressao e urna integral Beta e foi determi-
nada na frmula (19) do Capituo 6. Daquela frmula obtemos
EXm = nr(m + l)r(n) = m! n!
r(m + n + l) (m + n)!

Em particular EX= 1/(n + l) e EX 2 = 2/(n + l)(n + 2). Segue-se que

V ar X= (EX 2 )- (EX ) 2 = _ _ _ n_ _
(n+l ) 2 ( n+ 2).

O m-esimo momento de Y e dado por


Y

EY = n( n - l) y"' d y ( y - x)"- 2 d x
o o
l ( r - 1( l) lx=y
l)
n(n -
J
O
ym dy Y - x
n - l
-
x =O

n y m+ n-1 dy
o
n
m+ n

Assim EY = n f(n + l) e

Var Y= _ n_ -
n+ 2
Alternativamente, estes resultados podem ser obtidos das densidades marginais
de X e Y.
Para obter a covariancia de X e Y comeyamos com
186
EXY = n(n - l) f J: y dy x(y - x)"-
2
dx.

Com o
x(y -x)n-2 =y(y -x)n-2 -:-(Y - x)n-1,

,obtemos

EXY = n(n - l ) (
Jo
1
/
. Jo
dy e (y - x)"- 2 dx

- n(n - l) f J: y dy (y - x)"-
1
dx

(Y - X)"- l ( - l) l' X= Y
=

n( n - l)
iO
l 2
Y dY
n-1
-
x=O
(y - x)"( -l) lx=y
- n(n - l)
l i

o
y dy
n
- -
x=O

= 11 f y"+ 1 dy - (n- l) J: y"+


1
dy

n +2
Conse que n temen te
Cov (X, Y) = EXY - EXEY

n.
= - - - -- - -2
n + 2 (n + 1)

Finalmente obtemos para a correla~ao entre X e Y


Cov (X, Y)
p=
.Jvar X Var Y

= (n + l)!(;+ 2) / (n + l)~(n + 2)
l
n

r .4 . EXPECf ANCIA CONDICIONAL


Sej arn X e Y variaveis continuas tendo densidade eonjunta f e suponha
que Y em expectancia finita. Na Se~ao 6.3 definimos a densidade condicional
de Y dada X = x atraves de
187
f(x, y)
O < fx(x) < oo,
fr1xCY l x) = fx(x) '
(
O, para outros valores de x e y .
A funs:ao fy 1x(y l x), - 00 < y < oo, e urna funs:ao de densidade para cada x
tal que O< fx(x) < oo de acordo com a Definis:ao 5 do Capituo 5. Assim po-
demos pensar em varios momentos desta densidade. A sua media chama-se expec-
ttincia condicional de Y dado X= x, sendo representada por
E[ Yl X~x] ou E[ Y l x ]. Assim

(6) E[Y l X = x] = f_"""" yf(y l x) dy


= s~ oo )f(x, y) dy
fx(x)

quando O < f x (x) < 00 Para outros valores definimos E [ Y l X= x ] = O. A funs:ao


defmida por m(x) = E[ Y l X = x ] chama-se em estatistica funriio de regressiio
de Y sobre X.
Como veremos no Volume II, as expeetancias. condicionais oeorrem em pro-
blemas estatisticos que envolvem predi93o e estimas;ao bayesianas. De urn ponto
de vistamais geral, elas saotamhem importantes na teoria avans;ada de probabilidade.
Nos lirnitaremos a algumas aplieas;6es elementares de expeetaneias condicionais.
A teoria geral e bastan te sofistieada e nao sera requerida neste livro.
Exemplo 8. Suponha que X e Y tern a densidade eonjunta do Exemplo 2 do
Capituo 6. Obtenha a expectancia condicional de Y dado X= x.

No Exemplo 7 do Capitulo 6 vimos que a densidade condicional de Y dado


X= X e a densidade normai n(x/2, l) que sabemos ter media x/2. Assim

Neste exemplo a variancia eondieional de Y dado X= x e a constante l.


Exemplo 9. Sejam X e Y variaveis aleatrias ten do densidade eonjunta f dada
por (5). Na ses;ao precedente detenninamos vanos momentos envolvendo X e Y.
Deterrninaremos aqui a densidade condieional e a expeetaneia condicional de Y
dado X=x.
A densidade marginal de X e dada por

fx(x) = n(n - l) f (y - x)n~l dy


0 ::;; X ::;; l,

e fx(x)=O paraoutrosvaloresde X. Assimpara o.;;;;x< l,


188
(n - l)(y - xt- 2
X ~ Y < l,
f(ylx)= (1-xt - 1 '
(
O, para outros valores de y . .

Conseqiientemente, para O~ x < l,


E[Y lX = x] = J:ro yf( y l x) dy
=(n - l)( l - x) 1 -" L 1
y(y - x)"- 2 dy

= (n - 1)( 1 - x) 1-" L 1
[( y - x)" - 1 + x(y- x)"- 2 ] dy

= (n- 1)(1- x)l -n [(l- n


x)" + x(1- x)"-1]
n - l
= (n - 1)(1 - x) + x
n
n- l +x
n

As vezes e conveniente calcular a expectancia de Y de :acordo com a frmula

(7) EY = J:ro E[ Y l X = x]fx(x) dx.

Esta frmula e urna decorrencia imediata de (6). Para

J:ro E[Y l X= x]fx(x) dx = J:ro dx L: yf(x, y) dy


= J:ro J:ro yf(x, y) dx dy

= EY.
Aplicando esta frmula ao Exemplo 9, obtemos

EY = f (n - ~ + x) n(l - x)"- 1
dx

= n Jo
e (l - 1
/ )orl (l -
x)"- dx - xt dx
l n
=1- - - = - - ,
n + l .n + 1
que esta de acordo com o resultado obtido no Exemplo 7.
Pode-se naturalmente defmir de urna forma semelliante as expectancias con-
dicionais para variaveis aleatas discretas.
189
7.5. O TEOREMA DO LIMITE CENTRAL
Atraves de toda esta se~ao X 1 , X 2 , representarao variaveis aieatrias
independentes, identicamente distribuidas com media }1 e variiincia fmita nao-nula
a 2 Estaremos interessados em estudar a distribui~ao de S n = X 1 + +Xn
Observe antes demais nada que S n tern media n}l e variiincia na 2 .
Suponha a seguir que X 1 tern densidade f. Entao S n tera urna densidade
fsn para todo n ~ l, Sn. Como f s, =f, podese calewar sucessivamente _as
outras densidades usando as frmulas obtidas nos Capitu1os 3 e 6 para a densidade
da soma de duas variaveis aieatrias independentes. Ternos que

fs"(x) ='L fs"_ ,( y)f(x - Y)


Y

ou

conforme o tipo da variavel aieatria X 1 discreta ou continua. Para certas escolhas


de f (por exemplo, binomiai, binomiai negativa, Poisson, normai e gama), podemes
obter frmulas simpies para fsw Entretanto , em geral ternos que recorrer a metodos
numericos.
Urn dos resultados mais importantes e extraordinarios da teoria da probabi-
lidade e que , para vaiores grandes de n, a distribu i~ao de Sn depende essenciai-
mente da distribui~ao de X 1 apenas atraves de 11 e a 2 Pode-se discutir mais
facilmente este resultado em termos de variavel aleatria normalizada
S* = s. - ES. s.- nf.J.
n
Var s. a) n
que tern media o e variiincia l.
Para se ter urna ideia do comportamento da fun~ao de distribui~ao de s;
quando n ~ ex> , consideremos iniciaimente urn caso especial em que a distribui~ao
exata de s; pode ser obtida facilmente. Suponha entao que X 1 tern a distri-
bui~ao normai de media 11 e variancia a 2 Entao, de acordo com os resultados
do Capituo 6, s; distribui-se normalmente com media O e variiincia l , ou em
outras paiavras, s; tern a fun~ao de distribui~[o normai padrao <1>.
Suponha a seguir que X 1 a8sume os vaiores l e O com probabilidades p
e l - p, respectivamente. Ent[o, como vimos no Capituo 3, Sn tern a distri-
bui~[o binomiai de parametros n e p; isto e

P(S. = k) = (~) pk(l - p)"-k.

Foi descoberto por DeMoivre (1667-1754) e Laplace (1749-1827) que, neste caso,
a fun~ao de distribui~ao de S~ se aproxima de <1>, a fun~ao de distribui~ao normai
padrao, quando n~ ex> .
190
Houve mais recentemente diversas extensoes o teo:-e- :o _ _- -~ ::.:- - ~
Laplace, todas conhecidas como "teoremas do limite cen
mais eonhecido desses resultados foi demonstrado por Lindebergem :
Teorema 3 . Teorema do Limite Centra l. Sejam X I, x2 . . . ~.",..: ~=-
trias independentes, identiamente distribufdas com me dia e ~7-.:-
fmita nao-nula a 2 Seja S11 = X 1 + +X11 . Entao

(8) !im P
n-HX:l
(S" Jnnf.J.
n (J
:;:; x) = <l>(x), - Co < X < CO.

A generalidade deste teorema e extraordimiria. A variavel aleatria XI pode


ser discreta, continua ou mista. Alem do mais, a conclusao e vilida mesmo que
X 1 nao tenha nenhum momento alem do segundo. Outro aspecto bastante sur
preendente do teorema e que a distribui9a0 limite de S;
independe da distribui9a0
especffica de X 1 (naturalmente desde que as hipteses do teorema sejam satis-
feitas). Entretanto, nao devemos ficar surpresos com o fato de que ci> e esta dis-
tribui9ao limite, pois vimos que isto e verdade quando XI tern distribui9[0 normai
ou binomial.
A demonstra9ao do Teorema do Limite Central sera adiada para o Capituo 8,
urna vez que ela requer tecnicas avan9adas ainda nao discutidas que envolvem fun96es
caracteristicas. E possivel dar urna demonstra9ao elementar, porem, labariosa do
teorema de DeMoivre-Laplace, o caso especial do Teorema do Limite Centralem que
X 1 tern distribui9ao binomial. Existem maneiras elementares de tornar plausivel
o Teorema do Limite Central, mas elas nao sao demonstra96es. Urna dessas maneiras
e mostrar que se X 1 tern m-esimo momento fmito, entao para qualquer numero
inteiro positivo m

!im E (S" - nf.J.)m


"~ "' CJ) n
existe e e igual ao m-esimo momento da distribui9ao normai padrao.
Neste estagio e mais interessante compreender o significado do Teorema do
Limite Central e ver como podemas aplica-lo em situa96es tipicas.
Exemplo 10. Sejam XI' x2'.. . variaveis aleatrias independentes, identicamente
distribufdas segundo urna distribui9ao de Poisson de parametro A. Entao, de acordo
com os resultados do Capituo 4, J.J. = a 2 =A e S11 tern ~ma distribui9ao de
Poisson de parametro n A. O Teorema do Limite Central implica em

. p
l lffi (s" -
l n}, :;:; X
) = m( X,
o.v ) -oo<x<oo.
"~ "' v nA.
Pode-se es tender o re suita do deste exemplo e mostrar que se X t e urna
variavel aleatria com distribui9lio de Poisson de parametro A= t, entao
191
(9) l lffi
o p o
(Xr - EXr :5:
-- ~---===.- X) = "'(
w X ), -oo<x<oo o
r-oo .Jvar X 1
A Equac;ao (9) e tamhem v:ilida para o caso em que X t tern urna distribuic;ao
gama r(t, A) com A flxo ou urna distribuic;ao binomial negativa de pariimefros
a= t e p flxoo

7.5.1. APROXIMA;(ms NORMAIS. O Teorema do Limite Central sugere for-


temente que para n grande devemos fazer a aproxima9ao

(S(JJ~n_l!_ :s; x) ~ <l>(x), . - oo < x< oo,


.-.
p

ou equivalentemente
(10) P(S. :s; x) ~ <l> ( (J.J nn11)
x -

= <l> (x - ES ) , - 00 < X < 00.


-./Var s.
Ns nos referimos a {10) como urna frmula de apr.oximarao norma/. De acordo
com esta frmula, aproximamos a func;ao de distribuic;ao de S n pela func;ao de
distribuic;ao normai de mesma media e variiinciao Urna dificuldade em aplicar a
frmula de aproximac;ao normai e decidir sobre a ordero de grandeza de n para
que (lO) seja v:ilida com urn desejado grau de precisaoo Diversos estudos numericos
indiearo que em aplicac;oes pniticas tfpicas , n = 25 e suficientemente grande para
que (10) seja vilida.
Com o urn exemplo em que a aproximac;ao normai e aplicavel, sejam X 1 , X 2 ,
variaveis aleatrias independentes, cada urna com densidade exponencial de pariimetro
A= l. Entao (lO) transforma-se em
X -
P(S. :s; x ) :::::; <l>
/l
(11) ~-- , < X < OOo
' n
Graflcos mostrando a precisao desta aproximac;ao sao dados na Figura l para n= 10.

100
---
o.a

0,6 7
l
0,4 l
'/ - - Fum;ao Real de Distribui~iio
0,2 ~ - - Aproxirna~o NonnaJ

o 5 10 15 20

Figura l
192
Exemplo 11. Suponha que a durayao de urn certo tipo de Iampada depois de
instalada distribui-se, exponencialmente, com durayaO media de l 0 dias. Quando
urna ampada queima, instala-se outra do inesmo tipo em seu lugar. Obtenha a pro-
babilidade de que sejam necess3.rias mais de 50 lampadas durante o periodo de urn ano.
Para resolver este probierna representamos por Xn a durayao da n-esima
ampada que e instalada. Supomos que XI' x2 ' ... sao variaveis aleatrias inde-
pendentes com densidade exponencial de media 10 ou panimetro ;\ = 1/10. Entao
Sn = X 1 + + Xn representa o tempo ern que se queima a n-esima lampada.
Desejamos determinar P(S 50 < 365). Sabernos que S5 0 tern media 50;\ -l = 500
e variancia 50;\ - 2 = 5000. Assim, pela frrnula de aproximayao normai (10)

< 365) ~ ci> ( 365 - 500)


v' 5000
P(S50
'..=
= ci>( - 1,91 ) = 0,028.
~ portanto bastante improvavel que sejarn necess3.rias rnais de 50 lampadas.
Suponha que Sn e urna variavel aleatria continua com densidade fsn
Diferenciando os termos de (10) obtemos

(12) fsn(x) ~ 0 ~ ..p ( xa-.;,;.) . -oo <x< oo.

Embora, a derivayao de (1 2) esteja longe de ser urna demonstrayao, (12)


e 1,1ma aproximayao boa para n grande (sob a condiyao branda adicional de que
fsn seja urna funyao limitadapara algurn n).
Como urn exerriplo desta aproximayao, suponha que X 1 se distribui expo-
nencialmente com parametros f... = l , de modo que (II) e aplicavel. Entao (12)
transforma-se em
(13) fsn (x ) ~ Vn
l <P ( xYn
- n) , _oo<n<oo.

Graficos mostran do a precisao des ta aproximayao sao dados na Figura 2 para n = l O.

- - Fun~o de Densidade Real


0,15
- _- Aproxima~o Normai

0,10

0,05
l

o 5 10 15 20
Figura 2
193
As formas do Teorema do Limite Central que envolvern densidades er:1!
das fun90es de distribui9ao sao conhecidas como teorernas do limite central .. l
Elas sao tamhem importantes, especialmente na teoria avanyada da probabili e.
Existe urna aproximayao semelhante a (12) para variaveis aleatrias di.scretas.
Naturalmente o estabelecimento preciso de tal aproximayao depende da naturez.a dos
valores possiveis de Sn' isto e, aqueles valores de X tal que fsn (x) = P(Sn = x) >O.
Por simplicidade fazemos as duas hipteses seguintes:
(i) Se X e urn valor possivel de X1, entao X e inteiro;
(ii) Se a e urn valor possivel de xl ' entao o maxima divisor carnum do
eonjunto

{X - a j X e UID valor possivel de X1 }

e urn.
Excluimos, por exemplo, a variavel aleatria X 1 tal que P(X 1 = l) =
= P(X1 = 3) = .1/2, pois neste caso o maxima divisor comurn do eonjunto indicado
e 2. Sob as hipteses (i) e (ii), a aproxima9ao

(14) x inteiro

e vilida para n gran de.


Exemplo 12. Seja X 1 urna variavel aleatria que assume os valores l e O com
probabilidades p e l -p , respectivarnente. Entao (i) e (ii) sao satisfeitas e (14)
e aplicavel com p. =p e a 2 = p(l -p). Como S n tern a distribuiyao binomial
de parametros n e p , ternos a aproximayao

l x - np
::::; ---:-=-=-=-====- t:p x inteiro
np(l - p) , np(l - p)

A Figura 3 m ostra es ta aproximayao para n = l O e p = 0,3.


A Figura 3 nos conduz a outro metodo de a proxiinar fsn (x) no caso discreto,
isto e, a integral do segundo membro de (14) sobre o eonjunto [ x- 1/2, x + 1/2 ).
Expressando essa integral em termos de <1>, obtemos como urna altemativa para (14)

(16) fs"(x) ::::; <l> (X + (~3~ - nJl)


_ (x ~ ~ (1 /2) - nJl) x inteiro.
"' a)~ '
194
'"r

o 2 3 4 5 6 7 8 9 10

Figura 3

A area da regilio SOmbreada da Figura 3 e urna aproximayao para P(Sn = 5).


Finalmente somand o ( 16) sobre o eonjunto {... , x - 2, x - l, x}

(17) P(Sn <(x):=:::<I> (


x + (1/2) -
ayn np.) , x inteiro,

Quando Sn e discreto e as condi96es (i) e (ii) se verificam, (17) e em geral


mais precisa do que a frmula original de aproximayao normai (lO). Na Figura 4
comparamas as aproxima96es das frmulas (lO) e (17) quando Sn tern a distri-
buiyao binomial de panimetros n = l O e p = O,3.

Figura 4

Exemplo 13. Urn certo jogador de basquetebol sabe que eonverterei em media
60% dos seus lances-livres. Qual a probabilidade de que ele tenha exito em mais
da metade das vezes em 25 lances-livres?
Suponhamos que a implicay[O do probierna e que o numero Sn de sucessos
... em n lances-livres distribui-se binomialmente com parametros n e p = 0,6. Como
P(Sn ;;a.x)= l -P(Sn <(x -l) obtemosde(17)aaproximayao
195
(18) P(Sn ~x) ~ l-~ (
x- {l/2)- np)
a ,.,;n _ , x inteiro.

Para o nosso caso np = 25(0,6) = 15 e a yn = ..j 25(0,6)(0,4) = ~ "'o,_.. _


Assirn
- . . (13 -(1/2)-15)
P(S25 ~ 13 ) ~ l - <l> y'Q,24
5
= l - <l>(- 1,02)
= <1>(1 ,02) = 0,846.

7.5.2. APLICA(:AO A AMOSTRAGEM. Pode-se considerar o Teorema do l.irrri:re


Central e as correspondentes frmulas de aproximayao normai como refina::n tos
da Lei Fraca dos Grandes Numeros discutida no Capituo 4. Lembramos que esta
lei estabelece que para n gran de S n/n deve es tar prximo de J.! com p oba eaee l.
Entretanto, a lei fraca por si s nao fomece info~o algurna quznto a
tal estimativa. Como vimos no Capituo 4, a Densidade de Che _w
luz sobre esta questao.
A frmula de aproximayao normaJ (10) e tambero - est.e t.exto.
Para c> O

P (! ~n - Jl l ~ c = P(S. $ nJl - nc) - P S ~ nJl - nc)


~ <1> ( - n~) _ 1 _ <1> ( nc_)
a-... n a-... n

[t- (c n)].
-

= 2 <1> a

Em outras palavras

(19)

on de

(20) O = CVn.
a
Exemplo 14. Decide-se tornar urna amostra de tamanho n para determinar a
porcentagem de eleitores que tencionam votar em determinado candidato em urna
eleiyao. Seja Xk = l se o k-esinio elemento da amostra tenclona votar no candi-
dato e Xk = O caso contni!io. Supomos que X 1 , , X n sejam variaveis aleatas
independentes, identicamente distbuidas, de tal sorte que P(X1 I) = p e =
196
P(X1 = O) = l -p. E'!tao p. =p e a 2 = p(l -p ). Supernos tamhem que o
valor de p seja suficientemente prximo de 0,5 para que a = v' p (l - p) possa
ser aproximado satisfatoriamente por a ::::;. 1/2 (observe que a tern urn maxuno
de 1/2 para p = 0,5 e que a permanece acima de 0,3 ~p ~ 0,1, quando a
v~a de 0,458, o que e suficientemente prximo de 1/2). A variavel aleatria
::-t S n/n representa a frayao de pessoas na amostra que tencienam votar no candida to,
e pode ser usada para estimar a proporyao verdadeira porem desconhecida, p.
Usaremos as aproximayes normais para resolver os tres problemas seguintes:
(i) Suponha que n = 900. Obtenha a probabilidade de

l
-- ls: - l ; ;.p 0,025.

(ii) Suponha que n = 900. Determine c tal que

p. ( -
Sn- p
n

(iii) Determine n tal que

p(l ~ - l .. p 0,02} 0,01

Soluriio de (i). De acordo com (20)

" - (0,025) y'900-


u - o5 - 1,5,
'
de modo que em virtude de (19)

p( l; - 1--p 0,025) ~ 2(1 - ~1,5))


r = 2(0,067) = 0,134.

Soluriio de (ii). Escolhemos inicialmente o de tal forma que 2(1 -<I>( o))=
= 0,1 ou <I>( o) = 0,995. Urna inspeyao da Tabela I mostra que o. = 2,58. Resol-
vendo (20) em c obtemos

ba (2,58)(0,5)
c= .;n= 0,043.
y'900

Soluriio de (iii). Com em (ii), o = 2,58. Resolvendo (20) em n, obtemos


197
(2,58) 2 (0,25)
(0,025?
2663.

Yale a pena compararos resultados de (ii) e (iii). Em ambos os casos


li
l

Ternos c= 0,043 e n = 900 em (ii), enquanto c = O 025 e n = _663 em C}


Assim, para reduzir c proporcionalmente ao fator 43/25 somos for a os a au
mentar n proporcionalmente ao quadrado deste fa tor. !sto e vilido em geral sempre
que desejamos manter

constante. Pois entao o e determinado por (19) e, de acordo com (20), n est3
relacionado com c pela expressao n =o 2 o 2 /c 2 . No mesmo contexto se aumen
tarnos n proporcionalmente a urn dado fator , reduzimos c proporcionalmente
araiz quadrada do mesmo fator.

Exercicios

l . Suponha que X tern urna densidade Beta de parametros a 1 e a 2 . Obtenha EX.


2. Sejam X e Y aleatrias independentes tendo as densidades gama r(a 1 , A)
e r(a 2 , A) respectivamente. Seja Z= Y/ X. Para que valores de a 1 e a 2
tera Z urna expectancia finita? Obtenha EZ quando ela existe. Sugestiio:
vej a o Teorema 3 do Capituo 6 e discussao sobre o mesmo.
3. Suponha que X tern a densidade normai n(O, o 2 ). Obtenha E lXI. Sugestiio:
use o resultado do Exercicio 31 do Capituo 5.
~- Suponha que X tern urna densidade exponencial de parametro A e que
X seja defmido em termos de X e >o atraves de (l). Qual e a distribuiyaO
X </ E? Obtenha EX< e determine o seu limite quando E-+ O.
que X te m urna densidade Beta de parametros a 1 e a 2 Obtenha
:ao:;nentos e a variancia de X.
" - ..!pOilha que X tern urna distribuiyao x2 com n graus de liberdade. Obtenha
- ' fu Y=.JY.
- Seja X a ariavel aleatria do Exemplo 7. Obtenha Exm a partir da densidade
~~ .~X
!l. Sej:a Z a,el aleatria do Exercfcio 2. Obtenha a variancia de Z.

j
'

\
9. Sejam ul e u2 variaveis aleatrias independentes que tern densidade expo-
nencial de parametro 'A e seja Y = max ( U 1 , U2 ). Obtenha a media e va-
riancia de Y (ver Se<;:ao 6.5).
10. Seja X a variavel aleatria do Exemplo l do Capituo 5. Obtenha a media
e variancia de X.
11. Seja X a variavel aleatria do Exemplo l do Capituo 6. Obtenha a media
e variancia de X. Sugestiio: reduza EX 2 a urna integral Beta.
12. Obtenha a media e variancia da variavel aleatria Z do Exercicio l 7 do Ca-
pitulo 6.
13. Obtenha a media e variancia da variavel aleatria Y do Exercicio 28 do Ca-
pitulo 6.
14. Seja X o seno de urn lingulo em radianos escolhido uniformemente em
( -rr/2, rr/2). Obtenha a media e variancia de X.
15. Suponha que X tern a densidade normai n(O, a 2 ). Obtenhaamediaevarian-
cia das seguintes variaveis aleatrias:
(a) lXI;
(b) X 2 ;
(c) etX.
16. Suponha que X tern a densidade gama I'(a, 'A). Determine os valores de
t para os quais et X tern expectancia fmita. Obtenha E et X para estes
valores de t.
17. Suponha que X tern a densidade I'(a, 'A). Determine os valores de r para
os quais xr tern expectancia fmita. Obtenha EX 7 para estes valores de r.
18. Seja X urna variavel aleatria continua nao-negativa que tern densidade f e fun-
<;:ao de distribui<;:ao F. Mostre que X tern expectancia finita se e soniente se

foce (l - F(x)) dx < oo

e entao

EX = Leo (l - F(x)) dx.

Sugestiio : veja a demonstra<;:ao do Teorema 5 do Capituo 4.


19. Seja Xk o k-esimo estatistico de ordem de urna amostra das variaveis aleatrias
U 1 , , U n que sao independentes e se distribuem uniformemente em (0, 1).
Obtenha a media e variancia da X k.
20. Sejam X e Y as variaveis aleatrias do Exemplo 7 e seja R = Y- X. Obtenha
a media e variancia de R. Sugestiio: use a Equa<;:ao (16) do Capituo 4.
21. Suponha que X e Y . tern a densidade f dada no Exercicio 9 do Capituo 6.
Obtenha a correla<;:ao entre X e Y.
199
22. Sejam X e Y yariaveis independentes tais que X tern a densidade normai
n(Jl , a 2 ) e Y a densidade gama r(o:, X). Obtenha a media e variancia de
Z=XY.
23. Sejam X e Y variaveis aleatrias que tern media O, variancia l e correla9ao p.
Mostre que X- pY e Y nao sao correlacionadas e que X- pY tern media
Oe variancia l - p 2
24. Sejam X, Y e Z variaveis aleatrias que tern media O e variancia l. Seja
p 1 a correla9ao entre X e Y, p 2 a correla9ao entre Y e Z e P3 a cor
rela9ao entre X e Z. Mostre que

Sugestiio: escreva

XZ = [p 1 Y+ (X- p 1 Y)][p 2 Y+ (Z- P2 Y)],

e use o Exercfcio 23 e a desigualdade de Schwarz.


25. Sejam X, Y e Z como no exercfcio anterior. Suponha que p 1 ;;;:. 0,9 e
p 2 ;;;:. 0,8. O que sepode dizer acerca de p 3 ?
26. Suponha que X e Y tern urna densidade f uniforme no interior do trian-
gulo com vertices em (O, 0), (2, O) e (I, 2). Obtenha a expectancia condicional
de Y dado X.
27. Sejam X e Y variaveis aleatrias independentes tendo as densidades gama
r(o: 1 , X) e r(o: 2 , X), respectivamente, e seja Z= X+ Y. Obtenha a expec
tancia condicional de X dado Z.
28. Sejam n e Y as variaveis aleatrias do Exercicio 26 do Capituo 6. Obtenha
a expectancia condicional de n dado Y,
29. Sejam X e Y variaveis aleatrias continuas tendo .urna densidade conjunta.
Suponha que Y e 10( X) Y tern expectancias finitas. Mostre que

Ecp(X)Y = J~oo cp(x)E[Y l X = x]fx(x) dx.

30. Sejam X e Y variaveis aleatrias continuas tendo urna densidade conjunta,


e seja Var [Y l X = x] a variancia condicional de Y dado X= x. Mostre
- que se E [ Y l X= x] = J1 independentemente de X. Entao EY = J1 e

Var Y = J~oo Var [Y l X = x]fx(x) dx.

31. Sejam XI' x2' ... variaveis aleatrias independentes, identicamente distri-
buidas com media O e variancia frnita nao nula a 2 e seja Sn = X 1 + +Xn.
Mostre que se X 1 tern terceiro momento frnito, entao ES~ = nEXf e
_oo
~~ !; l' J1V'f ~ S if' 4 f)i=
p: D L r "'"'"Jr.r ~...., ...
S;-) O,
3
!im E ( =
n-+ <X> av n
que e o terceiro momento da distribuiyao normai padrao.
3 Sejam X 1 , . . , Xn e Sn como no Exercicio 31. Mostre que se X 1 tern
quarto momento fmito, entao

Es: = nEX1 + 3n(n - l)a 4


e

. E ( - s.-
l1m )4 3,
a.J~
..... oo

que e o quarto momento da distribuiyao norma! padrao. Sugestfio: o termo


3 n (n - l) vem da expressao

(n)2 2!4!2!.
33. Suponha que X tern a densidade gama r(o:, X). Obtenha a aproximayao
norma! para P(X~x).
34. Sejam X 1 , X 2 , variaveis aleatrias independentes com distribuiyao norma!
de media o e variancia a 2
(a) Quais sao a media e variancia da variavel aleatria Xi ?
(b) Como se deve aproximar P( X i + + X~ ~ x) em termos de <l>?
35. Sejam X 1 , X 2 , variaveis aleatrias independentes com distribuiyao norma!
de media Oe variancia l (ver exercicio anterior).
(a) Determine P(Xi + + Xioo ~ 120).
(b) Determine P(80 ~ X i + + Xi 00 ~ 120).
(c) Determine c tal que P(Xi + .. + Xioo ~ 100 +c)= 0,95.
. 2 2
(d) Determme c tal que P(lOO- c~ X1 + + X1oo ~ 100 +c)= 0,95.
36. Urn corredor procura controlar seus passos em urna corrida de 100 metros.
Seus passos distribuem-se independentemente com media J.l. = 0,97 metros
e desvio padr!i'o a= 0,1 metros. Determine a probabilidade de que 100 passos
difiram de l 00 metros por nao mais de 5 metros.
37. Arredonda-se vinte numeros para o inteiro mais prximo e soma-se os numeros
resultantes. Suponha que os erros individuais de arredondamento sao inde-
pendentes e se distribuem uniformemente etn (-1/2, 1/2). Determine a pro-
babilidade de que a soma obtida difira da soma dos vinte nmeros originais
por mais de 3.
38. l.anya-se urna moeda equilibrada ate observar 100 caras. Determine a proba-
bilidade de que sejam necessanos 226lanyamentos no minimo.
201
39. 1o exerciCIO anterlor determine a probabilidade de que sejam necessarlos
ex atamente 226 lanc,:amentos.
40. Suponha que X tern urna distrlbuic,:ao de Poisson de panimetro X.
(a) Como se deve aproximar f x(x) em termos da densidade normai padrao <P?
(b) Com o se deve aproximar f x (x) em termos da func,:ao de distrlbuic,:ao
normai padrao <l>?
41. Suponha que Sn tern urna distribuic,:ao binomial de parametros n e p= 1/2.
Como se comporta P(S2 n = n) para n grande? Sugestio: use a aproxi
mac,:ao (15).
42. Os jogadores A e B fazem urna serie de apostas de $1 em que cadajogador
tern probabilidade 1/2 de ganhar. Seja Sn a quantia ganha pelo jogadar A
aps n apostas. Como se comporta P(S 2 n = O) para n grande? Sugestio :
veja o probierna anterlor. Por que (15) nao e diretamente aplicavel neste caso?
43 . Os candidatos A e B eoncarrem a urn cargo e, 55% do eleitorado apoia o
candidato B. Qual e a probabilidade de que em urna amostra de tamanho 100,
pelomenosa metade dos entrevistados apoiem o candidato A?
44. Urna firma de pesquisa de opiniao publica entrevista 1200 eleitores para estimar
a proporc,:ao dos que pianejam votar no candida to A. Qual deve ser a verdadeira
proporc,:ao p para que o candidato A passa estar 95% certo de que a maiorla
dos entrevistados votarao nele?
45. Suponha que o candidato A do probierna anterlor insiste que o tamanho da
amostra deve ser tal que se 51 % de todos os eleitores o favorecem, ele pode
estar 95% certo de obter a maiorla dos votos na amostra. Qual deve ser
o valor de n?
46. Resolva o Exercfcio 27 do Capituo 4 usando a aproximac,:ao normal.

202
FUN<;OES GERATRIZE~ DE
MOMENTOS E
FUN<;OES CARACTERiSTICAS
Alguns dos instrumentos mais importantes na teoria da probabilidade provem
de outros ramos da matematica. Discutiremos neste capftulo dois de tais instru-
mentos intimamente relacionados. Comeyaremos com funy5es geratrizes de mo-
mfmtos e a seguir trataremos de funy5es caracteristicas. Estas sao de compreensao
urn pouco mais diffcil em nfvel elementar porque requerem o uso de numeros com-
plexos. Entretanto vale a pena superar este obstaculo, pois o conhecimento das
propriedades das func;:oes caracteristicas nos perruitira demonstrar tanto a Lei Fraca
dos Grandes Numeros como o Teorema do Limite Central (Seyao 8.4).

8.1 . FUN<;ES GERATRIZES DE MOMENTOS


Define-se a funfiio geratriz de momentos Mx(t) de urna variavel aleatria
X atraves de
Mx(t) =EetX.
d dominio de M x e constitufdo por to do real t para o qual e t X tern expectancia
finita.
Exemplo l. Seja X urna variavel aleatria com distribuiyao n9rmal de media
11 e variancia a 2 En~ao

Mx(t) = Ee'x = Jco e'x l_ e-[(x ~I'-J2/2cr2J dx


-co a.J 2n

-
-e !'t Jco l
r ery-(y2 f2cr2) d y.
-co av 2n
Mas

+ - -
2
Conse que n tern en te

() p.t u>t
M xt=ee
2 /2 Joo l - [(y -u>r)l 2al] d
J_ e r.
- oo r; 2n

Corno a ultirna integral representa a integral da densidade normai n(a: . a~


seu valor e urn e portaJ)tO

(l) -00< t< oo.


Exemplo 2. Suponha que X tern a densidade garna de parametros a e t-. Entao


'
= - A."'-
r(a)
i"" o
X a-l e -().-t)x dX

A."' r(a)
r(a) (A. -t)"'
para - oo < t< t-. A integral diverge para ~ t< 00. Assirn

(2)

Suponha agora que X e urna variavel aleatria discreta cujos valores possfveis
S[O todos inteiros nao-negativos. Entao
<X>

Mx(t) = L e"'P(X = n).


n= O

No Capftulo 3 deflllirnos a funyao geratriz de probabilidades de tais variaveis alea-


trias corno
00

<ll x(t) = L t" P(X = n).


n=O

Das duas frmulas acirna toma-se claro que

(3) Mx(t) = <I>x(ef).


. J
A frmula (3) nos permite obter a funylro geratriz de mornento diretarnente da
funyao geratriz de probabilidade. Por exernplo, se X tern urna distribuiyao bino-
rnial de parametros n e p, entao corno foi vista no Exernplo 16 do Capituo 3,

<I>x (t) = (p t + l -p )n. l


Segue-se irnediatarnente que

Mx(t)=(pet + 1-p)n.
_()4
Analogamente, se X tern urna distribui9ao de Poisson de panimetro /.. , entao
de acordo com o Exemplo 18 do Capituo 3,

<I>x(t)=e"A(t-1~

Conseqtientemente

Naturalmente nestes dois exemplos M x (t) poderia tamhem ser facilmente obtido
diretamente da defini9ao de fun9ao geratriz de momento.
Se X e Y sao variaveis aleatrias independentes, etX e etY sao tambem
independentes. Conseqtientemente

Mx + y(t) = Eet(X +Y)= EetX et Y= E et X E et Y


=Mx(t)My(t).

Segue-se facilmente que se X 1 , , X n sao independentes e tern a mesma dis-


tribui9ao, entao

(4) Mx. ++X n (t)= (Mx. (t))n.

Para ver a razao pela qual chamarnos M x(t) fun9ao geratriz de momento,
escrevemos

Mx(t) = Eerx =E Loo -t" X" .


n=O n!
Suponha que Mx(t) e fmito em -t0 <t< t 0 para algurn numero positivo t 0
Neste caso pode-se mostrar que e licito inverter a ordem de expectancia e somatrio
na ultima expressao de Mx(t). Em outras palavras

(5) Mx(t) = L EX"


oo

n=O
-
n!
t"

para -t0 < t< {0 . Em particular, -(5) e vilido para todo t se Mx(t) e finito
para todo t. A serie de Taylor por Mx(t) e

(6) Mx(t) = L t"- -d"


00
Mx(t) l .
n=O n! dt" t=O

Comparando os coeficientes de tn em (5) e (6), vemos que

dn .
(7) Exn = - M (t )
dtn X t =O
205
Exemplo 3. Suponha que X se distribui normalmente com media Oe variancia a 2
Cse a func;ao geratriz de momentos para obter os momentos de X.
Observe inicialmente de (l) que

Mx(t) = eu't' / 2 = f
n=O
(CT2t2)n l_
2 n!

Assim os momentos de ordem impar de X sao iguais a zero , e os momentos de


ordem par sao dados por

EX2n a2n
(2n)! 2nn!
ou
. a2n (2n )!
EX2n = .
2nn!
Istci esta de acordo com os resultados obtidos no Capituo 7.
Este exemplo pode ser usado para ilustrar (7). Urna vez que

_!!._ea't' /2 = a2tea't 2 /2
dt
e

segue-se que

E_ e"''' - O
dt t=O

que sao simplesmente os dois primeiros momentos de X.

8.2. FUN<;ES CARACTERlSTICAS


Define-se a funrao caracterz'stica de urna variavel aleatria X como

'Px(t) = EeitX, - oo<t<oo,

onde i = v'=-T As func;oes caracteristicas sao urn pouco mais complicadas do


que as func;oes geratrizes de momento, na medida em que envolvem numeros com-
plexos. Entretanto elas possuem duas vantagens importantesem relac;ao as func;oes
206
geratrizes de momentos. Em primeiro lugar . x(r) e frr..i o ~ ", as aria eis
aleatrias X e todos os numeros rea.is r. Em segun do lugar, a fu n9ao de - ~~~
bui9ao de X e em geral a funyao de densidade , quando existe, podem ser ob -~
da fun9ao caracterfstica atraves de urna " frmula de inversao" . Usando as proprie~
dades das fun96es caracterfsticas poderemos demonstrar a Lei Fraca dos Grandes
Nfuneros e o Teorema do Limite Central, o que nao era possfvel atraves de fun96es
geratrizes de momento.
Antes de discutir as fun96es caracterfsticas faremos urn breve resumo de alguns
fatos complexos, envolvendo variaveis , que serao necessarios.
Podemos escrever qualquer numero complexo z na forma z = x + iy, onde
x e y sao numeros rea.is. Defme~se o valor absoluto l z l de urn numero complexo
z atraves de l z l = (x 2 + y 2 ) Y:.. Define-se a distancia entre dois numeros complexos
z 1 e z2 comosendo lz 1 - z2 1.
Se a fun9ao de urna variavel real tern urna expansao em serie de potencia com
urn raio de convergencia positivo, podemos usar esta serie de potencia para definir
urna fun9ao crrespondente de urna variavel complexa. Assim defmimos
oo n
e
%
= '-'-
~ z

n=O n!

para qualquer numero complexo z. A rela9ao

permanece valida para todos os numeros complexos z 1 e z 2 Fazendo z = it,


onde t e urn numero real, vemos que
(it)n
oo
eir = L--
n= o. n!

(l + 2 t2 it 3
it - - - -
3!
t4
+-+
4!
i~; - ... )

== (l
t4 t2
) .
- +- - )+ i ( t-3!+5!-
t3 ts
2! 4!
Com o as duas series nesta ultima expressao correspondem a cos t e sen t, segue-se que

(8) eit = cos t + i sen t.

Usando a fato de que cos ( - t)= cos t e sen (-t) = - sen t , vemos que

e- it = cos t- i sen t.

Dessas frmulas podemos obter cos t e sen t :


207
eit + e-it eit_e-it
J co t = -'------- e sen t=
2 2i

Segue-se tamhem de (8) que

l e i t l = (cos2 t + sen 2 t) Y.. = l.

Se f( t) e g( t) sao fun96es reais de t, entao h (t)= f( t)+ ig(t) defme urna


fun9ao complexa de t. Podemos diferenciar h(t) diferenciando f(t) e g(t)
separadamente, isto e,
~'(t)= f'(t) + ig'(t),

desde que f'(t) e g'(t) existem. Da mesma forma defmirnos

f h(t) dt = f f(t) dt + i f g(t) dt,

desde que as itegrais indicadas envolvendo f e g existem. A frmula

- d ect = cect
dt

e vilidapara qualquer constante complexa c. o


teorema fundamental de ccilculo
continua vilido e, em particular, se c e urna constante complexa nao-nula, entao

Pode-se escrever urna variavel aleatria complexa Z na forma Z = X + iY,


onde X e Y sao variaveis aleatrias reais. Define-se sua expectancia EZ como

EZ = E(X + iY) =EX+ iEY

sempre que EX e EY forem bem definidas. Como no caso das variaveis aleatrias
reais, Z tern expectancia fmita se , e somente se , E l Z l < oo, e neste caso

IEZ I ,;;;; EIZI

A frmula

e vilida quando a 1 e a2 forem constantes complexas e Z 1 e Z 2 forem variaveis


aleatrias complexas com expectancia fmita.
208
Representamos por X e Y, com ou sem subscritos, as variaveis aleatrias
reais. Assim, na frase "seja X urna variavel aleatria ... " fica subentendido que se
trata de urna variavel aleatria real.
Suponha entao que X e urna variavel aleatria e t e urna constante (reservamos
o simbolo t para constantes reais). Entao, leitX l= l, de modo que eitX tern
expectancia fillita e a funyao caracterfstica {)x(t), __ oo <t< oo, dada por

{)x(t) =EeitX, -00< t< oo,


e bem definida. Vemos que {)x(O) = Ee 0 =El= l e, para - 00 <t< oo,
l{)x(t)l = IEeitXI ~ EleitXj =El = l.
A razao pela qual funy5es caracterfsticas sao fmitas para todo t , enquanto funy5es
geratrizes de momento, nao slro finitas em geral e que eit, - 00 <t< 00 , elirnitada,
enquanto et , - 00 <t< 00 , nlro e lirnitada.
Exemplo 4. Seja X urna variavel aleatria que assume o valor a com a probabi-
lidade l. Entao
{)x(t) =EeitX = eita, -00< t< oo.

Em particular, se X assume o valor zero com probabilidade l , sua funyao carac-


terfstica e identicamente igual a l.
Se X e urna variavel aleatria e, a e b sao constantes reais , entlro
<pa+bx(t) = Eeir(a+bX)

de modo que

(lO) -00< t< oo.

Exemplo 5. Suponha que U se distribui uniformemente em ( - l , l ). Entao


para t =l= O

J
1 l
({Ju(t) = eiru - du
-1 2
= ! eiru l1
2 it -1

sin t

Para a < b seja


209
X = a; b + (b ; a) U.
Entao X distribui-se uniformemente em (a , b), e de acordo com (l O para r = O
sin ((b- a)t/2)
<Px(t) = eit(a+b)/2 -~-____~
(b- a)t/ 2
Al terna tivamen te

>x(t) = Jb eirx _ l_ dx
a b- a
= _ l_ eitx lb
b - a it a

it(b - a)

E facil checar por meio de (9) que estes dois resultados estao de acordo.
Exemplo 6. Suponha que X tern urna distribui9ao exponencial de parametro A.
Entao

>x(t) = fooo eirxA.e-lx dx

= A. fooo e-(l-ir)x dx

= _ A._ e- (l - ir)x lo .
A. - i t . <Xl

Com o limx .... 00 e- A X = oe eitx elimita do em X' segue-se que

lim e- p. - ir )x

As sim
A ~ l
<Px(t)=-"-.- . f
(\- zt
Suponha que X e Y sao variaveis aleatrias independentes. Entao eitX
e eitY saotamhem variaveis aleatrias independentes; consequentemente

'l'X+ y( t) = Eeit (X+ Y) = EeitX eit Y = EeitX Eeit Y

e portanto

(I l) 'PX+Y(t) = <Px(t).py(t), -00< t< oo,


210
Pode-se estender a frmula (11) para mostrar que a funyao caracteristica da soma
de urn numero fmito de variaveis aleatrias e o produto das fun y5es caracteristicas
individuais.
Pode-se mostrar que ~Px(t) e urna funyao continua de t . Alem do mais,
se X tern momento fmito de ordem n, entao IP<;)(t) existe, e continua em t ,
e pode ser calculada como
dn dn
IP (n ) (t)= _ EeitX = E _ eitX = E(iX)n eitX .
X dtn dtn

Em particular
-l
(12)

Podemos tentar expandir ~Px(t) emserie de potencia de acordo com a frmula

(13) _ E itX _ E ~ (itX)" _ ~ i"EX"


(/Jx ( t ) -
n
e - '-' __, '-' - - t .
n=O n! n=O n!

Suponha que

"' EX"
M x(t) = L - t"
n=O n!

e finito em -t0 <t< t 0 para algurn numero positivo t 0 . Entao (13) e tamhem
valido em - t 0 < t < t 0
Exemplo 7. Suponha que X se distribui normalmente com media O e variancia
a 2 Obtenha ~Px(t) .
Sabemos do Capituo 7 que EXn = O para qualquer numero inteiro positivo
impar n. Alem do mais , se n= 2k e urn inteiro par, entao

-/
Portanto

De urna forma mais geral suponha que X se distribui normalmente com media
J1 e Vananeta a 2 Entao, Y = X - J1 distribui-se normalmente com media o e
variancia a 2 . Como X =p. + Y, vemos da frmula (lO) e do Exemplo 7 que

(14) - 00< t< oo.


211
Seja X urna variavel aleata cuja fun~ao geratriz de momento e JJ x t)
fini ta em - t 0 <t< t 0 para algurn mimero positivo t 0 . Como

Mx(t)=EetX

IPx(t) =EeitX,

deveriarnos esperar que

(15) IPx(t) =Mx(it). t l


--~_ ..

Em outras palavras, deveriarnos esperar que substituindo t por it, na frm ula
da fun~ao geratz de momento, obteremos a frmula da fun~[o caracterfstica
correspondente. Isto realmente acontece, mas a compreensao total dos problem as
envolvidos requer urn conceito sofisticado (continua~ao analitica) da teoa de
variavel complexa.
Como urn exemplo de (15), suponha que X se distbui normalmente com
me.dia p. e variancia a 2 Entao como ja vimos

e portanto

Mx(it ) = eJJ.Cit)ea (it) /2


= eiJJ.te- a 2 t 2 / 2

que de acordo com (14) e IP x (t ).

8.3. FRMULAS DE INVERSAO E O TEOREMA DA CONTINUIDADE


Seja X urna vaavel aleata inteira. Sua fun~ao caracteristica e dada por
00

({Jx(t) = L eii'fx(j).
- oo

Urna das propedades mais uteis de 1P x (t) e que ela pode ser usada para calcuJar
fx(k). Especificarnente ternos a "frmula de inversao"

(16) fx(k) = -l
2n
J" e-kt({Jx(
-rr
. t) dt.
Para veficar ( 16) escrevemos o segundo membro des ta frmula como
_J2
Urn teorema da teoria de integra9ao justifica a inversao da ordem de integra9ao e
. somato para obter a expressao

f
-ro fx(j) _}___
2n
f"
-n
eiU-k)t dt.

Para completar a demonstra9ao de (16) devemos mostrar que a Ultima expressao


e igual a f x ( k ). Para isso e suficiente mostrar que

l (17) _2n}_ _ f"_" eiU-k)t dt = {lo se j = k,


se j # k.

A frmula (17) e bvia quando j = k, pois neste caso ei(j-k )t =l para todo
*
t. Se j k, entao
" i(j-k)tl"
-l
2n f -"
ei(j - k)t dt = e .
2ni(j - k)
_"

2ni(j - k)
_ sen (j - k )n _
- n(j -_ k) - 0'

pois sen m1r = O para todos inteiros m . Isto compieta a demonstra9ao de (17)
e portanto de (16).
Exemplo 8. Sejam X 1 , X 2 , -~ , X n variaveis aleatrias inteiras independentes e
identicamente distribuidas e seja S n= X 1 ++Xn. Entao '{!S n (t)= ('{!x, {t))n,
e conseqiientemente de acordo com {16)

{18) fsJk) = -l f" .


e-'k'(>x,(t))" dt .
2n -n

A frmula {18) e a base para quase todos os metodos de analisar o comportamento


de fsn(k), para valores grandes de n e, em particular, a base para demonstra9ao
do Teorema de Lirnite Central "local" disc~tido no Capituo 7.
Existe tamhem urn anruogo de {16) para variaveis aleatrias continuas. Seja X
urna variavel aleatria cuja fun9li0 caracteristica '{!x(t) e integravel, isto e,

J~ro Jcpx(t)J dt < 00.

Pode-se mostrar que neste caso X e urna variavel aleatria continua cuja densidade
fx e dada por
213
1 J oo e-IXICfJx(t)
.
(19) fx(x) = - dt.
2rr - oo
Exemplo 9. Suponha que X se distribui normalmente com media O e variancia
a 2 . Mostraremos diretamente que (19) e v:ilido para tal variavel aleatria. Do
2
Exemplo 7 sa bernos que a funs:ao caracteristica de X e r.p x(t) =e- 02 t / 2 Assim
pela defmis:ao de funs:oes caracteristicas,

e -a2t2j2 = J oo eitx -_~.


l e
-x 2/2a 2 d x.
- oo (J.J2n
Se substituimos t por - t e a por 1/a nesta frmula ela se transforma em

-t2 j2a2 J oo e - itx .J- e -a 2x2 j2 d x


(J
e =
-oo 2rr

ou equivalente

- l-_- e -t2 /2a2 = -l J oo e - itx e -a2x2 /2 d x.


a.J 2n 2n - oo

Finalmente, invertendo as funs:oes dos simbolos x e' t na ultima equas:ao obtemos

- l-_- e -x2 /2a2 = -l J oo e - itx e -a2t2/2 d t,


a.J2n 2n - oo
que e simplesmente (19) neste caso especial.
Seja agora X urna variavel aleatria qualquer. Seja Y urna variavel aleatria
independente de X que tern a distribuis:ao normai padrao, e seja c urna constante
positiva. Entao X+ c Y tern a funs:ao caracteristica

r.px(t)e-cl t' /2.

Como r.px(t) e limitado em valor bsoluto por l e e-c' t'/ 2 e integravel, segue-se
que X + cY tern urna funs:ao caracterfstica integravel. Conseqiientemente (19)
e aplicavel e X+ c Y e urna variavel aleatria ten do urna densidade dada por

f X+cY (x) -- __!_ J oo e-itxrn (t)e- c2t2 /2 dt


- oo
't'X
2.n
Se integramos ambos os lados desta equas:ao sobre a~ x ~b e invertemos a ordem
de integras:ao, concluirnos que

P(a ::::;; X + cY ::::;; b) = __!_


2n:
Jb (Joooo e-itxCfJx(t)e-c 212 12 dt) dx
a -

= __!_ J oo (Jb e-itx dx) CfJx(t)e- c2t2/2 dt


2n: - oo a

ou
214

l
(20) P(a :s; X + cY :s; b) = -
l Jco (e-ibr _. e-iar) CfJx(t)e-c ' 12 dt .
2 2

2rr - co - !t

A importancia de (20) e que e vilida para urna variavel aleatria arbitraria X.


O segundo membro de (20) depende de X apenas atraves de <Px(t). Usando
este fato e fazendo c ~ O em (20) , pode-se mostrar que a fun9ao de distribui9ao
de X e determinada pela sua fun9ao caracterfstica. Este resultado e eonhecido
como "teorema de unicidade" e pode ser enunciado como segue:
Teorema l Se duas variaveis aleatrias tern a mesma fun9ao caracteristica,
elas tern a mesma fun9ao de distribui9ao.
Exemplo 10. Use o teorema de unicidade para mostrar que a soma de duas variaveis
aleatrias independentes normalmente distribufdas tern distribui9ao normal.
Sejam X e Y variaveis aleatrias independentes distribufdas segundo
n(J.1 1 , a i) e n(J.12 , a~), respectivamente. Entao

cpy( t )

Conse qiien te me n te

Assim a fun9ao caracteristica de X + Y e a fun9ao caracterfstica de urna variavel


ale atri :~ com distribui9ao normai de media J.1 1 + J.1 2 e variancia a i + a~. Pelo
teorema de unicidade esta deve ser a distribui9ao de X+ Y.
A aplica9aO mais importante da frmula de inversao (20) e que elapode ser
usada para derivar o resultado seguinte, que e a base da demortstra9ao da Lei Fraca
dos Grandes Numeros e do Teorema do Limite Central.
Teorema 2. Sejam X n, n ~ l, e X variaveis aleatrias tais que

(21 ) lim cpdt) = CfJx(t) , -00 < t < 00.


n-co
En tao

(22)

em todos os pontos X onde Fx e continua.


Este teorema estabelece que a convergencia das fun96es caracterfsticas irnplica
na convergencia das fun9oes de distribui9ao correspondentes ou, em outras palavras,
215
que as fun90es, de distribui9ao "dependem continuamente" de suas fun96es carac-
teristicas. Por esta razao o Teorema 2 e eonhecido comumente como "Teorema
da Continuidade".
A demonstra9ao deste teorema e razoavelmente complicada. Nao apresen-
taremos os detalhes da demonstra9ao, mas indicaremos brevemente as ideias prln-
cipais de urn metodo de demonstra9[0.
Escolliemos em primeiro lugar urna variavel aleatria Y que tern distribui9ao
normai padrii'o e e independente das variaveis aleatrias X n, n;;;", (
Seja a <b e seja c urna constante positiva. Entao pela frmula de in-
versao (20)

(23) P(a ::;; Xn + cY::;; b) = _!_ J oo (e -ibr - . e-iar) >x"(t)e-c2r2;z dt


2n: - oo -lt
e

(24) P(a :s; X + c Y :s; b) = -


l J"' (e- ibr _ e- iar)
.
2 2
>x( t)e-c 1 12 dt.
2n: - -l t

Por hiptese, l{)xn(t) ~ l{)x(t) a rnedida que n ~ oo. Por urn teorema da teoria
da integra9ao, segue-se que o segundo membro de (23) converge para o segundo
a
membro de (24) medida que n~ oo. Conseqiientemente

(25) lim P( a :s; X n + cY :s; b) = P( a :s; X + c Y :s; b).


n-+ oo

Existem mais duas etapas para a demonstra9ao do teorema. Primeiro mostrar (fazendo
a~ -oo em (25)) que

(26) lim P(X" + cY :s; b) = P(X + cY :s; b).


n-+ cc

Finalmente mostrar (fazendo c~ O em (26)) que

!im P(Xn :s; b) = P(X :s; b)

Sempre que P(X = b) = O. O ultimo resultado equivale a conclusao do teorema.

8.4. A LEI FRACA DOS GRANDES NUMEROS E O TEOREMA DO LIMITE


CENTRAL
Usaremos nesta se9ao o Teorema da Continuidade para demonstrar os dois
importantes teoremas da teoria da probabilidade mendonados no titulo desta se9ao.
Ambos os teoremas foraro discutidos sem demonstra9ao em capitulos anteriores.
Para demonstrar estes teoremas precisamos inicialmente estudar o comportamento
assintticode logl{)x(t) prximode t=O.
~ 16
Seja z urn numero complexo tal que l z - l l < l. Podemos defmir log z
atraves da serie

(z - 1) 2 (z- 1) 3,
log z ~ (z - l)- +
2 3

( outras definiy5es de log z sao necessarias para l z - l l ;;;" 1). Com es ta definiyao
ternos as propriedades usuais de que log l = O,

elogz=z , lz-1 1 <1,

e se h(t), a< t< b, e urna funyao complexa diferenciavel tal que l h(t)- l l <l,
entao

d - h'(t)
dt logh(t) - h(t) .

Seja X urna variavel aleatria tendo funyao caracterfstica <Px(t). Entao


<Px(t) e continua e <Px(O) = l. Assim log .px(t) e berri definido para t prximo
de O e log <Px(O) = O.
Suponha agora que X tern media finita J.1 . Entao <Px(t) e diferenciavel
e, de acordo com (12), <Px(O) = iJ.l. Portanto

!im log px(t) = lim log Cf?x_(t)_=___l_?_g Cf?x(O)


r~o t r~o t - O

= _d_ log Cf?x(t) l


dt t=O

cp~(O)
Cf?x(O)
i/)..

Conseqiientemente,

(27 ) !im log Cf?x(t) - iJJ. t = O.


r ~o t

Suponha a seguir que X tamhem tern variancia finita a 2 Entao <Px(t) e dife-
renciavel duas vezes e de (l 2)

Podemos aplicar a regra de l'Hspital para obter


217
l
l

i
cpX.{t) - i p
l lffi
o log (/)x(t) - ipt
2
= !im .!..(/)~x-'-(1..:....)_ _
t-O t t-O 2t
= !im cpX.(t) - iflcpx(t )
t-o 2tcpx(t)

= !im cpX.(t) - if1cpx(t).


t-o 2t
Urna segunda aplicafi:li'O da regra de l'Hospital mastra que

!im~~ (/)x(t) - ipt cp;(O) - if1cpx(O)


t-O t2 . 2
-(p2 + 0'2) - (ip)2
2

Em outras palavras
2
l im log i:px(t) - ipt = u
(28)
r-o t
2
2

Teorema 3. Lei Fraca dos Grandes Numeros. Sejam XI' x2' ... varfaveis
aleatrias independentes, identicamente distribuidas tendo media finita J1
eseja Sn =X 1 + +Xn. Entaoparaqualquer e> O

(29) !im p

Demonstra~o. A fun9lio caracteristica de


Xt+ +Xn
-J.L
n

Suponha que t e fixo. Entao para n suficientemente grande, t/n esta prximo
de zero o bastan te para que log .p x l (t/n) seja be m de finido e

(30) e-i"t(cpx,Ct/n))" = exp [n(log (/)x,(t/n) - iJL(t/n))J.

A seguir afirmamos que

(31 ) !im n(log (/)x,(t /n) - ip(t /n)) = O.


n- a>

218
Li; - ~ .1 e o a para t== O urna vez que log 10x, (O) == log 1 == O. Se t i:= O
po dernos es.cre er o primeiro me m bro de (31) com o

log cr>x(t/n) - iJ1(l /n)


t lim .
- "' tjn

~ : ~ - ..: =r:~-2 o -+ ""." Je mo!io ~e o illtJm lirute ~ Q 4.e -.'Q,r4.1\' '~~


(27). !sto compieta a demonstrayao de (31 ). Segue-se de (30) e (31) que a funyao
caracteris tica de
Sn
- - ; - - jJ.

se aproxima de l a
medida qu n -+ 00 Mas l e a funy[O caracteristica de urna
variavel aleatria X tal que P(X = O) = l. A funyao de distribuiyao de X e dada por
se x ~O,
Fx(x) = {~ se x <O.
Esta funyao de distribuiyao e sempre continua exceto para x = O. Seja > O.
Pelo Teorema .da Continuidade,

(32) lim P (S - p.
n-+CO n
~ -e) = Fx( -e) =O
e

!im P (S - J1
n-+00 n
~ e) = Fx(e) = l.

O Ultimo resultado implica que

lim P (S - J1 >
n-+00 n
e) = O,

que juntamente com (32) mostra que (29) e vlilido como desejado.
Para o teorema seguinte e necessario lembrar que ll>(x) representa a funy[O
de distribuiyao normai padrao dada por

<l>(x) = .fx -l-. e-y2Jz dy, -oo<x<oo.


-ro Jzn
l..embramos tambem que esta funy[O de distribuiyaO e continua para todos OS valores
de _X.
Teorema 4. Teorema do Limite Central. Sejam X 1 , X 2 , variaveis
independentes, identicamente distribuidas tendo media jJ. e variancia flnita
nao-nula a 2 Entao

Em
n-+ 00
P (S
a n
J
nJ1 ~ x) = <l>(x), -oo ..:;: x < oo.

219

l
L_
Demonstra~o. Seja

* S n- nf.J.
Sn = av-l"n
Entao para t flxo e n suflcientemente grande,

cpdt) = e-inJjtf(f.;~CfJsn(t/rJJ~)

= e-in!'t/".;~(cpx,(t/rJJ~))",
ou
(33) CfJs~(t) = exp [n(log CfJxJt/rJJ~) - ifl(t/rJJ~))].
A seguir aflrmamos que

(34)
n~ co

Se t = O, ambos os membros de (34) sao iguais a zero e (34) eobviamente va!ido.


Se t =l= O podemos escrever o primeiro membro de (34) com o

t 2 . log CfJxJt/rJJ~) - if1(t/rJJ~)


2 1lffi ' '
(J n~ oo (t /rJ..Jn) 2
que de acordo com (28) e igual a

;: (- ~) 2

Assim (34) e vilido para to do t . Segue-se de (33) e (34) que


.
l1m w 5~
( 1) = e - r' 2 , - 00 < t < CXJ .

De acordo com o Exemplo 7 e-r' 2 e a funyiio caracteristica de urna variavel


aleatria X tendo a funyao de distribuiyao normai padrao <I> (x). Assim pelo
Teorema de Continuidade.
lim P(S"* ~ x) = <l>(x) . - cc <x<oo,

que e a conclusao desejada.

Exercicios

l. Suponha que X se distribui uniformemente em (a, b). Obtenha Mx(t).


2. Expresse a funyiio geratriz de momento de Y= a+ bX em termos de Mx(t)
(onde a e b saoconstantes).
3. Suponha que X tern distribuiyao de Poisson de parametro X. Use a funyao
geratriz de momento para obter a media e variaocia de X.
220
que X te1)1 distribuiyao binomial negativa de parametros a e p .
"- O renha a funyao geratriz de memento de X.
Use esta funyao geratriz de memento para obter a media e variancia de X.
- Seja X urna variavel aleatria continua tendo a densidade f x(x) = (1/2)e-l x l
-= < x <=.
(a) Mostre que Mx(t) = 1/(1- t 2 ), -1 <t< l.
(b) Use esta funyao geratriz de memento para obter urna frmula para EX 2 n
(observe que os momentos fmpares de X sao todos zero).
6. Suponha que X tern distribuiyao binomial de parametros n e p.
(a) Obtenha dMx(t)jdt e d 2 Mx(t)jdt 2
(b) Use (a) e a frmula (7) para obter a media e variancia de X.
7. Sejam X 1 , , X n vari<iveis aleatrias independentes identicamente distri-
buidas tais que M x 1 (t) e fmito para to do t. Use funy5es geratrizes de mo-
me n to para mostrar que

E(X 1 + + X.) 3 - nEXf + 3n(n - l)EXfEX 1

+ n(n - l)(n - 2)(EX 1 ) 3 .

Sugestiio: obtenha (d 3 /dt 3 )(MxJt)tlr=o


8. Seja X urna variavel aleatria tal que Mx(t) e fmito para todo t. Use o
mesmo argumentoda demonstrayao da Desigualdade de Chebyshev para concluir
que

P(X~x) ",;;; e-txMx(t), t~ o.


Segue-se que

P(X ~ x) ::5: min e-txMx(t),


t <!o O

des de que e- tx M x (t) tenha urn t;ninimo em O",;;; t< 00


9. Suponha que X tern distribuiyao gama de parametros a e A. Use o resultado
do Exercicio 8 para mostrar que P(X ~ 2a/A) ",;;; (2/e )O<.
10. Suponha que X tern distribuiyao de Poisson de parametro A. Obtenha ~Px(t).
11. Suponha que X tern distribuiyao geometrica de parametro p. Obtenha IP x (t).
12. Sejam X 1 , X 2 , , X n variaveis aleatrias independentes, cada urna com
distribuiyao geometrica de parametro p. Obtenha a funyao caracteristica
de X=X 1 ++Xn.
13. Sejam X 1 , X 2 , , Xn variaveis aleatrias indepi:mdentes, cada urna com
distribuiyao exponencial de parametro A. Obtenha a funyao caracteristica
de X= X 1 + +Xn.
221
14. Seja X urna variavel aleatria discreta cujos valores possfveis sao todos inteiros
nao-negativos. Que relacrao deverfamos esperar que exista entre a funcrao carac-
teristica de X e a funcrao geratriz de probabiidade de X (lembre-se das fr-
mulas (3) e (15))?
15. Seja X urna variavel aleatria qualquer.
(a) Mostre que ~PxU) =E cos tX +i E sen tX.
(b) Mostreque 11'-x(t)=EcostX-iEsentX.
(c) Mostreque 11'-x(t)=~Px(-t).
16. Seja X urna variavel aleatria simetrica, isto e, tal que X e -X tern a mesma
funcrao de distribuiyao.
(a) Mostreque EsentX=O eque ~Px(!) ereal.
(b) Mostre que ~Px(-t) = ~Px(t).
17. Sejam X e Y variaveis aleatrias independentes e identicamente distribufdas.
Mostre que l!' X _ y(t) = i~Px(t) 12 Sugestao : use o Exercicio 15.
18. Seja X urna variavel aleatria tal que <Px(t) e real.
(a) Mostre que X e -X tern amesma funyao caracterfstica (use 9 Exercicio
15)
(b) Por que se segue que X e -X tern a mesma funcrao de distribuicrao?
19. Seja X urna variavel aleatria continua tendo a densi dade fx(x) =
=(1 /2)e- IXI , _oo<x<oo.
(a) Mostre que <Px(t) = 1/(1 + t 2 ) .
(b) Use (a) e a frmula de inversao (19) para eonelllir que

(c) Mostre usando (b) que

e-lxl = Jco eixt l dt


-co n(l + t 2)

20. Seja X urna variavel aleatria tendo a densidade de Cauchy

1
fx(x) = n(l + xi)' - oo < x<oo .

Mostre que "o x (t) = e -1 t l, - oo <t oo. Sugestao : inverta as funcroes de


x e t no Exercicio 19.
21. Sejam X e Y variaveis aleatrias independentes tendo a densidade de Cauchy.
(a) Obtenha as funcroes caracteristicas de X+ Y e de (X+ Y)/ 2.
(b) Por que se segue que (X + Y)/2 tamhem tern a densidade de Cauchy?
..................................................
,~ ~

22. Estenda o resultado do Exercicio 21 mostran do que se X 1 , X 2 , . , X n sao


variaveis aleatrias iridependentes, cada urna com densidade de Cauchy, entao
(X 1 + +Xn )/n tamhem tern a densidade de Cauchy.
23 . Para A > O seja X 11. urna variavel aleatria ten do distribui~ao de Poisson
de parametro A.
(a) Usando argumentos semelhantes aqueles usados na demonstra~ao do Teo-
rema do Limite Central m ostre que para - oo <t< 00 ,

!im Eeit(X;.- ). }f.;;, = !im exp U( eir;./). - l - it/J~)] e -r


2 /2
.
).-+ oo ;.- oo

(b) Que conclusao se deve tirar de (a), atraves de urna modifica~ao adequada
do Teorema da Continuidade?
~ ~.................................................................................
.~

CAMINHOS ALEATORIOS
E PROCESSOS DE POISSON

Neste capituJo discutimos dois exemplos elementares porem importantes


de processos estocasticos. Urn processo estocdstico pode ser definido como qualquer
coleyao de variaveis aleatrias. Geralmente, entretanto, quando nos referimos a urn
processo estocastico ternos em mente urn processo que possua estrutura adicional
suficiente para que resultados interessantes e liteis possam ser derivados. Isto certa-
mente e verdade para os dois exemplos tratados neste capitulo. O material sobre
processos de Poisson, nosso segundo exemplo, na depende das duas primeiras
seyes onde discutimos carninhos aleatrios. ,

9.1. CAMINHOS ALEATRIOS


Considere urna seqtiencia de jogos tal que, durante o n-esimo jogo, observa-se
urna variavel aleatria X n e qualquer jogador participando do n-esimo jogo,
recebe a importancia X n da " banca" (naturalmente o jogador paga na realidade
-X n a banca se X n< O).
Acompanhemos o processo de urn jogador que comeya com urn capital inicial
x. Seja S n, n;;?> O, o seu capital ap s n jogos. En tao S0 = x e

n;;;;. l.

A coleyao de variaveis aleatrias S 0 , S 1 , S 2 , . . e urn exemplo de urn processo


estocastico. Para obter resultados interessantes admitiremos a hiptese de que as
variaveis aleatrias XI ' x 2' . .. sao independentes e identicamente distribufdas.
Sob essa hiptese o processo S 0 , S 1 , . chama-se caminho aleatrio.
Admitiremos a hiptese adicional de que os Xk tern media finita J.L . Se
urn jogador participa dos n primeiros jogos, seu capital esperado no momento
da conclusao do n-esimo jogo e

(l) ES n =x +nJ.L.

J
Suponha entretanto que o jogador escolha os numeros a ~ x e b )l: x e assuma
eonsigo o compromisso de abandonar o jogo quando seu capital se tornar nao maior
que a ou nao menor que b. Entao o numero T de vezes que elejoga e urna va-
riavel aleatria defmida por

Para garantir que Sn ~a ou S n )l: b para algurn n, admitirnos que

(2) P(Xk =O)< l.

E possfvel demonstrar que a variavel aleatria T e fmita (com probabilidade I)


a
e na realidade P( T > n) decresce exponencialmente medida que n -+ oo. Isto
signitka que existem constantes positivas M e c< l tais que

(3) P(T>n)<Mcn, n= O, l, 2, ...

A demonstra<;ao de (3) nao e diffcil mas sera omitida para reservar espa<;o para
resultados de interesse muito maior. De (3) e do Teorema 5 do Capitul o 4, segue-se
que ET e todos os momentos de ordem superior de T sao finitos.
Se o jogador abandona o jogo aps a T -tlsirna aposta, seu capital sera S T
(ver Figura I). Urna famosa identidade devida a Abraham Wald relaciona o capital
esperando, quando o jogador abandona o jogo, com o numero esperado

_)

Figura l
de vezes que ele participa do jogo. Especificamente, a identidade de Wald estabe-
lece que

(4) EST = x +pET_

A identidade de Wald eextraordinariamente semelhante a (1).


E conveniente introduzir urna nova nota9ao para demonstrar a identidade
de Wald. Seja A urn evento qualquer. Representaremos por lA a variavel aleatria
indicadora de A , isto e, a variavel aleatria que e l se A ocorre e, O se A nao
ocorre. Por defini9ao lA + . lA c = l. Usando esta nota9ao podemes escrever
T oo
ST = X + L x j = X + j;J
L Xjl{nj}
j ; J

Urna vez que o complemento do evento { T;:;:;. i } e o evento { T< i}, vemos que
00

(5) ST = X + L Xj(l - l (T<j}),


j ; J
e portanto

(6) ES T = X + E L
j; l
X j( l - l (T<l}).

Pode-se mostrar usando a teoria da me dia que a ordem de expectancia e somatrio


pode ser invertida em (6). Assim
00

(7) EST = X + L E[X /l - l {T<j})].


j; l

Para deterrninar se T< i, nao basta olhar as variaveis aleatrias X 1 , X 2 , , X i_ 1


Segue-se que as variaveis aleatrias X i e (l - l (r< n ) sao independentes. Conse-
qiien temen te

E[Xj( l - l {T< jl)J = E XjE(l - l {T<j})


= ,u( l - P(T < j))
.= .uP(T ::.::: j).
Concluimos de (6) e do Teorema 5 do Capituo 4 que
00

EST = X + .u L P(T ::.::: j)


j;l

= X + J1ET,
que compieta a demonstra9ao da identidade de Wald.
Se os X n tern media J.1 = O e variancia fmita a2 , existe urna segunda
identidade devida, a Wald, a saber

(8) Var ST=a 2 ET.


Com o ES T = x em ( 4), a frmula (8) eequivalente a
227

..
(9)

A seguir verificaremos (9). De acordo com (5)


00

sT - x = L xp -
j=!
I(T< j)).

e portanto

(Sr- x? L
00

j= l
00
Xj(l -
00
l (T< j)) I
."

= l
X t(l - l T < )) '
= L L Xi(l - l tT<il X ( l - J T< ).
j=l k= l

Para tornar asexpectancias e novamente permissfvel invener expe t.ancia e somatrio. ~l

Concluirnos que
00 00

(lO) L L E[Xp - l (T< j))X ( l - l T< ))].


j=l k= l

Avaliaremos a seguir os termos individuais deste soma to dup o. Considere inicial-


mente os termos correspondentes a valores de j e k tais que j < k . A variavel
aleatria

depende somente de XI, X2 , - . . , xk - J, e portanto e independente da variavel


aleatria X k Como EX k =p. = O, vemos que

E[Xj{l - l (T<i l) X k(l - l (T<kl)J


= E[Xi l - l iT< nX l - l iT< 1)] EXk = O.
Analogamen te os termos do segundo membro de (l O) desaparecem quando j >k.
Quando j = k obtemos

A variavel aleatria (l - l IT<n) depende somente de X 1 , X2, ... , X i_ 1 , e


portanto e independente de Xj Como esta variavel aleatria assume apenas os ~l

valores O e l, vemos que

Assim

.-.
= EX}E(l - 11 r<.i/)

= Var Xj ( l - P( T <

= cr2 P( T ~ j J.
Concluimos de (lO) e do Teorema 5 do Capituo 4 que
00

E(Sy - x) 2 = a2 L P(T ~ j) = a 2 ET,


j=l

o que demanstra (9) e portanto (8).

9.2. CAMINHOS ALEATRIOS SIMPLES


Admitiremos ao longo de toda esta se9ao que a ";;; x ";;; b , a <b e que a, b
e x sao inteiros. Pode-se aplicar mais facilmente as identidades da se9ao anterior
se sabemos que

(11) P(S T= a ou b)= P(S T= a)+ P(S T= b ) = l.

Este certamente seni o caso de

(12) P( Xk=-1 , 0 , ou1)=1 ,

e neste caso o caminho aleatrio S 0 , S 1 , chama-se caminho aleatrio simples.


A propriedade principal que distingue caminhos aleatrios simpies de outros ca-
minhos aleatrios e que eles nao dao "saltos sobre" pontos inteiros. Sejam

p = P {Xk = l },
= P {xk = -- 1} ,
r = P{Xk = 0 }.

Entao p;;;;. O, q ;;;;. O, r;;;;. O e p +q + r = l. A hiptese (2) estabelece que r < l.


Segue-se de ( 11) que

(13) ESr = aP(Sr = a) + bP(Sr = b)


= a(I - P(Sr = b)) + bP(Sr = b).
Para caminhos aleatrios simpies podemas resolver explicitamente para
'-. P(ST=a), P(ST=b), EST e ET. Considereinicialmenteocaso p=q. Entao
J1 = O e a identidade de Wald (4) se transforma em EST = x . Assim como (13)

x=a(1-P(ST=b))+bP(ST=b).

Segue-se imediatamente que


x-a
(14) P(ST=b)= - -
b-a
e
(15) b-x
P(ST=a)=--.
b-a
229
A identidade de Wald nao da informa~ao algurna sobre ET quando 11 = O.
A identidade (8) e aplicavel neste caso e obtemos que a 2 =p+ q= l - r e

Var Sr = u 2 ET = (l - r)ET.
Mas

Var Sr = ESf. - (ESr) 2


b 2 P(Sr = b)+ a 2 P(Sr = a) - x 2
b 2 (x - a) + a\b - x)
-x 2
b - a
= (ax + bx - ab) - x 2
= (x - a)(b - x).

Assim se p= q,

(16) ET = --'-x_-----=a
( )'-'(_b_-_x-'-)
1- r

Se r =O e p= q= 1/2,

(17) ET= (x- a)(b- x).

Exemplo l. Dois jogadores ten do capitais iniciais de S 5 e $1 O, respectivamente,


eoncardam em fazer urna serie de apostas ate a ruina de urn deles. Suponha que os
resultados das apostas sao independentes e que ambos os jogadores tern probabilidade
1/2 de ganhar qualquer aposta. Determine a probabilidade de que ocorra a ruina
do jogadar cujo capital inicial e $1 O. Determine o numero esperado de apostas.
O probierna se encaixa no nosso esquema com S n represimtando o capital
do jogadar merros rico, ao cabo de n apostas , se esolhem.os p = q = 1/2, x = 5,
a= O, e b= 15. A resposta da primeira parte e
5-o l
P(ST=b)= - - = -
15-0 3. .....
A resposta da segunda parte e

ET= (S- 0)(15- 5) =50.

Suponha a seguir que p =l= q. Para evitar exce~6es triviais admitiremos que
p > O e q > O. A identidade de Wald nao pode ser usada para obter P(S T = b)
se p =l= q; portanto necessitamos de outra abordagem.
Defina f(x) para x inteiro em [a , b] fazendp f(x) representar a proba-
bilidade de S T = b quando S 0 = x . Observamos inicialmente que f satisfaz a
equa~ao de diferen~as finitas

230
(18) f(x) = pf(x +l)+ qf(x- l)+ r[(x), a <x <b.
Isto e verdade porque
f(x) = P(Sr = b)
=p P(Sr = b l X 1 = l) + q P(Sr = b l X1 -l)
+ r P(Sr = b l X1 = O)
e
P(Sr = b l X 1 = i) = f(x + i) , i= l , - l , O.

Alem de (18) ternos as bvias condi96es de eontamo

(19) [(a)= O e [(b)= l.

De (18) e (l - r) =p+ q, v~mos que

(20) f(x +l)- f(x) =g_p (f(x)- f(x- 1)), a <x <b.

Seja c= [(a+ l)= [(a+ l)- [(a) . Entao (20) implica que

f(x + l) - f(x) = C (~)x-a, a :$; x < b.

Usando a frmula da soma de urna progressao geometrica obtemos


x-1
f(x) = f(x) -f( a) = L (f( y + l) - f(y))
y= a

= "y=af C (CI )y-a


p

l - (q j p)"-a
=c ---- ~- ' a :$; x :$; b.
1 - (q fp)
Do caso especial f( b) = l , ternos agora que

c= 1-(/p)
1_ (/p)b-a

Substituindo este resultado na expressao de f(x), obtemos

l f(x) =l - (qjp)X-a.
1 _ (qjp)b-a
231

l
Em outras palavras, mostramos que se p t= q e p> O, entao

(21) P(S =b)= l - (qjp)x-a


T l - (qjp)b-a'

Segue-se imediatamente de (21) que sob as mesmas condi<;:oes

(qjp)X-a _ (qjp)b-a
(22) P(ST=a)= l-(qjp)b-a

De (13) e (21)

1-(qjp)X-a
(23) EST=(b-a) l - ( q / p )b -a +a.

Como J.1 =p- q, segue-se agora da identidade de Wald que

(24)
ET = (b- a) l - (q!py - _ _x_-_a a :.,::; x :.,::; b.
p - q l - (q/p)b - a p - q

Exempo 2 . Modifiquemos o exemplo anterior supondo que o jogador mais rico.


em virtude de sua maior habilidade, tern probabilidade 0,6 de ganhar urna aposta
qualquer, com o outro jogador tendo probabilidade 0,4 de ganhar a aposta. Deter-
mine a probabilidade de que ocorra a ruina ao jogador mais rico, o ganho esperado
deste jogador e o numero esperado de apostas.
Para este caso tornarnos p = 0,4 e q = 0,6. A probabiidade de que ocorra
a ruina do jogador mais rico e

l - (0,6/0,4) 5
P(ST = 15) = l_ (0, 6 /0, 4) 15 = 0,0151.
Para obter o ganho esperado do jogador mais rico observamos inicialmente que o
capital esperado do jogador mais pobre ao fina do jogo e

EST = 15P(ST = 15) = 15(0,0151) = 0,23.

Assim o ganho esperado do jogador mais rico ou a perda esperada do jogador mais
pobre e $5,00- $0,23 = $4,77, urna boa percentagem do capital inicial do joga-
dor mais pobre. o n lirnero esperado de apostas e

-4,77
-0,2 ""' 24.
23_
Suponha que b ~ oo em (21 ). Pode-se mostrar que o primeiro membro de
(21) converge para P(S n > a para todo n ;:. 0). Se q <p, o segundo membro
de (21) converge para l - (qjp )X- a. Se q >p, o segundo membro de (21) con-
verge para O. Se q =p, o segundo membro de (14) converge para O. Assim para
a <x =S 0 ,

(25) P(S, > a P"a todo n ;, O) ~ t (~)x-a para q < p,

para q ;::,:: p.

De forma semelhante para b ;:. x = S0

~ (~
[!_q)b-x para p < q,
P(S, < b P"a todo n ;, O) (
para p ;::,:: q.

Exemplo 3. Urn cassino tern urn capital de cem mil dlares. Urnjogador infmita-
mente rico tenta quebrar o cassino. Urna vez aceito seu desafio, ele decide apostar
S 1000 de cada vez. Se o jogador tern probabilidade 0,49 de ganhar cada aposta e
0,51 de perder, qual e a probabilidade de que eleeonsiga quebrar a casa?
Seja S n o capital do cassino ( em militiplos de $1 000) aps n jogos. Entao
p = 0,51, q = 0,49, x = 100 e : =O. De acordo com (25) a probabilidade de
que ocorra a ruina do cassino e

l - P(Sn >O para todo n;:. O) = ( p


C}_) x-a = ( O,Sl
0,49) 100 _
- 0,018.

Seja A urn subconjunto dos inteiros (nas aplica96es A tera O, l, ou 2 pontos).


Para x f!. A e y f!. A, seja P A (x, y) a probabilidade de que urn caminho aleatrio
simpies partindo de x alcance y em algurn tempo positivo antes de alcan9ar A.
Para x E A ou y E A, seja PA (x, y) = O. Estas pro babilidades podero ser deter-
minadas em termos das frmulas desta se9ao.
Exemplo 4. Suponha que p= q. Deterrnine P a, b (y, y), onde a <y <b.
Depois de urn passo, o carninho aleatrio es ta em y - l, y, ou y + l com
probabilidades p, l - 2p e p, respectivamente. De y - l, a probabilidade
de retornar a y antes de alcan9ar a e (y - a - 1)/(y -a). De y + l, a proba-
bilidade de retornar a y antes de alcan9ar b e (b - y - 1)/(b - y). Assim a
probabilidade de retomar a y antes de alcan9ar a ou b e dada por
y-a-1 b-y-1
P{a,b)(y, Y) = P + l - 2p + p_ __o__ _

y-a b-y
ou
p(b - a)
(26)
(y - a)(b - y)
233
Para x t! A e y t! A, seja GA(x, y) o numero esperado de visitas a y
(pzra Yalores positivos de n) antes de atingir A para urn caminho aleatrio come-
'o em X. Seja GA (x, y) =o se X E A ou Y E A . Nao e dificil mostrar que
o ntirnero de retornos de y a y, antes de atingir A, tern distribui9ao geometrica
parametro p= l -PA (y,y). Assim pelo Exemplo 3 do Capituo 4,
pA (y, y)
-) GA(y,y)= l-PA(y,y)
Se x =l= y, entao
(28) GA (x,y) =PA (x,y)(l + GA (y,y)).
Pois para ter qualquer numero positivo de visitas a y antes de atingir A , devemos
primeiro chegar a y antes de atingir A .
lsto ocorre com probabilidade PA (x, y). Se chegarnos a y, o numero total
de visitas a y antes de alcan9ar A e l mais o numero total de retornos de y a y
antes de alcan9ar A. Isto explica (28). De (27) e (28) ternos que
PA (x,y)
(29) GA(x,y)= l-PA(y,y) paratodo x e y.

Exemplo 5. Retornernos ao primeiro exemplo desta se9ao. Deterrnine o numero


esperado de vezes n > l que os dois jogadores retornam aos seus capitais iniciais
antes que ocorra a ruina de urn deles.
Lembramos que neste exemplo p= q= 1/2, a= O, x = 5 e b= 15. Aproba-
bilidade de retornar aos capitais originais antes que ocorra a ruina de urn deles e,
de acordo com (26),
(1 /2)(1 5)
p o, 15 (5 , 5) =l- 5. 10 = 0,85.
Assim de acordo com (27) o numero esperado de vezes que ambos os jogadores
voltaro aos seus capitais iniciais antes que ocorra a ruina de urn deles e

p 0,15 (5,5)
G o ,1 5 (5, 5) =
l - p 0,15 (5, 5)
0 ,8 5
0,15 = 5,67.

9.3. CONSTRU<;.Ao DE UM PROCESSO DE POISSON


Nas se96es restantes deste capitulo consideraremos urn modelo probabilis'tico
para a distribui9ao aleatria de particulas no espa9o ou eventos no tempo. Tais
modelos encontram aplicac;oes em urna variedade de caropos diferentes. Como urn
exemplo, suponha que ternos urna por9ao de urna substancia radioativa e suponha
que urn experimento consiste em observar os tempos em que ocorrem as desintegra-
c;oes. Suponha que o experimento comec;a no tempo O e seja Dm o tempo da
234
r
l m-es1ma desintegrac;:ao. Como foi discutido no Exemplo 2 do Capituo l, as leis .
da fisica nos diz que os teropos Dm devem ser considerados varlaveis alea,trias.
A colec;:ao de pontos D 1 , D 2 , pode ser considerada como urn subconjunto
aleatrlo en urneravel de [O, oo).
Como utra ilustrac;:ao de urn fenameno que ~ essencialmente o mesmo, consi-
dere as chamadas chegando a urna central telefOnica; Seja Dm o tempo em que
inicia a m-esima chama da. Nao se eonhece nenhuma forma de prever D m com
exatidao, mas elas podem ser tratadas como varlaveis aleatrlas para obtenc;:ao de
resultados uteis.
Considere urn experimento do seguinte tipo. Introduz-se urn bastao em urn
tubo contendo urna suspensao de bacterias. A seguir esfrega-se o bastao unifor-
memente sobre a superficie de urn disco contendo nutrientes atraves dos quais as
bacterlas podem se multiplicar. Aps alguns dias aparece urna colonia visivel de
bacterlas em cada lugar onde foi depositacta urna bacterla. A localizac;:ao destes
pontos beru como o seu numero total sao aleatrlos. A Figura 2 Hustra esta situac;:ao .









Figura 2

A localizac;:ao dos pontos pode ser vista como. urn subconjunto aleatrlo dos pontos
do disco.
Nos exemplos de particulas radioativas e bacterlas fornos levados a considerar
urna colec;:ao aleatrla de pontos em urn certo subconjunto S do espac;:o Euclidiano.
Nestes exemplos, tanto a localizac;:ao das " particulas" como seu numero total sao
aleatrlos. Associadas a urna colec;:ao aleatrla deste tipo existem diversas varia-
veis aleatrlas tais como o numero total N de particulas em S, o numero de par-
ticulas N B em urn dado subconjunto B c S e a distancia Dm de urn dado ponto
em S ate a m-esima. partieula mais prxima. Na Figura 3 as partkulas sao represen-
tadas por pontos. Nesta figura N= N 8 = 4 e NB = 2. Estudaremos as distrlbuic;:ies
e as distrlbuic;:ies conjuntas de varlaveis aleatrlas como estas no restante deste
capitul o.
Existem naturalmente inumeros modelos matematicos diferentes que consi-
deram a distrlbuic;:ao aleatria de particulas. Consideremos urn dos mais elemen-
tares e mais importantes de tais modelos, charuado processo de Poisson. Tal processo
235
esta intimarnente relacionado com a distribui9ao uniforme de partfculas que sera
considerada inicialmente.

Figura 3

Considere entao urn sistema em que o numero total de particulas n e flxo,


mas para o qual as localiza96es das particulas em S sao aleatrias. O modelo que
desejarnos e tal que estas n partkulas se distribuem independente e uniformemente
sobre o eonjunto S tendo voume finito. Seja l B l o volume de B. Entao cada
partieula tern probabilidade p = l B l/ l S l de cair em B. Consequentemente o
numero de particulas N B que caem em B tern distribui((ao binomial de pariimetros
n e p . De urna forma m ais geral, sejam B 1 , B 2 , . . , B k, k subconjuntos disjunt os
de S cuja uniao e S e seja Pi = l Bi 1/1 S 1. Entao as variaveis aleatrias
N B,, ... , N B k te.m distribuiyao muliinomial de parametros n e p 1 , , p k
Portanto se n 1 , . , nk saonumeros inteiros nao-negativos de soma n ,

P(N B, = nt, , N Bk = ) n!
nk =
n n
Pt ' P/
(n 1 !) (nk!)

=~fi IBlj.
ISI" j =t ni!

O processo de Poisson em S resulta de urna modiflcayao do sistema acima.


Supomos agora que o numero total de partkulas N= N s em S, e urna variavel
aleatria tendo urna distribui9ao de Poisson de parametro 'A l S 1. Alem domais
admitimos que dado N= n, as partfculas se distribuem independente e uniforme-
mente sobre S. Considere os subconjuntos B 1 , , B k defoidos anteriormente.
Nossas hipteses sao de que se n 1 , , nk sao k numeros inteiros nao-negativos
de soma n, entao

Portanto
236
(30) = n!, . .. 'N Bk = nk) = P(N = n) -
n!
IS I"
n IB l"'
k

j~ t
c.J1._
nj !

= A."IS l" e-~ISI ~


n! ISI"
n
j~t
lEX'
nj !

= A."e- ~ ISI n
j~ 1
IBjl"'.
n j!
Como os conjuntos Bi sao disjuntos e sua uniao e S,

de modo que o segundo membro de (30) pode ser escrito como

n
j~ 1
(A. IBjl)"' e- ~ IB1I ~
n j!

O evento {N =n , NB 1 = n 1 , . . . , NBk = nk } e o mesmo que o evento{NB 1


= n 1 , . . , N B k = n k } porque n = n 1 + + n k e. N = N B 1 + + N B k.
Portanto

Acabamos assim de demonstrar urn importante fato :

(31)

Em outras palavras, as variveis a/eatrias N B 1 , , N B k siio independentes e


tern distribuiroes de Poisson de panimetros A l B i l , . .. , A l Bk l, respectivamente.
Nao e muito surpreendente que as variaveis aleatrias N B i l .;;;; j .;;;; k,
tenharo distribui9es de Poisson; mas e surpreendente que sejam mutuamente inde-
pendentes porque no caso em que o numero de particulas e flxo, as quantidades
correspondentes sao dependentes. E esta propriedade de independencia que toma
facil o manuseio do processo de Poisson em aplica9es.
Nos modelos acima, o numero total de partfculas, fosse ele flxo ou aleatrio,
era sempre fmito, e as particulas se distribuiam sobre conjuntos tendo volume total
ftnito. Entretanto para certas finalidades e teorieamen te mais simpies considerar
urn numero inflnito de particulas distribuidas sobre urn eonjunto tendo volume
infmito. Assim poderiamos desejar que as particulas se distribuissem sobre todo
R' ou todo [O, oo) etc. Para cobrir tais casos, necessitamos apenas introduzir urna
pequena extensao no modela anterior.
A hiptese bdsica de um processo de Poisson sobre um eonjunto S tendo
mlume fin ito ou infinito e que se B 1 , , B k siio subconjuntos disjunto s de S
tendo volumes finitos, as varidveis aleatrias N B, , . . . , N B k siio independentes
e tern distribuiroes de Poisson de parametros A l B 1 l , ... , A l B k f, respectiva-
mente. A constante A chama-se parametro do processo de Poisson.
Seja B urn subconjunto de S tendo volume fmi to . Como urna conseqiiencia
da defmi~ao de processo de Poisson, segue-se que se B 1 , B 2 , , B k sao sub-
conjuntos de B cuja uniao e B e n 1 , n 2 , , nk sao numeros inteiros nao-
negativos cuja soma e n, entao

(32) P(NB, n) -IBI"n ! jn=l IBnj!l"i


k
'-=.)__~__

Para verificar (32) observe que a probabilidade desejada e simplesmente

P(N 8 , = n1 , ... , N8k ru=


- - 1-e---i.I Bil __
- ().I B; __ _
l)"ij nj!
P(N 8 = n) e- l iBI (i. IB I)"j n !

que se reduz ao segundo membro de (32).


Outra interpreta~ao de (32) e a seguinte : Dado que existem n particulas
em B, a distbui9ao conjun ta das vaaveis aleatrias N B 1 , . . , N B k e a mesma
que se obtem distribuindo n particulas independente e uniformemente sobre B.
Este fato e muito util na resolwrao de alguns problemas em que o processo de Poisson
atua como entrada de urn sistema mais complicado. ao entraremos em maiores
detalhes deste aspecto do p rocesso de Pois.son no presente texto. (Veja entretanto
os Exercfcios 2 1 e 31 para ilustrayao de seus usos.)

9.4. DISTANCIA As PARTICULAs


Suponha que ternos urn processo de Poisson sobre urn subconjunto S do
espa9o Euclidiano. Se S tern volume finito , o numero N de particulas em S
e fmito. Sejam D 1 ~ D 2 ~ ~ D N as distfulei as da origem as particulas, orde-
nadas em ordem nao-decrescente. Se S tern volume infmito, o numero de particulas
em S e infmito e representamos por D 1 ~ D 2 ~ ~Dm as distancias da
.origem as particulas, ordenadas em ordem nao-decrescente. Tal arranjo e possivel
porque, para qualquer num~ro positivo r, apenas urn numero finito de particulas
estao a urna distancia menor que r da origem. Nesta se9ao obteremos a distribuiyao
de Dm para diferentes escolhas do eonjunto S.
Daremos inicialmente urn exemplo em que essas distancias ocorrem natural-
mente: suponha que as estrelas situadas em urn certo eonjunto S do espayo Eucli-
diano tdimensional se distribuem de acordo com urn processo de Poisson sobre S
com parametro A. Suponha alem do mais que essas estrelas tern igual blho. A
quantidade de luz de urna estrela que chega a ogem, e proporcional ao inverso do
quadrado da distancia da origem a estrela. Assim a quantidade de luz recebida de
urna estrela a urna distancia r da origem e K/r 2 para algurna eonstan te K. A quan-
tidade de luz recebida da estrela mais prxima (e portanto aparentemente mais
brilhante) e K/Di. A quantidade total de luz e

Atraves de tecnicas avanyadas de probabilidade pode-se mostrar que se S e todo


o espayo tridimensional, a soma da serie acima e infmita com probabilidade l. Este
fato tern interessantes implicay6es em cosmologia.
Deterrninaremos agora a distribuiyao de Dm supondo por simplicidade
que s tern volume infmito. Seja s r =s() X: l X l .;;;; r (isto e, seja s r o eonjunto
de pontos em S que estao a urna distancia nao superior a r da origem), e seja
.p(r) o volume de S,. O numero N s, de particulas em S, tern urna distribuiyao
de Poisson de parametro /....p (r ). O evento {Dm .;;;; r} e mesmo o que o evento
{N s, ;;;;. m}. Assim pel as Equay6es (39) e ( 40) do Capituo 5

(33)
J.<p(r) tm-le-t
= : dt.
Jo (m - l)!

Segue-se de (33) que se .p(r) e diferenciavel, entao Dm tern funyaO de densidade


f m dada por
).m<p(r ):"- 1 <p' (r )e- J.<p(r)
(34) r >O.
(m - l)!

Se .p(r) e estritarnente crescente, tern urna funyao inversa continua .p- 1 (r). Segue-
se de (33) que a variavel aleatria .p(Dm) tern a distribuiyao gama r(m, /...).
Em inllm.eros casos irnportantes .p(r) e da forma .p(r) = crd, onde c e
urna constante numerica (isto e verdade, por exemplo , se S = Rd ou se
S= [O, oo )). :'\esre caso (34) se transforma em

(35) r >O.

Diversos casos especiais desta frmula serao considerados nos exercicios.


saremos a Prmula (35) para determinar os momentos ED/n nestes casos.
Assim

ED!., = f" rjfm(r) dr

=
f d(cJ.)m r md+j-l e -cJ.rd d r.
cs:;
---
o (m - l)!
239
Para detenninar estes momentos, fazemos a mudanya de variavel s == A.crd e inte-
grarnos para obter

(m - l)!

9.5. TEMPOS DE ESPERA


Ate este ponto visualizarnos urn processo de Poisson como urn modelo para
a distribuiyao de partkulas no espayo. Se pensarmes no eonjunto [O, =) como
sen do o eixo dos tempos, podemos considerar urn processo de Poisson em [O, oo)
como a distribuiyao de teropos em que ocorrem certos eventos. No comeyo da
Seyao 3, mendonarnos alguns exemplos do uso de urn processo de Poisson em
[O, oo) desta maneira. Quando passarnos a pens ar e m urn processo de Poisson
em [O, oo ), como a distribuiyao de eventos no tempo e nao mais com o a distri-
buiyao de partkulas no espayo, introduzimos urn novo eonjunto de termos. Em
vez de falar de "partfculas", passarnos a falar de "eventos", e a distancia D m da
origem a m-esima partieula se transforma em tempo de ocorrencia do m-esimo
evento.
Seja N(t) == N 10 , t] o nurnero de eventos que ocorrem no intervalo de
tempo [0, t). Entao N(t) e urna variavel aleatria com distribuiyao de Poisson
de parametro 7\t. Se O.;;;; s.;;;; t , N( t) - N ( s) e o nurnero de eventos que ocorre
no intervalo de tempo (s, t] , e tern urna distribuiyao de Poisson de parametro
X(t - s). De urna formamais geral , se O.;;;; t 1 .;;;; t 2 .;;;; .;;;; tn , entao N(t 1 ),
N(t 2 ) - N (t t) , . . . , N (tn ) - N(tn _ 1 ) sao variaveis aleatrias independentes
que tern distribuiy5es de Poisson de parametros

respectivarnente. Estes fatos sao decorrencias imediatas da defmiyao do processo


de Poisson e sua descri9ao em linguagem de tempo.
Como foi mencionado acima, Dm e o tempo do m-esimo evento. Sabemos
dos resultados da SeyaO 9.4 que Dm tern distri buiyaO gama r(m, 71.). Em parti-
cular D 1 se distribui exponencialrnente com parametro X. Lembre-se do Capitulo 6
que a soma de m variaveis aleatrias independentes identicamente distribufdas
com distribui9ao exponencial tern a distribuiyao gama r(m , 71.). Suponha que
se define as variaveis aleatrias W1 ,W2 , . . , Wn , ... da seguinte forma : W1 ==
== D 1 , Wn ==D n - D n - 1 ; n;;;;. 2. Entao claramente Dm == W1 + + Wm. A
discussao acima torna plausivel que W1 , W2 , . . , Wm sejam variaveis aleatrias
independentes exponencialrnente distribuidas com parametro comurn 71.. Este
fato e verdadeiro , sendo urna propriedade bastante interessante e util do processo
de Poisson em [O, oo ). Naturalmente a variavel aleatria Wm nao e nada mais
240
~ ~
~~==~ ................................................ ~

que o tempo entr~ o (m - 1)-esimo e o m-esimo eventos , de modo que - ~;:;:;:


W1 , W2 , sao tempos de espera entre eventos sucessivos de urn processo ~
Poisson.
Teorema l. Sejam W1 , W2 , , Wn, ._. . os temp os de espera en tre eYentos
sucessivos de urn processo de Poisson em [O, oo) de panimetro A. Entao
Wn, n ~ l, sao variaveis aleatrias mutuamente independentes, exponencial-
mente distribuidas, como media comurn A- l .
Demonstra~o. Seja f n a densidade n-dimensional dada por

para O :::;; t 1 :::;; t 2 :::;; .. :::;; t.,


para outros valores de t 1 , , t n.

Vemos do Exemplo 13 do Capituo 6 que o teorema e verdadeiro se, e somente se,


as variaveis aleatrias D 1 , , D n tern densidade eonjunta f n lsto e verdadeiro
para n = l urna vez que D 1 se distribui exponencialmente com parametro A.
Urna demonstrayaO geral rigorosa e mais complicada. Antes de apresenta-la,
daremos urna forma heuristica de constatar este fa to.
Seja O= t 0 < t 1 <<tn e suponha que se escolhe h> O suficientemente
pequenoparaque ti-l +h.;;;;t, i= l , 2, ... ,n. Entao(verFigura4)

(36) P(t; < D; :::; t; + h, l :::;; i :::; n)


P(N( t 1 ) = O, N( t 1 + h) - N(t 1 ) = l, ... ,
N(t.) - NCt.-t + h) = O, N (t. + h) - N (t.) ~ l)
e-lr'(Ah)e-).h ... e-).(tn -tn- 1-h )[l _ e-lh]
= ;_n-lhn - Ie-Atn(l _ e-).h).

o o o
t, t, + h

Figura 4

Se soubessemos que as variaveis aleatrias D 1 , D 2 , , D n tern urna densidade


eonjunta gn que e continua no ponto (t 1 , t 2 , , tn), podedarnos concluir
que

on de e (h) e algurna funyao de h tal que

!im ~?:Q = O.
h jO h"
Seguir-se-ia entao de (36) que
241
g(t 1 , ... , tn) = lim h-"P(t; < D; ::; t; + h)
h jO
-Ah
. on- l e -
l Im,._ ;.," e -
l -- -
-
hJO h

como desejavamos.
Daremos agora urna demonstrac,;ao elementar porem rigorosa do Teorema l.
Embora esta demonstrac,;ao nao seja dificil, e urn tanto longa , e o leitor podera
orniti-la se assim o desejar.
Seja F n a func,;ao de distribuic,;ao que tern densidade f n. Da defmic,;ao de
f n segue-se de imediato que para n~ 2,
fn(s 1 , .. ,sn) = / 1(s 1 )fn- 1 (s 2 - s1 , ... , Sn - s 1).

I'
lutegrando ambos os membros sobre o eonjunto s 1 ~ r1 , .. , sn~ t n , vemos que

(37) Fn(t 1 , , tn) = /1(sl)Fn-1(t2 - S1 , .... t - 51) ds 1

Seja G n a distribuic,;ao eonjunta de D 1 , D 2 , , Dn. Do Exemplo l O do CapituJo


6 vemos que o teorema e verdadeiro se, e somente se, as va.riciveis aleatrias
D 1 , , D n tern densidade eonjunta f n, e portanto a funyao de distribuic,;ao
eonjunta F n. Conseqiientemente para demonstrar o te orema devemos mostrar
que F n= Gn.
Mas FI e simplesmente a distribuic,;ao exponencial de panimetro A. Como
foi observado anteriormente, G 1 , a distribuic,;ao de D 1 , e tamhem exponencial
de parametro X. Portanto F 1 = G 1 .
Suponha que podemas mostrar que para n~ 2,
,,
(38) Gn( t l> . . , tn) =
o
Entao como F 1 = G 1 , seguirse-ia de (37) e (3 ) que G 2 = F 2 . sando o fato
de que G2 = F 2 , outra aplicayao de (3 ) e (3 ) mo.srraria que G 3 = F 3 etc. Em
outras palavras, se soubessemos que (38) e vilido o te o rema seguirseia de (3 7)
_e (38) por induc,;ao. Para es tabelecer (38) podemas su por que O ~ t 1 ~ ~ t n,
pois em caso contrario arnbos os memoros de (38) sao zero.
Para iniciar a demonstrayao , observe que o evento Di ~ ti e o mesmo que
o evento N(t) ~i e assim

n {D; ::; t;}


n
{D; ::; t;, l ::; i ::; n}
i= l
n
n {N(t;) ~ i}
i; l

{N(t) ~ i, l ::; ::; n}.


Podemos, por>tanto, escrever
242
G"(t 1 , t 2 , , t") = P(N(tJ ;?: i, l :=:; i :=:; n).
Conseqtientemente (38) e o mesmo que
(39) P(N(t;) ;?: i, l :=:; i :=:; n)

= L' / 1(s 1)P(N(t; - s 1) ~ i - l , 2 :=:; i :=:; n) ds 1.

Para estabelecer (39) observe inicialmente que para qualquer k ~ l

(40)
(.A.t)k
-
k!
e -lt = l' '
o
Ae -ls [.A.(t - s)J-l e -i(r-s) ds.
(k - l)!
De fato,

l''
o
Ae -ls [.A.(t- s)Jk-1 e -l(t-s). d s -- -e-).r.A.k
(k - l)!
--
(k - l)! o
t - s)k-1 d s l' (
= e-lr.A,k ds = (.A.t)k e-).r.
f' sk-I
(k-l)!Jo k!
Suponhaque o.;;;;r 1 .;;;;t2 .,;;; ",;;;tn eque l.;;;;k 1 .;;;;k2 .;;;; .;;;;kn. Alegarnos
a seguir que
(41) P(N(tl) = k1, ... , N (t") = k")

J~
1

= .A.e-l5 P(N(t 1 -s)= k 1 - l, ... , N (t"- s) = k" - l ) ds.

Para verificar este fato, observe que de acordo com (40)


(42) P(N(tl) = kt, ... , N (t") = k")

x O[.A.(ti _ ti_ 1 )Ji-kJ- e- i.(rrr 1 - l .

j=2 (kj - kj-1 )!


Por ou tro lado
.. (43) f'' .A.e-l5 P(N(t 1
Jo - s) = k 1 - 1, ... , N(t" -s) = k" - l) ds

f'' .A.e-l P(N(t 1


= Jo 5
- s) = k 1 - l)

X n P(N(tj- s)-
n

j=2
N(tj-1 -s)= kj- kj-1) ds

243
Comparando o segundo membro de (42) com o de (43) vemos que (41) e verda-
deiro. A igualdade desejada (39) segue-se entao de (4 1) pela soma de ambos os
membrosde(4l)'sobretodososvaloresde k 1 , . ,kn taisque k 1 ~k2 ~--~ n
e k 1 ~1, k 2 ~2, ... , kn~n.

Exercicios

l. Seja S n urn caminho aleatrio com J.l =O e S 0 = x. Suponha que

P(a-c~ST~b+d)= l,

onde a<x<b, c~O e d~O.

(a) Mostre que

(a - c)P(Sr ~ a) + bP(Sr ::?: b)

~ x ~ aP(Sr ~ a) + (b + d )P I Sr ::?: .

(b) Mostre que

2. Urn jogador faz urna serie de apostas de $1 .. Ele decide a bandonar o jogo
quando seu ganho iquido alcanya $ 25 o u su a per da iquida an, a -O.
Suponha que tanto a probabilidade de ganhar como a de perder urna aposta
sao iguais a l /2.
(a) Determine a probabilidade de que tenha perd.ido S50 ao abandonar o jogo.
(b) Determine sua perda esperada.
(c) Determine o numero de apostas que fara antes de abandonaro jo o.
3. Suponha que o jogador descrito no Exer fcio _ esta jogando roleta e que suas
pro babilidades reais de ganhar e de perder urna aposta sao 9 19 e l 0/ 19, respec-
tivamente. Resolver (a), (b) e (c) do Exercfcio _ usando as probabili dades reais.
4. Urnjogador faz urna serie de apostas com probabilidade p de ganhar e probabi-
lidacle q > p de perder cada aposta. Ele decide jogar a te ganhar M 1 d1ares
ou perder M 2 d1ares, onde M 1 e M2 sao numeros inteiros positivos . Ele
pode apostar l ou 1/2 dlar de cada vez. Mostre que e mais provavel ganhar
M 1 d1ares antes de perder M 2 dlares apostando 1/2 d1ar de cada vez.
Que generaliza((iiO deste resultado parece plausfvel?
5. Derive (14) resolvendo a apropriada equayao de d.iferenya finita.
6. Seja S n urn caminho aleatrio simpies com p = q = 1/2 e seja a< b. Ob-
tenha P(a ,bJ (x,y) e G(a,bJ (x,y) para a<x<b e a<y<b.
244
7. Seja S n urn caminho aleatrio simpies com p= q= I/2. Obtenha P roJ (x,y)
e G roJ (x,y). para x>O e y>O.
8. Seja Sn urn caminho aleatrio simpies com O <q <p. Obtenha P<t> (x, y)
e G0 (x,y) para x>O e y>O.
9. Seja Sn urn caminho aleatrio simpies com O<q<p. Obtenha P roJ(-I,y)
e G wl (_:_I,y) para y <O.
' ~
10. Suponha que pontos se distribuem no espa~o tridirnensional segundo urn pro-
cesso de Poisson de parametro A = l. Cada ponto do processo e tornado como
o centro de urna esfera de raio r. Seja X o numc~o de esferas que eontern
a origem. Mostre que X se distribui segundo urna distribui~ao de Poisson de
media (4 /3)nr 3 .
Il. Escolhe-se urn ponto aleatoriamente em urn circuio de raio R com centro
na origem. Toma-se o ponto como centro de urn circuio de raio X onde
X e urna variavel aleatria com densidade f. Determine a probabilidade p
de que o circulo aleatrio contenha a origem.
I2. Suponha que se escolhe n pontos independente e uniformemente em urn
circulo de raio R com centro na origem. Toma-se cada ponto como o centro
de urn circulo cujo raio tern densidade f. Obtenha em termos de p do Exer-
cicio II a probabilidade de que exatamente k circulos contenham a origem.
13. Obtenha a resposta do Exercicio I2 para o caso emque se substitui os n pontos
por urn numero aleatrio de pontos tendo urna distribui~ao de Poisson de
media nR 2 o

14. Suponha que se distribui aleatoriamente N bolas em r caixas, onde N tern


urna distribui~ao de Poisson de media A. Seja Y o numero de caixas vazias.
Mostre que Y se distribui binomialmente com parametros r e p = e- "' /r o

Sugestiio: se Xi e o numero de bolas na caixa, i, entao X 1 , X 2 , , X, sao


variaveis aleatrias independentes com distribui~ao de Poisson de parametro f.../r.
15 Usando o resultado do Exercicio I4 podemas derivar facilmente a probabilidade
Pk(r, n) de que exatamente k caixas estejam vazias quando se distribui n
bolas aleatoriamente em r caixas. Para tanto observe que

P(Y = k) = L P(N = n)P(Y = k lN = n)


n=O

os coeficientes de An, derive novamente a Equa~ao (16) do Capitulo 2.


245
16. Suponha que os tempos de fallias sucessivas de urna rruiq --o:::::::le ...:::;::; ~
de Poisson em [0, oo) de panimetro A.
(a) Qual e a probabilidade de que ocorra pelo merros urna -
detempo (t,t+h), h>O?
(b) Qual e a probabilidade condicional de pelo merros urna f
t+ h, dado que nenhuma falha ocorreu ate o tempo t ?
17. Suponha que ternos urn processo de Poisson de pariimetro A em [O = . Sej 2
Z t a distiincia de t ao ponto mais prximo a direita. Obtenha a funyao de
distribui~ao de Z t
18. Suponha que ternos urn processo de Poisson de parametro A em [O, oo ). Seja
Yt a distiincia de t ao ponto mais prximo a esquerda., Fa~a Yr = t se
nao existe nenhum ponto a esquerda. Obtenha a fun~ao de distribuis;ao de Y r
19. Para Zr e Yt dosExercicios 17e 18,

(a) Mostre que Z t e Y t sao independentes,


(b) Obtenha a distribuis;ao de Zr +Y r.

20. Suponha que particulas chegam a urn contador de acordo com urn processo
de Poisson de parametro A. Cada partieula provoca urn pulso de duras;ao
unitaria. O contador registra a partieula se, e somente se, nao ha nenhum
pulso presente no momento da chegada. Obtenha a probabilidade de que
urna partieula seja registrada entre os tempos t e t + l. Suponha que t ;;;. l.
21. Considere u~ processo de Poisson de parametro A em [O, oo) e seja T urna
variavel aleatria independente do processo. Suponha que T tern urna distri-
buis;ao exponencial de parametro v. Seja N T o numero de partkulas no
intervalo [O, T]. Obtenha a densidade discreta de Nr.
22. Resolva o Exercfcio 21 supondo que T tern distribuis;ao uniforme em [0, a],
a>O.
-23. Considere dois processos independentes de Poisson em [O, oo) ten do parametros
x, e x2' respectivamente. Qual e a probabilidade de que o primeiro processo
tenha urn evento antes do segundo?
24. Suponha que n partkulas se distribuem independente e uniformemente sobre V '
urn disco de raio r. Seja D 1 a distiincia do centro do disco a partieula mais
prxima. Obtenha a densidade de D 1
25. Determine os momentos da variavel aleatria D 1 do Exercicio 24. Sugestiio:
~btenha urna integral Beta por meio de urna mudans;a de variaveL

26. Considere urn proesso de Poisson de parametro X em R'. Para urn eonjunto
A que tern volume fmito, seja N A o numero de particulas em A.

(a) Determine EN'3t.


(b) Se A e B sao dois conjuntos com volumes fmitos, determine E(NANB).
_46
27. Sejam A 1 , A 2 , ., A n n conjuntos disjuntos com volumes fmitos , e de
urna forma semelhante sejam B 1 , B 2 , , Bn n conjuntos disjun os ~o:;:
volumes fi nitos. Para numeros reais a 1 , . , et n e ~ 1 , .. , ~n , seja
n n
g(x) = L f3i1 8 ,(x). e f(x) = L o)A,(x)
i= l i= l

Para urn processo de Poisson de parametro A mostre que

E (t1aiNA,) (t1/3;N B,)


= (Jw f(x) dx) (L, g(x) dx) + A fw f(x)g( x) dx.
.Jc
2

28. No Exercicio 27 mostre que

Var (t a;NA, )
1

29. Considere urn processo de Poisson de parametro A em R e seja Dm . a dis-


3

a
tiincia da origem m-esima partieula mais prxima.
(a) Obtenha a densidade de Dm.
(b) Obtenha a densidade de D~ .
30. Suponha que ternos urn processo de Poisson de parametro A no serniplano
superior de R 2 , isto e, o processo de Poisson esta no subconjunto S =
= (x,y):y>O de R 2
31. Considere o seguinte sistema. Os tempos de chegada de partkulas no sistema
constituem urn processo de Poisson de parametro A em [O, oo ) . Cada partieula
permanece no sistema durante urn certo tempo independente dos tempos de
chegada das partkulas e independente dos tempos de permanencia de outras
particulas. Suponha que os tempos de pennanencia das partkulas se distribuam
exponencialmente com parametro comurn J.l. Seja M(t) o nuinero de parti-
culas presentes no sistema no tempo t . Deterrnine a qistribuiyao de M(t)
atraves das etapas seguintes.
(a) Suponha que urna partieula chega, de acordo com urna distribuiyao uni
fonne em [ 0, t] e, pennanece durante urn tempo exponencialmente
distribuido com parametro J.l , Obtenha a probabilidade Pt de que a
partieula esteja no sistema no tempo t.
(b) Usando o fato de que, dado N ( t ) = n, as partkulas se distribuem inde-
pendente e unifonnemente em [O, t], m ostre que

t P(M(t) = k l N(t) =n)= (Z) p~(l - p1)"-k.

(c) Mostre a seguir que M(t) se distribui de acordo com urna distribuiyao
de Poisson de parametro At p t

247
RESPOST AS DOS EXERCiCIOS

CAPITULO l

2 . 18/37. 3. 1/2. 4. 1/8.

6. 3/10. 7. 1/2. 8. 3/10.


9. 5/12. 1 o. 5/8, 3/8. 11 . 4/5.
12. 1/2. 13. (a) 1/2, (b) 1/2.
14. 2/5. 15. 5/29. 16. 10/19.
18. (a) 19/25, (b) 35/38. 19. O.

20. (a) r(r - l) ' (~ ~ '


(r + b)(r + b - 1) (r + b)(r + b - J)
(c) br , (d) _ _bC!?__-=J.)_ _ .
(r + b)(r + b - l) (r + b)(r + b - l)
21. (a) 98/153, (b) 55/153. 22. (b) 13/25, (c) 21 /25.
23. (b) 2/5, (c) 9/10. 25. (a) 1/ 12, (b) 17/36, (c) 6/17.
26. (a) 1/4, (b) 2/5, (c) l /2. 27. 14/23 .
28. 4/9. 29. 2/13. 30. 1/3.
31 . (a) (r + c)/(b + r + c), (b) b/(b + r + c).
37. l - (4/5) 51

c:) (~r (~rO-k'


. 56/5.

~S. (a) ktO (b) 1 - (~t


39 . .9976. 40. 2. 41. 75/91.
6 122
42 . 4 44. 1 - (1/10) 12.
13 - 124 .

- (5)12-k
-
1
45 . (a) 12) ( -1)2 (5)
( 2 6
-
6
0, (b) L2 (12)
k= O k
(1)k
6 6
T

46. l - (11 /4)(3/4) 7 .

CAPfTULO 2

1. 64. 2. (a) 2", (b 1 2(2" - l ).

3. 1/n. 4. (10)6 / 10 6 .

5. (11 - l )(rln- 1 /r".

7. 2(n - k - 1)/n(n - l ). 8. n(n + 1)/2.


2
9. (a) (n - 2) /n(n - 1), (b) ( 11 - 2)/(n - l) .

10. (a) (;)n! n-", (b) (;)cn-1)!/(11-1)", (c) 1/n.

13. c~ Jl_._!!__
r + b) r b- n+ l
11 ( /' : b)
( .n - l
14. (a) 4q, (b) 4 !O . (c) 13 48 ,
13
(d ) l3 1 2 46. (f) l04 .
5
(e)4 q.

c;) 4 , G)
5
(g) 13.
3 (h) C~) ~). 11 4. (i) \3 C:) (:) 3
4 q.

(5?)-
en .
l
Sendo q = ; .

15. 81 16. 4. (48)n-l/(52)n

11. (a) er - k)" /(r)", Cb) ( 1 - ~r


18.
20.
c=:) l(:) .
E~pandir os termos .

21 . (~~)l G~) 22
. G) G~) lG~)
23
. e:r1c:)
24
. [c;) - Cs Jl[C:) - en l
6
)

25 . [G) - (n ~ 3) ]/G). 26. e;),C~).


_s o
t
CAPiTULO 3

1/10, X= 0,1 , . .. ,9,


1 . f (x) = {O para outros valores de x.

2. P(X + r =n)= p' ( -r )(-1)"-'(1- p)"-', n .-= r, r + !, . ...


n - r

3. (a) P(X = k) = (!) ~ c k) , O


k 6,

(',~)
(b) P(X = k) =
(n) (3)k
k
5 5
(2)"-k, O k n.

4. lj(2N+l - 2). 5. (a) 0,3, (b) 0,3, (c) 0,55, (d) 2/9, (e) 5/11.

6. (a) (! - p) 4, (b) (l - p) 4 - (l - p) 8 + (l - p) 10 ,
(c) (l _ p)3 _ (l _ p)6 + (l _ p) 7 _ (l _ p)11.

7. (a) 3/4, (b) 1/ 10, (c) 1/ 25, (d) 3/50.


8. F(X = k) = (2k - 1)/144, l k 12.

9. P(X= k) = (k -l);c;). k= 2,3, ... ,12.

_ _ {p(l - pt, x = 0, l , ... , M - l,


10.P(Y-x)- (1-p)M, x=M. ,

11. (a) P(X 2 = k 2 ) = p(\ - p)\ k = O, l , 2, . .. ,


(b) P(X + 3 = k) = p(\ - p)k- 3, k = 3, 4, ... .

12. (a) P(Y


.
(Y) /(r) = n n+ l, ... ,
y) =
n 1 n
y l' ,

P(Z ~ z)= C+ ~ - z) / C), z=


(b)
1 l, 2, ... , r - 11 + l.

13. (a) 2/3, (b) 2/9, (c) 13/27.

2 1
14. (a) N + , (b) - - .
2(N + l) N+ l

15. (a) P (min(X, Y) = z)=


2(N - z)+ 1 , z= O, . .. , N,
(N + 1) 2
2z + l
( b ) P (max (X, Y) = z)= , z = O, .. . , N,
(N+ 1)2
1
l
1
(c) P( IY - XI = 0) = - - ,
N+ l

P( ly - X ' = z) = 2(N ++l 1)2


- z), l N
l (N z = ,..., .

16. (a) Pz , (b) P1P2


P1 + Pz - P1P2 P1 + P2 - P1P2
17. (a) densidade geometrica de parametro P1 + p2 - P 1P2 ,
(b) PIP2 [(l - Pz)z+ l - (l - P !)z+l ], Z= O, l, 2, ... .
P 1 - P2
18. (a) g(x) Ly h(y ), (b) h(y) Lx g(x).
20. 5/72.
21 . (a) _ _(_2 r_) _! - on de X i S[O numeros inteirOS nao-negatiVOS CUja Soma e 2r.
X l! . . . x,! r 2 r '

(2r)!
(b) 2~r2r .

22. (a) densida:de binomial de parametros n e p 1 + p2 ,


(b)
Y
(z) (
P1
p
+
1

Pz
)z-y (
P1
p
+
2

Pz
)Y
23. (53/8)e-
512 24. (17/2)e- 3 .
25. (a) l - (5 /6) 6 , (b) 4. 26. p'(l.- p)x, -r ,

X - l) (Y - X - l) (n- Y)
30. ( i - l j -:- i - l r - j

C) z - l 2 :::; z:::; N,
~
31. P(X + Y = z) = 2N + l - z + 1 :::; z :::; 2 rv,
{ Nz
o para outros valores de z.

32. <l>x(t) = _ l_ ( 1 - cN+ I), t "# l , e <l>x(l) = l.


N + l 1- t
. . - .

(
x~' 2e- l
- - , x mte1ro nao-negatwo par,
33 . f x(x) = (x/2) !
O para outros valores de x .

36 (x + y + z)! ( ). 1 )x( }. 2 )Y ( ;.3 )z


x ! y! z ! ). 1 + Az + ).3 A1 +, J.2 + J.3, ;., + Az + A3 .
37. (a) /PC<- IJ,
(b) densidade de Poisson de parametro 'A.p.
CAPITULO 4

1. (2N + 1)/3. 2. 4p(I ~ p)(I - 2p).


3. A,- 1 (1 - e_ ;,). 4. 17.
6. p- 1 (1 - p)[l - (l - p)M]. 7. M+ p- 1 (1 - p)M+ 1 .
8. EX= N/2 e Var X= (N 2 + 2N)/12.
10. 2.
14. E (2 X + 3Y) = 2EX + 3EY,
Var (2X + 3 Y) = 4 Var X + 9 Var Y.

16. (a) (l - r
~ (b) (l - ;r (c) r (l - ~r
(d) r (1 - ;r [l - (l - ;rJ + r(r - l)[ (t - ;r- (l - ~r"J.
17. (a) l, (b) l.
k-1 .
1a. L l 2.
t=1 r(l - i/r)
20.
2
-(J2

V(af + aD(u} + ui)


21. 9 - 2.J2. 22. -1.
23. (a) - 1/3, (b) -1 /2.
25. (c) EXY = n( n - l) ' 1 r2 ,
r(r - l)

Var X = n (!:.!)
r
(1 - !:.!) ~ ,
rr-1
Var Y = n (~)
r
(1 - C~) ~ ;
rr-1
n(n - l) _0_!i_ - n 2 0' 2
(d) r(r - l) r2

n C=;) J'~;2 (1- ~) (1 _~)


26. o= l.
27. A desigualdade de Chebyshev mostra que a= 781 sera suficiente (ver tamhem
l
a resposta do Exercicio 46 do Capituo 7).
32. z/2. 33. zA. 2 /(A. 1 + ),2 ).

CAPITULO 5

1. Fx( -1) + l - Fx(3).


2. F(x) = O, x < O; F(x) = x / R 2 , O $ x $ R 2 ; e F (x) = l, x > R 2
3. F(x) = O, x < O; F(x) = x 3 j R 3 , O $ x $ R ; e F (x) = l , x > R.
4. F(x) = O, x < O; F (x) = x/a, O $ x $ a; e F (x) = para x >a.
5. F(x) = O, x < O; F(x) = (2hx - x 2 )fh 2 , O $ x $ h; e F(x) = l, x > h.

253
6. F (x) =O. x < S' J /2; F (x) = "4x 2 - 3s 2 /s, s,' J /2 :<:; x :-::; s;
e F(x) = l. x > s."
=O. <O; F (x) = x 2 f 2, O:-::; x <l; F (x) = -l + 1x - (l /2)x
2
7. F(x ) x ,

l :-::; x :-::; 2; e F (x) = l , x > 2.


8. m = ).- 1 loge 2.
9. f = -log 0,9/100 Jog 2 = 1,52 X lQ- 3
10. F(x) =O, x <O; F(x) = xfa, O:-::; x < a/2; e F(x) = l, x ~ a/2.
11. (a) 7/12, (b) 1/3, (c) 1/6, (d) 5/12, (e) 1/2.
12. (a) (iv)F(x-)=F(x) paratodo x;
(b) (ii) F e urna fun9ao nao-crescente de x e (iii) F( - 00) = l e F(oo) = O;
(c) (ii) F e urna fun9ao nao-crescente de x, (iii) F( - 00) = l e F(oo) = O,
)L
e (iv) F(x-)=F(x) paratodo x.
13. F(x) = 0,~ < -5; F(x) = (x + 10)/20, -5 :-::; x < 5; e F(x) = l, x ~ 5.
14. e- 1 - e- 2
15. {(x) = l/2( lxl + l )2 = F'(x) para to do x.
16./(x) = 3x 2 fR 3 ,0 < x < R; e {(x) = Oparaoutrosvaloresde x.
17. f(x) = x, O< x < l; {(x) = 2- x, l < x < 2; e f(x) =O para outros valores
de x.
18./y(Y) =f(y) +f(-y),y > 0 ; /y(Y) = O,y :<:;O.
19. f(x) = 2xg(x 2 ), x > O; e g(y) = f (f y)/2 . fy, y > O.
20. Se {3 > O, entao [y(y) = (jy!3- 1 , O< y < l, e fy(y) =O para outros va-
lores de x . Se {3 <O, entao fy(y) = -(jyf3-l, y >l, e fy(y) =O para
outros valores de x .
21. fr(Y) -= y- 2 {((l - y) fy), O < y < l , e fr(Y) = O para outros valores de x.
23. rp(x) = (x - a) /(b - a), - oc < x < oo.
24. Y tern urna densidade exponencial de parametro f..../c.
25. Multiplicar g por 12.
26. fr(Y) = lbl/lrW + (y - a) 2 ), - x < Y <
27. F (x) = O,x < - 1; F(x) = 1/2 + 1/n: arcsen x, -1 :-::; x :-::;l; F (x) = l. x >l.
f (x) = 1/n:'- l - x 2 , - 1 < x < l, e f(x) = O para outros valores de x
28. f (x) = ). X e-;.x>. - X < X < OC .
29 . X- a e a- X tern a mesma distribui9ao. F(a- x ) = l - F(a + x) para todo x .
30. <ll(x) = 1/2 + 1/2 erf (x / ' 2), - co < x < oc.
31. fr( Y) = 2_ e- ' 21 2 a', O< y < oo, e frl Y) = Oparaoutrosvaloresde y.

l
a\12n:
l
32. fr(Y) = - --= exp(- (logy - ,u) 2 /2a 2 ],0 < y < oo, e fy(y)=O paraoutros
ayV 2n:
valores de y.
33. 0,6826. 34. (X - .u)f a tern a distribui9ao normai padrao.
254
35 . f~ ( - = 0.0030.
l ~5 1 = 0.0092. [y(-4) = 0,0279, [y(-3 ) = 0.06.:: .::.
l i - - O.LJO. fl - l l = 0,1747, [y(O) = 0, 1974,
= [y(l) =0.1 4 - .
l C I = O.L:O. _..) : = 0.0655. [y(4 ) = 0,0279 , [y(5) = 0.009~ .
') (61 = 0.00"0. _..l _\ = O para outros valores de y .
36 . f.l = 160. ;:; = : P X~ _()() ) = 0,0885, P(X ~ 220 l X~ 200) =
= 0.244 12.! ..!. o

38. 2 segundos.
39. Com distribuic;ao geometrica de panimetro 1 - e -A. .
40. (e) g ( t) = A, t > O, onde A e o panimetro da distribuic;ao exponencial;
(f) melhora para a < 1, deteriora para a > 1 e permanece o mesmopara a = 1.
41 . Densidade gama r ( a, A/ c).

43 JY
re Y ) -- 2).' Y la-l e -
-
).r2
, y >O, e fr (Y) = Opara outrosvaloresde y.
!(et)
-
44. tp( y) = ' y, y ~ O. 45. tp(x) = [<D- 1 (x) j2, -1 < x < l.
46 . .p- l (0,1) = - 1,282, 1
.p- (0 ,2) = - 0 ,842, .p- 1 (0,3) = - 0,524,
.p- 1 (0,4) = - 0,253 , .p- 1 (0,5) = O, .p- 1 (0 ,6) = 0,253,
.p- 1 (0,7) = 0,524 , .p- 1 (0 ,8) = 0,84 2, .p- 1 (0,9) = 1,282 .
47. f.l + 0,675a . 48. l. 49. 0,82.

CAPfrULO 6

1 . Fwz(W, z)= F
.
(w- a,=--=..!).
b d
fwz( w, z) =
.
J.
bd
1(w - a, z -
b .d
c) .
2. Fw.z(w, z) = F(,!';,, ,j~) - F ( - ,J~, ,j~) - F(-J~. - ,j~ ) + F ( - ' -;;;, - -J ;)

e fw ,z(w, z) = __!_..::..: (f(v-;;;, V~) +f( - v~, v;) + [ (v-;;;, -V;)


4v wz . + fe - v-;;;, - v';)J
para w, z > O e Fw.z(w, z) e f~. z( w, z ) sao iguais a zero para outros valores de
w e z.

3. (a) 3/4 , (b) 5/ 12, (c) 3/4; estes resultados sao obtidos facilmente determi-
nando as areas dos quadrados unitarios adequados.
4. l - e - l / lu'
5. 3/8. 6. 1/3.
7. X distribui-se exponencialmen te com panimetro A. Y tern a densidade gama
r(2, t..).
Fx .r(x. y) = - e- h - ),xe-"Y, O :::; x :::; y;
Fx .rfx . y) = - e-'>"(J + .l.y),O:::; y < x; e Fx .r(x ,y) = Oparaoutrosvalores
de x e y.
8. (a) ~ > - l. (b) c = (x + l )(CJ: + 2),
, O < x :::; l, e fx(x) =O para outros valores de x.
1
reJ fxtx ) = (c.~ + 2)(1 - x)'T
1
1 1 (>l = (1 + 2)y' ; , O :::; y :::; l , e [y(y) = O para outros valores de y.
25 5
9. c = -.. 1 4~ . X d.isui uise ~ o . 0._ ~ ' .: Y ~-- ::--:~ s.e 5 .:;:: ~o
n (0,4/1 5).

1 O. fr-x(z ) = J:oo f x (x ) /y ( z .L. x )d x.

11. (a) fx+r(z) =~ (e-;. 2 z - e-;. ,z), z > O, e fx - r( :. ) = O. : $ O.


At - ),2
(b) fx+y(z) = O, z$ O;fx+Y(z) = l - e-}.z, O $ z $ l;
fx+Y(z) = e-J.z(e;,- 1), l < z < oo .

a + 2 ~+ a + 2
----- z 1 , O $
r (
12
.
fx+r(z) = z $ l , JX+Y z) = -- (2 -
2 2
fx+r(z) = O para outros valores de z.
2
13. fir-x 1( z) = - - -
b-a
__ z_),
(t - b-a O< z$ b- a, e fir - x 1(z) =O para outros

valores de z.

14. /z(Z) = _l_ Joc f (x, z - ax) dx, -OO<Z< OO.


lbl - 00 b
15. (a 1 - l )/(a 1 + a2 - 2).

J
oc 1
18. fxr(z) = - j(x, z /x )dx .
-OC> lxl
20. fz(z) = 2/ rr(l + z 2 ), z > O. e / 2 (z ) = O, z $ O.
21 . fr tx(z) = 1/(1 + z) 2
, z > O, e f rtx (z ) = O, z $ O.
22. Densidade Beta de panimetros a 1 , e a 2 .
23. (a) f Yix(x) = .l.e_;_(y-x ), O $ x $ y, e fr 1x<Y ix) = O para outros valores de x e z.
(b) !Yix(Y l x ) = (a + 1)(y - x)'((l - xt+ 1 , O $ x <Y< l ,
e 1r 1x<Y l x ) = O para outros valores de x e y .
(c) ln x (Y l x) = n(y ; x/8, 1/4).
24. <1>(3/2) = 0,933.
26 . Densidade Beta de parametros a 1 + y e a 2 + n - y.
27 . fr( y) = o.[J'((y + {J )' + 1 , y > O, e /y(Y) = O, y $ O. A densidade condicional
de l\ da do Y= y a densidade gama l(a e + l , [J + y ).
r ( ) = V2/rr_ 2 -y2 J2a 2 > O e fr( Y )
28 JY Y 3 Y e , Y - , = O, Y < O.
17

30 . /y(Y) = y 2 (2, O$ y < 1 ;/y(Y) = -y 2 + 3y - 3/2, l $Y< 2 ;


/y(Y) = y /2 - 3y + 9/2, 2 $ y $ 3, e /y(Y) = O para outros valores de y.
P( Xi + X2 + x3 $ 2) = 5/6.
31 . / x,. x2 .x 3(x 1 , x 2 ,x 3 ) = l /x 1 x 2 .0 < x 3 < x 2 < x 1 < l , e igualazeroparaoutros.
valores de x 1 , x 2 e x 3 .
256
fx,(x) = (loge x) 2 /2, O < x < l, e igual a zero para outros valores de x e y;
32. (a) fx, . xJx) = n(n - l)(y - xt- 2 O < x ~ y < l, e igual a zero para outros
valores de x e y ;
(b) fR(r) = n(n - 1)(1 - r)r"- 2, O < r < l , e zero para outros valores de r.
(c) Densidade Beta de parametros k e n - k + l.
33. Exponencial de parametro n A..
34. x<"i 2 l- 1 e-x/ 2 /2"1 2 ren/2), x > O, e O para outros valores de x.
35. Beta de parametros m/2 e n/2.
36. aX + bY e bX- aY distribuem-se conjuntamente como duas var1ave1s
aleatrias independentes, cada urna com a densidade normai n(O, a 2 + b 2 ).
l
37. fx,X+r(x, z)= f(x)f( z - x) .
38. Uniform e em (O, z) para z > O.
39. Uniforine em (O ,z) para O< z <(c, e uniforme em (z -c , c) para c <z< 2c.
40. (a) n(O, 1),
2 2
- 2puz + z
(b) f u,z(u, z ) = l exp [ - -
u -- ---::-- ]

2n\ - P2 2(1 - p2) ,

((~_!1_1 )
2
1 1
(c) fx.r (x, y) = exp [ -
2no 1 o 2 \ l - p 2 2(1 - P
2
) Ot

_ 2p (x : ~1 ) (Y : ~2) (Y : ~2r)] ,
1 2 +
2
(d) n
(
~2 +
02
p - (x - ~ 1 ),
2
o2 (l - p2)) .
Ot
2
41. fw,z(w, z)= ( -z- ) f ( -z- , -wz- ) .
w+l w+1 w+l

CAPfruLO 7

1. at/Cal + a2).
2. z tera expectancia fmita quando a 1 >l e a2 >O. Neste caso
EZ = a 2 /(a 1 - 1).
3. oh fn.
4. X,/ tem urna distribui9ao geometrica de panimetro (l- e- ?-.e ).
EX, = ee-J.'/(1 - e- J.'). lim,~o EX, = 1/A.
5. EXm = rea 1 + a 2) f(a 1 + m)/rea 1) rea 1 + a2 + m).
Var X= a 1a 2/(a 1 + a 2 + l)(a 1 + a 2 ) 2 .

6. v2r (n~ )/r G). 1

8. a 2(a 1 + a 2 - l )/(a 1 - 1) 2 (a 1 - 2) para .1 1 > -


9. EY = 3/2J.. ar Y= 5 4i.2 .
257
10. EX= 2R/ 3, Var X= R 1 j l8 .
11. EX=O, VarX= R 1 j4.
12. EZ = a' n/ 2, Yar Z = a 1 (2 - n/ 2).
13. EY = 2a" 2/n, Var Y = a (3 - 8/n).
1

14. EX= O, Var X= 1/2.


15. (a) E l X l = a .Jljn, Yar l X l = a 1 (1 - 2/n);
(b) EX 1 = a 1 , Var X 1 = 2a 4 ;
(c) Ee'x = eq2r2/2 , Var e'x = ezq2r2- eq2r2.

16. Ee'x = .(A-_-A_)"


t
para t < A. 17. EX' = f(a: + r) j f( a )A' para r > - '

19. EXk = k j(n + l), Yar Xk = k(n - k + l) jn + 1


1) (n + 2) .

20. ER = (n - 1)/(n + l), Var R = 2(n - l) j(n + 1) 1 (n + 2) .


21. p = 1/4.
22. EZ = f.la /A, Var Z= a(a 2 a + a 2 + f.l 2 )/A 1 . 25. p 3 ;::: 0,458.
26. E[Y l X= x] = x, O < x < l; E[Y l X = x] = 2 - x, l ::::; x ::::; 2; e
E [Y l X= x] = O para outros valores de x.
27. E [X l Z = z] = a 1zj (a 1 + a 2 ) para Z> O e o caso contnirio.
28. E [n l Y = y] = (a 1 + y)/(a 1 + a: 2 + n), y = O, l, 2, ... , n, e O para outros va-
lores de y.
33. P(X ::::; x) ~ <l>((Ax - a)j.J ~).
4
34: (a) EXt = a 1 e Var Xf = 2a .

(b) P(Xf + + x; : : ; x) ~ <l>((x - 2 2


na )/a V2n) .
35. (a) 0,921. (b) 0,842. (c) 23,26. (d) 27,71.
36. 0,9773. 37. 0,02. 38. 0,0415. 39. 0,0053.
40. (a) fx(x) ~ A-l/Z rp((x - . A)( .Jl),
(b) fx(x) ~ <l>((x + 1/2 - :t);.JJ.) - <l>((x - 1/2 - :)j.J"i).
41. l j.J nn.
42. l j.J nn. A aproximacrao ( 15) nao pode ser aplicada diretamente porque o
maximo divisor comurn do eonjunto X - 1/x e urn valor possfvel de SI e dois e
nao urn.
43. 0,133 . 44. 0,523. 45. n~ 6700. 46. 551.

CAPITUW 8

1. Mx(t) = (eb' - ea')/(b - a)t, t t:- O, e Mx(O) = l.


2. ea'Mx(bt).
4. (a) Mx(t) = [p/(1 - e'(l -p))]", - ro < t < log (1 /(1 -p)).

258
5. (b) (2n)!
6. (a) dMx(t) = npe'(pe' + l -:- p)"- 1 e
dt
2
d_ M_(t)
x _ = npe'(pe' + l - p)"- 1 + n(n - l)p 2e 2'(pe' + l - p)"- 2 .
2
dt
10. el(e"-1). 11. p/(1 - ei'(l - p)).

12. [p/(1 - e''(l - p))]" . 13. [.?./().- it)]" .


14. Jx(t) = <l>x(ei' ).

21. (a) (/Jx+r(t ) = e-21<1 . e J<X+Y)f2(t) = e-1<1.

23. (b) !im P


.<-+eX)
(X"v-=J. J. ::5 x) = <l>(x), -co < x < co .

CAPfrvW 9

2. (a) 1/3, (b) O, (c) 1250.


3. (a) ((10/9) 50 - (10/9) 75 )/(1 - (10/9) 75 ) ~ 0,93,
(b) ~ $44,75,
(c) ~ 850.
6. Para x =y
b - a
P(a,b)(y, Y) = l - -- )(b- - )
2(y - a - Y
e
G la b)(y, y) = 2(y - a)(b - y) - l.
' b- a
Para x <y
x-a
Pla,b)(x, y) = - . -
Y- a
e
_ 2(x - a)(b - y)
G (a,b) ( X, Y ) - .
b- a
Parax>y
b- X
P(a,bj(x, y) = b- -
- Y
e
_ 2(y - a)(b - x)
G la,bl ( X, Y) - .
b- a
7. Para x =y
P101 (y, y) = l - l/2y e G{ 01 (y, y) = 2y - l.
Para x <y
P 101 (x, Y) = x/y e G{ 01 (x, y) = 2x.
Para x > y
P 101 (x, y) = l e G101 (x, y) = 2y.
259
8. Para x = y
P0 (y, y) = l + q - p e G0 (y, y) = _
l +______c_~
q- p
p- q
Para x <y
P0 (x, y) = l e G0 (x, y) = 1/(p - q).
>y
(!r-y
Para x
P0 (x, y) = e G0 (x, y) = :~P~x-y

9. P 101(-l, -1) =q e G{0 1(-l, -1) = !!.


p
Para y < -l
l
P (-Iy)- p-q e G{o 1(-l, y) = - - .
101
' - q[(qfp)Y - I] q(qfp)Y

11. P = ~2 L" (foR xf(x + z)dx )d z. 12. (~) p\1 - p)"-k .

(nR2p)k
13 .
-"R2p
e .
k!
16. (a) l - e-'-h, (b) l - e-'-h.
17. Fz,(x) = O, x < O; e Fz,(x) = - e-i.x, x ;:::: O.
18. Fy,(x) =O, x <O; Fy,(x) = l - e-J.x, O:::: x < t; e Fy,(x) = l, x;:::: t.
19. (b) Fr,+z,(x) =O, x < O; Fr,+z,(x) = l -e- ho + h), O:::: x < t;
e Fr,+z,(x) = l - e-ho + J.t), t :::: x < oo .
20. J.e - J. .
21. fN/k) = vJ.kf(J. + d+ 1 , k = O, l, 2, ... , e zero para outros valores de k.

22. fNT(k) = _!___


J.a
[1 - e-;.a
J=O
(J.~)~],
J.
k=O, l, 2, . . . , ezeroparaoutrosvaloresde k.

23. J.d(}.l + ),2).

24. fv,(x) = 2 nx
r2
(1 - ~)n-l,
r2
O :::: x s r, e zero para outros valores de x.

25. EDT = rmn! r (~ +1)/1(~+n+ 1).


26. (a) l 2 IAI2 + J.IAI, (b) l 2 IAIIB I + J. IA n B l.
29. (a) f!!m(r) = 3(4n )J3)mr 3 m-le-u fr313 f(m - 1)!, r > O, e zero para outros valores
de r.
(b) Densidade gama l( m, 4nJ./3).
30. (a) fv)r) = (nJ.)mr 2 m-l e- nJ.r 2/ 2 /2m -l(m- 1)!, r > O, ezeroparaoutrosvalores
de r.
(b) EDm = (h/2)-1 /2 l(m + 1/ 2) . e ED;, = 2m.
(m - l ) ! nJ.
l

i
-Jlf
(a) Pr = -l e-1'(1-s) ds = - e
!
31.
t o pt
260
TABELA I
r
Tabela I Valores da fun~o de distribui~o normai padronizada

z )
----= e- u2 12 du
cf>(z) =
J- oo v27T
= P(Z:::; z)

z o l 2 3 4 5 6 7. 8 9

-3 . .0013 .0010 .0007 .0005 .0003 .0002 .0002 .0001 .0001 .0000

-2.9 .0019 .0018 .0017 .0017 .0016 .0016 .0015 .0015 .0014 .0014
-2.8 .0026 .0025 .0024 .0023 .0023 .0022 .0021 .0020 .0020 .0019
-2.7 .0035 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026
-2.6 .0047 .0045 .0044 .0043 .0041 .0040 .0039 .0038 .0037 .0036
-2.5 .0062 .0060 .0059 .0057 .0055 .0054 .0052 .0051 .0049 .0048
-2.4 .0082 .0080 .0078 .0075 .0073 .0071 .0069 .0068 .0066 .0064
-2.3 .0107 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .0084
-2.2 .0139 .0136 .0132 .0129 .0126 .0122 .Ol 19 .0116 .0113 .Ol lO
-2.1 .0179 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .0143
-2.0 .0228 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .0183
-1.9 .0287 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0238 .0233
-1.8 .0359 .0352 .0344 .0336 .0329 .0322 .0314 .0307 .0300 .0294
-1.7 .0446 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .0367
-1.6 .0548 .0537 .05 26 .0516 .0505 .0495 .0485 .0475 .0465 .0455
-1.5 .0668 .0655 .0643 .0630 .0618 .0606 .0594 .0582 .0570 .0559
-1.4 .0808 .0793 .0778 .0764 .0749 .0735 .0722 ,0708 .0694 .0681
-1.3 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
-1.2 .1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
-l.l .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1 210 .1190 . l 170
-1.0 . 1587 .1562 .1539 .1515 .1492 .1469 .1446 . 1423 .1401 . 1379
- .9 .1841 .1814 .1788 .1762 .1736 .1 71 t .1685 . 1660 . 1635 .161 l
- .8 .2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867
- .7 .2420 .2389 .2358 .2327 .2297 .2266 .2236 .2206 .2177 . . 2148
- .6 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451
- .5 .3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776
- .4 .3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3516 .3121
- .3 .3821 .3 783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
- .2 .4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859
- .l .4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247
- .O .5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641

Reimpresso com a perrnissiio da Editora Macrnillan do original "Introduction to Probability and


Statistic:s", segunda ediyao, de B.W. Lindgren e G.W. McElrath, Copyright 1966 by B.W.
Lindgren e G.W. McE!rath.
263
r 1
Tabela I Valores da fun.y3o de distbu~o nonnal padronizada

z o 2 3 4 5 6 7 8 9

.O .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
.l .5398 .5438 .5478 .5517 .5557 .5596 .5363 .5675 .5714 .5753
.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
.7 .7580 .7611 .7642 .7673 .7703 .7734 .7764 .7974 .7823 .7852
.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 ;8413 .8438 .8461 .8485 . 8508 .8531 . .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .901)
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9278 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9430 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9648 .9656 .9664 .9671 .9678 .9686 .9693 .9700 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9762 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9874 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 P.9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986 -
'
3. .9987 .9990 .9993 .999"5 .9997 .9998 .9998 .9999 .9999 1.0000

Nota 1: Se urna variavel norma! X nao esta na forma padrao seus valores devem ser padro-
nizados : Z=(X-~)/a. Istoe P(X.;;x)=<l> - (- ~)0
- . ..
~

Nota 2: Para pro babilidades bicaudais ver Tabela l b


Nota 3: Para z ;;. 4, <l>(x) = l para 4 casas decimais; para z .;;; -4, <l>(z) =O ate 4 casas
decimais.
Nota 4: As entradas opostas z= 3 saopara 3,0; 3,1; 3,2; etc.
264
iNDICE REMISSIVO

- a
Algebra dos conjuntos, 7
Decis, 136
Densidade. Veja Densidade descon tfnua;
Algebra sigma, 7 densidade em rela<;ao a integra<;ao
Algebra sigma (a-algebra) de subcon- Densidade com rela<;ao aintegra<;ao, 159
junto, 7 Beta, 152
Amostra aleatria, l 02 bidimensional, 147
Aroostragem com reposi<;ao, 28 condicional, 108, 157, 164
Veja tamhem distribui<;ao binomial conjunta, 144,'147, 161, 162
Aroostragem sem reposi<;ao, 29, 31, exponencial, 121
36-37, 52 F, 169
Aroostra ordenada, 27-30 gama, 132
Amostras desordenadas, 31-33 marginal, 145, 147, 162
Amplitude, 164 Maxwell, 176
Aproxima<;ao de Poisson a distribui<;ao norma!, 128
binomial, 70 Rayleigh, 175
Aproxima<;ao norma!, 192 simetrica, 126

Caminho aleatrio, 225


c t, 170
unidimensional, 144, 147
simples, 229 Densidade condicional, descontfnua, l 08
Caminho aleatrio simples, 229 com rela<;ao aintegra<;ao, 157' 164
Coeficiente binomial, 31 no metodo de Bayes, 159
Coeficiente de correla<;ao, l 00, 182 Densidade conjunta, descontinua, 62
Combina<;oes, 31-33 com respeito para integra<;ao, 144,
Complemento de urn evento, 3, 6 147, 161, 162
Convolu<;ao, 150 Densidade marginal, descontinua, 62
Covariancia, 97, 106, 182, 184 com rela<;ao a integra<;ao, 145, 162
Densidade simetrica, 125-126

Decil inferior, 136


d mediana, 136-137
momentos, 184
Decil superior, 136 Desigualdades de Chebyshev, 102
J=s:~ e de Schwarz, l 00 Distribui~ao de x 2 , 168-169
~-Bo padrao, 95, 182 media, 182
DistnOuif?aO , 51 momentos, 183
Distribui~ao Beta, 152 variancia, 183
Distribui~ao bidimensional, 14 7 Distribuiyao exponencial, 121, 129, 21 O
norma!, 177 fun'rao caracteristica, 211
normai padrao, 148 -funyao geratriz de momento, 204
Distribui~ao binomial, 51 momentos, 183
aplica~ao da desigualdade de Cheby- propnedade exponencial, 130
shev, 103 soma das variaveis aleatrias expo-
aproxima~ao norma!, 194, 196 nenciais, 150,163,173
aproxima~ao de Poisson, 69 tempos de espera pelo processo de
fun~ao geratriz de momento, 204 Poisson, 240
fun~ao geratriz de probabilidade, 73 variancia, 183
media, 84, 90 Distribuiyao F, 169
provas de Bernoulli, 66 Distribuiyao gama, 132
soma das variaveis aleatrias bino- aproxima'rao normal, 192
miais, 75 distancia as particulas no processo
variancia, 98 de Poisson, 239
Distribui~ao binomial negativa, 55 funyao geratriz de momento, 204
aproxima~ao norma!, 192 momentos, 183
fun~ao geratriz de probabilidade, 73 quocientes das variaveis aleatrias
media, 96-97 gama, 156
soma das variaveis aleatrias bina- soma das variaveis aleatrias gama,
rniais negativas, 75 152, 163
variancia, 96-97 tempos de espera no processo
Distribui~ao de Bernoulli, 66 de Poisson, 240
Veja tamhem distribui~ao binomial variancia, 183
Distribui~ao de Cauchy, 124-125 Distribui'rao geometrica, 55
soma das variaveis aleatrias de Cau- fun'rao de distribui'rao, 59
chy, 222-223 funyao geratriz da probabilidade, 73
Distribui~ao de Maxwell, 176 media, 86 , 97
Distribui~ao de Poisson, 56 propriedade especial, 59-60 .. ",;
aproxima~ao da distribui'rao bino- soma das variaveis aleatrias geo-
mial, 69 metricas, 72, 75-76
aproxima~ao norma!, 191 tempos de espera nas provas de
fun~ao geratriz do momento, 204 Bernoulli, 70
fun'rao geratriz da probabilidade, 75 variancia, 97
rela'rao com a distribuiyao gama, 134 Distribuiyao hipergeometrica, 52, 91, 99
soma da variaveis de Poisson, 7 S media, 90
variancia, 97 variancia, 99
Distribuiyao de Rayleigh, 175 Distribuiyao log norma!, 140
266
Distribuiao multinomial, 68 Espao da probabilidae uniforme, 9-1 O
aplicaao para estatisticos de ordem, Esquema de urna de Polya, 18
168 Estatisticos de ordem, 164
conexao com o processo de Poisson; Eventos, 3, 6
236 complemento, 3, 6
Distribuiao norma!, 127-129 independente, 19, 20
aproximaao normal, 192 interseao, 3, 6
bidimensional, l 77 uniao , 4, 6, 38
causas das transforma6es, 136 Eventos independentes, 19, 20
densidade bidimensional, 147-148 Eventos independentes aos pares, 19
distribuioes amostrais, 167 Eventos mutuamente independentes,
frmulas de inversoes, 212 19-20
funao caracteristica, 211-212, 214 Expectancia condicional, variavel aleat-
funao geratriz de momento, 203- ria continua, 188
205 variavel aleatria independente, l 09
media, 184 Expectancia, variavel aleatria complexa,
momentos, 184, 205-206 208
padrao, 128 condicional, 109, 188
soma das variaveis aleatrias nor- definiao geral, 182
mais, 153, 163 funao das variaveis aleatrias , 87-
teorema do limite central, 190-192, 88, 182
219 propriedades, 86 , 182
variancia, 184 variavel aleatria continua, 179
Distribuiao normai bidimensional pa- variavel aleatria descontinua, 85
drao, 138-148
Distribuiao normai padrao, 127
Distribuiao t, l 70
f
Frmulas de inversao envolvendo fun-
Distribuiao uniforme , descontfnua, 55 oes caracteristicas, 212-214
media, 83-84 Funao Beta, 153
Distribuiao uniforme num intervalo, Funao caracteristica, 206
121 frmula da inversao, 212-214
envolvendo transforma6es , 135- soma das variaveis aleatrias inde-
136 pendentes, 210
funao caracteristica, 209 teorema da continuidade , 215
media, 179 Fun ao da densidade
Distribuioes amostrais, 167-168 Bernoulli, 66
binomial, 51
--
...
Enrolamento, 150
binomial negativa, 55
condicional, l 08
Erro provavel, 137 conjunta, 62
Espao da probabilidade, 8-9 gepmetrica, 55
Espao da probabilidade simetrica, l O, 27 hipergeometrica, 52
267
' 6_
~ ::; :-gin

ultinomial , 6
Poisson , 56 Jacobianos, 172
simetrica, 125
Funyao da distribuic;ao, 112, 117
absolutamente continuas, 117
Cauchy, 124 K-percentil superior, 136-13 7
conjunta, 143, 161
densidade simetrica, 126
envo1vendo transformac;6es, 135
gama, 134 Lei de Maxwell, 129
geometrica, 59 Lei Fraca dos Grandes Numeros, 103 ,
inversa, 134 218
marginal, 144, 161 Leis de De Morgan, 11
normal, 127
propriedades, 114-115 m
variavel aleatria, 57-58 Mao de poquer, 4 7
uniforme , 121 Media, 84, 182
Func;ao da distribuic;ao abso1utamente Mediana, 136
continua, 117 Medida de probabilidade, 9
Func;ao da distribuic;ao conjunta, 143, Meia-vida, 137
161 Momentos, 93 , 182-183
Func;ao da distribuic;ao marginal , 144, central, 93, 182-183
161
Func;ao de regressao , 188
Func;ao de erro , 140
Func;ao gama, 13 2 Nlimero de membros de comissao, 32
Func;ao geratriz da probabilidade, 73 Numeros complexos, 207-208
soma das variaveis aleatrias inde-
pendentes, 74-75
Func;ao geratriz do momento , 203 p
computac;ao de momentos, 205 Partic;es, 34-38
soma das variaveis aleatrias inde- Percentis, 13 7
pendentes, 205 Permutac;oes, 29-31
Probabilidade condicional, 14
envoivendo variaveis aleatrias, 57
Probierna do aniversario, 29
Identidades de Wald, 226 Probierna do cupon, 45
Intersec;ao de eventos, 3, 6 Probiemas de ocupac;ao, 42
Interpretac;ao da freq\Hlncia re1ativa, 1-3 Probiemas de encontro, 31, 40
expectiincia, 83 Processo de Poisson, 239
pro babilidade condicional, 14 distiinciaa m-esima partieula mais
perto, 238-239 aproxiplayao normal, 192
teropos de espera, 240 forma local, 193-195
Processos estocasticos, 285 Teorema do lirnite de DeMoivre-Laplace,
Provas de Bemoulli, 66 190
seqiiencias infmitas, 70-71 Teorema da probabilidade, l
Troca da frmula variavel, multidimen-
sional, l 71 -173

Quartis, 136
q
Quartil inferior, 136
Quartil superior, 136 Uniiio de eventos, 4, 6, 38
Quociente das variaveis aleatrias, 154
V
Valor possfvel, 50
lr Varianc~ , 9 8, 182, 183
Variaveis aleatrias independentes, 63,
Regra de Bayes, 17, 159
64, 66 , 146 , 147, 158, 162, 163
Regularidade estatfstica, l
quocientes, 154
somas, 72, 149-15 0
s
Soma das variaveis aleatrias in~epen
Variaveis aleatrias mutuamente inde-
pendentes. Veja variaveis aleat-
dentes, 72 rias independentes, 83
continua, 149 Variaveis aleatrias nao-correlatas, 100
descontfnua, 72 Variaveis aleatrias simetricas, 125
funyao caracteristica, 211 mediana, 136
funyao geratriz de memento, 205 momentos, 184
funyao geratriz da probabilidade, 75 Variavel aleatria, 11 2
variancia, 98 complexa, 208
continua, 111 , 115
descont fn ua , 50
simetrica, 125
Taxa de falha, 141 Variavel aleatria complexa, 208
Teropos de espera, provas de Bemoulli, Variavel aleatria constante, 5.2
70 funyao caracterist~ca, 208
.processos de Poisson, 240 Variavel aleatria continua, 111, 115
Teorema da continuidade, 216 Variavel aleatria descontinua, 50
Teorema da imparidade envolvehdo fun- Variavel aleatria indicadora, 52
y6es caracteristicas, 216 Veja tambero distribuiyao de Ber-
Teorema do lirnite central, 191 , 219 noulli
aplicayao para amostragem, 196 Vetor aleatrio descontinuo, 61

269
~IMrlliiU
='i!tll?tff mfltl f UIIIII llll.
~R
FI CHA DE DATA
DE ENTREGA
DATA DE
DEVOLUCAo
l DATA DE
CEVOLUCAO
l- DATA DE
DEVOLUCAO
l DATA DE
DEVOLUCAO

ImA~[~~
'{)t(,()pqf- 1-
l
'bL7follf l
1thfr.ilro
nPi d:::L--v l
{qj~}{)) l
cl'f(6675
__ _l
J

- l l
l
COLABORE DEVOLVENDO O
LIVRO NA DAT A CERTA
-
UNIA MOC, 142 8i8 / F e v/e7 11l.OOO

PROVE QUE SABE HONRAR OS


SEUS COMPROMISSOS, DEVOLVENDO
COM PONTUALIDADE ESTE LIVRO A 8 1-
BLIOTECA.

UNIR- MOD. 104