Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Sumrio
1 Reviso de Anlise Combinatria
1
1.1 lgebra de Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Noes Bsicas de Tcnicas de Contagem . . . . . . . . . . . . . . . . 5
1.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Base Terica de Probabilidade
2.1 Modelo Matemtico para um Experimento . . . . .
2.1.1 Espaos de Probabilidade . . . . . . . . . .
2.1.2 Denio e Propriedades das Probabilidades
2.1.3 Probabilidade Condicional . . . . . . . . . .
2.1.4 Independncia . . . . . . . . . . . . . . . . .
2.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . .
3 Variveis Aleatrias
3.1 Conceito . . . . . . . . . . . . . . . . . . . .
3.2 Funo de Distribuio . . . . . . . . . . . .
3.3 Variveis Aleatrias Discretas . . . . . . . .
3.4 Variveis Aleatrias Contnuas . . . . . . . .
3.5 Exerccios . . . . . . . . . . . . . . . . . . .
3.6 Funes de Variveis Aleatrias . . . . . . .
3.6.1 Distribuies de Funes de Variveis
3.7 Exerccios . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
Aleatrias
. . . . . .
4 Esperana Matemtica
4.1 Denio . . . . . . . . . . . . . . . . . . . . .
4.2 Esperanas de Funes de Variveis Aleatrias
4.3 Momentos . . . . . . . . . . . . . . . . . . . .
4.4 A Funo Geratriz de Momentos . . . . . . . .
4.5 Exerccios . . . . . . . . . . . . . . . . . . . .
5 Modelos de Variveis Aleatrias Discretas
5.1 O Modelo Uniforme . . . . . . . . . . . . .
5.2 O Ensaio de Bernoulli . . . . . . . . . . .
5.3 A Distribuio Binomial . . . . . . . . . .
5.4 A Distribuio Geomtrica . . . . . . . . .
5.5 A Distribuio Binomial Negativa . . . . .
5.6 A Distribuio Hipergeomtrica . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
17
17
20
29
33
38
.
.
.
.
.
.
.
.
44
44
45
47
49
52
53
54
55
.
.
.
.
.
58
58
61
61
65
67
.
.
.
.
.
.
70
70
71
71
74
75
78
.
.
.
.
.
.
.
.
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7 Vetores Aleatrios
7.1 Independncia . . . . . . . . . . . . . . . . . . . . . . . . .
7.2 Esperanas de Funes de Vetores Aleatrios . . . . . . . .
7.3 Distribuies de Funes de Variveis e Vetores Aleatrios
7.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
90
90
91
93
93
93
98
98
99
99
101
102
102
104
106
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
112
. 116
. 119
. 122
. 125
PROGRAMA
UNIDADE I - PROBABILIDADE.
Interpretaes de Probabilidade. Experimentos e eventos. Denio de probabilidade. Propriedades da probabilidade. Espaos amostrais nitos Mtodos de
Contagem. Probabilidade da Unio Finita de Eventos.
UNIDADE II PROBABILIDADE CONDICIONAL.
Denio de Probabilidade Condicional. Independncia. Teorema de Bayes.
Cadeias de Markov: primeiras noes.
UNIDADE III VARIVEIS ALEATRIAS
Denio. Funo de Distribuio e Propriedades. Tipos de Variveis Aleatrias.
UNIDADE IV VARIVEIS ALEATRIAS DISCRETAS
Denio e exemplos. Funo de Probabilidade. Valor esperado e varincia de
uma varivel aleatria discreta. Propriedades do valor esperado e da varincia.
Principais modelos discretos: denio e propriedades. Bernoulli, Binomial, Geomtrico, Binomial Negativo, Hipergeomtrico e Poisson.
UNIDADE V VARIVEIS ALEATRIAS CONTNUAS
Denio. Funo de densidade de probabilidade.
Valor esperado e varincia. Propriedades do valor esperado e da varincia.
Principais modelos contnuos: denio e propriedades. Uniforme, Normal, Exponencial, Gama, Beta. Outros modelos contnuos.
A distribuio de uma funo de uma varivel aleatria.
ii
iii
BIBLIOGRAFIA
AVALIAOES
iv
Captulo 1
Reviso de Anlise Combinatria
1.1
lgebra de Conjuntos
Se A
BeB
A.
e B
indicaremos por A [ B o
j ! 2 A ou ! 2 Bg
, para todo
[ Ai = f! 2
i=1
j ! 2 A1 ou ! 2 A2 ... ou ! 2 An g
Ento
1
[ Ai = f! 2
i=1
j ! 2 Ai para algum i 2 Ng
j ! 2 A e ! 2 Bg
2
, para todo i =
\ Ai = f! 2
i=1
j ! 2 A1 e ! 2 A2 ... e ! 2 An g
Ento
1
\ Ai = f! 2
i=1
j ! 2 Ai para todo i 2 Ng
j!2
= Ag
B = f! 2
j!2Ae!2
= Bg
B = A \ Bc.
e conjuntos A, B e C, os seguintes
, A [ ; = A, A \ ; = ;.
(ii) A
B se e somente se A [ B = B.
(iii) A
B se e somente se A \ B = A.
(iv) A [ (B [ C) = (A [ B) [ C.
(v) A \ (B \ C) = (A \ B) \ C.
(vi) A \ (B [ C) = (A \ B) [ (A \ C).
(vii) A [ (B \ C) = (A [ B) \ (A [ C).
(viii) A [ Ac = , A \ Ac = ;, ;c = ,
= ;.
(ix) (Ac )c = A.
(x) A
B se e somente se B c
(xi) (A [ B)c = Ac \ B c ,
(xii) (A \ B)c = Ac [ B c ,
[ Ai
i=1
n
Ac .
c
c
\ Ai
i=1
i=1
n
i=1
1
\ Aci e
[ Aci e
i=1
[ Ai
\ Ai
i=1
=
c
\ Aci .
i=1
1
[ Aci .
i=1
A2
:::
B = f(a; b) j a 2 A, b 2 Bg
ai 2 Ai , para i = 1; :::; n.
Extenso 2: Dada uma seqncia de conjuntos A1 , A2 , ..., o produto cartesiano
A1
A2
fan ; n
::: denido como o conjunto das 1-uplas (a1 ; a2 ; :::; ) (ou das seqncias
1g) onde ai 2 Ai , para todo i 2 N.
B = f(1; 1); (1; 2); (1; 3); (2; 1); (2; 2); (2; 3)g
1.2
B 6= B
A.
Exemplo 5 De quantas formas podemos obter uma soma 4 ou 8 quando dois dados
distinguveis (por exemplo, tm cores diferentes) so lanados? De quantas formas
obtemos uma soma par?
Observao 1 urgente a discusso sobre a diferena semntica entre os adjetivos
distinto e distinguvel. No exemplo acima, os dois dados so distintos porque
temos dois dados e no apenas um dado. Alm disso, os dados eram tambm distinguveis com respeito cor, de forma que o par (1,5) pode ser diferenciado de (5,1).
Entretanto, se os dois dados distintos no tivessem caractersticas distinguveis, ento no poderamos fazer tal diferenciao.
Exemplo 6 De quantas formas podemos obter uma soma 8 quando dois dados indistinguveis so lanados? De quantas formas obtemos uma soma par?
Exemplo 7 Dois dados, um verde e um vermelho, so lanados. Quantos resultados diferentes existem neste experimento?
Exemplo 8 H 5 livros diferentes de Espanhol, 6 livros diferentes de Francs e 8
livros diferentes de Ingls. Quantas formas h de tomar um par (no ordenado) de
livros de lnguas diferentes?
Exemplo 9 Quantas maneiras existem de formar uma seqncia de trs letras,
usando as letras a, b, c, d, e, f:
(a) com a repetio de letras permitida?
(b) sem a repetio de qualquer letra?
(c) sem a repetio e contendo a letra e?
(d) com repetio e contendo a letra e?
Exemplo 10 Quantas colees diferentes e no-vazias podem ser formadas com 5
mas idnticas e 8 laranjas idnticas?
6
Exemplo 11 Uma indstria fabrica 100 produtos diferentes, que j esto no mercado. Para facilitar a identicao via computador ser criado um cdigo de barras
onde cada barra j ou
1)(n
= 1:2:3:::(n
2):::3:2:1
2)(n
1)n
n!
(n
k)!
n
k
An;k
k!
n!
=
k!(n k)!
k letras B so
P (n; r1 ; r2 ; :::; rm ) =
r1
r3
r2
:::
r1
r2 :::
rm
rm
Exemplo 21 Quantos so os anagramas da palavra PIRACICABA que no possuem duas letras A juntas?
Os prximos exemplos ilustram o conceito de Combinaes Completas, onde o
conceito de distinguibilidade de objetos no mais se d.
Proposio 7 (Combinao Completa) Seja A um conjunto de n elementos.
Ento o nmero de amostras com reposio de k elementos de A, ou por outra, o
nmero de subconjuntos de k elementos de A com repeties permitidas dado por
n
k
n
k
Obs.: A notao
:=
n+k
k
0 dado por
n
k
Prova. Em aula.
Exemplo 22 De quantas formas diferentes podemos comprar 6 cachorros-quentes,
se h 3 variedades possveis (mini, regular e super)?
Exemplo 23 Quantas solues inteiras h para a equao
x1 + x2 + x3 + x4 = 12
(a) com xi
0?
(b) com xi
1?
(c) com x1
2, x2
2, x3
4, x4
0?
10
= (n
1)!
o conjunto univer-
e
S0 = #
S1 =
n
P
#(Ai )
i=1
S2 =
1 i<j n
S3 =
1 i<j<k n
(observe que h
n
1
#(Ai \ Aj )
#(Ai \ Aj \ Ak ) ...
parcelas em S1 ,
n
2
S 2 + S3
::: + ( 1)n+1 Sn
7, x2
6, x3
9 e x4
8.
3 e 3 inclusive.
1.3
Exerccios
M
M A
M A T
M A T E
M A T E M
M A T E M A
M
A
T
E
M
A
T
M
M A
A T
T E
E M
M A
A T
T I
I C
M
A
T
E
M
A
T
I
C
A
1).
4n 3 .
Exerccio 13 Quantos so os p-subconjuntos (isto , subconjuntos com p elementos) de fa1 ; a2 ; :::; an g nos quais:
(a) a1 gura; Resp.: Cnp
1
1
2
2
1
p 2
2 +Cn 2
= Cnp Cnp
1
2
Exerccio 18 Uma partcula, estando no ponto (x; y) pode mover-se para o ponto
(x + 1; y) ou para o ponto (x; y + 1). Quantos so os caminhos que a partcula pode
tomar para, partindo do ponto (0; 0), chegar ao ponto (a; b), onde a > 0 e b > 0?
a
Resp.: Ca+b
Exerccio 19 De quantos modos podem ser pintados 6 objetos iguais usando 3 cores
diferentes? Resp.: 28
Exerccio 20 De quantos modos podemos colocar em la 7 letras A, 6 letras B e 5
letras C de modo que no haja duas letras B juntas? Resp.: 1.359.072
16
Captulo 2
Base Terica de Probabilidade
2.1
2.1.1
Espaos de Probabilidade
Suponha que vamos realizar um experimento cujo resultado no pode ser predito
de antemo. Entretanto, suponha que saibamos todos os possveis resultados de
tal experimento. Este conjunto de todos os resultados possveis, que denotaremos
por
denio:
Denio 8 O conjunto
= fCa; Cog,
= f1; 2; 3; 4; 5; 6g.
ento
= f(Ca; Ca); (Ca; Co); (Co; Ca); (Co; Co)g, onde o resultado (a; b) ocorre se a
face da primeira moeda a e a face da segunda moeda b.
17
(1; 2)
(2; 2)
(3; 2)
(4; 2)
(5; 2)
(6; 2)
(1; 3)
(2; 3)
(3; 3)
(4; 3)
(5; 3)
(6; 3)
(1; 4)
(2; 4)
(3; 4)
(4; 4)
(5; 4)
(6; 4)
(1; 5)
(2; 5)
(3; 5)
(4; 5)
(5; 5)
(6; 5)
(1; 6)
(2; 6)
(3; 6)
(4; 6)
(5; 6)
(6; 6)
9
>
>
>
>
>
>
=
>
>
>
>
>
>
;
= [0; 1).
, isto A
, ao qual
os conjuntos ; e
so eventos aleatrios. O
denominado
= f1; 2; 3; 4; 5; 6g,
=Ne
1
6
para os pontos
= fb; vg e
2
5
o evento for "retirar uma bola branca", ento esse evento ser dado por fbg pelo
espao amostral
1,
2.
No entanto, em ambos
19
2.1.2
onde #A a cardinalidade de A e #
#A
#
a cardinalidade de
maneira aleatria com cada andar (1; 2; :::; 10) tendo a mesma probabilidade de ser
selecionado. Qual a probabilidade de que todos saiam em andares diferentes?
(Freqentista) Baseia-se na freqncia relativa de um nmero grande de realizaes independentes do experimento. Seja A um evento, ento
nA
n!1 n
P (A) = lim
n0 se
tenha
P (A)
improvvel que P (A)
nA
n
nA
< ".
n
" para n
21
0.
A2) P ( ) = 1.
A3) (Aditividade nita) Se A1 ; A2 ; :::; An
Ai \ Aj = ; para todo i 6= j, ento P
i=1
i=1
Uma funo P satisfazendo os axiomas 1, 2 e 3 chamada probabilidade nitamente aditiva. Entretanto, para os nossos objetivos, ser mais conveniente
supor -aditividade:
A3) Se A1 ; A2 ; :::
[ Ai =
i=1
1
X
P (Ai ).
i=1
ento P (A) = 1. No
. o que
, temos
P (A) =
24
SA
com SA a rea da regio denida pelos pontos de A. Mas ento, todo evento elementar desse espao amostral tem probabilidade nula, pois se A = f(a; b)g, ento
SA = 0, e consequentemente
P (A) =
= 0.
No entanto A 6= ?. Alm disso, observe que todo experimento ter como um resultado um ponto do crculo unitrio, que tinha probabilidade nula antes de ele ocorrer.
Portanto eventos de probabilidade 0 no so necessariamente eventos impossveis!
Seja agora o evento B como sendo o conjunto de pontos do crculo unitrio tais
que a abscissa diferente da ordenada, isto , B = f! = (x; y) : x2 + y 2
Naturalmente B subconjunto prprio de
P (B) =
SB
1 e x 6= yg.
. Mas
=
= 1,
. Assim
B um evento quase-certo, pois embora possamos obter um ponto do tipo (a; a) que
no satisfaz ao evento B, a chance de isso ocorrer nula.
Proposio 10 O Axioma 3implica o Axioma 3, isto , se P -aditiva, ento
nitamente aditiva.
Prova. (Em aula.)
Teorema 2 Para A
, temos P (Ac ) = 1
P (A).
, temos 0
1.
P (A)
25
Teorema 4 Sejam A e B
(a) P (B
A) = P (B)
(b) P (A)
. Se A
B, ento
P (A);
P (B).
P (A \ B).
, P
[ Ai
i=1
i=1
[ Ai
i=1
n
X
i=1
P (Ai )
X
i<j<k<l
X
i<j
. Ento
P (Ai \ Aj ) +
i<j<k
P (Ai \ Aj \ Ak )
Modelo 3: Um ponto escolhido aleatoriamente do crculo. A corda construda tendo o ponto selecionado como seu ponto mdio. Ento p = 41 .
27
radianos?
(a + b) no
1
1
+
3! 4!
::: +
( 1)n
.
n!
2.1.3
Probabilidade Condicional
Denio 11 Seja
medida de probabilidade. Se B
P (A \ B)
, A
P (B)
(2.1)
P (A j B).
30
Denio 12 Seja
uma famlia
(i) [ Ai =
i=1
An .
Para todo evento B
temos
n
B = [ (Ai \ B) .
i=1
X
i
para todo B
P (Ai ):P (B j Ai )
, ento
(2.2)
, ento
P (Ai )P (B j Ai )
P (Ai j B) = X
.
P (Aj ):P (B j Aj )
j
31
(2.3)
2.1.4
Independncia
Denio 13 Seja
P (A \ B)
P (?)
0
=
= = 0 6= p = P (A) .
P (B)
P (B)
q
1
.
12
Sejam os eventos A: "nmero primo retirado no dado"e B: "a face cara obtida
na moeda". Desejamos
P (A \ B) = P (f2; 3; 5g
fcag)
= P (A) P (B)
=
3
6
1
2
34
6
1
6
1
1
= , P (B) =
= e P (A \ B) = P (A) P (B) = .
12
2
12
2
4
2) so chamados (coletiva
ou estocasticamente) independentes se
P (Ai1 \ Ai2 \ ::: \ Aim ) = P (Ai1 ):P (Ai2 ):::P (Aim )
para todo 1
2, A1 ; :::; An
so independentes.
Observao 9 (Concepo Errnea) Um erro muito comum achar que independncia a pares implica independncia coletiva. Isso no vale necessariamente.
Tampouco vale dizer que se a regra do produto vale no maior nvel ento ela vale
para os nveis mais baixos.
O exemplo a seguir ilustra isso.
Exemplo 65 Suponha um tetraedro regular com faces marcadas 1, 2, 3 e 4. Seja
o experimento de jogar o tetraedro e observar a face justaposta mesa. Sejam
os eventos A = f1; 4g, B = f2; 4g e C = f3; 4g. Verique que A, B e C so
independentes dois a dois, mas no so coletivamente independentes.
Soluo: O espao amostral para o experimento dado por
= f1; 2; 3; 4g e
1
1
=
4
2
1
1
P (A \ C) = P (f4g) = =
4
2
1
1
P (B \ C) = P (f4g) = =
4
2
P (A \ B) = P (f4g) =
1
= P (A) :P (B)
2
1
= P (A) :P (C)
2
1
= P (B) :P (C)
2
1
2
1
2
1
e
4
1
1
= .
2
8
E assim
P (A \ B \ C) =
1
1
6= = P (A):P (B):P (C).
4
8
Logo A, B e C no so independentes.
Teorema 14 Se os eventos Ai , i 2 I, so independentes, ento os eventos Bi , i 2 I,
so tambm independentes, onde cada Bi igual a Ai ou Aci (ou um ou outro).
Prova. (Omitida por ser equivalente prova do Teorema 13.)
Observao 10 Toda famlia de eventos independentes independente.
Exemplo 66 Suponha que dois jogadores A e B se alternam num jorgo de dardo.
Se os jogadores A e B tm, respectivamente, 60% e 80% de chance de acertar o alvo
e se as jogadas so independentes umas das outras, qual a probabilidade de A ganhar
o jogo se ele comea o jogo? E qual a probabilidade de B ganhar nestas condies?
Exemplo 67 Suponha agora uma variante do jogo anterior da seguinte forma: A
joga sucessivamente at acertar o alvo. Em seguida B joga sucessivamente at acertar o alvo. Ganha o jogo aquele que tiver acertado o alvo num menor nmero
de jogadas? Nestas condies, qual a probabilidade de A ganhar o jogo? Qual a
probabilidade de empate? Qual a probabilidade de B ganhar?
37
1
2
p, pede-se:
(a) a probabilidade de que um sinal de entrada (in) seja recebido na sada (out);
(b) a probabilidade condicional de que o rel E esteja aberto, dado que o sinal foi
recebido.
2.2
Exerccios
Exerccio 21 Suponha que A, B e C sejam eventos tais que A e B sejam independentes e que P (A \ B \ C) = 0; 04, P (C j A \ B) = 0; 25, P (B) = 4P (A). Calcule
P (A [ B). Resp.: 84%.
Exerccio 22 Se A e B so eventos independentes tais que P (A) = 1=3 e P (B) =
1=2, calcule P (A [ B), P (Ac [ B c ) e P (Ac \ B). Resp.: 2/3, 5/6 e 1/3.
Exerccio 23 A probabilidade de um homem ser canhoto 1/10. Qual a probabilidade de, em um grupo de 10 homens, haver pelo menos um canhoto? Resp.:
aproximadamente 0,65.
38
Exerccio 24 Prove que se A e B so eventos tais que P (A) > 0, P (B) > 0 e
P (AjB) > P (A), ento P (BjA) > P (B).
Exerccio 25 Suponha que A, B e D sejam trs eventos tais que P (AjD)
e P (AjDc )
P (BjD)
P (B).
0; 7. Em
P (E) + P (F )
1.
10
18
k
20
1
2!
1
3!
1
4!
::: +
( 1)n
.
n!
(b) Qual a probabilidade de que para pelo menos uma carta, o nmero da carta
coincida com o nmero da retirada? Resp.: 1
40
1
2!
1
3!
1
4!
+ ::: +
( 1)n+1
.
n!
(c) Suponha que o acerto do exame, nas duas situaes possveis, tm a mesma
probabilidade p. Quanto deve ser o valor de p para que a probabilidade calculada no
item (a) seja 0,9? Resp.: 81/82.
Exerccio 44 Uma instalao industrial dispe de um sistema de segurana defeituoso: o alarme dispara com probabilidade 0,90 quando h incndio, e dispara
com probabilidade 0,15 mesmo quando no h incndio. A probabilidade de que
ocorra um incndio neste tipo de instalao de 0,05. Sabendo que o alarme est
soando no Corpo de Bombeiros, qual a probabilidade de que um incndio esteja
realmente ocorrendo? Resp.: 6/25.
Exerccio 45 Suponha que uma caixa contenha 5 moedas e que cada moeda tenha
uma probabilidade diferente de dar cara. Seja pi a probabilidade de sair cara, quando
a i-sima moeda lanada, e que p1 = 0, p2 = 1=4, p3 = 1=2, p4 = 3=4, p5 = 1.
Suponha, nalmente, que uma moeda selecionada aleatoriamente da caixa e que,
ao ser lanada, d cara. Com base nesta informao, calcule:
(a) A probabilidade de que se tenha selecionado a moeda 5. Resp.: 40%.
(b) A probabilidade de se obter outra cara ao lanar a mesma moeda novamente.
Resp.: 75%.
43
Captulo 3
Variveis Aleatrias
3.1
Conceito
= [0; 1] e
X(!) = ! 2 .
44
= f(x; y) : x2 + y 2
1g e, com
x2 + y 2 .
= f1; 2; 3; 4; 5; 6g
e
X(!) = !.
: X(!)
X:
3.2
tal
x) para todo x 2 R.
Funo de Distribuio
x), x 2 R.
(3.1)
Proposio 12 Propriedades da Funo de Distribuio. Se X uma varivel aleatria, sua funo de distribuio F goza das seguintes propriedades:
F1) Se x1
x2 ento F (x1 )
P (X
a) = 1
b) = P (X
b)
a) = P (X
b)
P (X
a) =
FX (a)
3. P (X = a) = P (X
a)
P (X < a) = FX (a)
FX (a ). Ou seja, P (X = a)
P (X
a)
P (X = b)
P (X = b) = FX (b)
FX (a)
[FX (b)
FX (a).
= FX (b )
6. P (a
b)
b)
b) = P (a < X
= FX (b)
FX (a )] = FX (b )
FX (a ).
b) + P (X = a)
FX (a )] = FX (b)
46
FX (a ).
FX (b )]
Exemplo 76 Um dado tendencioso tal que a probabilidade de um ponto proporcional ao prprio ponto. Seja X a varivel aleatria que representa o nmero obtido
no lanamento do dado. Pede-se:
(a) A funo de distribuio da varivel aleatria X, esboando o seu grco.
(b) A probabilidade de ocorrer 5, dado que ocorreu um nmero mpar?
(c) A probabilidade de ocorrer um nmero par, dado que ocorreu um nmero
menor do que 5?
Exemplo 77 Seja F (x) a funo
8
>
0, se x < 0
>
>
>
>
>
>
<
1
1
x + , se 0 x
F (x) =
2
2
>
>
>
>
>
>
1
>
: 1, se x >
2
Mostre que F de fato uma funo de distribuio e calcule:
(a) P (X > 18 )
(b) P ( 18 < X < 25 )
(c) P (X <
3.3
2
5
j X > 18 )
Denio 18 A varivel aleatria X discreta se toma um nmero nito ou enumervel de valores, isto , se existe um conjunto nito ou enumervel fx1 ; x2 ; :::g
R tal que X(!) 2 fx1 ; x2 ; :::g para todo ! 2 . A funo p(xi ) denida por
p(xi ) = P (X = xi ), i = 1; 2; 3; :::
chamada funo de probabilidade de X.
Observao 11 Note que [X
F (x) =
x] =
X
[X = xi ] e assim
i:xi x
P (X = xi ) =
i:xi x
i:xi x
47
p(xi ).
(3.2)
0, i = 1; 2; 3; :::
(3.3)
e
1
X
p(xi ) = 1.
(3.4)
i=1
Exemplo 78 Num grupo de n pessoas, encontram-se Joo e Maria. Um experimento consiste em se colocar as n pessoas em la de forma aleatria. Seja X a
varivel aleatria que conta o nmero de pessoas que separam Joo e Maria na la.
Pede-se:
(a) Um espao de probabilidade
! R.
48
3.4
0 para todo x 2 R
Z1
fX (x)dx = 1
de modo que
FX (x) =
Zx
fX (t)dt.
dFX (x)
.
dx
FX (x ) = 0 para todo x 2 R.
b) = P (a < X
b) = P (a
49
FZ (z) =
8
>
0, z < 0
>
>
>
>
>
>
>
1
>
2
>
>
< z , 0 z<2
>
>
1
>
>
1 3(1 z)2 ,
>
>
2
>
>
>
>
>
: 1, z 1
z<1
3
).
4
FX (x) =
Obtenha:
8
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
<
0, x < 0
x
, 0
2
x<1
2
, 1 x<2
3
>
>
>
>
>
>
>
11
>
>
, 2 x<3
>
>
12
>
>
>
>
>
: 1, x 3
51
1) e P (X
3.5
Exerccios
2).
x
(jxj + 1)
para
Pede-se:
(a) O valor das constantes C1 e C2 .
(b) A funo de densidade de probabilidade de X.
(c) P (X
1j X >
1).
52
1<x<1
FX ( x);
(b) FX (0) = 12 ;
(c) P ( x < X < x) = 2FX (x) 1, x > 0;
Zx
(d) P (X > x) = 12
fX (t)dt, x > 0.
0
Exerccio 51 Suponha que X seja uma varivel aleatria com f.d.p. dada por
fX (x) =
1
,
2(1 + jxj)2
1<x<1
3.6
( ; P ) ! (R; PX ) ! (R; PY )
de ( ; P ) a (R; PY ) dene uma sada (output).
53
3.6.1
yg = P fg(X)
yg
yg, temos
FY (y) = P fX 2 By g
= PX fBy g
pX (xi )
i:g(xi )=y
(b) Quando X v.a. contnua, o problema mais complexo pois Y pode ser
discreto ou contnuo.
Exemplo 85 Seja X uma varivel com funo de distribuio
8
>
0, x < 10
>
>
>
>
>
>
>
1
>
>
10 x < 0
>
< 4,
FX (x) =
>
>
3
>
> , 0 x < 10
>
>
4
>
>
>
>
>
: 1, x 10
50.
54
e x, x > 0
0, caso contrrio
3.7
Exerccios
jxj
1<
1(0;1) (y).
2e 2x , x > 0
0, caso contrrio
55
3
.
(X + 1)2
Exerccio 55 Algum props a voc o seguinte jogo: Voc deve lanar um dado
sucessivamente a m de obter o nmero 6. Cada lanamento do dado vai lhe custar
R$ 10; 00. Se voc conseguir obter um 6 em no mximo trs tentativas, ganhar um
prmio de R$ 100; 00. O jogo termina no momento em que voc obtiver o primeiro
6 ou quando voc completar sem sucesso as trs tentativas. Seja X a v.a. que
representa o seu ganho lquido ao participar do jogo. Ache a distribuio de X.
Exerccio 56 Seja uma varivel aleatria X com densidade f (x) =
c
para x > 1
x4
1
.
2
3x
; x>0
1
.
X +1
Exerccio 58 Suponha que a varivel aleatria contnua X tenha a funo de densidade de probabilidade dada por
f (x) = Cxe
x2
, x>0
2jX
1).
56
Pede-se:
3
jX
2
< 4).
57
Captulo 4
Esperana Matemtica
4.1
Denio
Z1
(4.1)
xdFX (x)
Z0
Z1
Z0
(c) Se ambas as integrais xdFX (x) e
xdFX (x) forem nitas, dizemos que X
0
Z1
(d) Se X uma varivel aleatria discreta tomando valores no conjunto fx1 ; x2 ; x3 ; :::g
e com funo de probabilidade p(xi ) = P (X = xi ), ento
E(X) =
1
X
i=1
58
xi p(xi ).
Z1
xfX (x)dx
1
X
xi p(xi ) +
i=1
Z1
xfX (x)dx +
Z1
xdFs (x).
C(9 x2 ),
3
0, caso contrrio
1).
Exemplo 91 Seja X uma varivel aleatria com funo de distribuio dada por
8
0, x < 0
>
>
>
>
< 1=4, 0 x < 1
2=5, 1 x < 2
F (x) =
>
>
(2x 3) =2, 2 x < 5=2
>
>
:
1, x 5=2
[b2
b
+ (x
M )2 ]
Proposio 13 (Propriedades da Esperana Matemtica) As seguintes propriedades referentes esperana matemtica se vericam:
(i) E(C) = C, onde C uma constante.
(ii) Se a
(iii) E(aX
b, ento a
b) = aE(X)
(iv) E[X
E(X)] = 0.
(v) Se X
Y , ento E(X)
E(X)
b.
b.
E(Y ).
jXj
Y , onde Y varivel
'[E(X)].
'[E(X)].
jE(X)j.
(b) E(X 2 )
E 2 (X).
(c) E jXjp
(E jXj)p
(d) E
1
X
jEXjp . onde p
1
, se X > 0.
EX
60
1.
4.2
Denio 23 Seja X uma varivel aleatria e (x) uma funo real mensurvel.
Ento a esperana da varivel aleatria Y = (X) dada por
Z1
E(Y ) =
ydF
(X) (y)
A frmula acima nem sempre muito fcil de ser usada, pois devemos obter
a distribuio de Y a partir da distribuio da varivel X e s ento obter E(Y ).
No entanto possvel mostrar pela Teoria da Medida que a esperana da varivel
aleatria Y = (X) dada por
Z1
E (X) =
ydF
(X) (y)
Z1
(x)dFX (x)
onde a existncia de uma das integrais implica a existncia da outra bem como a
igualdade das duas. Ou seja,
E[ (X)] =
1
X
i=1
E[ (X)] =
Z1
E[ (X)] =
1
X
(xi )p(xi ) +
i=1
4.3
Z1
Momentos
Denio 24 Seja X uma varivel aleatria. Dene-se o k-simo momento ordinrio da varivel aleatria X, mk , como
k
mk = E(X ) =
Z1
1
61
xk dFX (x).
Assim,
mk =
mk =
1
X
xki P (X = xi )
i=1
Z1
xk fX (x)dx
se X v.a.d.
se X v.a.c.
mk =
1
X
xki P (X = xi ) +
i=1
Z1
Z1
b)k ] =
(x
Denio 26 Seja X uma varivel aleatria. Dene-se o k-simo momento central da varivel aleatria X, Mk , como
E(X))k ].
Mk = E[(X
Assim,
Mk =
Mk =
1
X
[xi
i=1
Z1
[x
E(X)]k P (X = xi )
E(X)]k fX (x)dx
se X v.a.c.
Mk =
1
X
[xi
se X v.a.d.
E(X)] P (X = xi ) +
i=1
Z1
[x
E(X)]k fX (x)dx
se X v.a. mista
2
X,
como
V ar(X) = E[(X
E(X))2 ].
E(X))2 ] = E[X 2
E 2 (X).
2XE(X) +
m21 .
X,
como
DP (X) =
p
V ar(X).
Proposio 16 (Propriedades do Desvio Padro) As seguintes propriedades referentes ao desvio padro se vericam:
(i) DP (C) = 0, onde C uma constante.
(ii) DP (aX
b) = jaj
X,
Obter:
1; 8).
E(X)
E jXjt
t
E(X)j
64
V ar(X)
2
0) = 1 e
2.
Exemplo 97 Suponha que X seja uma varivel aleatria tal que E(X) = 10, P (X
7) = 0; 2 e P (X
Proposio 20 Se Z
9
.
2
certamente.
Prova. (Em aula.)
Observao 18 A proposio acima implica que, quando V arX = 0, ento X
constante quase certamente, pois P fX = EXg = 1.
Proposio 21 Seja X integrvel e seja
= EX. Ento
minimiza E (X
c)2 ,
c 2 R, isto ,
V arX = E (X
)2 = min E (X
c2R
c)2 .
4.4
A funo geratriz de momentos desempenha um papel importante em vrios teoremas de convergncia de variveis aleatrias e tambm muito til no clculo de
esperana e varincia de variveis aleatrias.
Denio 29 Seja X uma varivel aleatria. Dene-se a funo geratriz de
momentos de X, mX (t), como
mX (t) = E[etX ], com t 2 R.
65
Assim,
mX (t) =
1
X
etxi P (X = xi )
se X v.a.d.
i=1
mX (t) =
Z1
etx fX (x)dx
se X v.a.c.
mX (t) =
1
X
txi
e P (X = xi ) +
i=1
Z1
etx fX (x)dx
se X v.a. mista.
= E[X k ].
t=0
ou seja
dk
mX (0) = mk (o k-simo momento ordinrio de X).
dtk
Prova. (Em aula.)
Exemplo 98 Seja X a varivel aleatria que conta o nmero de lanamentos de
uma moeda honesta at que ocorra a primeira cara. Ache a funo geratriz de
momentos de X e use-a para calcular E(X) e V ar(X).
Exemplo 99 Seja X uma varivel aleatria contnua com funo de densidade de
probabilidade dada por
( 1 x
e 5 , se x 0
fX (x) =
5
0, caso contrrio
Ache a funo geratriz de momentos de X e use-a para calcular E(X) e V ar(X).
66
Exemplo 100 Suponha que X seja uma varivel aleatria com funo geratriz de
momentos dada por
2 +3t
mX (t) = et
1 < t < 1.
4.5
Exerccios
ye y , se y > 0
0, caso contrrio
2
0; 1
3
0; 1
4
0; 3
5
0; 2
6
0; 2
7
0; 1
O operrio ganha R$10,00 por pea produzida, mas se ele produz a pea em menos
de cinco minutos, ganha um adicional de R$2,00 por cada minuto economizado.
(a) Obtenha a distribuio do ganho do operrio por pea produzida. Resp.:
P (G = 10) = 0; 5; P (G = 12) = 0; 3; P (G = 14) = 0; 1; P (G = 16) = 0; 1
(b) Obtenha a mdia do ganho do operrio por pea produzida. Resp.: R$ 11; 60.
67
Exerccio 63 Considere a varivel aleatria X com funo de densidade de probabilidade dada por
f (x) =
c jx 2j , 0 x < 4
0, caso contrrio
4xe 2x , se x
0, se x < 0
2 2
,
2 t
para
t < 2.
(b) Calcule a esperana e a varincia de X por meio da funo geratriz de
momentos. Resp.: E (X) = 1 e V ar(X) = 12 .
Exerccio 65 Seja X uma varivel aleatria com funo de distribuio
8
>
0, se x < 0
>
>
>
>
>
>
>
1 1
>
>
>
< 4 + 8 x(x + 2), se 0 x < 1
FX (x) =
>
>
3
>
>
, se 1 x < 34
>
>
4
>
>
>
>
>
: 1, se x 4
3
Pede-se:
(a) Classicar a v.a. X, segundo o critrio discreto, contnuo ou misto, justicando. Resp.: A v.a. X do tipo mista (tem parte discreta e parte contnua).
(b) Obter a funo de probabilidade
8 e/ou a funo de densidade da v.a. X.
1
>
4
>
>
< 4 , se x = 0; 3
Resp.: Parte Discreta: P (X = x) =
e Parte Contnua: fX (x) =
>
>
1
>
: , se x = 1
8
( x+1
, se 0 < x < 1
.
4
0, caso contrrio
68
> 0 e
jx
, para
1 < x < 1,
2
2
2
2
t2
e t ; E[X] =
8
>
>
>
>
<
>
>
>
>
:
126
,
150
se y = 0
23
,
150
se y = 5
1
,
150
se y = 10
104
104
104
69
Captulo 5
Modelos de Variveis Aleatrias
Discretas
Neste captulo trataremos dos principais modelos de variveis aleatrias discretas,
que sero teis na modelagem de certos fenmenos aleatrios comuns ao trabalho
do Estatstico e do Aturio.
5.1
O Modelo Uniforme
Seja X uma varivel aleatria com espao de estados no conjunto fx1 ; x2 ; :::; xn g.
Dizemos que X uma varivel aleatria com Distribuio Uniforme denida em
fx1 ; x2 ; :::; xn g, representado por X
P (X = xi ) =
Proposio 23 Se X
U fx1 ; x2 ; :::; xn g, se
1
para i = 1; 2; :::; n.
n
1X
=
(xi
n i=1
n
V ar(X) =
70
xn )2 .
5.2
O Ensaio de Bernoulli
p)1 k , k = 0; 1.
Ber(p), ento
mX (t) = pet + q,
E(X) = p,
V ar(X) = pq.
5.3
A Distribuio Binomial
dada por
P (X = k) =
n
k
pk q n k ,
71
k = 0; 1; 2; 3; :::; n.
Proposio 25 Se X
Ber(p),
B(n; p),
72
(a) De uma urna com 10 bolas brancas e 20 pretas, vamos extrair, com reposio,
5 bolas. X o nmero de bolas brancas nas 5 extraes.
(b) Refaa o problema anterior, mas dessa vez as 5 extraes so sem reposio.
(c) Temos 5 urnas com bolas pretas e brancas e vamos extrair uma bola de cada
urna. Seja X o nmero de bolas brancas obtidas no nal.
(d) Vamos realizar uma pesquisa em 10 cidades brasileiras, escolhendo ao acaso
um habitante de cada uma delas e classicando-o em pr ou contra um certo projeto
federal. Seja X o nmero de indivduos contra a projeto nal da pesquisa.
(e) Em uma indstria existem 100 mquinas que fabricam determinada pea.
Cada pea classicada como boa ou defeituosa. Escolhemos ao acaso um instante
de tempo e vericamos uma pea de cada uma das mquinas. Suponha que X seja
o nmero de defeituosas.
Exemplo 103 Um certo sistema eletrnico contm 10 componentes. Suponha que
a probabilidade de falha de qualquer componente individual seja de 0; 2 e que eles falhem independentemente uns dos outros. Dado que pelo menos um dos componentes
falhou, qual a probabilidade de que pelo menos dois falharam?
Exemplo 104 Se X
nar:
(a) P (X < 12);
(b) P (X
14);
p
12)= 3;
Exemplo 105 Suponha que o motor de um avio falhar, quando em voo, com
probabilidade 1
realizar um voo com sucesso se pelo menos 50% de seus motores permanecerem
em operao. Para que valores de p um avio quadrimotor prefervel a um avio
bimotor?
5.4
A Distribuio Geomtrica
Proposio 26 Se X
Geo(p), ento
pet
,
1 qet
1
E(X) =
,
p
q
V ar(X) = 2 .
p
mX (t) =
para t <
ln q
temos
P (X = m + n j X
m) = P (X = n) .
5.5
k
r
1
1
pr q k r ,
k = r; r + 1; r + 2; r + 3; :::;
r = y) = P (X = y + r)
y+r 1
r 1
75
pr q y
y+r
y
P (Y = y) =
pr q y , y = 0; 1; 2; 3; :::
( r) ( r
1) ( r
2) ::: ( r
y + 1)
y!
y+r
y
= ( 1)y
Assim
y+r
y
r
y
= ( 1)y
e, portanto,
P (Y = y) = ( 1)y
r
y
P (Y = y) =
r
y
pr q y
pr ( q)y , y = 0; 1; 2; 3; :::
1
X
k=0
r
k
xk para
1 < x < 1.
Portanto
1
X
y=0
P (Y = y) =
1
X
r
y
y=0
= p
1
X
r
y
y=0
= p (1
= pr p
= 1
76
pr ( q)y
q)
( q)y
1
(1 + x)r
Proposio 27 Se X
mX (t) =
pet
1 qet
para t <
ln q
r
,
p
rq
V ar(X) = 2 .
p
E(X) =
BN (r; p),
E(X) = E(X1 ) + E(X2 ) + ::: + E(Xr )
1 1
1
+ + ::: +
p p
p
r
=
p
=
e
V ar(X) = V ar(X1 ) + V ar(X2 ) + ::: + V ar(Xr )
q
q
q
+
+
:::
+
p2 p2
p2
rq
= 2,
p
=
BN (1; p) ento X
Geo(p).
Exemplo 108 Uma pea produzida em srie numa fbrica tem 10% de probabilidade
de ser defeituosa e as ocorrncias de defeitos so independentes. Suponha que voc
77
5.6
A Distribuio Hipergeomtrica
reposio da populao. Seja X a varivel aleatria que representa o nmero de elementos com o atributo A na amostra. A varivel aleatria X dita ter Distribuio
Hipergeomtrica de paramnetros N , a e n, denotado por X
Hip(N; a; n) e
P (X = k) =
com maxf0; n
bg
Proposio 28 Se X
a
k
N
n
N
n
a
k
, para k = 0; 1; 2; :::; n
minfn; ag.
Hip(N; a; n), ento, denotando p =
a
N
eq=
b
N
temos
E(X) = np,
V ar(X) = npq
N
N
n
.
1
5.7
(i) N0 = 0.
(ii) Os incrementos so estacionrios, isto , a probabilidade de k ocorrncias no
intervalo (s; t] igual probabilidade de k ocorrncias no intervalo (s + u; t + u],
para todo k, s, t e u.
(iii) Os incrementos so independentes, isto , se (s; t] \ (u; v] = ?, ento o
nmero de ocorrncias no intervalo (s; t] independente do nmero de ocorrncias
no intervalo (u; v].
(iv) Para h pequeno
8
< h + o(h), se k = 1
1
h + o(h), se k = 0
P (Nh = k) =
:
o(h), se k 2
o(h)
h
= 0.
( t)k
, k = 0; 1; 2; 3; ::::
k!
e
k!
, para k = 0; 1; 2; 3; ::: e
> 0.
P( ), ento
mX (t) = e
(et 1)
E(X) =
V ar(X) =
80
P( ).
5.7.1
t
n
5.8
Exerccios
18
x
x = 0; 1; 2; 3; :::; 18.
2) = P (X = 0) + P (X = 1) + P (X = 2).
Exerccio 69 Um homem dispara 12 tiros independentes num alvo. Se a probabilidade de acerto do atirador de 90%, qual a probabilidade de que o alvo seja atingido
pelo menos duas vezes, sabendo-se que o mesmo foi atingido pelo menos uma vez?
Resp: Seja X a v.a. que conta o nmero de acertos do homem. Ento P (X =
x) =
P (X
P (X
12
(0; 9)x (0; 1)12 x , x = 0; 1; 2; 3; :::; 12. Desejamos P (X
x
2)
1 P (X < 2)
1 P (X = 0) P (X = 1)
=
=
.
1)
1 P (X < 1)
1 P (X = 0)
2jX
1) =
Resp: Seja X a v.a. que conta o nmero de sucessos nas 15 tentativas. Ento
P (X = x) =
15
x
x = 0; 1; 2; 3; :::; 15.
Exerccio 71 Uma moeda viciada onde a probabilidade de cara 0,6 lanada nove
vezes. Calcule a probabilidade de ocorrer um nmero par de caras.
Resp: Seja X a v.a. que conta o nmero de caras nas 9 tentativas. Ento P (X =
9
x
x) =
4
P
k=0
9
2k
x = 0; 1; 2; 3; :::; 9. Desejamos
4
P
P (X = 2k) =
k=0
2k
x=
0; 1; 2; 3; ::: ou seja X = Y
1=
1
0;7
1=
3
7
1 onde Y
e V ar (X) = V ar (Y ) =
0:3
(0;7)2
30
.
49
Exerccio 73 Seja X uma varivel aleatria com distribuio de Poisson, representando o aparecimento de defeitos por hora numa linha de montagem de um componente eletrnico. Sabendo-se que a probabilidade de no ocorrer defeito em uma
hora qualquer de 0,2, pede-se:
(a) A probabilidade de que numa certa hora ocorram no mais que dois defeitos.
Resp: Seja X a v.a. que conta o nmero de defeitos por hora, ento X
P( ). Como P (X = 0) = e
(ln 5)k
; k = 0; 1; 2; ::: Logo P (X
5k!
1
5
1 + ln 5 +
(ln 5)2
2
1
,
5
temos
= ln 5. Assim P (X = k) =
2) = P (X = 0) + P (X = 1) + P (X = 2) =
.
83
(b) Supondo um regime de trabalho de oito horas dirias, quantos defeitos devemos esperar em um ms?
Resp: 240E(X) = 240 ln 5.
Exerccio 74 Uma companhia de seguros pretende criar aplices de seguro individuais contra certos tipos de acidentes. Uma pesquisa piloto do servio estatstico
permitiu estimar que, num perodo de um ano, cada pessoa tem uma chance em cada
cinco mil, aproximadamente, de se tornar vtima de um acidente coberto por este
tipo de aplice, e que a companhia poder vender em mdia mil aplices de seguro
deste tipo por ano. Determinar a probabilidade de que o nmero de acidentados no
ultrapasse a trs por ano (nmero a partir do qual a operao no mais considerada
como rentvel).
Resp: Seja X a v.a. que conta o nmero de acidentados no ano. Ento X
P( ), com
1
.
5
Assim P (X = k) =
1 k
5
1
5
k!
; k = 0; 1; 2; ::: Logo P (X
P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) = e
1
5
1 + 15 +
1
50
1
750
3) =
Exerccio 75 Livros produzidos por uma certa editora tm uma mdia de 1 defeito
de impresso por pgina. Qual a probabilidade de que pelo menos em uma pgina
de um livro de 300 pginas desta editora haja pelo menos 5 defeitos?
Resp: Seja X a v.a. que conta o nmero de defeito de impresso por pgina.
Ento X
1
P(1). Assim P (X = k) =
P (X < 5) = 1
e 1
; k = 0; 1; 2; ::: Logo p = P (X
k!
4 e 1
P
. Seja Y a v.a. que conta o nmero de pginas com
k=0 k!
1) = 1
4 e 1
P
k=0 k!
5) =
P (Y = 0) = 1
300
0
p0 (1
p)300 = 1
(1
p)300 = 1
300
Exerccio 76 Gotas de chuva caem a uma taxa mdia de 30 gotas por cm2 e por
84
minuto. Qual a chance de um particular cm2 no ser atingido por qualquer gota de
chuva durante um perodo de 10 segundos?
Resp: Seja X a v.a. que conta o nmero de gotas por cm2 e por 10 segundos.
Ento X
P(5). Assim P (X = 0) = e 5 .
P(2). Assim P (X = x) =
1) = 1
P (X
e 2 2x
; x = 0; 1; 2; ::: Assim p = P (X > 1) =
x!
P (Y = 0)
(1
p)10
P (Y = 1) = 1
10p (1
p)9 , com p = 1
10
0
p0 (1
10
1
p)9 = 1
p1 (1
3e 2 .
p), com p = 1
3e 2 .
Exerccio 78 Numa central telefnica, o nmero de chamadas chega com uma mdia de 8 por minuto. Determinar a probabilidade de que num minuto se tenha:
(a) dez ou mais chamadas;
Resp: Seja X a v.a. que conta o nmero de chamadas por minuto. Ento X
P(8). Assim P (X = x) =
e 8 8x
; x = 0; 1; 2; ::: Assim P (X
x!
85
10) = 1
P (X <
10) = 1
9 e 8 8x
P
.
x!
x=0
8) =
8 e 8 8x
P
.
x!
x=0
X < 9) = P (X = 7) + P (X = 8) = e
87 88
+
.
7!
8!
P(1). Assim P (X = k) =
e 1
; k = 0; 1; 2; ::: Assim P (X = 0) = e 1 .
k!
2) =
5e 1
.
2
2) = 1
2e 1 .
P(5). Assim P (X = x) =
e 5 5x
; x = 0; 1; 2; ::: Assim p = P (X
x!
4) =
3 e 5
P
. Seja Y a v.a. que conta o nmero de intervalos com 4 ou mais partcux!
x=0
7
las emitidas. Ento Y
B(7; p). Desejamos P (Y = 7) =
p7 (1 p)0 = p7 ,
7
5 x
86
com p = 1
3 e 5 5x
P
.
x!
x=0
P (X = k) =
1
2
3
P( ). Como P (X = 0) = e
(ln 3)
; k = 0; 1; 2; ::: Logo P (X
3k!
= 31 , temos
2) = 1
P (X = 0)
= ln 3. Assim
P (X = 1) =
ln 3.
2) = 1
P(1). Assim P (X = k) =
e 1
; k = 0; 1; 2; ::: Assim
k!
2e 1 .
30
P(30). Assim P (X = k) =
30k
; k = 0; 1; 2; :::
k!
30
Exerccio 83 Suponha que num dado nal de semana o nmero de acidentes num
certo cruzamento tem distribuio de Poisson com mdia 0,7. Qual a probabilidade
de que haver pelo menos trs acidentes no cruzamento durante o nal de semana?
87
Resp: Seja X a v.a. que conta o nmero de acidentes num nal de semana,
ento X
P(0; 7). P (X
3) = 1
P (X
2) = 1
2 e
P
x=0
0;7
(0; 7)x
.
x!
P(2). P (X
6) = 1
P (X
5) = 1
5 e 2 2x
P
.
x!
x=0
P(3; 6). P (X = 0) = e
3;6
Exerccio 86 Suponha que, em mdia, uma certa loja sirva 15 clientes por hora.
Qual a probabilidade de que a loja no servir mais do que 20 clientes num particular
perodo de 2 horas?
Resp: Seja X a v.a. que conta o nmero de clientes que chegam num perodo de
2 horas. Ento X
P(30). P (X
20) =
20 e
P
x=0
30x
.
x!
30
88
0; 7T
10
0; 3T
1
0; 7T
9
.
T A
10
(b) uma expresso aproximada para esta probabilidade, baseada na distribuio
1) =
0
@
binomial.
Resp: Seja X a v.a. que conta o nmero de defeituosos no lote de T produtos, com
T grande. Ento X
10
x
1) = P (X = 0)+P (X = 1) =
89
Captulo 6
Modelos de Variveis Aleatrias
Contnuas
6.1
A Distribuio Uniforme
Diz-se que a varivel aleatria X tem distribuio uniforme no intervalo [a; b], denotado por X
, se a x b
b a
0, caso contrrio.
Proposio 31 Se X
U[a; b] ento
a+b
2
(b a)2
V ar(x) =
12
E(X) =
90
Exemplo 117 Seja X uma varivel aleatria contnua com funo de distribuio
FX (x). Seja Y uma varivel aleatria denida como Y = FX (X). Mostre que
U[0; 1].
6.2
A Distribuio Exponencial
por
fX (x) =
e x, x 0
0, caso contrrio
0, se x < 0
1 e x , se x
t + sjX
t) = P (X
s) .
Exp( ) ento
mX (t) =
E(X) =
V ar(X) =
t
1
, para t < ,
2.
Exp( ).
. Seja T a
Exp( ).
Prova. (Em aula.)
Exemplo 118 Para um certo tipo de componente eletrnico, a vida til X (em mil
horas) tem distribuio exponencial com mdia 2. Pergunta-se:
(a) Qual a probabilidade de que um novo componente dure mais do que 1000
horas?
(b) Se um componente j durou 1000 horas, qual a probabilidade de que ele dure
pelo menos 1000 horas mais?
Exemplo 119 Suponha que o tempo at o prximo terremoto num particular lugar
seja exponencialmente distribudo com uma taxa de 1 terremoto por ano. Qual a
probabilidade de que o prximo terremoto ocorra dentro de 6 meses?
Exemplo 120 O tempo de vida de lmpadas produzidas pelo fabricante X tem distribuio exponencial com mdia de 20 dias. Se 10 lmpadas so ligadas simultaneamente, qual a probabilidade de que pelo menos 3 delas durem mais de 25 dias?
92
6.3
6.3.1
A Distribuio Normal
A Distribuio Normal Padro
Diz-se que a varivel aleatria Z tem distribuio normal (ou Gaussiana) padro
com mdia zero e varincia 1, denotado por Z
z2
2
1<z<1
(z) = P (Z
Como (z) no pode ser obtida analiticamente, o valor de (z) dado por integrao
numrica e seus valores so tabelados.
Proposio 35 Se Z
mZ (t) = e 2
E(Z) = 0
V ar(Z) = 1
Prova. (Em aula.)
Exemplo 121 Seja Z
(a) P (Z
(b) P (Z
1; 73)
2; 13)
(c) P (0; 47
Z < 1; 73)
(d) P ( 0; 25
6.3.2
0; 5)
e varincia
Diz-se que a varivel aleatria X tem distribuio normal (ou Gaussiana) com mdia
e varincia
, denotado por X
N( ;
93
), se a funo de densidade de
N( ;
(x
)2
2 2
1<x<1
), ento Y =
N(
X+
+ ;
2 2
), para
constantes reais.
N( ;
), ento Z =
N (0; 1).
N( ;
), ento
mX (t) = e
t+ 21
E(X) =
V ar(X) =
2 t2
N ( i;
2
i ),
X = X1 + X2 + ::: + Xn
n
X
N(
i=1
i;
n
X
2
i ).
i=1
Ou seja, soma de normais independentes tambm normal com mdia dada pela
soma das mdias e a varincia dada pela soma das varincias.
94
(ii) Se Xi
N( ;
X = X1 + X2 + ::: + Xn
(iii) Se Xi
N( ;
Xn =
(iv) Se Xi
N ( i;
N (n ; n 2 ).
2
i ),
X1 + X2 + ::: + Xn
n
N( ;
).
X = a1 X1 + a2 X2 + ::: + an Xn + b
n
X
N(
ai
+ b;
i=1
n
X
a2i
2
i ).
i=1
(v) Seja X1 ; X2 ; :::; Xn uma amostra aleatria retirada de uma populao com
distribuio normal com mdia
2
e varincia
. Ento se
desconhecida e
de
=2
Xn
p z
n
=2
Xn + p z
n
=2
=1
=2 = P (Z
=2 ).
95
Exemplo 123 As vendas de um determinado produto tm distribuio aproximadamente normal, com mdia 500 e desvio-padro 50. Se a empresa decide fabricar 600
unidades no ms em estudo, qual a probabilidade de que no possa atender a todos
os pedidos, por estar com a produo esgotada?
Exemplo 124 Num certo lugar, a temperatura, em graus Celsius, normalmente
distribuda com mdia 20 graus e desvio-padro de 4 graus. Qual a proporo do
tempo em que a temperatura se encontra entre 15 graus e 22 graus?
Exemplo 125 Suponha que V , a velocidade em cm/seg de um objeto de massa 1
kg, seja uma varivel aleatria com distribuio normal com mdia 0 e varincia 25.
Admita-se que K =
1000V 2
2
P (K > 800).
Exemplo 126 Assuma que o tempo X requerido para que um corredor distncia
corra uma milha uma varivel aleatria normal com mdia de 4 minutos e 1
segundo e desvio-padro de 2 segundos. Qual a probabilidade de que este atleta corra
uma milha em menos de 4 minutos? Em mais do que 3 minutos e 55 segundos?
Exemplo 127 O comprimento X de um determinado peixe adulto capturado na
Baa de Monterey uma varivel aleatria normal com mdia de 30 polegadas e
desvio-padro de 2 polegadas. Se uma pessoa pega um desses peixes, qual a probabilidade de que ele tenha no mnimo 31 polegadas de comprimento? De que ele no
tenha mais do que 32 polegadas de comprimento? De que ele tenha comprimnento
entre 24 e 28 polegadas?
Exemplo 128 Assuma que o preo de uma commodity amanh seja normalmente
distribudo com mdia US$ 10; 00 e desvio-padro de US$ 0; 25. Qual o menor
96
intervalo de conana a partir do qual voc pode armar com 95% de certeza sobre
qual ser o preo da commodity amanh?
Exemplo 129 A altura que um saltador capaz de pular uma varivel normal
com mdia de 2 metros e desvio-padro de 2 centmetros.
(a) Qual a maior altura que ele saltar com probabilidade de 95%?
(b) Qual a altura que ele saltar somente em 10% das vezes?
Exemplo 130 A distribuio dos comprimentos dos elos da corrente de bicicleta
normal, com mdia 2 cm e varincia 0; 01 cm2 . Para que uma corrente se ajuste
bicicleta, deve ter comprimento total entre 58 e 61 cm. Qual a probabilidade de
uma corrente com 30 elos no se ajustar bicicleta?
Exemplo 131 As duraes de gravidez tm distribuio normal com mdia de 268
dias e desvio-padro de 15 dias.
(a) Selecionada aleatoriamente uma mulher grvida, determine a probabilidade
de que a durao de sua gravidez seja inferior a 260 dias.
(b) Se 25 mulheres escolhidas aleatoriamente so submetidas a uma dieta especial a partir do dia em que engravidam, determine a probabilidade de os prazos
de durao de suas gravidezes terem mdia inferior a 260 dias (admitindo-se que a
dieta no produza efeito).
(c) Se as 25 mulheres tm realmente mdia inferior a 260 dias, h razo de
preocupao para os mdicos de pr-natal? Justique adequadamente.
Exemplo 132 O peso de uma determinada fruta uma varivel aleatria com distribuio normal com mdia de 200 gramas e desvio-padro de 50 gramas. Determine
a probabilidade de um lote contendo 100 unidades dessa fruta pesar mais que 21 kg.
97
Exemplo 133 Um elevador pode suportar uma carga de 10 pessoas ou um peso total
de 1750 libras. Assumindo que apenas homens tomam o elevador e que seus pesos
so normalmente distribudos com mdia 165 libras e desvio-padro de 10 libras,
qual a probabilidade de que o peso limite seja excedido para um grupo de 10 homens
escolhidos aleatoriamente?
6.4
6.4.1
A Distribuio Gama
A Funo Gama
e x dx.
Proposio 38 Se
1) (
1).
1)!
1
)(n
2
3
):::( 12 )
2
5
2
3
2
1
2
98
p
15
=
.
8
( 12 ), com ( 12 ) =
6.4.2
A Distribuio Gama
Proposio 39 Se X
>0e
> 0, denotada
x) , se x > 0
Gama( ; ), ento
mX (t) =
, para t <
E(X) =
V ar(x) =
Gama(1; ), ento X
X = X1 + X2 + ::: + Xn
P
Gama( ni=1
i;
anteriores.
6.5
A Distribuio Qui-Quadrado
2
n,
se X
de X dada por
fX (x) =
8
>
>
<
2n=2
>
>
: 0, se x
2
n,
Proposio 40 Se X
1
n
x2
(n=2)
x
2
exp
, se x > 0
ento
n
2
mX (t) =
2t
, para t <
1
2
E(X) = n
V ar(x) = 2n.
Prova. (Em aula.)
Exemplo 135 Seja X
Observao 30 Se Xi
X2 + ::: + Xn
2
1.
2
n.
2
n1 +n2 ,
ento Y
2
n1
2
n2 .
(n
N( ;
1)S 2
2
varincia populacional
Observao 32 O resultado
2
n 1; =2
1)S 2
(n
2
n 1;1
1)S 2
(n
2
n 1; =2
=2
=1
6.6
2
n 1
onde
1)S 2
2
(n
2
n 1; =2 ).
A Distribuio Beta
1 graus de
de X dada por
( >0
8
<
( + )
x
fX (x) =
( ) ( )
:
0, c.c.
(1
x)
, 0<x<1
Por ser uma classe de curvas denidas no intervalo (0; 1), a distribuio Beta muito
til na modelagem da distribuio a priori de propores populacionais na Inferncia
Bayesiana.
Observao 33 Assim, pode-se mostrar que
Observao 34 Se X
R1
0
(1
x)
dx =
+
( + )2 ( +
+ 1)
( ) ( )
.
( + )
Observao 35 Se X
6.7
U (0; 1).
A Distribuio de Cauchy
1
, para
(1 + x2 )
1 < x < 1.
6.8
Cauchy.
A Distribuio t-Student
Diz-se que a varivel aleatria X tem distribuio t-Student com n graus de liberdade, denotado por X
tn
X dada por
fX (x) =
Observao 37 Se X
X
( n+1
)
2
(n )1=2 ( n2 )
t1
(1 +
x2
)
n
(n+1)=2
Student, ento X
, para x 2 R
Cauchy. J vimos que se
102
h
i
Observao 38 Se X tn Student, com n > 1, ento E jXjk < 1 para k < n
h
i
k
e E jXj = 1 para k
n. Em outras palavras, os primeiros n 1 momentos
existem, mas os momentos de ordem superior a n
V ar [X] =
, para n > 2.
Observao 39 A distribuio t-Student desempenha um papel fundamental na Inferncia Estatstica, pois nos permite estimar mdias populacionais, desconhecendose a varincia populacional, mas tendo acesso varincia amostral. Isso se d,
porque mostraremos mais tarde no tratamento de vetores aleatrios que, se Z
N (0; 1) e W
2
n
X=
Assim, sejam Xi
2
N( ;
)e
(n
tn
1=2
W
n
Student.
N( ;
1)S 2
2
N (0; 1) e
temos
2
n 1
Xn
T =0
Assim
1)S 2
(n
B
@
p
n
(n
1)S
2
T =
11=2 =
Xn
p
C
A
Xn
S
p
n
tn
103
Student.
Xn
S
p
n
Se
desconhecida e
populacional com 1
P
onde tn
1; =2
tal que 1
6.9
Xn
S
Xn + p tn
n
1; =2
1; =2
=1
tn
1; =2 ).
A Distribuio F-Snedecor
, se n > 2.
n 2
2n2 (m + n 2)
V ar [X] =
, se n > 4.
m(n 2)2 (n 4)
E [X] =
Observao 41 A distribuio F-Snedecor desempenhar um papel muito importante na Inferncia Estatstica, sobretudo em Anlise de Varincia, ou em Teste de
Igualdade de Varincia, pois ela pode ser obtida como uma razo entre duas variveis com distribuio Qui-Quadrado divididas por seus graus de liberdade, isto ,
se U
2
m
eV
2
n
U=m
V =n
F (m; n).
1
X
F (n; m).
Observao 43 Se X
Student, ento Y = X 2
tn
e que X =
com Z 2
W
n
2
1
onde Z
1=2
W
n
2
n
eW
N (0; 1) e W
independentes
tambm independentes.
Observao 44 Se X1 ; X2 ; :::; Xn1 uma amostra aleatria retirada de uma populao com distribuio normal com mdia
2
1
e varincia
ambas desconhecidas
e se Y1 ; Y2 ; :::; Yn2 uma amostra aleatria retirada de uma outra populao com
distribuio normal com mdia
e varincia
2
2
(n1
2
n1 1
2
1
onde
S12
Pn1
i=1
(n1
S12
:
S22
2
2
2
1
S22
(n2
i=1
1)S22
2
n2 1
2
2
Yi
n2
Yn2
independentes. Assim
1)S12
2
1
n1 1
(n2
Pn2
Xi Xn1
n1 1
1)S22
F (n1
1; n2
1)
2
2
n2 1
2
2
2
1
de probabilidade. Assim, se
X1 ; X2 ; :::; Xn1 uma amostra aleatria retirada de uma populao com distribuio
normal com mdia
e varincia
2
1
amostra aleatria retirada de uma outra populao com distribuio normal com
mdia
e varincia
2
2
S22
F(n
S12 1
2
2
2
1
entre as varincias
2
2
2
1
S22
F(n
S12 1
105
1;n2 1);1
=2
=1
6.10
Exerccios
6= 0. Resp.: Se
densidade de Y = X , onde
se
:1(0;1) (y);
:1(1;1) (y).
Exp
x2
, para
1 < x < 1.
G(t)
t + dtjT > t) =
f (t)dt
= g(t)dt.
1 F (t)
t+s
g(u)du .
(c) Mostre que o sistema melhora com tempo (isto , para s xado, a expresso
em (b) cresce com t) se g funo decrescente; e o sistema deteriora com o tempo
se g uma funo crescente.
106
g(u)du = 1.
= 0; 135335.
minutos
= 58; 68 minutos.
Exerccio 93 Suponha que a vida til de um certo tipo de lmpada tenha distribuio exponencial com mdia de 8 horas. Uma lmpada solitria ligada em
uma sala no instante t = 0. Um dia depois, voc entra na sala e ca ali durante 8
horas, saindo no nal desse perodo.
(a) Qual a probabilidade de que voc entre na sala quando j est escura? Resp.:
0; 9502.
(b) Qual a probabilidade de voc entrar na sala com a lmpada ainda acesa e sair
da sala depois da lmpada queimar? Resp.: 0; 03147.
Exerccio 94 Admita que a distribuio de alturas de jogadores de basquetebol seja
normal com desvio-padro 20 cm. Sabe-se que 40% desses jogadores tm mais de 2
m de altura.
(a) Determine a mdia dessa distribuio. Resp.:
= 195.
Exerccio 95 Suponha que o tempo T em minutos que uma pessoa leva para executar uma determinada tarefa varia segundo uma distribuio normal com mdia
e desvio-padro . Suponha tambm que estudos anteriores tm mostrado que 75%
das tarefas so executadas em no mximo 70 minutos e que 25% das tarefas so
executadas em no mximo 50 minutos.
(a) Determine os valores de
e . Resp.:
= 60 e
= 14; 9.
(b) De todas as pessoas que necessitam de pelo menos 75 minutos para execut-la,
que percentagem precisar de mais de 85 minutos? Resp.: 0; 2977.
Exerccio 96 A quantidade de leo contida em cada lata fabricada por uma indstria tem peso distribudo normalmente, com mdia de 990 g e desvio-padro de 10g.
Uma lata rejeitada no comrcio se tiver peso inferior a 976 g.
(a) Se observarmos uma sequncia casual destas latas em uma linha de produo,
qual a probabilidade de que a dcima lata observada seja a primeira a ser rejeitada?
Resp.: 0; 03785.
(b) Retirada uma amostra de 20 latas da linha de produo, qual a probabilidade
de que trs latas sejam rejeitadas? Resp.: 0; 1435.
Exerccio 97 Numa populao, os contedos de glicose no sangue de pessoas normais tm distribuio normal com mdia 120mg/100ml e desvio padro de 8mg/100ml.
(a) Dentre as pessoas normais que apresentam contedos de glicose entre 90mg/100ml
e 110mg/100ml, qual a porcentagem de pessoas com mais de 100mg/100ml de glicose
no sangue? Resp.: 0; 941287879.
(b) Se uma amostra de cem pessoas normais for observada, qual a probabilidade
de que o contedo de mdio de glicose nessa amostra seja superior a 121,4mg/100ml?
Resp.: 0; 0401.
108
N (0; 1), Y
N (0; 1) e Z
independentes. Dena W = 21 X 2 + 21 Y 2 + Z 2
(a) A distribuio da v.a. W . Resp.: W
XY
Exp( 21 ).
para t < 12 .
X16
25 =
0; 9838.
Exerccio 101 Um fabricante arma que seus cigarros no contm mais que 32 mg
de nicotina, em mdia. Suponha que os contedos de nicotina tenham distribuio
109
29; 5
29; 8
33; 0
32; 0
30; 5
30; 0
29; 5
31; 0
30; 7
2
y2
( )
y2
Exerccio 105 Se X
, para
1 < y < 1.
X? Resp.:
:1(0;1) (y).
2
n,
ento Y =
a)2 ]
Gama( ; c ).
Exerccio 104 Se X
fY (y) =
jbj
[b2 +(y
n.
21=2 [(n+1)=2]
.
(n=2)
Exerccio 106 Suponha que X1 , X2 , ..., X6 seja uma amostra aleatria de tamanho
6 de uma populao com distribuio normal padro. Seja
Y = (X1 + X2 + X3 )2 + (X4 + X5 + X6 )2 .
Determine o valor de c para que a v.a. cY tenha distribuio Qui-Quadrado.
Resp.: c = 1=3.
110
Exerccio 107 Se ln X
N( ;
Beta( ; ).
Exerccio 110 Suponha que X1 , X2 , ..., X5 seja uma amostra aleatria de tamanho
5 de uma populao com distribuio normal padro. Determine a constante c tal
que a v.a.
c (X1 + X2 )
1
111
Captulo 7
Vetores Aleatrios
Neste captulo estudaremos as distribuies conjuntas de vetores aleatrios, em particular dos vetores bivariados.
Denio 31 Um vetor X = (X1 ; :::; Xn ) com Xi variveis aleatrias denidas no
mesmo espao de probabilidade ( ; P ) chamado vetor aleatrio se para todo
xi 2 R, i = 1; 2; :::; n, fX1
x1 ; :::; Xn
xn g um evento aleatrio.
x1 ; :::; Xn
xn g =
n
\
i=1
x1 ; :::; Xn
f! : Xi (!)
xn ).
xi g.
b1 ; a2 < X2
n, temos
b2 ; :::; an < Xn
bn g
0.
1, em S = f(x; y) : x
0, caso contrrio
0 e x+y
0, y
1; 0 < Y
1g
1g =
1 < 0! Logo
b; c < Y
dg = F (b; d)
F (b; c)
F (a; d) + F (a; c)
1 e x y, x 0 e y
0, caso contrrio
(1 e x )(1 e y ), x
0, caso contrrio
0 ey
Observao 47 A partir da funo de distribuio conjunta, pode-se obter o comportamento de cada varivel isoladamente. A funo de distribuio individualizada
denominada funo de distribuio marginal e obtida da seguinte forma:
FXk (xk ) = xlim
F (x)
!1
i
i6=k
p(x)
X
p(x) = 1.
n X
X
i=1
i6=k
n X
X
i=1
i6=k
p(x)
xi
P (X1 = x1 ; :::; Xn = xn ).
xi
Pr
i=1
Pr
i=1
Pr
i=1
Xi = n,
n!
pn1 :pn2 :::pnr r
n1 !n2 !:::nr ! 1 2
ni = n.
x1
:::
1
xn
f (y)dy1 :::dyn .
1
Observe que isto uma generalizao do caso univariado, e, como antes, valem
as propriedades
f (x)
Z 1
1
0, para todo x 2 Rn e
Z 1
:::
f (x)dx1 :::dxn = 1
1
@n
F (x)
@x1 :::@xn X
= f (x).
1e0<z
xy x
3
, se x = 1; 2; 3 e 0 < y
0, caso contrrio
(a) Verique que esta funo de fato uma funo mista de probabilidade.
(a) Mostre que
7.1
8
0, se x < 1 ou y < 0
>
>
y
>
>
, se 1 x < 2 e 0 y < 1
>
3
>
2
>
y+y
>
< 3 , se 2 x < 3 e 0 y < 1
y+y 2 +y 3
F (x; y) =
, se x 3 e 0 y < 1
3
>
>
1
>
,
se
1
x<2 e y 1
>
3
>
>
2
>
>
: 3 , se 2 x < 3 e y 1
1, se x 3 e y 1
Independncia
x1 ; :::; Xn
xn g =
n
Y
i=1
P fXi
xi g .
Observao 49 (i) (Propriedade de Hereditariedade de Variveis Aleatrias Independentes) Observe que para toda famlia de variveis aleatrias independentes
X1 ; X2 ; :::; Xn qualquer subfamlia tambm formada por variveis aleatrias inde-
116
x1 ; X2
x2 g = P fX1
x1 ; X2
x2 ; X3 2 R; :::; Xn 2 Rg
= P fX1
x1 g P fX2
= P fX1
x1 g P fX2
x2 g :1:::1
= P fX1
x1 g P fX2
x2 g
X4
so independentes;
dentes, ento
FX (x) = FX (x1 ; :::; xn ) =
n
Y
i=1
(a) Se X1 ; X2 ; :::; Xn , n
n
Y
i=1
f (x; y)dy.
1 2
: exp
1
p
2 (1
1
2)
"
1
1
1
1
118
2
2
2
2
#)
onde
> 0,
> 0,
1<
e Y so independentes e X
< 1,
N ( 1;
2Re
2
1)
eY
2 R. Mostre que se
N ( 2;
2
2 ).
(Se
= 0, ento X
6= 0, ento X e Y
1
,
V olG
se (x1 ; :::; xn ) 2 G
0, se (x1 ; :::; xn ) 2
=G
7.2
: Rn ! R
Z1
1
Z1 Z1
ydF (X) (y) =
:::
(x)dFX (x)
1
1
X
i=1
119
n (X)]
= E[ 1 (X)] + ::: + E[
n (X)].
n
Y
E[Xi ].
i=1
1; 0; 1 com dis-
0) 6= P (X = 0):P (Y = 0).
Denio 34 A covarincia entre duas variveis aleatrias X e Y denida como
Cov(X; Y ) = E [(X
= E [XY ]
EX) (Y
EY )]
E [X] E [Y ]
mente X e Y so independentes.
Proposio 46 A varincia da varivel aleatria Y =
V ar
"
n
X
i=1
Xi =
n
P
Xi dada por
i=1
n
X
V ar [Xi ] + 2
i=1
Cov(Xi ; Xj ).
i<j
i=1
EX
X
Cov(X; Y )
=E
X: Y
EX
X
EY
X;Y
X e Y.
Proposio 47 Sejam X e Y variveis aleatrias com varincias nitas e positivas.
Ento:
(i)
(ii)
X;Y
(iii)
X;Y
X;Y
1.
p
EX 2 EY 2 .
7.3
yg = P fg(X)
yg
yg, temos
FY (y) = P fX 2 By g
= PX fBy g
ou seja, conhecendo a distribuio conjunta de X1 ; X2 ; :::; Xn , podemos obter a distribuio de qualquer funo mensurvel de X.
Observao 53 (a) Quando X discreto, Y tambm discreto e o problema tornase simples, pois
pY (y) =
pX (xi )
i:g(xi )=y
(b) Quando X contnuo, o problema mais complexo pois Y pode ser discreto
ou contnuo.
Exemplo 151 Se X e Y so independentes, cada uma com distribuio uniforme
em [0; 1], mostre que Z = X=Y tem funo de distribuio
8
0, se z 0
>
>
< z
, se 0 < z < 1
FZ (z) =
2
>
1
>
: 1
, se z 1
2z
122
e funo de densidade
8
>
0, se z 0
>
>
< 1
0
, se 0 < z < 1
fZ (z) = FZ (z) =
2
>
>
1
>
:
, se z 1
2z 2
f (z
t; t)dt =
f (t; z
t)dt.
fX (z
t)fY (t)dt =
fX (t)fY (z
t)dt.
f1 (x
t)f2 (t)dt.
fY a densidade da soma X + Y .
P(
P( 1 ) e Y
1
2 ).
123
P( 2 ) so variveis aleatrias
Pk
i=1
P
B( ki=1 ni ; p).
Xi
BN (r; p).
Pn
i=1
Xi
Pn
i=1
i ).
Xi
P
P( ni=1
Gama(n; ).
Gama( i ; ), para i = 1; 2; :::; n, independentes,
P
Gama( ni=1
N ( i;
2
i ),
i;
).
ento
X=
1 X1
2 X2
+ ::: +
n Xn
N(
n
X
i=1 i
124
+ ;
n
X
i=1
2 2
i i ).
2
1,
2
n.
X = X1 + X2 + ::: + Xn
2
n1 +n2 ,
7.4
ento Y
2
n1
2
n2 .
Exerccios
2(n y+1)
,
n(n+1)
2x
,
n(n+1)
y = 1; 2; :::; n
ln y:1(0;1) (y)
24xy, se x 0, y
0, caso contrrio
Pede-se:
125
0 e x+y
e (x+y) , se x 0, y
0, caso contrrio
Pede-se:
(a) As funes de densidade marginais de X e Y . Resp.: fX (x) = e x :1(0;1) (x)
e fY (y) = e y :1(0;1) (y)
(b) Verique se X e Y .so independentes. Resp.: X e Y .so independentes.
(c) Calcule P (X
2). Resp.:
e
2
Exerccio 115 Sejam X e Y duas v.a.c com f.d.p. conjunta dada por:
C(x + 2y), se 0 < x < 2 e 0 < y < 1
0, caso contrrio
f (x; y) =
Pede-se:
x+1
:1(0;2) (x)
4
1, 0
1g .
(b) Calcule P (
Y
X
(c) Calcule P (Y
1
).
2
X jY
Resp.:
1
).
2
5
.
12
Resp.: 34 .
1
3
entre
2
3
Pede-se:
(a) O valor de C. Resp.: 90.
(b) Ache P (Y > 2X). Resp.:
29 1
.
29
127
1 .
1 e ax e ay + e
0, caso contrrio
a(x+y)
,x
0 ey
1
,
2
se 2 y x 4
0, caso contrrio
Pede-se:
(a) As funes de densidade marginais de X e Y . Resp.: fX (x) =
e fY (y) =
x 2
:1[2;4] (x)
2
4 y
:1[2;4] (y)
2
6X
6). Resp.:
7
.
12
Y no so independentes.
128
m
X
i=1
ai Xi ;
n
X
b j Yj
j=1
m X
n
X
ai bj Cov (Xi ; Yj ) ,
i=1 j=1
Pede-se:
12
350
p 24 .
1776
Exerccio 128 Sejam X1 ; X2 ; :::; Xn , variveis aleatrias no-correlacionadas identicamente distribudas com mdia
e varincia
Xn =
n
X
Xi
i=1
< 1) > 0; 9?
P400
i=1
(xi
x400 )2 = 12560.
Y.
130