Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
3
SUMÁRIO 4
Definição 1.1. : Um experimento que pode fornecer diferentes resultados, se repetido essen-
cialmene sob as mesmas condições, é dito experimento aleatório. Notação: ε
5
1.1 INTERPRETAÇÕES DE PROBABILIDADE E DEFINIÇÃO AXIOMÁTICA 6
P(A ∩ B)
P(A | B) = , se P(B) > 0. (1.1)
P(B)
pois (A ∩ B) = {6}.
Definição 1.7. Uma coleção de eventos A1 , A2 , · · · , An forma uma partição do espaço amostral
S
Ω se os eventos Ai ‘s são disjuntos (Ai ∩ A j = 0,
/ i 6= j) e exaustivos ( ni=1 Ai = Ω).
1.2 PROBABILIDADE CONDICIONAL E INDEPENDÊNCIA 8
P(B) = P[{B ∩ A1 } ∪ {B ∩ A2 } ∪ · · · {B ∩ An }]
disj.
= P(B ∩ A1 ) + P(B ∩ A2 ) + · · · P(B ∩ An )
(1.2)
= P(B | A1 )P(A1 ) + · · · + P(B | An )P(An ) (1.3)
(1.1) P(A j ∩ B)
P(A j | B) =
P(B)
(1.2) P(B | A j )P(A j )
=
P(B)
(1.3) P(B | A j )P(A j )
= (1.4)
P(B | A1 )P(A1 ) + · · · + P(B | An )P(An )
Exercício: Um certo item é produzido exclusivamente em uma das unidades de uma fábrica:
I, II ou III. Sabe-se que o volume de produção da unidade I é o dobro da unidade II e que II
e III têm volumes iguais de produção. Ainda, são defeituosos: 2% dos produtos fabricados na
unidade I, 2% dos fabricados na unidade II e 4% dos fabricados na unidade III. Se todos os
itens são armazenados em um depósito comum e seleciona-se um item ao acaso:
(c) qual é a probabilidade de que tenha sido produzido na fábrica I, se não é defeituoso?
1.2.4 Independência
⇒ Ω = {(CA, 1)(CA, 2)(CA, 3)(CA, 4)(CA, 5)(CA, 6)(CO, 1)(CO, 2)(CO, 3)(CO, 4)(CO, 5)
(CO, 6)}.
Sejam os eventos:
A : {(6,CA), (6,CO)}: resultado 6
C : {(CO, 1), (CO, 2), (CO, 3), (CO, 4), (CO, 5), (CO, 6)}: resultado coroa.
⇒ A e B são dependentes.
nA∩C
P(A ∩C) n nA∩C 1 1
P(A | C) = = nC = = = = P(A),
P(C) n nC 6 6
⇒ A e C são independentes.
Prova: Suponha que A e B sejam disjuntos. Então P(A ∩ B) = 0. Se, além de disjuntos,
forem independentes, então P(A ∩ B) = P(A) · P(B), o que implica que P(A) = 0 ou P(B) = 0
ou ambas.
1.2 PROBABILIDADE CONDICIONAL E INDEPENDÊNCIA 10
Exemplo 1.3. Calculando probabilidades para eventos associados a espaços amostrais em que
os elementos não são equiprováveis.
ε : Selecionam-se, aleatoriamente, 4 pessoas e verifica-se a condição doente ou sadio para
cada uma.
Hipóteses: Assuma que haja independência entre os indivíduos e que a probabilidade de
que qualquer indivíduo seja sadio é p.
Seja o evento:
A: Dois indivíduos, entre os 4 observados, são sadios.
Denote-se por:
S: indivíduo sadio ("sucesso")
F: indivíduo doente ("fracasso").
Determine P(A).
Finalmente,
11
∑ P(wi) = 6p2(1 − p)2.
dis j.
P(A) = P(w6 ∪ w7 ∪ w8 ∪ w9 ∪ w10 ∪ w11 ) =
i=6
Questão: E se desejássemos determinar P(A), mas agora com base em uma amostra de
tamanho 50? Obviamente o espaço amostral Ω torna-se mais complexo e, portanto, o cálculo
de probabilidades diretamente em Ω fica mais difícil. Muitas vezes, o espaço amostral sequer
é finito!!
1.3 Exercícios
3. Na figura 1 (ao final da lista), temos um sistema com três componentes funcionando
independentemente, com confiabilidades (probabilidades de funcionamento) p1 , p2 e p3 .
Obtenha a confiabilidade do sistema.
4. Na tabela a seguir, os números que aparecem são as probabilidades das interseções entre
os eventos em questão. Verifique se A e B são independentes.
1.3 EXERCÍCIOS 12
5. Supondo que todos os componentes do sistema representado na figura 2 (ao final da lista)
tenham confiabilidade p e funcionem independentemente, obtenha a confiabilidade do
sistema.
6. Uma companhia produz circuitos integrados em três fábricas: I, II e III. A fábrica I pro-
duz 40% dos circuitos, enquanto a II e a III produzem 30% cada uma. As probabilidades
de que um circuito integrado produzido por estas fábricas não funcione são 0, 01, 0, 04 e
0, 03, respectivamente.
a) Escolhido um circuito na produção conjunta das três fábricas, qual é a probabili-
dade de não funcionar?
b) Caso o circuito escolhido não funcione, qual é a probabilidade de ter sido fabricado
por I?
c) Caso o circuito escolhido funcione, qual é a probabilidade de ter sido fabricado
por I?
7. Uma companhia de seguros analisou a freqüência com que 2000 segurados (1000 homens
e 1000 mulheres) usaram hospital. Os resultados são apresentados na tabela a seguir:
11. Suponha que nos sistemas representados nas figuras 3.a e 3.b, a probabilidade de que
cada relé esteja fechado seja p e que a abertura ou fechamento de cada relé independa
dos demais. Em cada caso, determine a probabilidade de que a corrente passe de L para
R.
C APÍTULO 2
2.1 Introdução
Definição 2.1. Uma variável aleatória é uma função que confere um número real a cada resul-
tado no espaço amostral de um experimento aleatório:
X : Ω → RX ⊂ R
w → X(w)
Se o conjunto RX de valores possíveis de X for finito ou infinito enumerável, X é variável
aleatória discreta. Caso contrário, X é variável aleatória contínua.
Notação: Variáveis aleatórias são denotadas por letras maiúsculas. Realizações valores
observados de variáveis aleatórias são denotados por letras minúsculas
Definição 2.2. A função de distribuição acumulada (f.d.a) de uma variável aleatória X é dada
por:
FX : R → [0, 1]
x → FX (x) = P(X ≤ x). (2.1)
14
2.1 INTRODUÇÃO 15
Definição 2.3. A função de probabilidade (f.p.) de uma variável aleatória discreta X é dada
por:
pX : R → [0, 1]
x → pX (x) = P(X = x) (2.2)
e satisfaz a:
(i) pX (x) ≥ 0, ∀x
(ii) ∑R pX (x) = 1.
A função de distribuição acumula, no caso discreto, tem a forma de função escada, como
ilustra a figura 2.1, anulando-se quando x → −∞ e tendendo a 1 quando x → ∞. Ainda, ap-
resenta saltos de magnitude pX (x) e os pontos de descontinuidade são os possíveis valores de
X.
Assim como se pode obter a f.d.a. FX (x) a partir da f.p. pX (x), a recíproca também vale:
Exemplo 2.2. Voltemos ao exemplo 1.3. Defina a variável aleatória: X → Número de pessoas
sadias, entre as 4 selecionadas. Tem-se, então:
i wi P(wi ) x
1 FFFF (1 − p)4 0
2 SFFF p(1 − p)3 1
3 FSFF p(1 − p)3 1
4 FFSF p(1 − p)3 1
5 FFFS p(1 − p)3 1
6 SSFF p2 (1 − p)2 2
7 SFSF p2 (1 − p)2 2
8 SFFS p2 (1 − p)2 2
9 FSSF p2 (1 − p)2 2
10 FSFS p2 (1 − p)2 2
11 FFSS p2 (1 − p)2 2
12 FSSS p3 (1 − p) 3
13 SFSS p3 (1 − p) 3
14 SSFS p3 (1 − p) 3
15 SSSF p3 (1 − p) 3
16 SSSS p4 4
Portanto, a distribuição de X é:
x pX (x) = P(X = x) µ ¶
4
0 (1 − p)4 = p0 (1 − p)4−0
µ 0 ¶
3 4
1 4p(1 − p) = p1 (1 − p)4−1
µ 1 ¶
2 2 4
2 6p (1 − p) = p2 (1 − p)4−2
µ 2 ¶
4
3 4p3 (1 − p) = p3 (1 − p)4−3
µ 3 ¶
4 4
4 p = p4 (1 − p)4−4
4
Ou, resumidamente:
µ ¶
4
pX (x) = px (1 − p)4−x , x = 0, 1, 2, 3, 4
x
= 0, para outros valores de X.
2.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS DISCRETAS 17
Observe que foi possível obter uma lei de formação ou fórmula fechada para ao cálculo
das probabilidades associadas a quaisquer valores da variável aleatória X. Tem-se, então, um
modelo probabilístico para X.
Questão: Sob as mesmas condições anteriores, qual seria a distribuiçào de probabilidade
da variável aleatória Y : número de sadios entre 100 pacientes selecionados?
Passaremos a descrever, nas subseções a seguir, alguns dos modelos probabilísticos discre-
tos mais usuais.
2.2.1 Uniforme
X : Ω → RX = {x1 , x2 , · · · , xn }
w → X(w)
Note-se que, em geral, nesse caso, X é a função identidade, levando cada elemento do espaço
amostral, ai , a xi = ai .
Diz-se que a variável aleatória discreta X tem distribuição Uniforme se os n possíveis valo-
res de X, RX = {x1 , x2 , · · · , xn } ocorrem todos com mesma probabilidade.
Portanto, a função de probabilidade de X é:
½ 1
, x = x1 , x2 , · · · , xn
pX (x) = n (2.5)
0, c.c.
Notação: X ∼ U{x1 , x2 , · · · , xn }
2.2.2 Bernoulli(p)
Suponha um experimento aleatório ε dado pela seleção aleatória de um elemento, que pode
ser "sucesso" (S, com probabilidade p) ou "fracasso" (F, com probabilidade 1 − p, tendo-se,
portanto, espaço amostral Ω = {S, F}.
Seja X a variável aleatória indicadora de sucesso, isto é,
½
1, se ocorre sucesso
X=
0, c.c.
.
X : Ω → RX = {1, 0}
w → X(w)
2.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS DISCRETAS 18
A função de probabilidade de X é:
½
px (1 − p)1−x , x = 0, 1
pX (x) = (2.6)
0, c.c.
Notação: X ∼ Ber(p).
2.2.3 Binomial(n,p)
X : Ω → RX = {0, 1, 2, · · · , n}
w → X(w)
A função de probabilidade de X é:
µ ¶
n
px (1 − p)n−x , x = 0, 1, 2, · · · , n
pX (x) = x (2.7)
0, c.c.
Notação: X ∼ Bin(n, p)
Obs: X ∼ Bin(1, p) ≡ X ∼ Ber(p)
2.2.4 Hipergeométrica(N,n,r)
Adimita agora que o experimento aleatório de interesse, ε , seja composto por n repetições
de ensaios de Bernoulli dependentes, todos com probabilidade de "sucesso" Nr , resultantes da
seleção aleatória e sem reposição de uma amostra de tamanho n, a partir de uma população
com N elementos, dos quais r são sucessos. Pode-se, então, representar o espaço amostral do
experimento por: Ω = {a1 , a2 , · · · , an : ai = S ou F, ai 6= a j , i 6= j}.
Seja X variável aleatória que registra o número de sucessos nas n repetições.
A função de probabilidade de X é:
2.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS DISCRETAS 19
à !à !
r N −r
n−x
x
à ! , x = 0, 1, 2, · · · , min(n, r)
pX (x) = N (2.8)
n
0, c.c.
Notação: X ∼ Hip(N, n, r)
2.2.5 Geométrica(p)
X : Ω → RX = {1, 2, · · · }
w → X(w)
A função de probabilidade de X é:
½
(1 − p)x−1 p, x = 1, 2, · · ·
pX (x) = (2.9)
0, c.c.
Notação: X ∼ Geo(p)
2.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS DISCRETAS 20
Se X ∼ Geo(p), então:
X : Ω → RX = {r, r + 1, · · · }
w → X(w)
A função de probabilidade de X é:
µ ¶
x−1
pr (1 − p)n−r , x = r, r + 1, · · ·
pX (x) = r−1 (2.11)
0, c.c.
Notação: X ∼ Pas(r, p)
Obs: X ∼ Pas(1, p) ≡ X ∼ Geo(p)
2.2.7 Poisson(λ )
3. Seja pn (t) = P(Xt = n). Então p1 (∆t) ≈ λ ∆t, se ∆t for suficientemente pequeno, onde λ
é uma constante positiva;
O Modelo Poisson
Exemplo 2.3. Suponha que o número de ligações chegando a uma central telefônica tenha
distribuição de Poisson com parâmetro λ = 5 ligações/minuto. Determine:
(a) A probabilidade de ocorrerem mais que 2 ligações em 1 minuto
(b) Idem, em 10 minutos.
2.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS DISCRETAS 22
Exemplo 2.4. Em um cruzamento com tráfego intenso, a probabilidade de um carro sofre aci-
dente é bastante pequena e estimada como p = 0.0001. Durante certa parte do dia, por exemplo
daàs 18:00h, um grande número de carros passa pelo cruzamento, algo como 10.000 carros.
(a) Nessas condições, qual é a probabilidade de que 2 ou mais carros se acidem naquele
período?
(b) E se o número de carros passando pelo cruzamento for 100.000? (c) E se o número de
carros passando pelo cruzamento for 500.000?
Teorema 2.1. Seja X ∼ Bin(n, p). Então, quando n → ∞ e p → 0, de tal forma que np = λ , a
distribuição de X aproxima-se da Poisson(λ = np)
Demonstração:
µ ¶
n
pX (x) = px (1 − p)n−x , x = 0, 1, 2, · · · , n
x
n!
= px (1 − p)n−x
x!(n − x)!
n(n − 1)(n − 2) · · · (n − x + 1 x
= p (1 − p)n−x . (2.13)
x!
Façamos λ = np. ⇒ p = λn .
µ ¶x µ ¶
n(n − 1) · · · (n − (x − 1))λ n − λ n−x
⇒ pX (x) =
x! n n
³ ´n
³ n ´ µ n − 1 ¶ µ n − (x − 1) ¶ λ x n−n λ
= ··· ³ ´
n n n x! n−λ x
n
´ ³
µ ¶ µ ¶ x n−λ n
1 (x − 1) λ n
= 1· 1− ··· 1− ³ ´ .
n n x! n−λ x
n
Agora, faça n → ∞, de tal forma que np = λ permaneça constante, o que implica que p → 0.
µ ¶
λx 1 n
lim pX (x) = lim 1 −
n→∞ x! n→∞ n
λ x e−λ
= . ¤
x!
2.3 MOMENTOS DE VARIÁVEIS ALEATÓRIAS DISCRETAS 23
Em particular,
• E[X] = µ1
• V [X] = E[X 2 ] − E 2 [X] = µ2 − µ12
A tabela a seguir resume o valor esperado e a variância de algumas variáveis aleatórias
discretas.
Bernoulli(p) p p(1 − p)
Binomial(n, p) np np(1 − p)
N−n
Hipergeométrica(N, n, r) np N−1 (p(1 − p),
p = Nr
1 (1−p)
Geométrica(p) p p2
r r(1−p)
Pascal(r, p) p p2
Poisson(λ ) λ λ
2.4 EXERCÍCIOS 24
2.4 Exercícios
1. De um lote que contém 25 peças, das quais 5 são defeituosas, são escolhidas 4 ao acaso.
Seja X o número de defeituosas encontradas. Estabeleça a distribuição de probabilidade
de X, quando:
a) As peças forem escolhidas com reposição;
b) As peças forem escolhidas sem reposição.
2. Sabe-se que a v. a. X assume os valores 1, 2 e 3 e que sua f.d.a. F(x) é tal que:
F(1) − F(1− ) = 1/3;
F(2) − F(2− ) = 1/6;
F(3) − F(3− ) = 1/2.
Obtenha a distribuição de X, a f.d.a. F(x) de X e seus respectivos gráficos.
Obs: F(l− ) é o limite de F(x) quando x tende a l pela esquerda.
3. Uma fábrica produz 10 recipientes de vidro por dia. Deve-se supor que exista uma prob-
abilidade constante p = 0, 1 de produzir um recipiente defeituoso. Antes que esses recip-
ientes sejam estocados, eles são inspecionados e e os defeituosos são separados. Admita
que exista uma probabilidade constante r = 0, 1 de que um recpiente defeituoso seja mal
classificado. Faça X igual ao número de recipientes classificados como defeituosos ao
fim de um dia de produção. Admita que todos os recipientes fabricados em um dia sejam
inspecionados naquele mesmo dia.
a) Calcule P(X = 3) e P(X > 3).
b) Obtenha a expressão de P(X = k)
4. Uma indústria fabrica peças, das quais 20% são defeituosas. Dois compradores, A e
B, classificam as peças adquiridas em categorias I e II, pagando 1,20 u.m. e 0,80 u.m.,
respectivamente, para cada categoria. A classificação é feita de acordo com os seguintes
critérios: Comprador A: Retira uma amostra aleatória de 5 peças. Se encontrar mais que
uma defeituosa, classifica como II. Comprador B: Retira uma amostra aleatória de 10
peças. Se encontrar mais que duas defeituosa, classifica como II.
a) Determine a função de probabilidade das variáveis aleatórias VA e VB . respectiva-
mente os preços de venda aos compradores A e B.
b) Determine a função de distribuição acumulada de VA e VB .
c) Em média, qual dos compradores oferece maior lucro?
d) Em uma situação de tomada de decisão real, o maior lucro médio (ou esperado)
seria suficiente para definir a escolha? Que outros critérios poderiam ser levados em
conta?
5. Uma companhia de seguros descobriu que somente cerca de 0,1% da população está
incluída em certo tip de acidente a cada ano. Se seus 10.000 segurados são escolhidos,
ao caso, na população; qual é a probabilidade de que não mais que 5 de seus clientes
venham a estar incluídos em tal acidente no próximo ano?
2.4 EXERCÍCIOS 25
6. Uma fonte radioativa é observada por 7 intervalos de tempo, cada um com dez segundos
de duração. O número de partículas emitidas durante cada período é contado. Suponha
que o número de partículas emitidas, X, tenha distribuição de Poisson e que, em média,
sejam emitidas 0,5 partículas por segundo.
a) Qual é a probabiliadde de que, a cada um dos 7 intervalolos de tempo, 4 ou mais
partículas sejam emitidas?
b) Qual é a probabilidade de que, em ao menos 1 dos 7 intervalos, 4 ou mais partícu-
las sejam emitidas?
8. A probabilidade de que um bit seja transmitido com erro por um canal de transmissão
digital é 0,1. Assuma que as transmissões sejam ensaios independentes.
a) Seja X o número de bits transmitidos até que ocorra o primeiro erro. Determine a
distribuição de X.
b) Determine a probabilidade de se precisar observar mais que 5 ensaios de trans-
missão.
c) Determine a probabilidade de se precisar observar mais que 5 ensaios de transmis-
são, após já se ter observado 3 ensaios, sem que ocorresse erro.
d) Determine o número esperado e o coeficiente de variação do número de ensaios
até o primeiro erro. O número esperado de ensaior é um bom preditor nesse caso?
e) Seja Y o número de transmissões até a ocorrência do quarto erro. Determine a
distribuição de Y .
f) Determine a probabilidade de se precisar observar no máximo 6 ensaios de trans-
missão
g) Determine o número esperado e o coeficiente de variação do número de ensaios
até o quarto erro.
9. O número de navios petroleiros que chegam a uma certa refinaria, a cada dia, tem dis-
tribuição Poisson, com parâmetro λ = 2. As atuais instalações do porto podem atender
a três petroleiros por dia. Se mais de três petroleiros aportarem por dia, os excedentes a
três deverão seguir para outro porto.
a) Em um dia, qual é a probabilidade de se ter de mandar petroleiros a outro porto?
2.4 EXERCÍCIOS 26
10. Em uma fábrica, a produção de 850 peças resultou em 50 peças não-conformes. Duas
peças são selecionadas ao acaso, sem reposição. Seja X o número de peças não-conformes.
a) Determine a distribuição de X.
b) Determine P(X ≤ 2), de forma exata.
c) Determine E[X] e V [X].
d) Determine P(X ≤ 2), de forma aproximada. Justifique o uso da aproximação.
14. Seja X ∼ Pascal(r, p). Mostre que E[X] = r/p e V [X] = rq/p2 , q = 1 − p.
Dica: Use o resultado da questão 12 e os seguintes fatos: "uma variável com distribuição
Pascal (r,p) pode ser escrita como a soma de r variáveis aleatórias Geométricas(p) inde-
pendentes. "O valor esperado de uma soma finita de variáveis aleatórias é igual à soma
dos valores esperados. "A variância de uma soma finita de variáveis aleatórias indepen-
dentes é igual à soma das variâncias.
16. Mostre que se X ∼ Hipergeomtrica(N, n, r), então E[X] = np, p = r/N e V [X] = npq(N −
n)/(N − 1), q = 1 − r/N.
Dica → Use os seguintes fatos:
C APÍTULO 3
3.1 Introdução
Definição 3.1. Uma variável aleatória contínua X é uma função levando do espaço amostral à
reta real:
X : Ω → RX ⊂ R
ω → X(ω ),
Definição 3.2. A função densidade de probabilidade (f.d.p.) de uma variável aleatória contínua
X é a função fX (x) que satisfaz a:
(i) fRX (x) ≥ 0, ∀x
∞
(ii) −∞ fX (x)dx =
R
1
(iii) P(X ∈ B) = B fX (x)dx
Ra
Obs: Note que, de (iii), decorre que se X é variável aleatória contínua, então P(X = a) =
a f X (x)dx = 0, ∀a ∈ R.
Se X é variável aleatória contínua, então sua função de distribuição acumulada, definida por
(2.2), é calculada por:
Z x
FX (x) = P(X ≤ x) = fX (u)du. (3.1)
−∞
dFX (x)
fX (x) = (3.2)
dx
28
3.1 INTRODUÇÃO 29
Exemplo 3.1. Suponha que X seja uma variável aleatória com densidade:
½
5e−5x , x ≥ 0
fX (x) =
0, c.c.
a) Mostre que a função acima é, de fato, uma função densidade de probabilidade para X ;
b) Determine a função de distribuição acumulada de X e utilize-a para determinar os quartis de
X.
Exemplo 3.2. Suponha que X seja uma variável aleatória com densidade:
½
k(1− | x |), −1 ≤ x ≤ 1
fX (x) =
0, c.c.
a) Determine o valor de k;
b) Determine P(−1/2 < X < 2/3)
c) Determine P(−1/2 < X < 2/3 | X > 0)
d) Determine a função de distribuição acumulada de X e utilize-a para determinar os quartis de
X e o percentil 90
e) Determine a moda de X .
3.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS CONTÍNUAS 30
Diz-se que X tem distribuição uniforme contínua no intervalo(a, b) (ou [a, b], indiferente-
mente), se sua função densidade de probabilidade é constante: fX (x) = k, a < x < b. Das
condições (i) e (ii) sobre funções densidade de probabilidade, tem-se que k > 0 e:
Z ∞ Z b
1
kdx = kdx ⇒ k = .
−∞ a b−a
Assim,
½ 1
fX (x) = b−a , a<x<b
(3.3)
0, c.c.
Exercício: Mostre que se X ∼ U(a, b) então sua distribuição acumulada é dada por:
0, x<0
x−a
FX (x) =
b−a , a<x<b (3.4)
1, x≥1
3.2.2 Normal(µ , σ 2 )
Diz-se que X tem distribuição Normal(µ , σ 2 ) ou Gaussiana Normal(µ , σ 2 )se sua função
densidade de probabilidade é:
½ ¾
1 (x − µ )2
fX (x) = p exp − , −∞ < x < ∞. (3.5)
(2π )σ 2 2σ 2
A curva determinada pela expressão acima tem formato de sino e é simétrica em torno de
µ , com dispersão controlada pelo parâmetro σ 2 , tornando-se mais concentrada em torno de µ
quanto menor for σ 2 . A figura 3.2 ilustra uma curva normal para um valor específico do par
(µ , σ 2 ).
3.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS CONTÍNUAS 31
Pela propriedade (iii) de funções de densidade, para calcular P(a < X < b), deveríamos
solucionar a seguinte integral:
Z b Z b ½ ¾
1 (x − µ )2
P(a < X < b) = fX (x)dx = p exp − dx. (3.6)
a a (2π )σ 2 2σ 2
A integral acima, entretanto, não pode ser obtida de forma exata, sendo necessário fazer
uso de métodos numéricos para obtê-la aproximadamente. Observe, porém, que cada valor
atribuío ao par (µ , σ 2 ) modifica a função a ser integrada, tornando inviável a tarefa de se fazer
a avaliação numérica de cada uma dessas integrais. Fazemos uso então do seguinte fato: se
X ∼ N(µ , σ 2 ), então
X −µ
Z= ∼ N(0, 1) (3.7)
σ
e diz-se que Z tem distribuição normal padrão ou normal reduzida. Têm-se disponíveis, en-
tão, tabelas com aproximações numéricas de probabilidades associadas apenas a variáveis nor-
mais padronizadas, de tal sorte que, para calcular probabilidades associadas a uma distribuição
N(µ , σ 2 ) qualquer, basta reduzi-la à N(0, 1) e, então, consultar as probabilidades desejadas
nessas tabelas.
Exercício: O lucro na venda de determinada peça depende de seu comprimento, que tem
distribuição normal com média 40cm e variância 16cm2 . Se o comprimento estiver entre 36cm e
44cm, o lucro é R$10, 00. Se tiver comprimento inferior a 36cm, a peça é descartada, geragndo
prejuízo de R$10, 00. Se o diâmetro for superior a 44cm, a peça é retrabalhada e o lucro
proveniente é R$7, 00. Determine o lucro esperado da venda de uma de tais peças.
3.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS CONTÍNUAS 32
3.2.3 Exponencial(λ )
Diz-se que X tem distribuição Exponencial(λ > 0) se sua função densidade de probabili-
dade é:
½
λ e −λ x , x ≥ 0
fX (x) = (3.8)
0, c.c.
A densidade acima é assim;étrica positiva e seu formato, para alguns valores de λ , é exibido
na figura 3.3: assume valor λ quando x = 0 e tende a 0 quando x → ∞. O parâmetro lambda
controla a velocidade do decaimento, que se torna mais rápido quanto maior for λ .
Exemplo 3.3. Suponha que tremores de terra ocorram na região oeste dos EUA a uma taxa
média de λ tremores por semana, seguindo um Processo de Poisson. Seja T a variável aleatória
que denota o tempo até o próximo tremor. Determine a densidade de T .
Se X ∼ Exp(λ ), então:
Exercício: Suponha que a duração de ligações telefônicas em certa empresa tenha dis-
tribuição exponencial e que, em média, cada ligação dure 10 minutos. Se apenas um telefone
está disponível e alguém começa a usar o telefone imediatamente antes de você, determine a
probabilidade de que você precise esperar:
a) mais que 10 minutos
b) entre 10 e 20 minutos
c) mais que 12 minutos, uma vez que já esteja esperando há 7 minutos.
3.2.4 Gama(α , λ )
(
λ α −λ x α −1
Γ(α ) e x , x≥0
fX (x) = , (3.11)
0, c.c.
a qual é ilustrada na figura 3.2.4. No primeiro gráfico, tem-se o parâmetro λ fixo e diferentes
valores para o parâmetro de forma, α . Para α ≤ 1 a função é monótona. Observe que o
caso α = 1 equivale à densidade Exponencial(λ ). No segundo ggráfico, fixou-se o parâmetro
de forma e vaiou-se λ . Note que quanto maior o valor de λ , mais rapidamente a função de
densidade tende a zero.
3.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS CONTÍNUAS 34
Z ∞
Γ(α ) = e−u uα −1 du. (3.12)
o
Γ(α ) = (α − 1)Γ(α − 1)
⇒ Γ(α ) = (α − 1)! (3.13)
Assim, a função Gama pode ser vista como uma extensão da função fatorial, permitindo argu-
mentos não-inteiros.
• Se α = 1 ⇒ X ∼ Gama(α , λ ) ≡ X ∼ Exponencial(λ ).
Demonstração em aula
Exemplo 3.4. As falhas em CPU’s de computadores usualmente são modeladas por processos
de Poisson. Isso porque, tipicamente, as falhas não são causadas por desgaste, mas por eventos
externos ao sistema. Assuma que as unidades que falham sejam imediatamente reparadas e que
o número médio de falhas por hora seja 0,0001. determine as probabilidades de que:
(a) o tempo entre falhas sucessivas exceda 10.000 horas;
(b) o tempo até a quarta falha exceda 40.000 horas;
(c) ocorram mais qe 3 falhas em 20.000 horas.
3.2.5 Qui-quadrado(n)
dada por:
(
(3.15)
1
2n/2 Γ(n/2)
2n/2−1 e−x/2 , x≥0
fX (x) = (3.14)
0, c.c.
Questão: Como calcular probabilidades associadas a uma variável aleatória com distribuição
χ(n)
2 ?
• Caso 1: n = 2m (n é par).
No caso em que o número de graus de liberdade é par, então χ(n)
2 = χ2
(2m) ≡ Gama(m, 1/2),
sendo m inteiro. Já vimos que se o número de ocorrências de um processo de conta-
gens segue a distribuição Poisson(λ ), então a variável aleatória "Tempo até a m-ésima
ocorrência"do referido processo tem distribuição Gama(m, λ ). Então, a variável aleatória
com distribuição X ∼ χ(n)
2 = χ2
(2m) ≡ Gama(m, 1/2) pode ser pensada como uma variável
aleatória representando o tempo até a m-ésima ocorrência de um Processo de Poisson(1/2).
Assim, os eventos {X > x} e {Nx ≤ m − 1} são equivalentes, sendo Nx a v.a. que de-
nota o número de ocorrências do processo de Poisson até o "instante"x. Sabendo-se que
Nx ∼ Poisson(x · 1/2), pode-se calcular probabilidades associadas a X usando-se a dis-
tribuição de Poisson. Para maiores detalhes, ver exemplos discutidos em aula.
3.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS CONTÍNUAS 36
• Caso 3: n não atende aos casos acima: pode-se utilizar a tabela χ(n)
2 .
3.2.6 Beta(α , β )
(
Γ(α +β ) α −1
Γ(α )Γ(β ) x (1 − x)β −1 , 0≤x≤1
fX (x) = (3.15)
0, c.c.
3.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS CONTÍNUAS 37
Note que a densidade acima está definida para valores de X entre 0 e 1. Se a < X < b então
0 < Y = X−a
b−a < 1 e Y pode ser modelada pela densidade Beta.
Se α = 1 e β = 1, então Beta(α , β ) ≡ Uni f (0, 1).
Se α = β , então a densidade é simétrica em torno de 0.5, tornando-se mais concentrada
à medida que α = β aumenta. Se α < β , a densidade é assimétrica positiva e, para α > β ,
assimétrica negativa. A figura 3.6 exibe os formatos da densidade beta para diferentes valores
de seus parâmetros.
X−30
Exemplo 3.7. Seja X uma valores entre 30 e 50 e assuma que Y = 50−30 tenha distribuição
Beta(2,1). Determine P(X > 40)
3.2.7 Weibull(α , λ )
½ α
1 − e−(λ x) , x≥0
FX (x) = (3.16)
0, c.c.
Então,
½ α
(3.2) αλ α e−(λ x) xα −1 , x≥0
fX (x) = (3.17)
0, c.c.
A figura 3.7 exibe a densidade Weibull para diferentes valores do parâmetro de forma, α .
3.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS CONTÍNUAS 38
Aplicação em confiabilidade
Definição 3.4. A função taxa de falha, λ (t), mede para cada instante t o potencial de falha do
componente, dado que este não tenha falhado até aquele instante, e é dada por:
P(T < t + ∆t|X > t)
λ (t) = lim
∆t→0 ∆t
P(t < T < t + ∆t)
= lim
∆t→0 P(X > t)∆t
1 FT (t + ∆t) − FT (t)
= lim
P(X > t) ∆t→0 ∆t
1 dFT (t)
=
R(t) dt
fT (t)
= . (3.18)
R(t)
3.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS CONTÍNUAS 39
λ (t) = αλ α t α −1 . (3.19)
Pode-se mostrar (pelo estudo de suas derivadas), que a função taxa de falha Weibull dada
por (3.19) tem os seguintes comportamentos:
• para α > 1 a taxa de falha Weibull é crescente, indicando aumento do potencial de falha
com o passar do tempo, situação a que estão sujeitos componentes que se desgastam;
Exemplo 3.8. O tempo (horas) até a falha de determinado componente é modelado pela dis-
tribuição Weibull(2, 0.0002).
(a) Determine a probabilidade de que o mecanismo sobreviva por pelo menos 4.500 horas;
(b) Determine o tempo de vida que se deve garantir de forma que somente 1% dos componentes
fabricados falhem antes do tempo garantido;
(c) De acordo com o modelo postulado para o tempo de vida, o componente falha por causas
aleatórias, melhora com o passar do tempo ou sofre desgaste?
3.2.8 T de Student(k)
Diz-se que X tem distribuição t de Student com k graus de liberdade se sua função densidade
de probabilidade é dada por:
¡ ¢ µ ¶−(k+1)/2
Γ k+1 x2
fX (x) = √ 2
¡ ¢ 1+ , −∞ < x < ∞. (3.20)
kπ Γ 2k k
A figura 3.8 exibe os comportamentos da densidade acima, para diferentes graus de liber-
dade k. Como se pode constatar, a densidade é simétrica em torno de zero (sua moda), com
formato de sino, semelhante a distribuições normais com média nula. Entretanto, as caudas
da distribuição T são mais pesadas que as da normal, o que significa que, quando x → −∞ ou
x → ∞, a densidade aproxima-se de zero mais lentamente que a normal. À medida em que o
número de graus de liberdade, k, aumenta, a distribuição T torna-se mais concentrada. No lim-
ite, quando k → ∞, a densidade T converge para a normal-padrão. Assim, para valores grandes
de k, a distribuição T pode ser aproximada pela normal-padrão.
3.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS CONTÍNUAS 40
Z
T = q ∼ T(n) .
Q
n
padrão amostral, dado, por s = ∑i=1 (xi − x̄) /(n − 1), então:
2
X̄ − µ
T= ∼ T(n−1) .
s/n
Os fatos acima poderão ser provados no curso de Cálculo das Probabilidades III.
Exemplo 3.10. Em uma linha de produção, determinada peça deve ser fabricada, em média,
com µ = 10cm de comprimento. Toma-se uma amostra de 22 peças, obtendo-se comprimento
3.2 ALGUNS MODELOS PROBABILÍSTICOS PARA VARIÁVEIS ALEATÓRIAS CONTÍNUAS 41
médio amostral x̄ = 11, 2cm e desvio-padrão s = 1, 5cm. Você julga que os valores observados
na amostra fornecem indícios de que as peças produzidas estejam acordo com as especificações
da linha de produção? (Isso equivale a perguntar: o valor obsevado para a média amostral é um
valor típico se µ = 10cm ou é um valor discrepante, isto é, posicionado na cauda da distribuição
de X̄ ?). Assuma que o comprimento X das peças produzidas seja modelado adequadamente
pela distribuição Normal.
3.2.9 F de Fisher-Snedcor(d1 , d2 )
Diz-se que a variável aleatória contínua X tem distribuição F com d1 e d2 graus de liberdade
se sua função densidade de probabilidade é dada por:
³ ´
d1 +d2 d /2 d /2
Γ 2 d1 1 d2 2
x(d1 /2)−1
³ ´ ³ ´ , x ≥ 0;
fX (x) = d
Γ 21 Γ 22
d (d1 x+d2 )(d1 +d2 )/2 (3.21)
0, c.c.
A figura exibe os gráficos das densidades F para alguns valores de seus graus de liberdade,
d1 e d2 . A distribuição é assimétrica positivam, tendo moda em zero quando d1 = 1 ou d1 = 2;
caso contrário, a moda ocorre em algum ponto maior que zero.
Percentis associados à distribuição F podem ser obtidos em tabelas, que, em geral, fornecem
apenas quantis superiores associados à distribuição: usualmente, os percentis 95, 97,5 e 99.
Para se obter percentis inferiores, pode-se usar a propriedade descrita a seguir. Denote-se por
xd1 ,d2 ,p o p-ésimo percentil da distribuição F com d1 e d2 graus de liberdade, ou seja, o valor
tal que:
P(Fd1 ,d2 ≤ xd1 ,d2 ,p ) = p.
3.3 MOMENTOS DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS 42
Q1 /d1
T= ∼ Fd1 ,d2 .
Q2 /d2
Daí decorre que se X11 , · · · , X1n1 formam uma amostra aleatória de X ∼ N(µ1 , σ 2 ) independente
de uma segunda amostra aleatória X21 , · · · , X2n2 X ∼ N(µ2 , σ 2 ), denotando-se por s2j a variância
da amostra j, dada, por s2j = ∑ni=1 j (x ji − x̄ j )2 /(n j − 1), j = 1, 2, então:
s21
F= ∼ Fn1 −1,n2 −1 .
s22
Os fatos acima poderão ser provados no curso de Cálculo das Probabilidades III.
Definição 3.5. O k-ésimo momento de uma variável aleatória X é dado por (2.14). Se X é
variável aleatória contínua, então seu k-ésimo momento pode ser calculado por:
Z
µk = E[X ] =k
xk fX (x)dx. (3.22)
Em particular,
• E[X] = µ1
a+b (b−a)2
Uniforme(a, b) 2 12
Normal(µ , σ 2 ) µ σ2
Exponencial(λ ) 1
λ
1
λ2
α α
Gama(α , λ ) λ λ2
χn2 n 2n
α αβ
Beta(α , β ) α +β (α +β )2 (α +β +1)
¡ ¢ ¡ ¢ £ ¡ ¢¤2
Weibull(α , λ ) λΓ α
1 1
+1 1
λ2
Γ α2 + 1 − λ12 Γ α2 + 1
k
T(k) 0, se k > 1 k−2 , se k > 2
3.4 Exercícios
Determine E[T ].
4. Em uma determinada localidade, a renda em 1000 u.m. é uma v.a. X com função densi-
dade de probabilidade:
x+1
10 , 0 < x < 2
fX (x) = 1 − 18−3x
40 , 2 < x < 6
0, c.c.
Em uma classe com 80 alunos, qual é o número esperado de alunos com grau A? B? C?
6. Suponha que o número de milhas que um carro percorre antes que sua bateria sofra
desgaste tenha distribuição Exponencial com média 10.000 milhas. Se uma pessoa deseja
fazer uma viagem de 5.000 milhas com uma bateria já usada por 8.000 milhas, qual é a
probabilidade de terminar a viagem sem ter que trocar a bateria?
7. O tempo de vida dos pneus de certo fabricante tem distribuição Exponencial, com du-
ração média de 50.000 km.
a) Determine a probabilidade de que um pneu deste fabricante dure mais que 50.000
km.
b) Qual é o tempo de vida que o fabricante deve garantir de forma que, no máximo,
1% dos compradores utilizem a garantia?
c) Você acha que a distribuição exponencial é adequada a esta situação? Justifique.
9. Suponha-se que um fusível tenha uma duração de vida X, a qual pode ser considerada
uma variável aleatória contínua com distribuição Exponencial. Existem dois processos
pelos quais o fusível pode ser fabricado. O processo I apresenta uma duração de vida
esperada de 100 horas, enquanto o processo II apresenta uma duração de vida esperada
de 150 horas. Suponha-se que o processo II seja duas vezes mais custoso que o processo
I, que custa 3,00 u.m. por fusível. Admita-se, além disso, que se um fusível durar menos
que 200 horas, uma multa de 20 u.m. seja lançada sobre o fabricante. Qual proceslrfso
deve ser empregado de forma a se minimizar o custo esperado?
3.4 EXERCÍCIOS 46
11. Determine os quantis 1%, 2,5%, 5%, 95%, 97,5% e 99% das seguintes distribuições:
a) T9
b) T130
c) F8,9 .
14. Mostre que se X é uma variável aleatória contínua, com distribuição Uni f orme(a, b),
então:
(b−a)2
E[X] = a+b
2 e V [X] = 12 .
16. Mostre que se X ∼ Exponencial(λ ), então P(X > t + s|X > t) = P(X > s), ou seja, a
distribuição Exponencial goza da propriedade de "Falta de Memória".
Muitas vezes, o modelo probabilístico para uma variável aleatória X é conhecido, mas se
deseja obter a distribuição de probabilidade de uma segunda variável aleátória, Y , relacionada
a X segundo: Y = h(X), h uma função real.
Exemplo 4.1. Seja X uma variável aleatória com distribuição Geométrica ( p). Determine a
distribuição de Y = h(X) = X 2 .
Sob as mesmas condições anteriores, suponha-se, agora, que a transformação h não seja
biunívoca, sendo o ponto Y = y associado a x1 , x2 , · · · , xk , isto é: y = h(x1 ) = h(x2 ) = · · · h(xk ).
Nesse caso, a função de probabilidade de Y é dada por:
Exemplo 4.2. Seja X a variável aleatória que denota o resultado do lançamento de um dado
não-viciado. Determine a distribuição de Y , a variável indicadora de resultado par.
47
4.1 DISTRIBUIÇÃO DE Y = h(X) 48
Seja X uma variável aleatória contínua com função densidade de probabilidade conhecida
fX (x) e suponha que Y = h(X) seja uma variável aleatória discreta. A função de probabilidade
de Y é dada por:
Z
pY (y) = fX (x)dx. (4.3)
x:h(x)=y
Exemplo 4.3. O diâmetro X de rolamentos de esferas fabricados por certa fábrica tem dis-
tribuição N(0, 6140; (0, 0025)2 ). O lucro Y de cada esfera depende de seu diâmetro e
• Y = 0, 05 se a esfera é recuperável (0, 6080 < X < 0, 6100) ou (0, 6180 < X < 0, 6200)
Determine a distribuição de Y .
Seja X uma variável aleatória contínua com função densidade de probabilidade conhecida
fX (x) e suponha que Y = h(X) seja uma variável aleatória contínua. A função densidade de
probabilidade de Y pode ser obtida da seguinte forma:
Teorema 4.1. (Teorema do Jacobiano - versão univariada) Seja X função densidade de proba-
bilidade conhecida fX (x) e defina Y = h(X), h uma função diferenciável e monótona (crescente
ou decrescente) no conjunto de possíveis valores de X , RX . Então h é inversível em RX e a
função densidade de probabilidade de Y é dada por:
¯ ¯
¯ dx ¯
fY (y) = fX (x) ¯¯ ¯¯
dy
¯ −1 ¯
¯ dh (y) ¯
= fX [h (y)] ¯¯
−1 ¯. (4.4)
dy ¯
Demonstração em aula
Exercício: Volte aos exemplos 4.4 e 4.5, verifique - em cada caso - se as condições do
teorema 4.1 são válidas e, em caso afirmativo, utilize o teorema para determinar a função
densidade de probabilidade de Y = h(X).
Caso a função Y = h(X) não satisfaça as condições para aplicação do teorema 4.1 em RX ,
pode-se proceder da seguinte forma:
1. Obtém-se uma partição de RX tal que, em cada pedaço da partição, Y = h(X) é função
monótona e diferenciável de X. Suponha que tal partição seja dada por: (R1 , · · · , Rk ), isto
é: RX = R1 ∪ · · · ∪ Rk e Ri ∩ R j =, i 6= j;
Z ∞ Z ∞ Z ∞Z ∞ Z ∞ Z −y
P(Y > y)dy − P(Y < −y)dy = fY (u)dudy − fY (u)dudy
0 0 0 y 0 −∞
Z ∞Z u Z 0 Z −u
= fY (u)dydu − fY (u)dydu
0 0 −∞ 0
Z ∞ µZ u ¶ Z 0 µZ −u ¶
= dy fY (u)du − dy fY (u)du
0 0 −∞ 0
Z ∞ Z 0
= u fY (u)du − −u fY (u)du
0 −∞
Z ∞ Z 0
= u fY (u)du + u fY (u)du
0 −∞
= E[Y ]. ¤
Teorema 4.3. Seja X uma variável aleatória discreta (com função de probabilidade conhecida
pX (x)) ou contínua (com função densidade de probabilidade conhecida fX (x)) e defina Y =
h(X). Então:
½
∑ h(x)pX (x), se X é discreta
E[Y ] = E[h(X)] = R x (4.7)
h(x) fX (x)dx, se X é contínua
Exemplo 4.6. Utilize o teorema 4.3 para determinar E[Y ] nos exemplos 4.4 e 4.5.
4.3 EXERCÍCIOS 51
4.3 Exercícios
1. Suponha que X seja uniformemente distribuída sobre (-1, 1). Seja Y = 4 − X 2 . Determine
a função densidade de probabilidade de Y , faça seu gráfico e verifique, também, que é a
função densidade de probabilidade adequada.
2. Suponha que X seja uniformemente distribuída sobre (1, 3). Determina a função densi-
dade de probabilidade das seguintes variáveis aleatórias, verificando, em cada caso, que
a função obtida é função densidade de probabilidade e esboçando seu gráfico.
a) Y = 3X + 4
b) Z = eX
3. Suponha que a v. a. contínua X tenha função densidade de probabilidade fX (x) = e−x , x >
0. Determine a função densidade de probabilidade das seguintes variáveis aleatórias:
a) Y = X 3
b) Z = 3/(X + 1)2
5. Suponha que X seja uniformemente distribuída sobre (0, 1). Determine a função densi-
dade de probabilidade das seguintes variáveis aleatórias:
a) Y = X 2 + 1
b) Z = 1/(X + 1)
6. Suponha que X seja uniformemente distribuída sobre (-1, 1). Determine a função densi-
dade de probabilidade das seguintes variáveis aleatórias:
a) Y = Sen(π X/2)
b) Z = Cos(π X/2)
c) W = |X|.
7. Suponha que o raio de uma esfera seja uma variável aleatória contínua. Em virtude de
imprecisões no processo de fabricação, os raios das diferentes esferas podem ser difer-
entes. Suponha que o raio R tenha distribuição Beta(2,2). Determine a função densidade
de probabilidade do volume V e da área superficial da esfera, A, bem como seus valores
esperados.
8. Uma corrente elétrica oscilante I pode ser considerada uma v. a. uniformemente dis-
tribuída no intervalo (9, 11). Se essa corrente passar em um resistor de 2ohms, qual
será a função densidade de probabilidade da potência P = 2I 2 ? E o valor esperado da
potência?
4.3 EXERCÍCIOS 52
11. Seja X uma variável aleatória qualquer e FX (x) = P(X ≤ x) sua função de distribuição
acumulada. Note que FX (x) é função de X. Mostre que FX (x) tem distribuição Uni-
forme(0,1).
12. Seja X uma variável aleatória com distribuição Normal(µ , σ 2 ). Determine a distribuição
de Y = eX . (Diz-se que Y tem distribuição lognormal com parâmetros µ e σ 2 ).
5.1 Introdução
Observe que:
d
MX0 (t) = MX (t)
dt
d £ tX ¤
= E e
dt· ¸
d tX
= E e
dt
£ ¤
= E XetX , (5.3)
53
5.2 USO DE MX (t) PARA DETERMINAÇÃO DOS MOMENTOS DE X 54
onde assumimos que podemos inverter as posições entre a derivada e o valor esperado, ou seja,
que: · ¸ · ¸
d d tx
dt ∑
e pX (x) = ∑
tx
e pX (x) , se X é discreta;
x x dt
·Z ¸ Z · ¸
d tx d tx
e fX (x)dx = e fX (x)dx , se X é contínua.
dt dt
Essa operação pode ser justificada quase sempre e, nos modelos probabilísticos mais usuais,
ela é válida.
Voltemos agora a (5.3). Temos que:
£ ¤
MX0 (0) = E Xe0 = E[X]. (5.4)
d2
MX00 (t) = MX (t)
dt 2
d 0
= M (t)
dt X
(5.3) d £ tX ¤
= E Xe
dt· ¸
d tX
= E (Xe )
dt
£ ¤
= E X 2 etX ,
£ ¤
⇒ MX00 (0) = E X 2 e0 = E[X 2 ]. (5.5)
Exemplo 5.2. Seja Z ∼Normal(0, 1). Determine a função geratriz de momentos de X e utilize-a
para obter E[Z] e V [Z].
5.3 PROPRIEDADES DA FUNÇÃO GERATRIZ DE MOMENTOS 55
1. Unicidade
A função geratriz de momentos de uma variável aleatória, quando existe (isto é, se (5.1)
é finita), é única, de modo que se tivermos duas variáveis aleatórias X e Y com funções
geratrizes de momentos MX (t) e MY (t), então se MX (t) = MY (t) ∀t, X e Y têm a mesma
distribuição de probabilidades. Ainda, devido à propriedade de unicidade, a função ger-
t2
atriz de momentos identifica a distribuição de X. Por exemplo, se MX (t) = e 2 (veja a
solução do exemplo 5.2), então sabe-se que X ∼ N(0, 1).
Demonstração em aula
µ
Exemplo 5.3. Sabemos que se X ∼ N(µ , σ 2 ), então Z = X− σ ∼ N(0, 1). Reciprocamente,
pode-se escrever qualquer variável aleatória X ∼ N(µ , σ 2 ) como: X = µ + σ Z , Z ∼ N(0, 1).
a) Utilize este fato, junto à propriedade (2) para determinar a função geratriz de momentos de
X . (Lembre-se de que a função geratriz de momentos de Z já foi determinada no exemplo 5.2).
b) Utilize a função geratriz de momentos de X para mostrar que E[X] = µ e V [X] = σ 2 .
A propriedade (3) pode ser usada, aliada à propriedade (1), para se determinar propriedades
reprodutivas de variáveis aleatórias. Diz-se que determinada distribuição de probabilidades
possui propriedade reprodutiva se, uma vez que duas (ou mais) variáveis aleatórias indepen-
dentes (X1 , X2 , · · · , Xn ) seguindo tal distribuição sejam somadas, a variável aleatória Y = X1 +
X2 + · · · + Xn siga a mesma distribuição de probabilidade em questão.
5.5 Exercícios
1. Seja X ∼ Exp(λ ).
a) Determine a f.g.m de X.
b) Utilize a função obtida em (a) e determine: E[X] e V [X].
2. X ∼ Poisson(λ )
a) Mostre que a f.g.m de X é MX (t) = exp{λ (et − 1)}. Dica: ey = ∑∞ y k
k=0 k!
b) Utilize a função obtida em (a) para determinar E[X] e V [X].
3. Seja X Geo(p) Determine a f.g.m de X.
4. Seja Z ∼ N(0, 1). Mostre que a f.g.m de Z é MZ (t) = exp{t 2 /2}.
X−µ
5. Seja X N(µ , σ 2 ). Então Z = σ ∼ N(0, 1). Portanto, X pode ser escrita em função de
Z.
a) Determine Mx (t). Dica: Use a função geratriz de momentos de Z.
b) Use MX (t) para mostrar que:
*E[X] = µ ;
*V [X] = σ 2 ;
* Se X1 , X2 , · · · , Xn são v.a’s independentes, cada uma com distribuição N(µ , σ 2 ) , então
X1 + X2 + · · · + Xn ∼ N(nµ , nσ 2 ) (Teorema 5.3). Ainda, mostre que X̄ = (X1 + X2 + · · · +
Xn )/n ∼ N(µ , σ 2 /n).
6. Um circuito é formado por 2 componentes que funcionam independentemente, com du-
ração modelada pela exponencial. A duração média é 100 horas e se o primeiro com-
ponente falha , o segundo passa imediatamente a funcionar. Sejam T1 e T2 as v.a’s que
representam, respectivamente as durações dos componentes 1 e 2.
a) Determine as f.g.m’s de T1 e T2
b) Seja T o tempo de vida do circuito, use as funções obtidas em (a) para mostrar
que T tem distribuição Gama
c) Determine P(T > 200h).
7. Seja X ∼ Gama(α , λ ).
³ ´α
λ
a) Mostre que Mx(t) = λ −t , t < λ.
b) Utilize a função obtida em (a) e determine: E[X] e V [X].
8. Demontre o teorema 5.1.
9. Demontre o teorema 5.4 e seu corolário (dica: para o corolário, reveja o exercício 10 do
capítulo 4).
10. Demontre o teorema 5.5.