ME-323: Resolução da Lista 06

Questão 1: (a) Para mostrarmos que n−Xn → 0 em probabilidade, devemos mostrar que

lim P (|n−Xn − 0| > ) = 0

n→∞

para ∀ > 0. De fato,

lim P (|n−Xn − 0| > ) = lim P (n−Xn > )
n→∞ n→∞

pois n é positivo. Por esse motivo e pelo fato de o logaritmo ser uma função estritamente crescente,
podemos aplicá-la nos dois lados da desigualdade, obtendo

lim P (|n−Xn − 0| > ) = lim P (−Xn ln(n) > ln()) = lim P (Xn ln(n) < − ln()) =
n→∞ n→∞ n→∞
 
ln()
= lim P Xn < −
n→∞ ln(n)
Já que Xn ∼ U (0, 1), temos que
− ln()
− ln()
Z
−Xn
ln(n) 1
lim P (|n − 0| > ) = lim 1 dx = lim = − ln() lim =0
n→∞ n→∞ 0 n→∞ ln(n) n→∞ ln(n)

Logo, concluı́mos que

lim P (|n−Xn − 0| > ) = 0
n→∞

para ∀ > 0 e, portanto, n−Xn → 0 em probabilidade.

(b) Definimos Xn onde P[Xn = an ] = pn e P[Xn = 1] = 1 − pn . Se pn → 0, então Xn → 1 em
probabilidade. Para convergir em L1 , e não em L2 , precisamos E|Xn − 1| = (an√− 1)pn → 0 e
E((Xn − 1)2 ) = (an − 1)2 pn 9 0.Por exemplo, podemos pegar pn = 1/n, an = 1 + n.
Questão 2:
Primeiramente, lembremos que, para uma variável aleatória uniforme (0,1):
(
1 , se 0 < x < 1
f (x) =
0 , caso contrário

0 , se x ≤ 0

F (x) = x , se 0 < x < 1

1 , se x ≥ 1


a. • Yn → 0 em probabilidade: Devemos mostrar que

lim P (|Yn − 0| > ) = 0

n→∞
 para ∀ > 0. Como Yn ∈ (0, 1), essa expressão é aquivalente a

lim P (Yn > ) = 0

n→∞

Note que, como Yn ∼ U (0, 1), se  > 1, a probabilidade P (Yn > ) é nula para qualquer
n. Logo, basta analisarmos o caso em que 0 <  < 1.
Já que Yn = min{X1 , ..., Xn } e X1 , ..., Xn são independentes e identicamente dis-
tribuı́dos, temos que

P (Yn > ) = P (min{X1 , ..., Xn } > ) = P (X1 > , ..., Xn > ) =

= P (X1 > )n = (1 − FX1 ())n

Logo,
P (Yn > ) = (1 − )n
Tomando o limite n → ∞, como já foi feito anteriormente, obtemos

lim (1 − )n = 0
n→∞

e, então, Yn → 0 em probabilidade.
• Zn → 1 em probabilidade: Devemos mostrar que

lim P (|Zn − 1| > ) = 0

n→∞

para ∀ > 0. Como Zn ∈ (0, 1), essa expressão é aquivalente a

lim P (1 − Zn > ) = 0 ⇔ lim P (Zn < 1 − ) = 0

n→∞ n→∞

Note que, como Zn ∼ U (0, 1), se  > 1, a probabilidade P (Zn < 1 − ) é nula para qual-
quer n. Logo, basta analisarmos o caso em que 0 <  < 1. Já que Zn = max{X1 , ..., Xn }
e X1 , ..., Xn são independentes e identicamente distribuı́dos, temos que

P (Zn < 1 − ) = P (max{X1 , ..., Xn } < 1 − ) = P (X1 < 1 − , ..., Xn < 1 − ) =

= P (X1 < 1 − )n = (FX1 ())n

Logo,
P (Zn < 1 − ) = (1 − )n
Tomando o limite n → ∞, como já foi feito anteriormente, obtemos

lim (1 − )n = 0
n→∞

e, então, Zn → 1 em probabilidade.

2
b. Devemos mostrar que
lim FUn (x) = Fexp(1) (x) = 1 − e−x
n→∞

Como Un = nYn , temos que

 x x
FUn (x) = P (nYn ≤ x) = P Yn ≤ = F Yn
n n
Ou seja, basta mostrarmos que Já que Yn = min{X1 , ..., Xn } e X1 , ..., Xn são independentes
e identicamente distribuı́dos, temos que
x  x  x  x
F Yn = P Yn ≤ = 1 − P Yn > = 1 − P min{X1 , ..., Xn } > =
n n n n
 x x  x n  x n
= 1 − P X1 > , ..., Xn > = 1 − P X1 > =1− 1−
n n n n
Tomando o limite n → ∞, como já foi feito anteriormente, obtemos
x
lim FYn = 1 − e−x
n→∞ n
e, então, Un → exp(1) em distribuição.
uestão 3:
Já que a questão se trata de um limite P
quase certo, vamos usar a Lei Forte dos Grandes Números
(LFGN). Seja Zn = Xn . Então, Yn = n nk=1 Zk . A LFGN nos diz que, se E(|Zi |) for finita,
α 1

Yn → E(Zi )

quase certamente. Como Zi ∈ (0, 1),pois Xi ∼ U (0, 1), então E(|Zi |) = E(Zi ). Além disso,
Z ∞ Z 1 α+1 1

x  = 1
E(Zi ) = E(Xn α ) = xα fU (0,1) (x) dx = xα dx =
−∞ 0 α + 1 0 α + 1
que é finito. Logo, podemos aplicar a LFGN e obtemos que
1
Yn →
α+1
quase certamente.
Questão 4:
Mais uma vez, vamos utilizar a Lei Forte dos Grandes Números (LFGN). Para isso, vamos
escrever a expressão de uma forma mais conveniente, dividindo o numerador e o denominador por
n: Pn Pn
1
i=1 Xi
Xi
q P = q Pi=1
n
n
n ni=1 Xi 2 n
1
i=1 Xi
2

Para aplicar a LFGN, devemos verificar primeiramente se E(|Xi |) e E(|Xi 2 |) são finitas. Agora,

E(|Xi 2 |) = E(|Xi |2 ) = E(Xi 2 ) = V ar(Xi ) + [E(Xi )]2 = 1 + 12 = 2

3
que é finita. Além disso, utilizando a desigualdade de Jensen, pode-se mostrar que se E(|X|n )
é finita, então E(|X|k ) também é finita para k = 1, 2, ..., n − 1. Assim, já que E(|Xi |2 ) = 2,
concluı́mos que E(|X|) é finita. Logo, podemos aplicar a LFGN:
1
Pn
Xi E(Xi ) 1
q Pi=1
n
→p 2
=√
1 n 2 E(Xi ) 2
n i=1 Xi

quase certamente. Então, Pn

i=1 Xi 1
q P →√
n ni=1 Xi 2 2

quase certamente.
Questão 5:
Para determinarmos a esperança desejada, devemos lembrar que
Z ∞
E(g(y)|X) = g(y)fY |X (y|x) dy
−∞

f (x, y)
fY |X (y|x) =
fX (x)
Então, precisamos primeiramente determinar fX (x):
Z x −2x
e
fX (x) = 2 dy = 2e−2x
0 x
Assim,
2e−2x 1 1
fY |X (y|x) = −2x
=
x 2e x
Agora, podemos calcular a esperança:
x
x
y3 1 y 4 
Z
3
E(Y |X) = dy =
0 x x 4 0

3 x3
∴ E(Y |X) =
4
Questão 6:
Vamos definir a variável aleatória

1 , se Pedro escolheu a primeira trilha na i-ésima tentativa

Yi = 2 , se Pedro escolheu a segunda trilha na i-ésima tentativa

3 , se Pedro escolheu a terceira trilha na i-ésima tentativa


4
a.
E(X) = E(X|Y1 = 1)P (Y1 = 1) + E(X|Y1 = 2)P (Y1 = 2) + E(X|Y1 = 3)P (Y1 = 3)
Como Pedro sempre escolhe as trilhas ao acaso, temos que
1
P (Y1 = 1) = P (Y1 = 2) = P (Y1 = 3) =
3
E(X|Y1 = 1) = 2 + E(X)
E(X|Y1 = 2) = 6
E(X|Y1 = 3) = 4 + E(X)
Logo,
1
E(X) = (2 + E(X) + 6 + 4 + E(X)) ⇒ 3E(X) = 12 + 2E(X) =⇒ E(X) = 12
3

b. Neste caso, devemos quebrar o problema em uma árvore de possibilidades.

E(X) = E(X|Y1 = 1)P (Y1 = 1) + E(X|Y1 = 2)P (Y1 = 2) + E(X|Y1 = 3)P (Y1 = 3) =
1
= [E(X|Y1 = 1) + 6 + E(X|Y1 = 3)]
3
•
E(X|Y1 = 1) = E(X|Y1 = 1, Y2 = 2)P (Y2 = 2|Y1 = 1)+
1
+E(X|Y1 = 1, Y2 = 3)P (Y2 = 3|Y1 = 1) = [8 + E(X|Y1 = 1, Y2 = 3)]
2
Mas

E(X|Y1 = 1, Y2 = 3) = E(X|Y1 = 1, Y2 = 3, Y3 = 2)P (Y3 = 2|Y1 = 1, Y2 = 3) = 12

∴ E(X|Y1 = 1) = 10
•
E(X|Y1 = 3) = E(X|Y1 = 3, Y2 = 1)P (Y2 = 1|Y1 = 3)+
1
+E(X|Y1 = 3, Y2 = 2)P (Y2 = 2|Y1 = 3) = [10 + E(X|Y1 = 3, Y2 = 1)]
2
Mas

E(X|Y1 = 3, Y2 = 1) = E(X|Y1 = 3, Y2 = 1, Y3 = 2)P (Y3 = 2|Y1 = 3, Y2 = 1) = 12

∴ E(X|Y1 = 3) = 11

Finalmente,
1
E(X) = [10 + 6 + 11] =⇒ E(X) = 9
3

5
 Questão 7:
Nesta questão, usaremos o sı́mbolo IA para representar a variável indicadora do evento A. Com
essa notação, podemos usar as propriedades da esperança para escrever que

P (X = n) = E(IX=n ) = E(E(IX=n |Λ))

Já que
Λn
E(IX=n |Λ) = P (X = n|Λ) = e−Λ
n!
é uma função de Λ, que podemos chamar de g(Λ), e
(
e−λ , se λ ≥ 0
fΛ (λ) =
0 , caso contrário

obtemos ∞ ∞
λn −λ
Z Z
P (X = n) = E(g(Λ)) = g(λ)fΛ (λ) dλ =e dλ e−λ
0 0 n!
Para avaliar essa integral, fazemos algumas manipulações algébricas para reduzir o integrando à
função densidade de probabilidade de uma variável aleatória gama:
Z ∞ n Z ∞ n Z ∞ Z ∞
−λ λ −λ −2λ λ −2λ λn 2n λn 1
e e dλ = e dλ = e dλ = 2e−2λ dλ =
0 n! 0 n! 0 Γ(n + 1) 0 Γ(n + 1) 2.2n
Z ∞
1 2λn
= n+1 2e−2λ dλ
2 0 Γ(n + 1)
Nesta expressão, o integrando é exatamente a função densidade de probabilidade de uma variável
aleatória gama com parâmetros (n + 1, 2) e os limites de integração são tais que a integral resulta
em 1. Logo,
1
P (X = n) = n+1
2
Questão 8:
A melhor estimativa para a altura do filho é a própria esperança da variável normal, pois para
esse valor de altura a função densidade de probabilidade atinge seu valor máximo. Já que o pai tem
altura de 180 cm, a melhor estimativa para a altura do filho é de 181 cm. Podemos verificar que
a função densidade de probabilidade de uma variável aleatória N (µ, σ 2 ) atinge seu valor máximo
para x = µ derivando sua expressão e igualando a zero:
 !  ! 
(x−µ)2 (x−µ)2
−(x − µ)2

df (x) d 1 −
2σ 2
1 −
2σ 2
= √ e = √ e =0⇔x−µ=0⇔x=µ
dx dx 2πσ 2πσ σ2
df (x) df (x)
Já que dx
> 0 para x < µ e dx
< 0 para x > µ, x = µ é, de fato, um ponto de máximo.
Questão 9:
Para a demonstração, precisamos apenas utilizar a linearidade da esperança:

E((X − a)2 ) = E(X 2 − 2aX + a2 ) = E(X 2 ) − 2aE(X) + a2

6
Derivando em relação a a (observe que, E(X 2 ) e E(X) são constantes) e igualando a zero:

dE((X − a)2 )
= −2E(X) + 2a = 0 ⇔ 2(a − E(X)) = 0 ⇔ a = E(X)
da
2 dE((X−a)2 )
É fácil ver que dE((X−a)
da
)
< 0 para a < E(X) e da
> 0 para a > E(X), o que mostra que
a = E(X) é um ponto de mı́nimo.
Questão 10:

• Função geratriz de momentos conjunta:

Z ∞Z ∞ ∞ ∞
et1 x (x−y)2
Z Z
t2 y −y
MX,Y (t1 , t2 ) = E(e t1 X+t2 Y
)= e t1 x+t2 y
f (x, y) dx dy = e e √ e− 2 dx dy
0 −∞ 0 −∞ 2π
Identificamos a integral mais interna como sendo a função geratriz de momentos de uma
variável aleatória N (y, 1). Logo, temos que
∞ t1 2
∞ ∞
ey(t2 +t1 −1) 
Z Z
t 2
yt1 + 12
t1 2 t1 2 e 2
MX,Y (t1 , t2 ) = et2 y e−y e dy = e 2 ey(t2 +t1 −1) dy = e 2 =
0 0 t2 + t1 − 1 0 1 − t1 − t2
t2
1
e2
∴ MX,Y (t1 , t2 ) = , se t1 + t2 < 1
1 − t1 − t2
• Função geratriz de momentos de X:
t2
e2
MX (t) = MX,Y (t, 0) = , se t < 1
1−t
t2
e2
∴ MX (t) = , se t < 1
1−t
• Função geratriz de momentos de Y:
1
MY (t) = MX,Y (0, t) = , se t < 1
1−t
1
∴ MY (t) = , se t < 1
1−t

Questão 11:
Seja X o número de automóveis vendidos por semana pela concessionária. Sabemos que
E(X) = 15 e V ar(X) = 4.

7
 • Dependendo do modo como escrevemos a probabilidade, podemos encontrar duas desigual-
dades válidas.

P (11 ≤ X ≤ 19) = P (−4 ≤ X − 15 ≤ 4) = P (|X − E(X)| ≤ 4) = 1 − P (|X − E(X)| > 4)

Agora, pela desigualdade de Chebyshev:

V ar(X) 1
P (|X − E(X)| > 4) ≤ P (|X − E(X)| ≥ 4) ≤ 2
=
4 4
3 75
∴ P (11 ≤ X ≤ 19) ≥ =
4 100
Porém, como X é uma variável aleatória discreta, poderı́amos ter escrito que

V ar(X) 4
P (|X − E(X)| > 4) = P (|X − E(X)| ≥ 5) ≤ 2
=
5 25
21 84
∴ P (11 ≤ X ≤ 19) ≥ =
25 100
Notemos que a segunda desigualdade obtida é melhor, pois diminui o intervalo em que a
probabilidade pode estar.
11
• Seja L a variável aleatória que indica o lucro semanal. Sabemos que L = 0, 5X 10 . O lucro
médio semanal da concessionária é dado por E(L). Porém,
11 11
E(L) = E(0, 5X 10 ) = 0, 5E(X 10 ) = 0, 5E(g(X))
11
onde g(X) = X 10 . Já que

11 d 1 11 9
g 00 (x) = (x 10 ) = x− 10 ≥ 0
10 dx 10
então, g(x) é convexa e vale a desigualdade de Jensen:

E(g(X)) ≥ g(E(X))

Logo,
1 1 11
E(L) ≥ g(15) = 15 10
2 2
1 11
∴ E(L) ≥ 15 10 ∼
= 9, 8327
2

Questão 12:
Seja Xi a variável aleatória correspondente à nota final de cada aluno. Sabemos que Xi ≥ 0 e
que E(Xi ) = 5, 5.

8
a. Já que Xi ≥ 0, podemos usar a desigualdade de Markov:
E(X) 5, 5
P (X > 7) ≤ P (X ≥ 7) ≤ =
7 7
5, 5 ∼
∴ P (X > 7) ≤ = 0, 78757
7
b. Vamos resolver este problema utilizando a desigualdade de Chebyshev e o Teorema Central do
Limite. Em ambos os casos, consideraremos que Xi são independentes. Pn Seja n o número de
alunos necessários para satisfazer as condições do enunciado e Sn = i=1 Xi . A nota média
da turma é dada por Snn e queremos determinar n tal que
  
 Sn E(Sn ) 
P  −
  < 0, 5 ≥ 0, 95
n n 
pois
n
E(Sn ) 1X
= E(Xi ) = E(Xi ) = 5, 5
n n i=1

• Desigualdade de Chebyshev:
  
 Sn E(Sn ) 
P  −  < 0, 5 = 1 − P (|Sn − E(Sn )| ≥ 0, 5n)
n n 
Pela desigualdade de Chebyshev:
V ar(Sn )
P (|Sn − E(Sn )| ≥ 0, 5n) ≤
n2 0, 52
Considerando Xi independentes, temos que
n
X n
X
V ar(Sn ) = V ar(Xi ) = 2, 5 = 2, 5n
i=1 i=1

Logo,   
 Sn  2, 5n 10
P  − E(Sn ) ≥ 0, 5 ≤
 
2
=
n 0, 25n n
Então,   
 Sn E(Sn ) 
P  −  < 0, 5 ≥ 1 − 10
n n  n
E devemos ter
10
1− ≥ 0, 95
n
O que implica:
10 1 n
0, 05 ≥ ⇒ ≤ =⇒ n ≥ 200
n 0, 05 10

9
 • Teorema Central do Limite:
  
 Sn E(Sn ) 
P  −  < 0, 5 = P (|Sn −E(Sn )| < 0, 5n) = P (−0, 5n < Sn −E(Sn ) < 0, 5n) =
n n 
! ! !
−0, 5n Sn − E(Sn ) 0, 5n ∼ 0, 5n −0, 5n
=P p < p <p =Φ p −Φ p =
V ar(Sn ) V ar(Sn ) V ar(Sn ) V ar(Sn ) V ar(Sn )
! " !# !
0, 5n 0, 5n 0, 5n
=Φ p − 1−Φ p = 2Φ p −1
V ar(Sn ) V ar(Sn ) V ar(Sn )
Substituindo os valores, temos
      
 Sn E(Sn )  0, 5n 0, 5n
P  − ∼
 < 0, 5 = 2Φ √ − 1 ≥ 0, 95 =⇒ Φ √ ≥ 0, 975 ⇒
n n  2, 5n 2, 5n
0, 5n n
⇒√ ≥ 1, 96 ⇒ √ ≥ 6, 1981
2, 5n n
Elevando ao quadrado os dois termos, obtemos a seguinte desigualdade:

n2 − 38, 416n ≥ 0

que é satisfeita para n ≤ 0 ou n ≥ 38, 416. Como n deve ser positivo e inteiro, devemos
ter n ≥ 39.
Como podemos ver, o resultado obtido com o Teorema Central do Limite é bem menor
que aquele obtido com a desigualdade de Chebyshev.

Questão 13:
Já que o número de apostas é grande, vamos usar o Teorema Central do Limite (TCL) para
calcular aproximadamente a probabilidade desejada. Vamos definir a variável aleatória correspon-
dente ao ganho do jogador em cada aposta como sendo:

−1 , se o jogador perde 1R$

Xi = −2 , se o jogador perde 2R$

+10 , se o jogador ganha 10R$


i = 1, ..., 100. De acordo com o enunciado:

P (Xi = −1) = 0, 7 P (Xi = −2) = 0, 2 P (Xi = +10) = 0, 1

Assim, o ganho total do jogador nas 100 apostas é uma variável aleatória Sn definida por
100
X
Sn = Xi
i=1

10
As esperanças e variâncias de Xi são:
X
E(Xi ) = xP (Xi = x) = (−1).0, 7 + (−2).0, 2 + 10.0, 1 = −0, 1
x

V ar(Xi ) = E(Xi 2 ) − [E(Xi )]2 = [(−1)2 .0, 7 + (−2)2 .0, 2 + 102 .0, 1] − 0, 12 = 11, 5 − 0, 01 = 11, 49
Como V ar(Xi ) é finita, podemos de fato usar o TCL. Suporemos que as variáveis aleatórias Xi ,
i = 1, ..., 100, são todas independentes. Dessa maneira,
100
! 100
X X
E(Sn ) = E Xi = E(Xi ) = 100.(−0, 1) = −10
i=1 i=1

100
! 100
X X
V ar(Sn ) = V ar Xi = V ar(Xi ) = 100.11, 49 = 1149
i=1 i=1

A probabilidade de o jogador ter ganho negativo após 100 jogadas é dada por P (Sn < 0). Pelo
TCL,
! !  
Sn − E(Sn ) −E(Sn ) ∼ −E(S n ) 10 ∼
P (Sn < 0) = P p <p =Φ p =Φ √ = Φ(0, 2950)
V ar(Sn ) V ar(Sn ) V ar(Sn ) 1149

Da tabela da distribuição acumulada da variável aleatória N (0, 1), obtemos

P (Sn < 0) ∼
= 0, 6160

Questão 14:
Mais uma vez, vamos usar o Teorema Central do Limite (TCL). Suporemos que o número
de componentes no estoque necessário para que ele dure pelo menos 35 dias (n) é grande e,
ao final, veremos se o resultado é condizente com essa hipótese. Chamemos de Xi a variável
aleatória que representa o número de dias de duração da i-ésima componente (ou seja, já ocorreram
i − 1P reposições). Logo, o número total de dias necessários para que ocorram n reposições é
Sn = ni=1 Xi . Queremos, então, que

P (Sn ≥ 35) = 0, 95

Vamos calcular E(Sn ) e V ar(Sn ), supondo que a duração de cada componente é independente:
n
! n n Z ∞ n Z 1 n
X X X X
2
X 2 2n
E(Sn ) = E Xi = E(Xi ) = xf (x) dx = 2x dx = =
i=1 i=1 i=1 −∞ i=1 0 i=1
3 3

n
! n n n
"Z  2 #
∞
X X X X 2
V ar(Sn ) = V ar Xi = V ar(Xi ) = [E(Xi 2 )−[E(Xi )]2 ] = x2 f (x) dx −
i=1 i=1 i=1 i=1 −∞ 3
n Z 1  n  
X 4 X 1 4 n
= 2x3 dx − = − =
i=1 0 9 i=1
2 9 18

11
Pelo TCL:
! !
Sn − E(Sn ) 35 − E(Sn ) ∼ 35 − E(Sn )
P (Sn ≥ 35) = 1 − P (Sn < 35) = 1 − P p < p =1−Φ p
V ar(Sn ) V ar(Sn ) V ar(Sn )

Já que queremos P (Sn ≥ 35) = 0, 95:

! !
35 − E(Sn ) ∼ E(Sn ) − 35 ∼ E(Sn ) − 35 ∼
1−Φ p = 0, 95 ⇒ Φ p = 0, 95 ⇒ p = 1, 6450
V ar(Sn ) V ar(Sn ) V ar(Sn )

Substituindo os valores, obtemos

2n
− 35
3
pn ∼ = 1, 6450
18
√
Fazendo t = n, chegamos à seguinte equação de segundo grau:
2 2
t − 0, 3877t − 35 = 0
3
cujas raı́zes são t = −6, 9607 e t = 7, 5423. Como nos interessa apenas a raiz positiva, temos que

n = t2 = 7, 54232 =⇒ n ∼
= 56, 8862

Assim, concluı́mos que são necessárias 57 componentes no estoque para que ele atenda às especi-
ficações do enunciado. De fato, o número razoavelmente grande de componentes justifica o uso do
TCL.
Questão 15:
Seja Xi a nota de cada aluno da turma de 25 alunos (i = 1, ..., 25) e Yk a nota de cada aluno da
turma de 64 alunos (k = 1, ..., 64). Sabemos que E(Xi ) = E(Yk ) = 7, 4 e V ar(Xi ) = VP ar(Yk ) =
25
1, 42 . As médias das notas das duas turmas são dadas, respectivamente, por S2525 = 25 1
i=1 Xi e
S64 1
P 64
64
= 64 k=1 Yk .
Para resolver esta questão, teremos que usar o Teorema Central do Limite (TCL), já que não
temos mais nenhuma informação adicional sobre as distribuições de Xi e Yk .

a. • Turma de 25 alunos:
  !
S25 S25 − 25E(Xi ) 200 − 25E(Xi ) ∼
P ≥ 8, 0 = P (S25 ≥ 25.8, 0) = P p ≥ p =
25 25V ar(Xi ) 25V ar(Xi )
!  
∼ 200 − 25E(Xi ) 200 − 185
=1−Φ p =1−Φ = 1 − Φ(2, 1429) ∼
= 1 − 0, 9838
25V ar(Xi ) 7
 
S25
∴ P ≥ 8, 0 ∼ = 0, 0162
25

12
 • Turma de 64 alunos:
  !
S64 S64 − 64E(Yk ) 512 − 64E(Yk ) ∼
P ≥ 8, 0 = P (S64 ≥ 64.8, 0) = P p ≥ p =
64 64V ar(Yk ) 64V ar(Yk )
!  
∼ 512 − 64E(Yk ) 512 − 473, 6
=1−Φ p =1−Φ = 1 − Φ(3, 4286) ∼
= 1 − 0, 9997
64V ar(Yk ) 11, 2
 
S64
∴ P ≥ 8, 0 ∼ = 0, 0003
64

b. Queremos calcular  
S64 S25
P ≥ + 0, 22
64 25
Que equivale a  
S64 S25
P − ≥ 0, 22
64 25
Pelo TCL, temos que
 
S64 − 64E(Yk ) S64 V ar(Yk )
p ∼ N (0, 1) ⇐⇒ ∼N E(Yk ),
64V ar(Yk ) 64 64
 
S25 − 25E(Xi ) S25 V ar(Xi )
p ∼ N (0, 1) ⇐⇒ ∼N E(Xi ),
25V ar(Xi ) 25 25
S64
Façamos E(Xi ) = E(Yk ) = µ e V ar(Xi ) = V ar(Yk ) = σ 2 . Como 64
− S2525 é aproximadamente
a subtração de duas variáveis aleatórias normais, temos que

σ2 σ2
 
S64 S25
− ∼ N 0, +
64 25 64 25

Assim, temos que

   
S64 S25
− 25
 
S64 S25 64 0, 22  ∼ 0, 22  ∼
P − ≥ 0, 22 = P  q ≥q = 1 − Φ q =
64 25 σ2 σ2
+ 25 σ2 σ2
+ 25 σ2 σ2
+ 25
64 64 64

 
∼ 0, 22 ∼
=1−Φ = 1 − Φ(0, 6663) ∼
= 1 − 0, 7454 ∼
= 0, 2546
0, 3302
 
S64 S25
∴ P ≥ + 0, 22 ∼= 0, 2546
64 25

13
 Questão 16:
Devemos notar que serão necessários pelo menos 80 lançamentos se, e somente se, a soma
dos resultados até o lançamento de número 79 não exceder 300. Seja Xi o resultado
Pn do i-ésimo
lançamento. A soma dos resultados até o n-ésimo lançamento é dada por Sn = i=1 Xi . Queremos,
então, calcular a probabilidade
P (S79 ≤ 300)
Para isso, vamos usar o Teorema Central do Limite. Antes, devemos calcular E(Xi ) e V ar(Xi ):
X 1
E(Xi ) = xP (Xi = x) = (1 + 2 + 3 + 4 + 5 + 6) = 3, 5
x
6

1 35
V ar(Xi ) = E(Xi 2 ) − [E(Xi )]2 = (12 + 22 + 32 + 42 + 52 + 62 ) − 3, 52 =
6 12
Logo,
! !
S79 − 79E(Xi ) 300 − 79E(Xi ) ∼ 300 − 79E(Xi ) ∼
P (S79 ≤ 300) = P p ≤ p =Φ p =
79V ar(Xi ) 79V ar(Xi ) 79V ar(Xi )
 
∼ 23, 5 ∼
=Φ = Φ(1, 5481) ∼
= 0, 9394
15, 1795
∴ P (S79 ≤ 300) ∼
= 0, 9394

14