Escolar Documentos
Profissional Documentos
Cultura Documentos
AulasET5812010 2 PDF
AulasET5812010 2 PDF
ET581: Probabilidade 1
Leandro Chaves Rgo, Ph.D.
2010.2
Prefcio
Estas notas de aula foram feitas para compilar o contedo de vrias referncias bibliogrcas
tendo em vista o contedo programtico da disciplina ET581-Probabilidade 1 do curso de
graduao em Estatstica da Universidade Federal de Pernambuco. Em particular, elas no
contm nenhum material original e no substituem a consulta a livros textos. Seu principal
objetivo dispensar a necessidade dos alunos terem que copiar as aulas e, deste modo,
poderem se concentrar em entender o contedo das mesmas.
Contedo
Prefcio
1.1
1.2
1.3
1.4
1.5
1.6
2 Tcnicas de Contagem
2.1
2.2
2.3
Introduo . . . . . . . . . . . .
Mtodos de Contagem . . . . .
2.2.1 Regra da Adio . . . .
2.2.2 Regra da Multiplicao .
Aplicaes em Grafos . . . . . .
2.3.1 Grafos No Direcionados
2.3.2 Grafos Direcionados . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3 Introduo Probabilidade
3.1
3.2
3.3
3.4
3.5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Experimento Aleatrio . . . . . . . . . . . . . . . . . .
Espao Amostral . . . . . . . . . . . . . . . . . . . . .
Eventos e Coleo de Eventos . . . . . . . . . . . . . .
3.3.1 Induo Matemtica . . . . . . . . . . . . . . .
Frequncias Relativas . . . . . . . . . . . . . . . . . . .
Axiomas de Kolmogorov . . . . . . . . . . . . . . . . .
3.5.1 Exemplos de Medidas de Probabilidade . . . . .
3.5.2 Propriedades de uma Medida de Probabilidade .
4 Probabilidade Condicional
4.1
4.2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Probabilidade Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Independncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
ii
1
4
6
7
7
8
10
10
10
10
11
17
17
17
19
19
19
20
23
25
26
28
29
35
35
44
5.5
Introduo . . . . . . . . . . . . . . . . . . . . . . . . .
Funo de Distribuio Acumulada . . . . . . . . . . .
Tipos de Varivel Aleatria . . . . . . . . . . . . . . .
Varivel Aleatria Discreta . . . . . . . . . . . . . . . .
5.4.1 Aleatria. . . . . . . . . . . . . . . . . . . . . .
5.4.2 Bernoulli. . . . . . . . . . . . . . . . . . . . . .
5.4.3 Binomial. . . . . . . . . . . . . . . . . . . . . .
5.4.4 Hipergeomtrica. . . . . . . . . . . . . . . . . .
5.4.5 Geomtrica. . . . . . . . . . . . . . . . . . . . .
5.4.6 Binomial Negativa ou Pascal. . . . . . . . . . .
5.4.7 Zeta ou Zipf. . . . . . . . . . . . . . . . . . . .
5.4.8 Poisson. . . . . . . . . . . . . . . . . . . . . . .
Poisson como um Limite de Eventos Raros de Binomial
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
O Conceito de Esperana . . . . . . . . . . . . . . . . . .
6.1.1 Denio da Esperana . . . . . . . . . . . . . . .
Funes de Variveis Aleatrias . . . . . . . . . . . . . .
Esperana de Funes de Variveis Aleatrias Discretas.
Propriedades da Esperana . . . . . . . . . . . . . . . . .
Momentos . . . . . . . . . . . . . . . . . . . . . . . . . .
6.5.1 Momentos Centrais . . . . . . . . . . . . . . . . .
Referncias Bibliogrcas
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
48
48
50
53
53
54
54
55
56
57
58
59
59
60
63
63
63
66
67
68
69
71
73
iii
Captulo 1
Reviso Bsica de Teoria dos Conjuntos
1.1 Denio de Conjuntos e Exemplos
Denio 1.1.1: Um conjunto uma coleo de elementos distintos1 onde os elementos
no so ordenados.
Esta denio intuitiva de um conjunto foi dada primeiramente por Georg Cantor (18451918), que criou a teoria dos conjuntos em 1895. Um conjunto pode ser especicado, listando
seus elementos dentro de chaves. Por exemplo,
Estatstica comum se falar de conjuntos incluindo o caso onde seus elementos no so distintos.
Por exemplo, o conjunto dos tempos de acesso a um banco de dados, o conjunto das notas de uma dada
disciplina, entre outros, podem ter valores iguais, porm formalmente na teoria dos conjuntos os elementos
de um conjunto devem ser distintos.
Nn = {0, 1, 2, . . . , n 1},
Z = {x : x um inteiro},
Z + = {x : x um inteiro positivo},
Q = {x : x racional}.
Para notar que o conjunto dos nmeros racionais enumervel considere a seguinte matriz
de nmeros racionais. (Lembrando que um nmero x racional se pode ser escrito sob a
forma pq , onde p e q so inteiros e q = 0.)
0/1
0/2
0/3
1/1
1/2
1/3
2/1
2/2
2/3
3/1
3/2
3/3
..
.
..
.
..
.
..
.
..
.
..
Esta matriz contm todos os racionais no-negativos. Utilizando o mtodo da diagonalizao, os elementos da matriz so ordenados, sem repetio, da seguinte forma:
IR = {x : x um nmero real},
(a, b) = {x : a < x < b}, onde a < b,
[a, b] = {x : a x b}, onde a < b.
Por exemplo, o matemtico Georg Cantor mostrou que o intervalo [0, 1] no enumervel
com o seguinte argumento. A prova feita por contradio. Suponha (para ns de argumentao) que o intervalo [0, 1] innito enumervel. Ento, pode-se enumerar todos os
nmeros deste intervalo como uma sequncia, (r1 , r2 , r3 , . . .) (os nmeros no precisam estar
em ordem). No caso de nmeros com duas expanses decimais, como 0,499 . . . = 0,500 . . .,
escolhe-se aquele que acaba com noves. Suponha, por exemplo, que as expanses decimais
do incio da sequncia so como se segue:
r1 = 0,5376547 . . .
r2 = 0,1199999 . . .
r3 = 0,5347824 . . .
r4 = 0,9870812 . . .
r5 = 0,3451243 . . .
r6 = 0,2136530 . . .
r7 = 0,3200985 . . .
...
Iremos agora construir um nmero real no intervalo [0, 1] que diferente de todos os
nmeros na sequncia anterior, o que gera uma contradio a hiptese inicial de que esta
sequncia contm todos os reais no intervalo [0, 1]. Constri-se um nmero real x dentro do
intervalo [0, 1] considerando o k -simo dgito depois da vrgula da expanso decimal de rk .
A partir desses dgitos ns denimos os dgitos do nmero x da seguinte forma:
Exemplo 1.2.1: Seja = {0, 1, 2, 3, 4, 5, 6, 7}, A = {0, 1, 5} e B = {1, 2, 3, 4}. Ento segue
que Ac = {2, 3, 4, 6, 7}, A B = {0, 1, 2, 3, 4, 5}, A B = {1}, A B = {0, 5}.
Prova: Suponha que (Ac )c . Ento, / Ac , o que por sua vez implica que A,
Prova: Exerccio.
4. Distributividade: A (B C) = (A B) (A C) e A (B C) = (A B) (A C)
Prova: Exerccio.
5. Leis de De Morgan: (A B)c = Ac B c e (A B)c = Ac B c .
Prova: Suponha que (A B)c . Ento, / (A B), o que por sua vez implica
que
/ A e
/ B . Logo, Ac e B c , ou seja, (Ac B c ). Ento,
(A B)c (Ac B c ). Agora suponha que (Ac B c ). Ento, Ac e B c , o
que por sua vez implica que
/Ae
/ B . Logo,
/ (A B), ou seja, (A B)c .
Ento, (Ac B c ) (A b)c . Portanto, (Ac B c ) = (A b)c .
A prova da outra Lei de Morgan anloga e deixada como Exerccio.
As Leis de De Morgan permitem que se possa expressar unies em termos de interseces
e complementos e interseces em termos de unies e complementos.
Unies e interseces podem ser estendendidas para colees arbitrrias de conjuntos.
Seja I um conjunto qualquer. Este conjunto I ser utilizado para indexar, ou seja, identicar
atravs de um nico smbolo os conjuntos na coleo arbitrria de interesse e desse modo
I N = e I N = N3 .
A B = {(a, b) : a A, b B}.
A B = {(1, c), (1, d), (2, c), (2, d), (3, c), (3, d)}, e
B A = {(c, 1), (c, 2), (c, 3), (d, 1), (d, 2), (d, 3)}.
A noo de produto cartesiano pode ser estendida da seguinte maneira: Se A1 , . . . , An
forem conjuntos, ento,
A1 A2 . . . An = {(a1 , a2 , . . . , an ) : ai Ai },
ou seja, o conjunto de todas as nuplas ordenadas.
Um caso especial importante surge quando consideramos o produto cartesiano de um
conjunto por ele prprio, isto , A A. Exemplos disso surgem quando tratamos do plano
euclideano, IR IR, onde IR o conjunto de todos os nmeros reais, e do espao euclideano
tridimensional, representado por IR IR IR.
Denio 1.4.1: Dado um conjunto qualquer A, pode-se denir um outro conjunto, con-
hecido como conjunto das partes de A, e denotado por 2A , cujos elementos so subconjuntos
de A.
1.5 Partio
Intuitivamente, uma partio de um conjunto universo uma maneira de distribuir os elementos deste conjunto em uma coleo arbitrria de subconjuntos. Formalmente, tem-se a
seguinte denio:
Exemplo 1.5.2: Se = {1, 2, 3, 4}, ento {A1 , A2 }, onde A1 = {1, 2, 3} e A2 = {4}, uma
partio de .
sempre conveniente representar um conjunto A por uma funo IA tendo domnio (conjunto
dos argumentos da funo) e contra-domnio (conjunto dos possveis valores da funo)
binrio {0, 1}.
IA () =
1 se A,
0 se
/ A.
A = B ( )IA () = IB ().
O fato que conjuntos so iguais se, e somente se, suas funes indicadoras forem idnticas
nos permitem explorar a aritmtica de funes indicadoras:
IAc = 1 IA ,
A B IA IB ,
IAB = min(IA , IB ) = IA IB ,
IAB = max(IA , IB ) = IA + IB IAB ,
IAB = max(IA IB , 0) = IA IB c ,
para construir argumentos rigorosos no que se refere a relao entre conjuntos. Ou seja,
ns transformamos proposies sobre conjuntos em proposies sobre funes indicadoras
e podemos ento utilizar nossa familiaridade com lgebra para resolver perguntas menos
familiares sobre conjuntos.
Soluo: Exerccio.
Captulo 2
Tcnicas de Contagem
2.1 Introduo
Neste captulo estudaremos alguns mtodos de contagem, tambm conhecidos como mtodos
de anlise combinatria. A relevncia deste estudo se deve ao fato que, como veremos adiante,
em muitos casos onde o conjunto de resultados possveis de um experimento aleatrio
nito a probabilidade dos eventos proporcional a sua cardinalidade. Deste modo, ser
importante ter alguma familiaridade com estes mtodos. Embora conjuntos pequenos possam
ser contados exaustivamente (fora-bruta), mesmo conjuntos com tamanho moderado podem
ser difceis de contar sem a utilizao de tcnicas matemticas.
Exemplo 2.2.1: Suponha que estejamos planejando uma viagem e devamos escolher entre
o transporte por nibus ou por trem. Se existirem trs rodovias e duas ferrovias, ento
existiro 3 + 2 = 5 caminhos disponveis para a viagem.
10
11
Suponha que um procedimento designado por 1 possa ser executado de n1 maneiras. Admitase que um segundo procedimento, designado por 2, possa ser executado de n2 maneiras.
Suponha tambm que cada maneira de executar 1 possa ser seguida por qualquer maneira
para executar 2. Ento o procedimento formado por 1 seguido de 2 poder ser executado de
n1 n2 maneiras.
Obviamente, esta regra pode ser estendida a qualquer nmero nito de procedimentos. Se
existirem k procedimentos e o i-simo procedimento puder ser executado de ni maneiras, i =
1, 2, . . . , k , ento o procedimento formado por 1, seguido por 2,. . . , seguido pelo procedimento
k , poder ser executado de n1 n2 nk maneiras.
Exemplo 2.2.2: Uma pea manufaturada deve passar por 3 estaes de controle. Em cada
Exemplo 2.2.3: Quantos divisores inteiros e positivos possui o nmero 360? Quantos desses
Exemplo 2.2.4: De quantos modos o nmero 720 pode ser decomposto em um produto
sequncias binrias de comprimento r igual a 2r pois neste caso temos para cada posio
i da sequncia ni = 2. O nmero de subconjuntos de um dado conjunto ||A|| = r pode ser
determinado enumerando A = {a1 , a2 , a3 , . . . , ar } e descrevendo cada subconjunto B de A
por uma sequncia binria
(b1 , b2 , . . . , br )
, onde bi = 1 se ai B e bi = 0, caso contrrio. Como existem 2r destas sequncias, ento
existem 2r subconjuntos de um conjunto de r elementos. Portanto, se ||A|| = r, o conjunto
das partes de A, possui 2r elementos, o que explica a notao exponencial do conjunto das
partes.
(n)r = n(n 1) (n r + 1) =
(n i)
i=0
n! = (n)n = n(n 1) 1,
onde n! conhecida como funo fatorial. Em termos, de funo fatorial, ns podemos
escrever:
n!
(n)r =
.
(n r)!
Propriedades da funo fatorial n! incluem as seguintes:
0! = 1! = 1 e n! = n(n 1)!.
Soluo: Temos que garantir que cada elemento de A tem uma imagem diferente. Como
A nito e tem n elementos, garante-se deste modo que f tambm sobrejetora e, portanto,
bijetora. Ento, o primeiro elemento de A tem n opes, o segundo n 1 opes, at que
o ltimo elemento de A tem somente uma opo disponvel. Portanto, existem n! funes
bijetoras f : A A.
Exemplo 2.2.9: De quantos modos possvel colocar r rapazes e m moas em la de modo
que as moas permaneam juntas?
Soluo: Primeiro temos r + 1 opes de escolher o lugar das moas. Em seguida, temos
r! maneiras de escolher a posio dos rapazes entre si, e m! maneiras de escolher a posio
das moas entre si. Portanto, temos (r + 1)r!m! modos diferentes de escolha.
o elemento que ocupa o lugar de ordem k , da esquerda para a direita, sempre maior que
k 3?
Soluo: Comecemos escolhendo os nmeros da direita para esquerda. Observe que
o nmero no lugar de ordem 10, tem que ser maior que 7, portanto existem 3 opes. O
nmero no lugar de ordem 9, tem que ser maior que 6, existem, portanto, 3 opes visto
que um dos nmeros maiores que 6 j foi utilizado na ltima posio. De maneira similar
pode-se ver que existem 3 opes para os nmeros que ocupam do terceiro ao oitavo lugar.
O nmero no lugar de ordem 2, tem somente 2 opes, pois oito nmeros j foram escolhidos
anteriormente. Finalmente, resta apenas um nmero para o lugar de ordem 1. Portanto,
existem 2 38 permutaes deste tipo.
14
n
r
(n)r
n!
=
.
r!
(n r)!r!
Para vericar isto, note que o nmero de colees ordenadas de tamanho r sem repetio
(n)r . Como os elementos de cada sequncia de comprimento r so distintos, o nmero de
permutaes de cada sequncia r!. Porm, utilizando a regra da multiplicao, o procedimento de escolhermos uma coleo ordenada de r termos sem repetio igual a primeiro
escolher uma coleo no-ordenada de r termos sem repetio e depois escolhermos uma
ordem para esta coleo no ordenada, ou seja, temos que
n
r!,
r
(n)r =
n
r
n
,
nr
n
0
n
1
= 1,
= n,
n
r
= 0 se n < r.
2 =
r=0
n
.
r
(a + b) =
k=0
n k nk
a b .
k
Exemplo 2.2.11: Dentre oito pessoas, quantas comisses de trs membros podem ser escolhidas, desde que duas comisses sejam a mesma comisso se forem constitudas pelas
mesmas pessoas (no se levando em conta a ordem em que sejam escolhidas)? A resposta
dada por 83 = 56 comisses possveis.
Autor: Leandro Chaves Rgo
Exemplo 2.2.13 : Um grupo de oito pessoas formado de cinco homens e trs mul-
heres. Quantas comisses de trs pessoas podem ser constitudas, incluindo exatamente
dois homens? Aqui deveremos fazer duas coisas, escolher dois homens (dentre cinco) e escolher uma mulher (dentre trs). Da obtemos como nmero procurado 52 31 = 30 comisses.
nmeros 1? Neste caso, temos quatro casos possveis: todas sequencias que no contm
1, todas sequncias que contm apenas um nmero 1, todas sequncias que contm dois
nmeros 1, e todas as sequncias que contm trs nmeros 1. Para 0 r n, temos que
existem exatamente nr sequncias binrias com r nmeros 1. Portanto, pela regra da adio
temos que existem
n
n
n
n
+
+
+
0
1
2
3
Exemplo 2.2.15: Quantas sequncias de cara e coroa de comprimento n contm pelo menos
1 cara? Neste caso, note que apenas uma sequncia no contm nenhuma cara (a sequncia
que contm apenas coroa). Como o nmero total de sequncias de cara e coroa de comprimento n igual a 2n , temos ento 2n 1 sequncias de comprimento n contendo pelo menos
uma cara.
Contagem Multinomial
Considere que temos r tipos de elementos e ni cpias indistinguveis do elemento do tipo i.
Por exemplo, a palavra probabilidade tem duas cpias de cada uma das letras a,b,d,i e uma
cpia de cada uma das letras l,p,r,o,e. O nmero de sequncias ordenadas de comprimento
n = ri=1 ni dado por:
n
n1
n n1
n2
n n1 n2
1 =
n3
n!
r
i=1
ni !
16
n
,
n1 n2 . . . nr
onde n = ri=1 ni .
Para vericar esta contagem, note que das n posies na sequncia de comprimento n,
ns podemos escolher n1 posies para os n1 elementos indistinguveis do tipo 1 de nn1
maneiras. Das n n1 posies restantes na sequncia, podemos escolher n2 posies para
1
os n2 elementos indistinguveis do tipo 2 de nn
maneiras. Finalmente, aps repetir este
n2
processo r 1 vezes, restam-nos nr posies na sequncia para os nr elementos do tipo r,
que s podem ser escolhidas de uma nica maneira. Utilizando o mtodo da multiplicao, o
nmero total de sequncias possveis produto do nmero de maneiras que podemos colocar
os r tipos de elementos.
O coeciente multinomial tambm calcula o nmero de parties de um conjunto n
elementos em r subconjuntos com tamanhos dados n1 , n2 , . . . , nr . Aplicando-se o mesmo
argumento que utilizamos para demonstrar o Teorema Binomial, pode-se provar a seguinte
generalizao conhecida como Teorema Multinomial:
n
(x1 + x2 + . . . + xr ) =
j<r1 ij
i1 =0 i2 =0
onde ir = n
ni1
ir1 =0
n
i1 i2 . . . ir
xikk ,
k=1
j<r ij .
Exemplo 2.2.17: Um monitor tendo resoluo de n = 1.280 854 pixels, com r = 3 cores
possveis (verde, azul, e vermelho) para cada pixel, pode mostrar i1 in2 i3 imagens tendo i1
pixels verdes, i2 pixels azuis, e i3 pixels vermelhos. O nmero total de imagens que pode ser
exibida por este monitor para qualquer composio de cores de ver, azul, e vermelho pode
ser obtido utilizando o Teorema Multinomial fazendo x1 = x2 = x3 = 1, dando o resultado
de 3n possveis imagens.
Exemplo 2.2.18: Determine o coeciente de x9 y 4 no desenvolvimento de (x3 + 2y 2 + x52 )5 .
Soluo: O termo genrico do desenvolvimento
5
5
(x3 )i1 (2y 2 )i2 ( 2 )5i1 i2 =
i1 i2 5 i1 i2
x
5
(2)i2 (5)5i1 i2
x3i1 10+2i1 +2i2 y 2i2 .
i1 i2 5 i1 i2
(2.1)
17
n,m =
n
2
Exemplo 2.3.4: Quantos grafos direcionados sem laos existem com um conjunto V de
n vrtices? Como existem n(n 1) pares ordenados de vrtices sem repetio, ento o
nmero total de possveis arestas do grafo n(n 1). Cada grafo, ento corresponde a um
subconjunto do conjunto de todas as arestas. Ento, temos que existem
n = 2n(n1)
n(n 1)
m
grafos direcionados com n vrtices e m arestas.
Captulo 3
Introduo Probabilidade
3.1 Experimento Aleatrio
Um experimento qualquer processo de observao. Em muitos experimentos de interesse,
existe um elemento de incerteza, ou chance, que no importa quanto ns sabemos sobre o
passado de outras performances deste experimento, ns essencialmente no somos capazes de
predizer seu comportamento em futuras realizaes. As razes para nossa falta de habilidade
para predizer so varias: ns podemos no saber de todas as causas envolvidas; ns podemos
no ter dados sucientes sobre as condies iniciais do experimento; as causas podem ser
to complexas que o clculo do seu efeito combinado no possvel; ou na verdade existe
alguma aleatoriedade fundamental no experimento. Tais experimentos so conhecidos como
experimentos aleatrios. Salvo mencionado em contrrio, este livro restringe-se classe de
experimentos aleatrios cujo conjuntos de possveis resultados seja conhecido1 .
Os resultados de um experimento aleatrio so caracterizados pelos seguintes componentes:
1. o conjunto de resultados possveis ;
2. a coleo de conjuntos de resultados de interesse A;
3. um valor numrico P da verossimilhana ou probabilidade de ocorrncia de cada um
dos conjuntos de resultados de interesse.
19
20
A B C.
21
(A B C)c .
(Ac B c C c ).
Denio 3.3.3:
22
Exemplo 3.3.4:
A = {A IR : A nito} {A IR : Ac nito},
ou seja, A consiste dos subconjuntos de IR que ou so nitos ou tm complementos
nitos. A uma lgebra de eventos.
Corolrio 3.3.7: Existe uma menor (no sentido de incluso) lgebra contendo qualquer
famlia dada de subconjuntos de .
Prova: Seja C uma coleo qualquer de subconjuntos de , dena A(C) como sendo o
conjunto que igual a intercesso de todas as lgebras de eventos que contm C , isto :
A(C) =
A.
AC:A
Pelo Teorema 3.3.6, A(C) uma lgebra de eventos, e consequentemente a menor lgebra
de eventos contendo C . A(C) conhecida como a lgebra de eventos gerada por C .
Exemplo 3.3.9: Por exemplo, = {a, b, c, d}. Considere a partio, {{a, c}, {b, d}}, ento
considere a coleo de eventos que consiste de unies nitas dos eventos desta partio:
A = {, , {a, c}, {b, d}}. fcil ver que A uma lgebra de eventos.
Exemplo 3.3.10: Se = {a, b, c, d, e, f }, encontre a lgebra gerada por C = {{a, b, d}, {b, d, f }}.
Os tomos de C so {{a}, {f }, {c, e}, {b, d}}. Logo,
Exemplo 3.3.11:
nmeros naturais n,
i=
i=1
n(n + 1)
.
2
Esta uma frmula simples para a soma dos nmeros naturais de 1 a n. A prova de que o
enunciado verdadeiro para todos os nmeros naturais n dada a seguir.
Prova: Vericar se o enunciado verdadeiro para n = 1 (base). Claramente, do lado
esquerdo da equao ca 1 e do lado direito 1(1 + 1)/2, resolvendo d 1 = 1. Ento o
enunciado verdadeiro para n = 1. Podemos denir este enunciado como P (n) e portanto
temos que P (1) verdadeiro.
Agora precisamos mostrar que se o enunciado vale quando n = k , ento ele tambm vale
quando n = k + 1 (passo indutivo). Isto pode ser feito da seguinte maneira:
Assuma que o enunciado vlido para n = k , ou seja:
k
i=
i=1
k(k + 1)
.
2
i=
i=1
k(k + 1)
k(k + 1) 2(k + 1)
(k + 2)(k + 1)
+k+1=
+
=
.
2
2
2
2
Este ltimo o enunciado para n = k + 1. Note que ele no foi provado como verdadeiro:
ns assumimos que P (k) verdadeiro, e desta suposio conclumos que P (k+1) verdadeiro.
Simbolicamente, mostramos que:
P (k) P (k + 1)
Por induo, no entanto, podemos concluir que o enunciado P (n) vale para todos os
nmeros naturais n:
1. P (1) verdadeiro, logo P(2) verdadeiro (usando o passo indutivo)
2. Como P(2) verdadeiro, ento P(3) tambm
3. Ento usando-se o passo indutivo P(N) ser verdadeiro e o P(N+1) tambm
Agora podemos provar que toda lgebra fechada com respeito a um nmero nito de
unies.
Denio 3.4.1:
1
rn (A) =
n
IA (i ) =
i=1
Nn (A)
.
n
r
(A
).
i
i=1 n
Ns prosseguiremos como se existisse alguma base emprica ou metafsica que garanta que
rn (A) P (A), embora que o sentido de convergncia quando n cresce s ser explicado pela
Lei dos Grandes Nmeros, que no ser discutida neste curso. Esta tendncia da frequncia
relativa de estabilizar em um certo valor conhecida como regularidade estatstica. Deste
modo, P herdar propriedades da frequncia relativa rn .
26
Primeiro por razes tcnicas, fora do escopo deste curso, temos que o domnio da medida
formal de probabilidade uma lgebra de eventos que tambm fechada com relao a um
nmero enumervel de unies.
Denio 3.5.1: Uma -lgebra A uma lgebra de eventos que tambm fechada com
relao a uma unio enumervel de eventos,
(i Z)Ai A iZ Ai A.
Pelas Leis de De Morgan, tem-se que A tambm fechada com respeito a interseces
enumerveis.
Exemplo 3.5.2: A coleo de conjuntos de nmeros reais nitos e co-nitos uma lgebra
que no uma -lgebra.
Exemplo 3.5.3: A -lgebra de Borel B de subconjuntos reais , por denio, a menor lgebra contendo todos os intervalos e a -lgebra usual quando lidamos com quantidades
reais ou vetoriais. Em particular, temos que unies enumerveis de intervalos (por exemplo,
o conjunto dos nmeros racionais), seus complementos (por exemplo, o conjunto dos nmeros
irracionais), e muito mais est em B .
Os axiomas que descreveremos a seguir no descrevem um nico modelo probabilstico,
eles apenas determinam uma famlia de modelos probabilsticos, com os quais poderemos
utilizar mtodos matemticos para descobrir propriedades que sero verdadeiras em qualquer
modelo probabilstico. A escolha de um modelo especco satisfazendo os axiomas feito
pelo analista/estatstico familiar com o fenmeno aleatrio sendo modelado.
Motivados pelas propriedades de frequncia relativa, impe-se os primeiros quatro axiomas de Kolmogorov:
K0. Inicial. O experimento aleatrio descrito pelo espao de probabilidade (, A, P ) que
consiste do espao amostral , de uma -lgebra A, e de uma funo de valores reais
P : A IR.
K1. No-negatividade. A A, P (A) 0.
K2. Normalizao Unitria. P () = 1.
K3. Aditividade Finita. Se A, B so disjuntos, ento P (A B) = P (A) + P (B).
fcil provar (tente!) utilizando induo matemtica que K3 vlida para qualquer
coleo nita de eventos disjuntos par a par, ou seja, se Ai , i = 1, 2, . . . , n, so eventos
disjuntos par a par, ento P (ni=1 Ai ) = ni=1 P (Ai ).
Um quinto axioma, embora no tenha signicado em espaos amostrais nitos, foi proposto por Kolmogorov para garantir um certo grau de continuidade da medida de probabilidade.
27
P (
i=1 Ai ) =
P (Ai ).
i=1
Teorema 3.5.4: Se P satisfaz K0K3, ento P satisfaz K4 se, e somente se, ela satisfaz
K4.
Prova: Primeiro, vamos provar que K0K4 implicam o axioma da -aditividade K4 . Seja
{Ai } qualquer sequncia enumervel de eventos disjuntos par a par, e dena para todo n
Bn = i>n Ai ,
n
i=1 Ai = Bn (i=1 Ai ).
P (
i=1 Ai )
= P (Bn ) +
P (Ai ).
i=1
lim
n
P (Ai ) =
i=1
P (Ai ).
i=1
K4 segue se conseguirmos mostrar que limn P (Bn ) = 0. Note que Bn+1 Bn , e que
n=1 Bn = . Ento por K4, temos que o limite acima zero e K4 verdadeiro.
Agora, vamos provar que K0K3, K4 implicam o axioma da continuidade monotnica
K4. Seja {Bn } qualquer coleo enumervel de eventos satisfazendo as hipteses do axioma
K4: Bn+1 Bn e
n=1 Bn = . Dena, An = Bn Bn+1 e observe que {An } uma coleo
enumervel de eventos disjuntos par a par. Note que
Bn = jn Aj .
Ento, por K4 temos que
P (Bn ) = P (jn Aj ) =
P (Aj ).
jn
2 K4
conjunto universo
espao amostral, evento certo
elemento
resultado do experimento
A
conjunto A
evento A
conjunto vazio
evento impossvel
c
A ou A complemento de A
no ocorreu o evento A
AB
A interseco B
os eventos A e B ocorreram
AB
A unio B
os eventos A ou B ocorreram
n An
interseco dos conjuntos An todos os eventos An ocorreram
n An
unio dos conjuntos An
ao menos um dos eventos An ocorreu
28
P (Aj ) = P (
j=1 Aj ) 1,
j=1
temos que
P (Aj ) = 0,
jn
logo K4 verdadeiro.
Denio 3.5.5: Uma funo que satisfaz K0K4 chamada de uma medida de probabilidade.
P (A) =
||A||
||||
29
P () = 1 P () = 0.
Parte 3, segue do fato que 1 = P () = P (A) + P (Ac ) P (A), j que P (Ac ) 0 por K1.
dada por
P (B) =
P (B Ai ).
i
P (ni=1 Ai )
P (Ai ).
i=1
P (ki=1 Ai )
P (Ai ),
i=1
P (Ai )
P (Ai ) (n 1).
i=1
Prova: Utilizando a Lei de De Morgan e a desigualdade de Boole para os eventos {Ac1 , . . . , Acn },
temos
P (ni=1 Aci )
P (Aci )
= 1 P (Ai )
i=1
Logo,
(1 P (Ai )).
i=1
P (Ai )
P (Ai ) (n 1).
i=1
31
Teorema 3.5.15: Princpio da Incluso-Excluso. Seja I um conjunto genrico de
ndices que um subconjunto no-vazio qualquer de {1, 2, . . . , n}. Para eventos arbitrrios
{A1 , . . . , An },
P (ni=1 Ai ) =
(1)||I||+1 P (iI Ai ),
=I{1,...,n}
P (A1 A2 A3 ) = P (A1 )+P (A2 )+P (A3 )P (A1 A2 )P (A1 A3 )P (A2 A3 )+P (A1 A2 A3 ).
Reescrevendo o ltimo termo como P (ki=1 (Ak+1 Ai )), nos d uma expresso que contm
uma unio de exatamente k conjuntos. Ento, usando a hiptese do passo indutivo para os
dois ltimos termos
P (k+1
i=1 Ai ) = P (Ak+1 )+
(1)||I||+1 P (iI Ai )
=I{1,...,k}
=I{1,...,k}
Exemplo 3.5.18: Se {Ai } for uma partio enumervel de e P (Ai ) = abi , i 1, ento
quais as condies que a e b devem satisfazer para que P seja uma medida de probabilidade?
Para r = 23, temos que essa probabilidade aproximadamente igual a 0, 51. E para r = 50,
essa probabilidade igual a 0, 97.
(1 < n < N ) bilhetes para uma s extrao e Slvio compra n bilhetes, um para cada uma
de n extraes. Qual dos dois jogadores tm mais chances de ganhar algum prmio?
Soluo: A probabilidade de Salvador ganhar algum prmio Nn . O nmero total de
n extraes possveis N n . O nmero de casos onde Slvio no ganha nenhum prmio
(N 1)n , logo o nmero de casos onde Slvio ganha algum prmio igual a N n (N 1)n .
n
Logo, a probabilidade de Slvio ganhar algum prmio 1 (NN1)
.
n
Vamos provar por induo que Salvador tem mais chance de ganhar, ou seja, Nn > 1
(N 1)n
, que equivale a
Nn
(N 1)n
n
>
1
.
Nn
N
Para n = 2, temos:
(N 1)2
2
1
2
=1
+ 2 >1 .
2
N
N
N
N
Suponha que para n = k , temos que
k
(N 1)k
>1 .
k
N
N
Multiplicando esta expresso por
N 1
,
N
obtemos:
N 1
k
1
k
k
k+1
(N 1)k+1
>
(
)(1
)
=
1
+
>
1
.
N k+1
N
N
N
N
N2
N
Exemplo 3.5.22 :
Suponha que temos em uma sala n mes cada uma com um lho.
Suponha formemos duplas aleatoriamente, onde cada dupla contm uma me e um lho,
qual a probabilidade de que pelo menos uma me forme uma dupla com seu prprio lho?
Soluo: Seja Ai o evento que a i-sima me forma dupla com seu lho. Queremos
determinar
P (ni=1 Ai ).
Vamos calcular esta probabilidade utilizando a frmula da incluso excluso. Note que:
(n 1)!
1
= para todo i {1, 2, . . . , n}
n!
n
1
(n 2)!
=
para i = j
P (Ai Aj ) =
n!
n(n 1)
P (Ai ) =
P (iI Ai ) =
Como existem
n
||I||
(n ||I||)!
.
n!
P (ni=1 Ai )
(1)i+1
=
i=1
(1)i+1
=
i=1
n (n i)!
i
n!
1
i!
c
c
de Boole, temos P (
i=1 Ai )
i=1 P (Ai ) = 0. Logo, P (i=1 Ai ) = 0. Portanto, como pela
c
c c
Lei de De'Morgan,
i=1 Ai = (i=1 Ai ) , temos que P (i=1 Ai ) = 1 P (i=1 Ai ) = 1.
34
(3.1)
Captulo 4
Probabilidade Condicional
4.1 Probabilidade Condicional
Existem vrias possveis interpretaes de probabilidade. Por exemplo, pode-se interpretar
probabilidade de um evento A como um limite das freqncias relativas de ocorrncia do
evento A em realizaes independentes de um experimento. Por outro lado, a interpretao
subjetiva de probabilidade associa a probabilidade de um evento A com o grau de crena
pessoal que o evento A ocorrer. Em ambos os casos, probabilidade baseada em informao
e conhecimento. Reviso desta base de informao ou conhecimento pode levar a reviso do
valor da probabilidade. Em particular, conhecimento que determinado evento ocorreu pode
inuenciar na probabilidade dos demais eventos.
Considerando-se a interpretao freqentista de probabilidade, suponha que estejamos
interessados em saber qual a probabilidade de um dado evento A, visto que sabe-se que um
dado evento B ocorreu. Suponha que realizasse um experimento n vezes das quais o evento
A (resp., B e A B ) ocorre NA (resp., NB > 0 e NAB ) vezes. Seja rA = NA /n a freqncia
relativa do evento A nestas n realizaes do experimento. A probabilidade condicional de
A dado que sabe-se que B ocorreu segundo esta interpretao freqentista, sugere que ela
deve ser igual ao limite das freqncias relativas condicionais do evento A dado o evento B ,
isto , ela deve ser o limite da razo NAB /NB quando n tende ao innito. fcil provar
que esta razo igual a rAB /rB , que por sua vez segundo a interpretao freqentista de
probabilidade aproximadamente igual a P (A B)/P (B) para valores grandes de n.
Considerando-se uma interpretao mais subjetiva suponha que a incerteza de um agente
descrita por uma probabilidade P em (, A) e que o agente observa ou ca sabendo que
o evento B ocorreu. Como o agente deve atualizar sua probabilidade P (|B) de modo a
incorporar esta nova informao? Claramente, se o agente acredita que B verdadeiro,
ento parece razovel requerer que
P (B c |B) = 0
(4.1)
Em relao aos eventos contidos em B , razovel assumir que sua chance relativa permanea inalterada se tudo que o agente descobriu foi que o evento B ocorreu, ou seja, se
35
36
P (A1 )
P (A1 |B)
=
P (A2 )
P (A2 |B)
(4.2)
P (A|B) =
P (A B)
.
P (B)
P (A|B) = P (A B|B) =
P (A B)
.
P (B)
P (A|B) =
P (A B)
P (B)
Vamos provar que para um evento xo B que satisfaz P (B) > 0, P (|B) satisfaz os
axiomas K1-K4 acima e realmente uma medida de probabilidade. Para provar K1, note
que para todo A A, como P (A B) 0, ns temos
P (A B)
0.
P (B)
Para provar K2, note que B = B , ento
P ( B)
P (B)
P (|B) =
=
= 1.
P (B)
P (B)
P (A|B) =
P ((i Ai ) B)
P (i (Ai B))
=
P (B)
P (B)
i P (Ai B)
=
P (Ai |B).
P (B)
i
P (i Ai |B) =
=
37
2. P (A|B) = P (A B|B);
3. se A B , ento P (A|B) = 1;
4. P (A B|C) = P (A|B C)P (B|C).
Fazendo C = na propriedade 4 acima, temos que:
P (A B) = P (A|B)P (B).
Utilizando induo matemtica, pode-se facilmente provar que
Teorema 4.1.3:
todo A A
P (A|Bi )P (Bi )
P (A) =
i:P (Bi )=0
Prova:
A = A = A (i Bi ) = i (A Bi ).
Como os eventos Bi 's so mutuamente exclusivos, os eventos (A Bi )'s tambm so
mutuamente exclusivos. Ento axioma K3 implica que
P (A) = P (i (A Bi )) =
P (A Bi )
i
P (A Bi ) =
i:P (Bi )=0
P (A|Bi )P (Bi ).
i:P (Bi )=0
Se ns interpretarmos a partio B1 , B2 , . . . como possveis causas e o evento A corresponda a um efeito particular associado a uma causa, P (A|Bi ) especica a relao estocstica
entre a causa Bi e o efeito A.
Por exemplo, seja {D, Dc } uma partio do espao amostral, onde o evento D signica
que um dado indivduo possui uma certa doena. Seja A o evento que determinado teste para
P (D|A) =
P (A D)
P (A|D)P (D)
=
.
c
P (A D) + P (A D )
P (A|D)P (D) + P (A|Dc )P (Dc )
Mais geralmente, quando temos uma partio B1 , B2 , . . ., temos que a frmula de Bayes
dada por:
P (Bi |A) =
=
P (A Bi )
=
j P (A Bj )
P (A Bi )
j:P (Bj )=0 P (A Bj )
P (A|Bi )P (Bi )
.
j:P (Bj )=0 P (A|Bj )P (Bj )
fcil de provar esta frmula usando o Teorema da Probabilidade Total. As probabilidades P (Bi ) so usualmente chamadas de probabilidades a priori e as probabilidades
condicionais P (Bi |A) so chamadas de probabilidades a posteriori. O seguinte exemplo
ilustra uma aplicao da frmula de Bayes.
Exemplo 4.1.4: Considere uma imagem formada por n m pixels com a k -sima linha
P (R = k) =
1
n
ns temos que
P (R = k|D) =
P (D|R = k) =
1 dk
nm
n
1 di
i=1 n m
dk
n
i=1
dk
,
m
di
Ento, mesmo que a linha tenha inicialmente sido escolhida ao acaso, dado o evento que
encontramos ao acaso um pixel defectivo nesta linha, agora mais provvel que seja uma
linha contendo um nmero grande de pixels defectivos dk .
T0 = {um 0 transmitido},
T1 = {um 1 transmitido},
R0 = {um 0 recebido},
R0 = {um 1 recebido}.
Logo,
(a)
R1 = (R1 T1 ) (R1 T0 ),
logo,
P (R1 ) = P (R1 | T1 )P (T1 ) + P (R1 | T0 )P (T0 ) = 0.91 0.55 + 0.06 0.45 = 0.5275.
(b)
R0 = (R0 T0 ) (R0 T1 ),
logo,
P (R0 ) = P (R0 | T0 )P (T0 ) + P (R0 | T1 )P (T1 ) = 0.94 0.45 + 0.09 0.55 = 0.4725,
ou,
40
(c)
P (T1 R1 )
P (R1 )
P (R1 | T1 )P (T1 )
=
P (R1 )
0.91 0.55
= 0.9488.
=
0.5275
P (T1 | R1 ) =
(d)
P (T0 R0 )
P (R0 )
P (R0 | T0 )P (T0 )
=
P (R0 )
0.94 0.45
=
= 0.8952.
0.4725
P (T0 | R0 ) =
(e)
E = {acontece um erro}.
Logo,
E = (T1 R0 ) (T0 R1 ),
P (E) = P (R0 | T1 )P (T1 ) + P (R1 | T0 )P (T0 ) = 0.09 0.55 + 0.06 0.45 = 0.0765.
Exemplo 4.1.6: Uma urna contm 4 bolas brancas e 6 bolas pretas. Sacam-se, sucessiva-
mente e sem reposio, duas bolas dessa urna. Determine a probabilidade da primeira bola
ser branca sabendo que a segunda bola branca.
Soluo: Sejam B1 e B2 os eventos a primeira bola branca e a segunda bola branca,
respectivamente. Queremos calcular P (B1 |B2 ). Utilizando a frmula de Bayes, temos
P (B1 |B2 ) =
P (B1 |B2 ) =
3
9
3
9
4
10
4
10
e P (B1c ) =
4
10
+ 49
6
10
2
15
2
5
6
.
10
Logo,
1
= .
3
Embora probabilidade condicional seja bastante til, ela sofre de alguns problemas, em
particular quando se quer tratar de eventos de probabilidade zero. Tradicionalmente, se
P (B) = 0, ento P (A|B) no denida. Isto leva a um nmero de diculdades loscas
em relao a eventos com probabilidade zero. So eles realmente impossveis? Caso contrrio, quo improvvel um evento precisa ser antes de ele ser atribudo probabilidade zero?
Deve um evento em algum caso ser atribudo probabilidade zero? Se existem eventos com
P (E F )
.
P (F )
0, 1
0, 4
P (E|F )
.
0, 7
0, 7
Exemplo 4.1.9: (Paradoxo de Monty Hall) Monty Hall foi um popular apresentador de
programa de jogos em TV cujo jogo comeava mostrando ao participante 3 portas fechadas
d1 , d2 , d3 , e atrs de apenas uma delas havia um prmio valioso. O participante selecionava
uma porta, por exemplo, d1 , mas antes que a porta fosse aberta, Monty Hall, que sabia em
que porta estava o prmio, por exemplo, d2 , abria a porta restante d3 , que no continha
o prmio. O participante tinha ento permisso para car com sua porta original, d1 , ou
escolher a outra porta fechada. A pergunta se melhor car com a porta original ou trocar
de porta. Vamos agora utilizar a frmula de Bayes para analisar este problema. Seja G uma
porta escolhida aleatoriamente para conter o prmio; Y a porta que o participante escolhe
primeiro; e M a porta que Monty Hall abre. O participante no tem nenhum conhecimento
a priori sobre a localizao do prmio, ou seja ele considera todas as portas equiprovveis, e
isto pode ser modelado por:
1
P (G = di |Y = dj ) = ;
3
todas as portas tem a mesma probabilidade de conter o prmio no importa qual porta o
participante escolhe. Se o participante escolher uma porta que no contm o prmio, Monty
Hall necessariamente ter de abrir a porta que no contm o prmio, isto pode ser modelado
por:
P (M = di1 |Y = di2 , G = di3 ) = 1,
Autor: Leandro Chaves Rgo
P (G = d1 , Y = d2 , M = d3 )
P (Y = d2 , M = d3 )
P (M = d3 |G = d1 , Y = d2 )P (G = d1 |Y = d2 )P (Y = d2 )
=
P (M = d3 |Y = d2 )P (Y = d2 )
P (M = d3 |G = d1 , Y = d2 )P (G = d1 |Y = d2 )
=
P (M = d3 |Y = d2 )
1/3
=
P (M = d3 |Y = d2 )
P (G = d1 |Y = d2 , M = d3 ) =
P (Y = d2 , M = d3 )
P (Y = d2 )
P (Y = d2 , M = d3 , G = d1 ) + P (Y = d2 , M = d3 , G = d2 ) + P (Y = d2 , M = d3 , G = d3 )
=
P (Y = d2 )
P (M = d3 |Y = d2 , G = d1 )P (G = d1 |Y = d2 )P (Y = d2 )
=
P (Y = d2 )
P (M = d3 |Y = d2 , G = d2 )P (G = d2 |Y = d2 )P (Y = d2 )
+
P (Y = d2 )
P (M = d3 |Y = d2 , G = d3 )P (G = d3 |Y = d2 )P (Y = d2 )
+
P (Y = d2 )
= P (M = d3 |Y = d2 , G = d1 )P (G = d1 |Y = d2 )
+P (M = d3 |Y = d2 , G = d2 )P (G = d2 |Y = d2 )
+P (M = d3 |Y = d2 , G = d3 )P (G = d3 |Y = d2 )
1 1 1
1
=1 + +0= .
3 2 3
2
P (M = d3 |Y = d2 ) =
Exemplo 4.1.10: Seja D o evento que um indivduo selecionado ao acaso de uma popu-
lao tem uma doena particular, Dc seu complemento. A probabilidade que um indivduo
selecionado ao acaso nesta populao tenha determinada dena pd . Existe um teste para
diagnstico desta doena que sempre acusa presena da doena quando o indivduo tem a
1A
P (D|T P ) =
P (T P |D)P (D)
pd
=
= 0, 02.
P (T P |D)P (D) + P (T P |Dc )P (Dc )
pd + pt (1 pd )
Exemplo 4.1.11: Sabemos que os eventos {B1 , B2 , B3 } so disjuntos par a par e que sua
unio igual ao espao amostral. Estes eventos tem as seguintes probabilidades P (B1 ) = 0, 2
e P (B2 ) = 0, 3. Existe um outro evento A que sabemos que P (A|B1 ) = 0, 3; P (A|B2 ) = 0, 4;
e P (A|B3 ) = 0, 1. Calcule:
(a) P (A)
(b) P (B2 |A)
Exemplo 4.1.12: Suponha que todos os bytes tenham a mesma probabilidade. Seja W o
Soluo:
P (A) =
P (B) =
||B||
=
||||
26
1
||A||
= 8 = .
||||
2
4
8
1
P (B|A) =
8
3
+
28
8
5
8
7
1
= .
2
P (A B
,
P (A)
Autor: Leandro Chaves Rgo
28
P (B|A) =
P (A|B) =
1
8
1
4
44
1
= .
2
P (A B)
=
B
1
8
1
2
1
= .
4
Exemplo 4.1.13:
Soluo:
P (A|B) =
P (A B)
=
P (B)
1
36
4
36
1
= .
4
Exemplo 4.1.14:
1
(1 p).
m
P (B|A) =
P (A|B)P (B)
1p
=
c
c
P (A|B)P (B) + P (A|B )P (B )
1 p + m1 (1 p)
4.2 Independncia
O que exatamente signica que dois eventos so independentes? Intuitivamente, isto signica que eles no tm nada haver um com o outro, eles so totalmente no relacionados; a
ocorrncia de um no tem nenhuma inuncia sobre o outro. Por exemplo, suponha que duas
diferentes moedas so lanadas. A maioria das pessoas viria os resultados desses lanamentos
como independentes. Portanto, a intuio por trs da frase o evento A independente do
evento B que nosso conhecimento sobre a tendncia para A ocorrer dado que sabemos que
B ocorreu no alterada quando camos sabendo que B ocorreu. Ento, usando probabilidades condicionais podemos formalizar esta intuio da seguinte forma, A independente
de B se P (A|B) = P (A). Mas usando a denio de probabilidade condicional, chega-se a
seguinte concluso A independente de B se P (A B) = P (A)P (B). Como esta ltima
expresso denida inclusive para o caso de P (B) = 0, ela a expresso adotada como a
denio de independncia entre eventos.
tambm o so.
P (A) = P (A B) + P (A B c ).
Como A e B so independentes, ns temos
Denio 4.2.4: Uma coleo de eventos {Ai }iI independente par a par se para todo
i = j I , Ai e Aj so eventos independentes.
P (iI Ai ) =
P (Ai )
iI
E uma coleo de eventos {Ai }iI mutuamente independente se para todo J I nito,
{Ai }iJ mutuamente independente.
Considere os seguintes exemplos que ilustram o conceito de independncia.
Exemplo 4.2.6:
P (A B) = P ({1}) =
1
11
=
= P (A)P (B).
4
22
Similarmente, pode-se provar o mesmo resultado para os outros pares. Contudo, a probabilidade
1
P (A B C) = P () = 0 = P (A)P (B)P (C) = .
8
Ento, A, B , e C no so mutuamente independentes.
Exemplo 4.2.7: Certo experimento consiste em lanar um dado equilibrado duas vezes,
independentemente. Dado que os dois nmeros sejam diferentes, qual a probabilidade
condicional de
(a) pelo menos um dos nmeros ser 6,
(b) a soma dos nmeros ser 8?
Soluo: Para parte (a), note que existem 30 resultados possveis para os lanamentos
do dado de modo que o mesmo nmero no se repita, dos quais 10 o nmero 6 ocorre.
Portanto, esta probabilidade igual a 1/3.
Para parte (b), note que existem 4 resultados possveis que somam 8 dado que os nmeros
so diferentes, logo esta probabilidade igual a 4/30.
Exemplo 4.2.8: O evento F de um determinado sistema falhar ocorre se os eventos A1
Soluo:
Exemplo 4.2.9:
P (A) =
P (ni=1 Ai )
P (Ai ) =
i=1
pi
i=1
P (B) =
P (ni=1 Aci )
P (Aci )
47
i=1
(1 pi )
i=1
P (C) = P (B ) = 1 P (B) = 1
(1 pi )
i=1
Captulo 5
Varivel Aleatria Discreta
5.1 Introduo
Suponha que uma moeda lanada cinco vezes. Qual o nmero de caras? Esta quantidade
o que tradicionalmente tem sido chamada de varivel aleatria. Intuitivamente, uma
varivel porque seus valores variam, dependendo da sequncia de lanamentos da moeda
realizada; o adjetivo aleatria usado para enfatizar que o seu valor de certo modo
incerto. Formalmente, contudo, uma varivel aleatria no nem aleatria nem uma
varivel.
Exemplo 5.1.2: Considere trs lanamentos de uma moeda honesta. O espao amostral
para este experimento aleatrio consiste de todas as possveis sequncias de tamanho 3 de
caras e coroas, isto :
P (X 1 (Ai )) =
PX (i Ai ) = P (X 1 (i Ai )) = P (i X 1 (Ai )) =
i
PX (Ai ).
i
Exemplo 5.1.3 :
No exemplo anterior, temos que se o evento de interesse A so todos os reais negativos, ento X 1 (A) so todos os resultados do experimento que nos do
valores negativos para X , ou seja, so os resultados que contm menos caras que coroas:
(cara, coroa, coroa), (coroa, cara, coroa), (coroa, coroa, cara) e (coroa, coroa, coroa). Portanto, PX (A) = 4 1/8 = 1/2.
Vale a pena salientar que em muitos problemas, j teremos a informao sobre a distribuio induzida PX denida em (R, B). Nestes casos, estaremos esquecendo a natureza
funcional de X e nos preocupando apenas com os valores assumidos por X . Estes casos podem ser pensados como se o experimento aleatrio fosse descrito por (R, B, PX ) e
X(w) = w, w R, ou seja, os resultados dos experimento aleatrio j so numricos e
descrevem a caracterstica de interesse que queremos analisar.
importante enfatizar que usual se referir a variveis aleatrias por letras maisculas
X, Y, Z, . . . e aos valores que tais variveis podem assumir por letras minsculas x, y, z, . . ..
Muitas vezes escreve-se P (X A) para representar P ({w : X(w) A}). Por exemplo,
P (X 5) = P ({w : X(w) 5}).
Exemplo 5.1.4: Considere que lanamos 3 vezes uma moeda que tem probabilidade de cair
cara igual 2/3 . Seja X o nmero de coroas obtido. Determine:
(a) P (X < 3).
(b) P (1 < X < 3).
(c) P (X > 1|X < 3).
50
Para uma varivel aleatria X , uma maneira simples e bsica de descrever a probabilidade
induzida PX utilizando sua funo de distribuio acumulada.
Denio 5.2.1: A funo de distribuio acumulada de uma varivel aleatria X , representada por FX , denida por
Teorema 5.2.2: Uma funo real G satisfaz F1F3 se e somente se G uma distribuio
de probabilidade acumulada.
Prova: A prova de que se G for uma distribuio de probabilidade acumulada, ento G satisfaz F1-F3 foi dada acima. A prova de que toda funo real que satisfaz F1-F3 uma funo de
probabilidade acumulada complexa envolvendo o Teorema da Extenso de Carathodory,
e est fora do escopo deste curso.
Condio F2 signica que toda funo distribuio de probabilidade acumulada FX
continua direita. Ainda mais, como FX no-decrescente e possui valores entre 0 e 1,
pode-se provar que ela tem um nmero enumervel de descontinuidades do tipo salto. Pela
continuidade direita , o salto no ponto x igual a
1
= lim PX ((x , x]).
n
n
1
])
n
1
)
n
(5.1)
Exemplo 5.2.3: Determine quais das seguintes funes so funes de distribuio acumuladas, especicando a propriedade que no for satisfeita caso a funo no seja uma
distribuio acumulada.
(a)
ex
1+ex
a 2b
ax
G(x) =
a + b(x 1)
se
se
se
se
x < 0,
0 x < 1,
1 x < 2,
x 2.
(a) Determine as restries que as constantes a e b devem satisfazer para que a funo
G(x) seja funo de distribuio acumulada de alguma varivel aleatria X .
(b) Determine o valor de P (1/2 X 3/2) em funo de a e b.
Exemplo 5.2.5: Seja K o nmero de ons emitidos por uma fonte em um tempo T . Se
FK (1) FK (1/2) = 0, 1, qual o valor de P (K = 1)?
Exemplo 5.2.6:
) = limxa FX (x) o limite de FX (x) quando x tende a a por valores menores que a, ou seja,
o limite a esquerda FX (x) quando x tende a a.
X (a
(5.2)
(5.3)
P (a X b) = FX (b) FX (a ).
(5.4)
P (a X < b) = FX (b ) FX (a ).
(5.5)
(e) (, b] = (, b) {b}
P ( < X < b) = FX (b ).
(5.6)
53
FX (x) =
fX (t)dt, x R.
Exemplo 5.4.1: Assuma que X uma varivel aleatria discreta que assume os valores 2,
5, e 7 com probabilidades 1/2, 1/3, e 1/6, ento sua funo de distribuio acumulada :
0
se x < 2,
1/2 se 2 x < 5,
FX (x) =
5/6 se 5 x < 7,
1
se x 7.
54
por
1/4
3/8
F (x) =
1/2
3/4
se
se
se
se
se
se
x < 0,
0 x < 1,
1 x < 3,
3 x < 6,
6 x < 10,
x 10,
5.4.1 Aleatria.
Dizemos que X tem uma distribuio aleatria com parmetro n, onde n um nmero
inteiro, se X(w) {x1 , x2 , . . . , xn } e p(xi ) = n1 , para i {1, . . . , n}.
A funo de probabilidade aleatria pode ser utilizada para modelar mecanismos de
jogos (por exemplo, dados e moedas balanceados, cartas bem embaralhadas). Utilizando
a propriedade de aditividade da probabilidade, fcil ver que para qualquer evento A
{x1 , x2 , . . . , xn }, temos que P (X A) = ||A||
.
n
5.4.2 Bernoulli.
Dizemos que X tem uma distribuio Bernoulli com parmetro p, onde 0 p 1, se
X(w) {x0 , x1 } e p(x1 ) = p = 1 p(x0 ).
A funo de probabilidade Bernoulli pode ser utilizada para modelar a probabilidade de
sucesso em uma nica realizao de um experimento. Em geral, qualquer varivel aleatria
dicotmica, ou seja que assume somente dois valores, pode ser modelada por uma distribuio
Bernoulli. Denomina-se de ensaio de Bernoulli, qualquer experimento que tem uma resposta
dicotmica. Um exemplo clssico de um ensaio Bernoulli o lanamento de uma moeda no
necessariamente balanceada.
55
5.4.3 Binomial.
Dizemos que X tem uma distribuio Binomial com parmetros n e p, onde n um nmero
inteiro e 0 p 1, se X(w) {0, 1, . . . , n} e p(k) = nk pk (1 p)1k , para k {0, 1, . . . , n}.
Note que utilizando o Teorema Binomial, temos que
n
p(k) =
k=0
k=0
n k
p (1 p)nk = (p + 1 p)n = 1.
k
Podemos examinar a funo probabilidade de massa binomial analiticamente para encontrarmos seu valor mais provvel. Note que a razo entre as probabilidades de dois valores
consecutivos da binomial
p(k)
=
p(k 1)
n!
pk (1 p)nk
(k)!(nk)!
n!
pk1 (1 p)nk+1
(k1)!(nk+1)!
nk+1 p
k
1p
np
p(1)
=
< 1,
p(0)
1p
ento as probabilidades so sempre decrescentes em k , e o valor mais provvel 0. No outro
extremo, se
p
p(n)
=
> 1,
p(n 1)
n(1 p)
Exemplo 5.4.3: Uma moeda com probabilidade 0,4 de cair cara jogada 5 vezes, qual a
Exemplo 5.4.4: A taxa de sucesso de um bit em uma transmisso digital 90%. Se 20 bits
forem transmitidos, qual a probabilidade de que exatamente 15 deles tenha sido transmitidos
com sucesso? Qual a probabilidade de que no mximo 18 deles tenham sido transmitidos
com sucesso?
Exemplo 5.4.5 :
5.4.4 Hipergeomtrica.
A distribuio hipergeomtrica descreve o nmero de sucessos em uma seqncia de n
amostras de uma populao nita sem reposio.
Por exemplo, considere que tem-se uma carga com N objetos dos quais D tm defeito. A
distribuio hipergeomtrica descreve a probabilidade de que em uma amostra de n objetos
distintos escolhidos da carga aleatoriamente exatamente k objetos sejam defeituosos.
Em geral, se uma varivel aleatria X segue uma distribuio hipergeomtrica com
parmetros N, D, e n, ento a probabilidade de termos exatamente k sucessos dada por
p(k) =
D
k
N D
nk
N
n
Exemplo 5.4.7: Por engano 3 peas defeituosas foram misturadas com boas formando um
lote com 12 peas no total. Escolhendo ao acaso 4 dessas peas, determine a probabilidade
de encontrar:
(a) Pelo menos 2 defeituosas.
(b) No mximo 1 defeituosa.
(c) No mnimo 1 boa.
5.4.5 Geomtrica.
Dizemos que X tem uma distribuio Geomtrica com parmetro , onde 0 < 1, se
X(w) {0, 1, . . .} e p(k) = (1 ) k , para k {0, 1, . . .}.
Utilizando o resultado de uma soma innita de uma Progresso Geomtrica, temos que
k = 1.
(1 ) = (1 )
p(k) =
k=0
k=0
k=0
Exemplo 5.4.8 :
Exemplo 5.4.9: Suponha que X tenha uma distribuio geomtrica com parmetro .
Mostre que para quaisquer dois inteiros positivos s e t,
P (X > s + t|X > s) = P (X > t).
Autor: Leandro Chaves Rgo
58
P (X > s + t, X > s)
P (X > s + t)
=
.
P (X > s)
P (X > s)
Mas
P (X > s + t) =
(1 ) k1 = s+t .
k=s+t+1
P (Y = k) =
k
pr (1 p)kr+1 , onde k r 1.
r1
Note que se r = 1, temos que Y tem uma distribuio geomtrica com parmetro = 1 p.
No caso geral, dizemos que Y tem uma distribuio Binomial Negativa ou Pascal.
P (X r) = P (Y n 1).
Observe que estas duas distribuies tratam de ensaios de Bernoulli repetidos. A distribuio binomial surge quando lidamos com um nmero xo de ensaios e estamos interessados no nmero de sucessos que venham a ocorrer. A distribuio binomial negativa
encontrada quando xamos o nmero de sucessos e ento registramos o tempo de espera
necessrio.
59
Dizemos que X tem uma distribuio Zeta ou Zipf com parmetro , onde > 1, se
X(w) {1, 2, . . .} e
k
p(k) =
, k = 1, 2, . . . ,
()
Exemplo 5.4.10: Os tamanhos de arquivos armazenados em um grande sistema de arquivos Unix segue uma distribuio Zeta com parmetro quando estes tamanhos so medidos em unidades de kilobytes.
(a) Se os tamanhos dos arquivos de 1KB so 10.000 vezes mais provveis que tamanhos de
arquivos de 1MB, ento qual o valor do parmetro ?
(b) Quanto mais provvel so tamanhos de arquivos de 1MB em comparao com tamanhos
de arquivos de 1GB?
5.4.8 Poisson.
Dizemos que X tem uma distribuio Poisson com parmetro , onde 0, se X(w)
k
{0, 1, . . .} e p(k) = e k! , para k {0, 1, . . .}.
Usando o resultado da expanso em srie de Taylor da funo exponencial, temos que
para todo x real,
xk
x
e =
.
k!
k=0
p(k) =
k=0
k=0
e k
k
= e
= e e = 1.
k!
k!
k=0
pk+1
=
.
pk
k+1
Note que esta razo estritamente decrescente em k . Logo, {pk } sempre decrescente se
< 1, decresce aps p0 = p1 se = 1, e cresce inicialmente se > 1 e eventualmente decresce
qualquer que seja o valor de . Formalmente, um valor mais provvel de uma distribuio
de Poisson denido como k se pk +1 pk e pk 1 pk . (Note que podem existir valores
adjacentes que possuam o mesmo valor.) Mas esta condio equivalente a,
k k + 1, ou
1 k .
Note que se tomarmos k como sendo o maior inteiro menor ou igual a esta restrio
satisfeita, e portanto este um valor mais provvel desta distribuio. A Figura 5.4.8 nos
mostra a funo probabilidade de massa da Poisson para 3 valores de parmetros 1, 4, e 10.
Exemplo 5.4.12: Suponha que o nmero de clientes que chegam em um banco segue
uma distribuio de Poisson. Se a probabilidade de chegarem 3 clientes for o triplo da de
chegarem 4 clientes em um dado perodo de 10 minutos. Determine qual o nmero mais
provvel de clientes que chegam em um perodo de 1 hora neste banco.
p(k) =
n k
n!
n(n 1) (n k + 1) k
p (1 p)nk =
pk (1 p)nk =
p (1 p)nk .
k
k!(n k)!
k!
n(n 1) (n k + 1) k n nk
( ) (
)
k!
n
n
k
1
k1
=
[(1)(1 ) (1
)][1 ]nk
k!
n
n
n
p(k) =
k
n k
pn (1 pn )nk = e .
k
k!
Este resultado importante tanto para motivar a forma da distribuio de Poisson, como
tambm fornece um mtodo para aproximar o clculo de uma probabilidade que pode ser
p(k) =
e k
n k
p (1 p)nk
.
k
k!
dgito incorreto possa aparecer 0,002. Se os erros forem independentes, qual a probabilidade de encontrar k dgitos incorretos em um nmero binrio de 25 dgitos? Se um
computador forma 106 desses nmeros de 25 dgitos por segundo, qual a probabilidade de
que pelo menos um nmero incorreto seja formado durante qualquer perodo de 1 segundo?
Soluo: A probabilidade de que k dgitos sejam incorretos em um nmero binrios
de 25 dgitos igual a 25
(0,002)k (0,998)25k . Em particular, a probabilidade de que pelo
k
menos um dgito seja incorreto igual a 1 (0,998)25 0,049. Se tivssemos usado a
aproximao pela Poisson ento teramos uma Poisson com parmetro 25 0,002 = 0,05,
logo a probabilidade de pelos menos um dgito incorreto neste nmero de 25 dgitos seria
1 e0,05 0,049.
A probabilidade de que pelo menos um nmero incorreto seja formado durante o perodo
6
de 1 segundo igual a 1 (0,049)10 1 e49000 1.
Captulo 6
Esperana e Momentos de Variveis
Aleatrias Discretas
6.1 O Conceito de Esperana
O conceito de Esperana ou Valor Esperado de uma varivel aleatria X , ou a mdia
to antigo quanto o prprio conceito de probabilidade. Na verdade, at possvel denir
probabilidade em termos de esperana, mas esta no uma maneira comum de se apresentar
a teoria. Existem quatro tipos de interpretaes da Esperana:
1. Parmetro m de uma medida de probabilidade, funo de distribuio, ou funo
probabilidade de massa, tambm conhecido como mdia.
2. Um operador linear em um conjunto de variveis aleatrias que retorna um valor tpico
da varivel aleatria interpretado como uma medida de localizao da varivel aleatria.
3. mdia do resultado de repetidos experimentos independentes no longo prazo.
4. preo justo de um jogo com pagamentos descritos por X .
64
EX =
xi pi +
i:xi <0
xi p i ,
i:xi 0
desde que pelo menos um dos somatrios seja nito. Em caso os dois somatrios no sejam
nitos, a esperana no existe.
1/2. Ento,
EX = a(0.5) + a(0.5) = 0.
Note ento que muitas variveis aleatrias diferentes podem ter o mesmo valor esperado
ou esperana. ( s variar o valor de a no exemplo anterior.)
Exemplo 6.1.4:
tribuio de probabilidade aleatria com parmetro n, temos que sua esperana dada por:
n
kp(k) =
EX =
k=1
1
1
k =
n
n
k=
k
1 n(n + 1)
n+1
=
.
n
2
2
Onde utilizamos a frmula da soma dos primeiros n termos de uma progresso aritmtica.
Exemplo 6.1.5: Bernoulli. Se X {0, 1} for uma varivel aleatria com distribuio de
probabilidade Bernoulli com parmetro p, temos que sua esperana dada por:
EX = 0(1 p) + 1(p) = p.
Exemplo 6.1.6: Binomial. Se X for uma varivel aleatria com distribuio de probabilidade Binomial com parmetros n e p, temos que sua esperana dada por:
n
n k
EX =
k
p (1 p)nk =
k
k=0
k
k=1
n!
pk (1 p)nk
k!(n k)!
n
n
k=1
n 1 k1
(n 1)!
pk (1 p)nk = np
p (1 p)nk = np.
k
1
(k 1)!(n k)!
k=1
Exemplo 6.1.7 :
65
probabilidade Geomtrica com parmetro , temos que sua esperana dada por:
EX =
k(1 ) =
k=0
k =
j=1 k=j
j =
j=1
(1 ) k
k(1 ) =
k=1
= (1 )
k=1 j=1
Onde utilizamos a frmula da soma innita de uma progresso geomtrica com razo .
Exemplo 6.1.8: Binomial Negativa. Se X for uma varivel aleatria com distribuio
de probabilidade Binomial Negativa com parmetros r e p, temos que sua esperana dada
por:
EX =
k=r1
k
k
(k + 1)
pr (1 p)kr+1 ) 1
pr (1 p)kr+1 = (
r
1
r1
k=r1
=(
(k + 1)k!
pr (1 p)kr+1 ) 1
(r
1)!(k
r
+
1)!
k=r1
(k + 1)!
r
= (
pr+1 (1 p)k+1r ) 1
p k=r1 r!(k + 1 r)!
Substituindo j = k + 1 e s = r + 1 no somatrio, temos
r
(j)!
r
EX = (
ps (1 p)js+1 ) 1 = 1
p j=s1 (s 1)!(j s + 1)!
p
Onde utilizamos o fato que o somatrio igual soma da funo probabilidade de massa
de uma varivel aleatria Binomial Negativa para todos os valores que tem probabilidade
positiva, e portanto, igual a 1.
Exemplo 6.1.9: Poisson. Se X for uma varivel aleatria com distribuio de probabilidade Poisson com parmetros , temos que sua esperana dada por:
e k
=
EX =
k
k!
k=0
e k
e k1
k
=
= .
k!
(k
1)!
k=1
k=1
66
Exemplo 6.1.10: Zeta. Se X for uma varivel aleatria com distribuio de probabilidade
Zeta com parmetro > 2, temos que sua esperana dada por:
EX =
k
k=1
k=1
onde () =
k
1
=
()
()
k (1) =
k=1
( 1)
,
()
k .
EX =
nD
=
N
k=0
n
k=1
D
k
N D
nk
N
n
=
k=1
k=1
D1 N D
k1
nk
N 1
n1
nD
EX =
N k =0
D
k
N D
n k
N
n
nD
.
N
Onde utilizamos o fato que o somatrio igual soma da funo probabilidade de massa de
uma varivel aleatria Hipergeomtrica para todos os valores que tem probabilidade positiva,
e portanto, igual a 1.
67
vista como uma funo do espao amostral , Y () = H(X()) para todo . Visto
dessa maneira Y uma varivel aleatria denida em (, A), pois para todo boreliano A
Y 1 (A) = X 1 (H 1 (A)) e como por suposio H 1 (A) boreliano e X uma varivel
aleatria, temos que X 1 (H 1 (A)) A e portanto satisfaz a denio de uma varivel
aleatria. Trataremos esse problema apenas no caso de variveis aleatrias discretas. Neste
caso para qualquer funo H , temos que Y = H(X) uma varivel aleatria discreta.
Suponha que X assuma os valores x1 , x2 , . . . e seja H uma funo real tal que Y = H(X)
assuma os valores y1 , y2 , . . .. Vamos agrupar os valores que X assume de acordo os valores de
suas imagens quando se aplica a funo H , ou seja, denotemos por xi1 , xi2 , xi3 , . . . os valores
de X tal que H(xij ) = yi para todo j . Ento, temos que
P (X = xij ) =
j=1
pX (xij ),
j=1
Exemplo 6.2.1:
2n
P (Y = 1) =
(1/2)
(1/4)n =
n=1
n=1
1/4
= 1/3.
1 1/4
Conseqentemente,
P (Y = 1) = 1 P (Y = 1) = 2/3.
Denio 6.3.1: Seja X uma varivel aleatria discreta e seja Y = H(X). Se Y assumir
os seguintes valores y1 , y2 , . . . e se p(yi ) = P (Y = yi ), denimos:
yi p(yi ).
EY =
i=1
68
Conforme vimos na seo anterior podemos determinar as probabilidades p(yi ) dado que
sabemos a distribuio de X . No entanto, podemos encontrar EY sem preliminarmente
encontrarmos a distribuio de probabilidade de Y , partindo-se apenas do conhecimento da
distribuio de probabilidade de X , conforme mostra o seguinte teorema.
EY = E(H(X)) =
H(xi )p(xi ).
i=1
i=1
H(xi )p(xi ) =
H(xij )p(xij ) =
i=1
i=1 j=1
yi
i=1
p(xij ) =
j=1
yi p(yi ) = EY.
i=1
Exemplo 6.3.3: Suponha que X uma varivel aleatria Poisson com parmetro . Seja
k e
EY =
k=0
k=2
k!
k e
=
k=1
k!
k(k 1)e
=
k=1
k!
ke
+
k=1
k
k!
k2
+ = 2 + .
(k 2)!
69
4. E(X + Y ) = EX + EY . A prova desta propriedade envolve variveis aleatrias bidimensionais, que est fora do escopo deste curso.
5. P (X Y ) = 1 EX EY . Propriedade 5 segue das propriedades 2, 3, e 4, pois
P (X Y ) = P (X Y 0),
o que, pela propriedade 2, implica que E(X Y ) 0. Pela propriedade 4, temos que
E(X Y ) = EX + E(Y ). Finalmente, pela propriedade 3, temos que E(X Y ) =
EX EY , ou seja podemos concluir que EX EY 0.
6. Se X tem uma distribuio simtrica em torno de a, ou seja, P (X a x) = P (X a
x), e se a esperana de X tiver bem denida, ento EX = a. Para provar esta
expresso, primeiro note que se X simtrica em relao a a ento Y = X a
simtrica em relao a zero. Se provarmos que EY = 0, ento segue da linearidade da
esperana que EX = a. No caso discreto, como Y simtrica em torno de 0, temos
que p(xi ) = p(xi ) para todo xi , portanto segue que EY = i xi p(xi ) = 0.
Pode-se denir outras medidas de posio de uma varivel aleatria, tais como: mediana
e moda. A mediana de uma v.a. X qualquer nmero m tal que P (X m) 0,5
e P (X m) 0,5. Por exemplo, se X assume os valores 1, 0, 1 com probabilidades
1/4, 1/4, 1/2, respectivamente, ento qualquer nmero no intervalo fechado de 0 a 1. A
moda de uma varivel aleatria discreta o seu valor mais provvel, no necessariamente
nico.
Em distribuies unimodais simtricas, isto , distribuies tal que existe um nmero m
tal que P (X m x) = P (X m x) para todo x IR, a esperana (se bem denida),
mediana, e moda coincidem e so iguais a m.
6.5 Momentos
Momentos do informaes parciais sobre a medida de probabilidade P , a funo de distribuio acumulada, ou a funo probabilidade de massa de uma varivel aleatria discreta
X . Momentos de X so esperanas de potncias de X .
Denio 6.5.1:
Na seo anterior, vimos que o segundo momento de uma varivel aleatria Poisson com
parmetro dado por: 2 + . Vamos agora calcular o segundo momento de uma varivel
70
EX =
n k
p (1 p)nk =
k
k=0
k2
k=1
n!
pk (1 p)nk =
k!(n k)!
n!
n!
pk (1 p)nk +
pk (1 p)nk
k
k(k 1)
k!(n k)!
k!(n k)!
k=1
k=1
n
n(n 1)p2
k=2
(n 2)!
pk2 (1 p)nk + np
(k 2)!(n k)!
m
= n(n 1)p
j=0
(m)!
pj (1 p)mj + np = n(n 1)p2 + np.
(j)!(m j)!
Prova: Vamos provar apenas para o caso em que X uma varivel aleatria discreta. Por
hiptese, temos que existem constantes nitas c1 e c2 tais que:
c1 >
i:xi 0
xki p(xi )
c1 >
i:xi 0
xji p(xi )
i:xi 0
xji p(xi )
xki p(xi )
i:xi 1
i:xi 1
xji p(xi )
i:0xi 1
xji p(xi )
i:xi 0
Portanto,
xji p(xi ) 1
p(xi )
i:0xi 1
i:xi 0
0
i:xi 0
i:xi <0
Portanto, temos que momentos de ordem superiores nitos implicam momentos de ordem
inferiores nitos.
71
Note que o primeiro momento central zero, pois E(X EX) = EX EEX = EX
EX = 0. O segundo momento central conhecido como varincia e denota-se por V arX .
A varincia pode ser tambm calculada por:
E(X EX) =
k=0
n
(EX)nk EX k
k
n
EX = E(X EX + EX) =
k=0
n
(EX)nk E(X EX)k .
k
Como um corolrio, temos que o n-simo momento central existe se, e somente se, o
n-simo momento existe.
1
1
EX k = [(m a)k + (m + a)k ].
2
2
1
EX = m, EX 2 = [2m2 + 2a2 ] = m2 + a2 , V arX = a2 .
2
Este exemplo, mostra que podemos encontrar uma varivel aleatria bem simples possuindo
qualquer esperana e varincia predeterminadas.
Exemplo 6.5.5 :
V arX =
1
n
x2i
i=1
1
(
xi )2 .
n2 i=1
72
Propriedades da Varincia
As seguintes propriedades da varincia so conseqncias imediatas de sua denio.
1. V arX 0.
2. Se X = c, V ar(X) = 0.
Prova:
V ar(X + a) = E(X + a)2 (E(X + a))2
= EX 2 + 2aEX + a2 (EX)2 2aEX a2 = EX 2 (EX)2 = V arX.
4. V ar(aX) = a2 V arX
Prova:
V ar(aX) = E(aX)2 (E(aX))2 = a2 EX 2 a2 (EX)2 = a2 V arX.
Esperana
p
np
Varincia
p(1-p)
np(1 p)
(1p)
p
(1p)
p2
nD
N
nD (N D)(N n)
N
N (N 1)
Referncias Bibliogrcas
1. Meyer, P. (1983), "Probabilidade - Aplicaes Estatstica", 2a. edio, Livros Tcnicos e Cientcos Editora, Rio de Janeiro.
2. Davenport Jr., W. (1987), "Probability and Random Processes - an introduction for
applied scientists and engineers", McGraw-Hill Book Company Inc.
3. Fine, T. (2006), Probability and Probabilistic Reasoning for Electrical Engineering,
Prentice Hall.
4. Lima, E. L. et al. (2004), "A matemtica do Ensino Mdio", Volume I, Sociedade
Brasileira de Matemtica.
5. Lima, E. L. et al. (2004), "A matemtica do Ensino Mdio", Volume II, Sociedade
Brasileira de Matemtica.
73