Você está na página 1de 136

TEORIA DAS PROBABILIDADES I

Prof. Nei Rocha


Instituto de Matemtica - UFRJ
Rio de Janeiro
2013-1

Sumrio
1 Reviso de Anlise Combinatria
1
1.1 lgebra de Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Noes Bsicas de Tcnicas de Contagem . . . . . . . . . . . . . . . . 5
1.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Base Terica de Probabilidade
2.1 Modelo Matemtico para um Experimento . . . . .
2.1.1 Espaos de Probabilidade . . . . . . . . . .
2.1.2 Denio e Propriedades das Probabilidades
2.1.3 Probabilidade Condicional . . . . . . . . . .
2.1.4 Independncia . . . . . . . . . . . . . . . . .
2.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . .
3 Variveis Aleatrias
3.1 Conceito . . . . . . . . . . . . . . . . . . . .
3.2 Funo de Distribuio . . . . . . . . . . . .
3.3 Variveis Aleatrias Discretas . . . . . . . .
3.4 Variveis Aleatrias Contnuas . . . . . . . .
3.5 Exerccios . . . . . . . . . . . . . . . . . . .
3.6 Funes de Variveis Aleatrias . . . . . . .
3.6.1 Distribuies de Funes de Variveis
3.7 Exerccios . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.

.
.
.
.
.
.

. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
Aleatrias
. . . . . .

4 Esperana Matemtica
4.1 Denio . . . . . . . . . . . . . . . . . . . . .
4.2 Esperanas de Funes de Variveis Aleatrias
4.3 Momentos . . . . . . . . . . . . . . . . . . . .
4.4 A Funo Geratriz de Momentos . . . . . . . .
4.5 Exerccios . . . . . . . . . . . . . . . . . . . .
5 Modelos de Variveis Aleatrias Discretas
5.1 O Modelo Uniforme . . . . . . . . . . . . .
5.2 O Ensaio de Bernoulli . . . . . . . . . . .
5.3 A Distribuio Binomial . . . . . . . . . .
5.4 A Distribuio Geomtrica . . . . . . . . .
5.5 A Distribuio Binomial Negativa . . . . .
5.6 A Distribuio Hipergeomtrica . . . . . .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

17
17
17
20
29
33
38

.
.
.
.
.
.
.
.

44
44
45
47
49
52
53
54
55

.
.
.
.
.

58
58
61
61
65
67

.
.
.
.
.
.

70
70
71
71
74
75
78

5.7 O Processo de Poisson e a Distribuio de Poisson . . . . . . . . . . . 79


5.7.1 Aproximao da Binomial pela Poisson . . . . . . . . . . . . . 81
5.8 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6 Modelos de Variveis Aleatrias Contnuas
6.1 A Distribuio Uniforme . . . . . . . . . . . . . . . . .
6.2 A Distribuio Exponencial . . . . . . . . . . . . . . .
6.3 A Distribuio Normal . . . . . . . . . . . . . . . . . .
6.3.1 A Distribuio Normal Padro . . . . . . . . . .
6.3.2 A Distribuio Normal com mdia e varincia
6.4 A Distribuio Gama . . . . . . . . . . . . . . . . . . .
6.4.1 A Funo Gama . . . . . . . . . . . . . . . . . .
6.4.2 A Distribuio Gama . . . . . . . . . . . . . . .
6.5 A Distribuio Qui-Quadrado . . . . . . . . . . . . . .
6.6 A Distribuio Beta . . . . . . . . . . . . . . . . . . . .
6.7 A Distribuio de Cauchy . . . . . . . . . . . . . . . .
6.8 A Distribuio t-Student . . . . . . . . . . . . . . . . .
6.9 A Distribuio F-Snedecor . . . . . . . . . . . . . . . .
6.10 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.

.
.
.
.
2

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

7 Vetores Aleatrios
7.1 Independncia . . . . . . . . . . . . . . . . . . . . . . . . .
7.2 Esperanas de Funes de Vetores Aleatrios . . . . . . . .
7.3 Distribuies de Funes de Variveis e Vetores Aleatrios
7.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

90
90
91
93
93
93
98
98
99
99
101
102
102
104
106

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

112
. 116
. 119
. 122
. 125

OBJETIVOS GERAIS: Habilitar o aluno a pensar probabilisticamente o


mundo e a modelar fenmenos aleatrios por meio de modelos de probabilidade,
resolvendo problemas reais usando raciocnio probabilstico.

PROGRAMA

UNIDADE I - PROBABILIDADE.
Interpretaes de Probabilidade. Experimentos e eventos. Denio de probabilidade. Propriedades da probabilidade. Espaos amostrais nitos Mtodos de
Contagem. Probabilidade da Unio Finita de Eventos.
UNIDADE II PROBABILIDADE CONDICIONAL.
Denio de Probabilidade Condicional. Independncia. Teorema de Bayes.
Cadeias de Markov: primeiras noes.
UNIDADE III VARIVEIS ALEATRIAS
Denio. Funo de Distribuio e Propriedades. Tipos de Variveis Aleatrias.
UNIDADE IV VARIVEIS ALEATRIAS DISCRETAS
Denio e exemplos. Funo de Probabilidade. Valor esperado e varincia de
uma varivel aleatria discreta. Propriedades do valor esperado e da varincia.
Principais modelos discretos: denio e propriedades. Bernoulli, Binomial, Geomtrico, Binomial Negativo, Hipergeomtrico e Poisson.
UNIDADE V VARIVEIS ALEATRIAS CONTNUAS
Denio. Funo de densidade de probabilidade.
Valor esperado e varincia. Propriedades do valor esperado e da varincia.
Principais modelos contnuos: denio e propriedades. Uniforme, Normal, Exponencial, Gama, Beta. Outros modelos contnuos.
A distribuio de uma funo de uma varivel aleatria.
ii

UNIDADE VI VARIVEIS ALEATRIAS COM DISTRIBUIO CONJUNTA


Duas variveis aleatrias discretas: funo de probabilidade conjunta, funes
de probabilidade marginais e funo de probabilidade condicional.
Duas variveis aleatrias contnuas: densidade conjunta, densidades marginais e
condicionais. Extenso para o caso n-variado. Variveis aleatrias independentes.
Covarincia e correlao.
UNIDADE VII A FUNO GERATRIZ DE MOMENTOS
Funo geratriz de momentos: denio e propriedades.
Somas de variveis aleatrias independentes via funo geratriz de momentos.
Funo geratriz de momentos conjunta.
UNIDADE VIII - TEOREMAS LIMITES NOES BSICAS
Desigualdade de Tchebyshev, Lei dos Grandes Nmeros, Teorema Central do
Limite: enunciado e exemplos de aplicao.

iii

BIBLIOGRAFIA

[1] Ross, S. (1998). A First Course in Probability . Prentice Hall.


[2] DeGroot, M., (2002). Probability and Statistics. Addison Wesley.
[3] Hoel, P.G., Port, S.C. e Stone, C.J. (1978). Introduo Teoria da Probabilidade Traduo deChiyoshi, F.Y., Editora Intercincia.
[4] Magalhes, M. N. (2004) Probabilidade e Variveis Aleatrias - Ed. Universidade de So Paulo.

AVALIAOES

Prova 1 - 28 de maio de 2013.


Prova 2 - 26 de julho de 2013.
Reposio - 1 de agosto de 2013.
Prova Final - 2 de agosto de 2013.

iv

Captulo 1
Reviso de Anlise Combinatria
1.1

lgebra de Conjuntos

Letras maisculas, como por exemplo A, B, ..., Y , Z, representaro conjuntos.


A letra grega

representar o conjunto universal em uma situao determinada.

Letras minsculas a, b, ..., y, z, indicaro elementos desses conjuntos.


A relao de pertinncia ser grafada pelo smbolo e escrevemos, por exemplo
a 2 A para indicar que a membro de A (ou a pertence a A).
O conjunto vazio representado pelo smbolo ;.
Um conjunto tambm pode ser descrito por uma propriedade p, comum a todos
os seus elementos, e escrevemos
A = fx j x tem a propriedade pg
Exemplo 1 A = fx j x = 2k, k = 1; 2; :::g descreve o conjunto dos nmeros inteiros pares positivos.
Usaremos o smbolo #A para indicar o nmero de elementos de um determinado
conjunto A (ou cardinalidade de A).
Diremos que A

B (A est contido em B) se todo elemento de A tambm um

elemento de B, e diremos tambm que A subconjunto de B.

Se A

B mas existe um elemento b 2 B tal que b 2


= A, (b no pertence a A),

diremos que A um subconjunto prprio de B.


Para mostrar que A no est contido em B, basta exibir um elemento a 2 A tal
que a 2
= B.
Dizemos que A = B se A
Proposio 1 ;

BeB

A.

A, para qualquer conjunto A.

Prova. (Em aula.)


Denio 1 Dados dois conjuntos A

e B

indicaremos por A [ B o

conjunto dos elementos que pertencem a A ou a B, isto o conjunto dos elementos


que pertencem a pelo menos um dos conjuntos A e B. Este conjunto chamado
unio de A com B.
A [ B = f! 2

j ! 2 A ou ! 2 Bg

Extenso 1: Seja a coleo de conjuntos A1 , A2 , ..., An (Ai

, para todo

i = 1; 2; :::; n). Ento


n

[ Ai = f! 2

i=1

j ! 2 A1 ou ! 2 A2 ... ou ! 2 An g

Extenso 2: Seja a coleo de conjuntos A1 , A2 , ... (Ai

, para todo i 2 N).

Ento
1

[ Ai = f! 2

i=1

j ! 2 Ai para algum i 2 Ng

Denio 2 Dados dois conjuntos A e B, denimos o conjunto interseo de A


e B como o conjunto dos elementos que pertencem simultaneamente a A e B, isto
A \ B = f! 2

j ! 2 A e ! 2 Bg
2

Extenso 1: Seja a coleo de conjuntos A1 , A2 , ..., An (Ai

, para todo i =

1; 2; :::; n). Ento


n

\ Ai = f! 2

i=1

j ! 2 A1 e ! 2 A2 ... e ! 2 An g

Extenso 2: Seja a coleo de conjuntos A1 , A2 , ... (Ai

, para todo i 2 N).

Ento
1

\ Ai = f! 2

i=1

j ! 2 Ai para todo i 2 Ng

Denio 3 Dados dois conjuntos A e B, diz-se que eles so disjuntos, se no


tm elementos comuns, isto , se A \ B = ;. Por extenso, dada uma coleo de
conjuntos A1 , ..., An , dizemos que eles so (mutuamente) disjuntos, ou disjuntos
dois a dois, se Ai \ Aj = ;, para todo i 6= j.
Denio 4 Dado um conjunto A, denimos o conjunto complementar de A o
conjunto dos elementos de

que no pertencem a A. Simbolicamente


Ac = f! 2

j!2
= Ag

Denio 5 Dados dois conjuntos A e B, dene-se o conjunto diferena de A e


B como o conjunto dos elementos de A que no pertencem a B, isto
A
Observe que A

B = f! 2

j!2Ae!2
= Bg

B = A \ Bc.

A proposio seguinte lista as propriedades mais importantes que relacionam os


conceitos denidos anteriormente.
Proposio 2 Dado um conjunto universal
itens se vericam:
3

e conjuntos A, B e C, os seguintes

(i) Para todo conjunto A

, A [ ; = A, A \ ; = ;.

(ii) A

B se e somente se A [ B = B.

(iii) A

B se e somente se A \ B = A.

(iv) A [ (B [ C) = (A [ B) [ C.
(v) A \ (B \ C) = (A \ B) \ C.
(vi) A \ (B [ C) = (A \ B) [ (A \ C).
(vii) A [ (B \ C) = (A [ B) \ (A [ C).
(viii) A [ Ac = , A \ Ac = ;, ;c = ,

= ;.

(ix) (Ac )c = A.
(x) A

B se e somente se B c

(xi) (A [ B)c = Ac \ B c ,
(xii) (A \ B)c = Ac [ B c ,

[ Ai

i=1
n

Ac .
c
c

\ Ai

i=1

i=1
n

i=1
1

\ Aci e

[ Aci e

i=1

[ Ai
\ Ai

i=1

=
c

\ Aci .

i=1
1

[ Aci .

i=1

Prova. (Deixada como exerccio.)


Denio 6 Dados dois conjuntos A e B, chamaremos de produto cartesiano de
A por B o conjunto de pares ordenados (a; b) onde a um elemento de A e b um
elemento de B. Simbolicamente
A
Extenso 1:
A1

A2

:::

B = f(a; b) j a 2 A, b 2 Bg

Dados n conjuntos A1 , A2 , ..., An , o produto cartesiano


An denido como o conjunto das n-uplas (a1 ; a2 ; :::; an ), onde

ai 2 Ai , para i = 1; :::; n.
Extenso 2: Dada uma seqncia de conjuntos A1 , A2 , ..., o produto cartesiano
A1

A2

fan ; n

::: denido como o conjunto das 1-uplas (a1 ; a2 ; :::; ) (ou das seqncias
1g) onde ai 2 Ai , para todo i 2 N.

Exemplo 2 Se A = f1; 2g e B = f1; 2; 3g, temos


A

B = f(1; 1); (1; 2); (1; 3); (2; 1); (2; 2); (2; 3)g

Observe que, em geral, A

1.2

B 6= B

A.

Noes Bsicas de Tcnicas de Contagem

Neste captulo, exporemos todos os objetos presentes na anlise combinatria, fazendo


uma reexo minuciosa sobre eles, quando for necessria.
Princpio da Adio: Sejam A1 , ..., An , conjuntos diferentes e disjuntos dois a
dois, tendo, respectivamente, r1 , ..., rn elementos diferentes, isto , #A1 = r1 ,
..., #An = rn . Ento o nmero de formas de selecionar um objeto de um dos
n conjuntos r1 + ::: + rn .

Princpio da Multiplicao: Suponha que um experimento possa ser realizado


em n fases. Suponha que a fase Fi (i = 1; :::; n) tenha ri receitas diferentes
para cumpri-la. Se o nmero de receitas em cada fase independente das
escolhas nas fases anteriores, e se os resultados compostos so todos distintos,
ento o nmero de formas de se realizar o experimento nas n fases r1 ::: rn .
Exemplo 3 Prof. Cludio tem 40 estudantes no curso de lgebra e 35 no curso de
geometria. Quantos estudantes diferentes h nessas duas classes, supondo que no
h estudantes em ambas as classes?
Exemplo 4 De quantas formas podemos extrair uma carta de copas ou de espadas
de um baralho de 52 cartas? Uma carta s ou rei?

Exemplo 5 De quantas formas podemos obter uma soma 4 ou 8 quando dois dados
distinguveis (por exemplo, tm cores diferentes) so lanados? De quantas formas
obtemos uma soma par?
Observao 1 urgente a discusso sobre a diferena semntica entre os adjetivos
distinto e distinguvel. No exemplo acima, os dois dados so distintos porque
temos dois dados e no apenas um dado. Alm disso, os dados eram tambm distinguveis com respeito cor, de forma que o par (1,5) pode ser diferenciado de (5,1).
Entretanto, se os dois dados distintos no tivessem caractersticas distinguveis, ento no poderamos fazer tal diferenciao.
Exemplo 6 De quantas formas podemos obter uma soma 8 quando dois dados indistinguveis so lanados? De quantas formas obtemos uma soma par?
Exemplo 7 Dois dados, um verde e um vermelho, so lanados. Quantos resultados diferentes existem neste experimento?
Exemplo 8 H 5 livros diferentes de Espanhol, 6 livros diferentes de Francs e 8
livros diferentes de Ingls. Quantas formas h de tomar um par (no ordenado) de
livros de lnguas diferentes?
Exemplo 9 Quantas maneiras existem de formar uma seqncia de trs letras,
usando as letras a, b, c, d, e, f:
(a) com a repetio de letras permitida?
(b) sem a repetio de qualquer letra?
(c) sem a repetio e contendo a letra e?
(d) com repetio e contendo a letra e?
Exemplo 10 Quantas colees diferentes e no-vazias podem ser formadas com 5
mas idnticas e 8 laranjas idnticas?
6

Exemplo 11 Uma indstria fabrica 100 produtos diferentes, que j esto no mercado. Para facilitar a identicao via computador ser criado um cdigo de barras
onde cada barra j ou

. Qual o nmero de barras necessrias para que se possa

identicar cada um dos 100 produtos?


Denio 7 Dado um nmero natural n, dene-se o fatorial de n, representado
por n!, como
n! = n(n

1)(n

= 1:2:3:::(n

2):::3:2:1
2)(n

1)n

Por conveno, 0! = 1. Esta conveno est amparada no mundo fsico, como


veremos a seguir.
Proposio 3 (Permutao) Sejam n objetos distinguveis, ordenados em la.
Ento o nmero de conguraes das ordenaes possveis, ou por outra, o nmero
de permutaes dos objetos dado por
Pn = n!
Pn chamado de permutao de n objetos distintos.
Prova. (Em aula.)
Exemplo 12 Suponha que um carteiro bbado tenha n cartas a serem distribudas
aleatoriamente em n casas diferentes. Suponha que ele o faa colocando uma carta
em cada caixa de correio. De quantas formas ele pode distribuir as cartas?
Exemplo 13 Suponha agora o carteiro bbado tenha n cartas a serem distribudas
aleatoriamente em k casas diferentes (k

n). Suponha que ele o faa colocando

uma carta em cada caixa de correio.


7

(a) De quantas formas ele pode distribuir as cartas?


(b) Justique, com base nos dois ltimos exemplos, o fato de 0! = 1.
O resultado do exemplo anterior chamado de arranjo de n objetos em k compartimentos, ou simplesmente arranjo de n, k a k, como veremos na proposio a
seguir.
Proposio 4 (Arranjo) Suponha que n objetos distinguveis devam ser alocados
em k compartimentos (k

n), de forma ordenada, com cada compartimento tendo

um nico elemento. O nmero de alocaes possveis dado por


An;k =

n!
(n

k)!

Prova. (Em aula.)


Exemplo 14 Suponha que 20 corredores disputam uma corrida de Frmula 1. Quantos resultados de pdium (primeiro, segundo e terceiro lugares) so possveis?
Exemplo 15 Suponha que 5 pessoas entrem num elevador que conduz aos 10 andares de um edifcio. De quantas maneiras podemos ter pessoas saindo sozinhas em
andares diferentes?
Proposio 5 (Combinao) Suponha que n objetos devam ser alocados em k
compartimentos (k

n), de forma no-ordenada, com cada compartimento tendo

um nico elemento. O nmero de alocaes possveis dado por


n
k

n
k

An;k
k!
n!
=
k!(n k)!

(ou Cn;k ou Cnk ) chamado de combinao de n, k a k, e sua distino bsica com

o conceito de arranjo de n, k a k reside no fato de que, na combio, a ordenao


dos objetos no relevante, embora o seja no contexto de arranjo.
8

Prova. (Em aula.)


Exemplo 16 Suponha que desejemos formar uma comisso de 4 pessoas retiradas
aleatoriamente de 10 pessoas. Quantas comisses so possveis?
Exemplo 17 Quantos padres distintos usando-se k letras A e n

k letras B so

possveis de serem criados? (As palavras assim formadas so chamadas de anagramas.)


Exemplo 18 Numa recepo h 50 homens e 30 mulheres. Qual o nmero de
apertos de mo possveis, sabendo que 70% das mulheres no se cumprimentam
entre si?
Vejamos agora a construo do conceito de permutao com repetio, que generaliza o conceito de combinao.
Proposio 6 (Permutao com Repetio) Se h n objetos, com r1 objetos
do tipo 1, r2 objetos do tipo 2, ..., e rm objetos do tipo m, onde r1 + r2 ::: + rm = n,
ento o nmero de permutaes distintas geradas pelos objetos dado por
n
n r1
r1
r2
n!
=
r1 !r2 !:::rm !

P (n; r1 ; r2 ; :::; rm ) =

r1
r3

r2

:::

r1

r2 :::
rm

rm

Prova. (Em aula.)


Exemplo 19 Numa universidade h 7 professores de Matemtica e 4 de Fsica. De
quantas formas uma equipe composta de 4 matemticos e 2 fsicos pode ser feita?
Exemplo 20 Quantos nmeros de 7 dgitos, maiores que 6.000.000, podem ser formados usando apenas os algarismos 1, 3, 6, 6, 6, 8, 8?
9

Exemplo 21 Quantos so os anagramas da palavra PIRACICABA que no possuem duas letras A juntas?
Os prximos exemplos ilustram o conceito de Combinaes Completas, onde o
conceito de distinguibilidade de objetos no mais se d.
Proposio 7 (Combinao Completa) Seja A um conjunto de n elementos.
Ento o nmero de amostras com reposio de k elementos de A, ou por outra, o
nmero de subconjuntos de k elementos de A com repeties permitidas dado por
n
k
n
k

Obs.: A notao

:=

n+k
k

chamada de combinao completa (ou com repetio)

de n, k a k. Alguns autores adotam a notao CRnk .


Prova. Em aula.
Corolrio 1 O nmero de solues inteiras de x1 + x2 + ::: + xn = k onde cada
xi

0 dado por

n
k

Prova. Em aula.
Exemplo 22 De quantas formas diferentes podemos comprar 6 cachorros-quentes,
se h 3 variedades possveis (mini, regular e super)?
Exemplo 23 Quantas solues inteiras h para a equao
x1 + x2 + x3 + x4 = 12
(a) com xi

0?

(b) com xi

1?

(c) com x1

2, x2

2, x3

4, x4

0?
10

Exemplo 24 Quantas so as solues inteiras no-negativas de x + y + z + w < 6.


Exemplo 25 Quantos arranjos das letras a, e, i, o, u, x, x, x, x, x, x, x, x (8 xs)
existem se no pode haver duas vogais consecutivas?
Exemplo 26 A fbrica X produz 8 tipos de bombons que so vendidos em caixas de
30 bombons (de um mesmo tipo ou sortidos). Quantas caixas diferentes podem ser
formadas?
Finalmente encerraremos, nossa breve introduo anlise combinatria com o
conceito de permutao circular.
Proposio 8 (Permutao Circular) Suponha n objetos distingveis dispostos
circularmente. Ento o nmero de padres circulares gerados pelos n objetos dado
por
Pn

= (n

1)!

Prova. (Em aula.)


Exemplo 27 De quantos modos 5 meninos e 5 meninas podem formar uma roda
de ciranda de modo que pessoas de mesmo sexo no quem juntas?
Exemplo 28 Um grupo constitudo por 4 mulheres e 4 homens deve ocupar as 8
cadeiras dispostas ao redor de uma mesa circular. O grupo deve ser acomodado de
modo que cada homem sente entre duas mulheres. Joo e Maria esto nesse grupo
de pessoas; entretanto por motivos de ordem estritamente pessoal no podem sentarse lado a lado. Duas acomodaes de pessoas ao redor da mesa so consideradas
diferentes quando pelo menos uma das pessoas no tem o mesmo vizinho direita,
nas duas acomodaes. Determine o nmero de diferentes acomodaes possveis
dessas 8 pessoas ao redor da mesa circular.
11

Proposio 9 (Princpio da Incluso e Excluso) Sejam


sal, A1 , A2 , ..., An subconjuntos de

o conjunto univer-

e
S0 = #

S1 =

n
P

#(Ai )

i=1

S2 =

1 i<j n

S3 =

1 i<j<k n

(observe que h

n
1

#(Ai \ Aj )

#(Ai \ Aj \ Ak ) ...

parcelas em S1 ,

n
2

parcelas em S2 , etc). Ento o nmero

de elementos do conjunto A1 [ A2 [ ::: [ An


S1

S 2 + S3

::: + ( 1)n+1 Sn

Prova. (Em aula.)


Exemplo 29 Numa classe de 30 alunos, 14 falam ingls, 5 falam alemo e 7 falam
francs. Sabendo-se que 3 falam ingls e alemo, 2 falam ingls e francs, 2 falam
alemo e francs e que 1 fala as trs lnguas, determinar o nmero de alunos que
no falam nenhuma dessas trs lnguas.
Exemplo 30 Quantos so os inteiros entre 1 e 42.000, que no so divisveis por
2, por 3 e nem por 7?
Exemplo 31 Quantas so as permutaes das letras da palavra BRASIL em que o
B ocupa o primeiro lugar, ou o R o segundo lugar, ou o L o sexto lugar?
Exemplo 32 Dentre os inteiros de 1 a 1.000.000 inclusive, quantos no so quadrados perfeitos, cubos perfeitos e nem quartas potncias perfeitas?
Exemplo 33 De quantos modos 6 casais podem sentar-se ao redor de uma mesa
circular de tal forma que marido e mulher no quem juntos?
12

Exemplo 34 De quantas formas podemos permutar 3 as, 3 bs e 3 cs de tal modo


que 3 letras iguais nunca sejam adjacentes?
Exemplo 35 Encontrar o nmero de solues, em inteiros positivos, de
x1 + x2 + x3 + x4 = 22
em que x1

7, x2

6, x3

9 e x4

8.

Exemplo 36 Encontrar o nmero de solues de x1 + x2 + x3 + x4 = 1 em inteiros


entre

3 e 3 inclusive.

Exemplo 37 Lanam-se 3 dados. Em quantos dos 63 resultados possveis a soma


dos pontos 12?

1.3

Exerccios

Exerccio 1 Em uma banca h 5 exemplares iguais da revista A, 6 exemplares iguais


da revista B e 10 exemplares iguais da revista C. Quantas colees no vazias de
revistas dessa banca possvel formar? Resp.: 461.
Exerccio 2 No quadro abaixo, de quantos modos possvel formar a palavra MATEMTICA,
partindo de um M e indo sempre para a direita ou para baixo? Resp.: 512.

M
M A
M A T
M A T E
M A T E M
M A T E M A

M
A
T
E
M
A
T

M
M A
A T
T E
E M
M A
A T
T I
I C

M
A
T
E
M
A
T
I
C
A

Exerccio 3 Quantos nmeros diferentes podem ser formados multiplicando alguns


(ou todos) os nmeros 1, 5, 6, 7, 7, 9, 9, 9? Resp.: 48.
13

Exerccio 4 Um vago de metr tem 10 bancos individuais, sendo 5 de frente e


5 de costas. De 10 passageiros, 4 preferem sentar de frente, 3 preferem sentar de
costas e os demais no tm preferncia. De quantas maneiras os passageiros podem
se sentar, respeitando-se as preferncias? Resp.: 43.200.
Exerccio 5 Em um concurso h trs candidatos e cinco examinadores, devendo
cada examinador votar em um candidato. De quantos modos os votos podem ser
distribudos? Resp.: 243.
Exerccio 6 Qual a soma dos divisores inteiros e positivos de 720? Resp.: 2418.
Exerccio 7 Delegados de 10 pases devem se sentar em 10 cadeiras em la. De
quantos modos isso pode ser feito, se os delegados do Brasil e de Portugal devem
sentar juntos e o do Iraque e o dos Estados Unidos no podem sentar juntos? Resp.:
564.480.
Exerccio 8 Um campeonato disputado por 12 clubes em rodadas de 6 jogos cada.
De quantos modos possvel selecionar os jogos de primeira rodada? Resp.: 10.395.
Exerccio 9 Mostre que o nmero de diferentes pares para uma primeira rodada de
um torneio de tnis com 2n participantes (1):(3):(5):(7):::(2n

1).

Exerccio 10 Quantos divisores mpares tem o nmero 232.848? Resp.: 24.


Exerccio 11 Quantas so as permutaes simples dos nmeros 1; 2; :::; n nas quais
o elemento que ocupa a k-sima posio inferior a k + 4 para todo k? Resp.:
6

4n 3 .

Exerccio 12 Quantos so os nmeros naturais de 7 dgitos nos quais o dgito 4


gura exatamente 3 vezes e o dgito 8 exatamente 2 vezes? Resp.: 12.960.
14

Exerccio 13 Quantos so os p-subconjuntos (isto , subconjuntos com p elementos) de fa1 ; a2 ; :::; an g nos quais:
(a) a1 gura; Resp.: Cnp

1
1

(b) a1 no gura; Resp.: Cnp

(c) a1 e a2 guram; Resp.: Cnp

2
2

(d) pelo menos um dos elementos a1 , a2 gura; Resp.: 2Cnp

1
p 2
2 +Cn 2

(e) exatamente um dos elementos a1 , a2 gura. Resp.: 2Cnp

= Cnp Cnp

1
2

Exerccio 14 Empregando 10 consoantes e cinco vogais, calcule o nmero de palavras


de 6 letras que se podem formar sem usar consoantes nem vogais adjacentes:
(a) se so permitidas repeties; Resp.: 250.000
(b) se no so permitidas repeties. Resp. 86.400
Exerccio 15 Prove que um produto de p inteiros consecutivos sempre divisvel
por p!.
Exerccio 16 No incio de uma festa h 6 rapazes desacompanhados e 10 moas
desacompanhadas. Quantos so os estados possveis no m da festa? Resp.: 424.051
Exerccio 17 Uma pulseira deve ser cravejada com um rubi, uma esmeralda, um
topzio, uma gua-marinha, uma turmalina e uma ametista. De quantos modos isso
pode ser feito, supondo:
(a) que a pulseira tem um fecho e um relgio engastado no fecho; Resp.: 720
(b) que a pulseira tem fecho; Resp.: 360
(c) que a pulseira no tem fecho e o brao s pode entrar na pulseira em um
sentido; Resp.: 120
(d) que a pulseira no tem fecho e o brao pode entrar na pulseira nos dois
sentidos. Resp.: 60
15

Exerccio 18 Uma partcula, estando no ponto (x; y) pode mover-se para o ponto
(x + 1; y) ou para o ponto (x; y + 1). Quantos so os caminhos que a partcula pode
tomar para, partindo do ponto (0; 0), chegar ao ponto (a; b), onde a > 0 e b > 0?
a
Resp.: Ca+b

Exerccio 19 De quantos modos podem ser pintados 6 objetos iguais usando 3 cores
diferentes? Resp.: 28
Exerccio 20 De quantos modos podemos colocar em la 7 letras A, 6 letras B e 5
letras C de modo que no haja duas letras B juntas? Resp.: 1.359.072

16

Captulo 2
Base Terica de Probabilidade
2.1

Modelo Matemtico para um Experimento

2.1.1

Espaos de Probabilidade

Suponha que vamos realizar um experimento cujo resultado no pode ser predito
de antemo. Entretanto, suponha que saibamos todos os possveis resultados de
tal experimento. Este conjunto de todos os resultados possveis, que denotaremos
por

, chamado de espao amostral do experimento. Assim, temos a seguinte

denio:
Denio 8 O conjunto

de todos os resultados possveis de um determinado ex-

perimento chamado de espao amostral.


Exemplo 38 Se o experimento consiste em lanar uma moeda, ento

= fCa; Cog,

onde Ca cara e Co coroa.


Exemplo 39 Se o experimento consiste em lanar um dado e observar a face superior, ento

= f1; 2; 3; 4; 5; 6g.

Exemplo 40 Se o experimento consiste em lanar duas moedas,

ento

= f(Ca; Ca); (Ca; Co); (Co; Ca); (Co; Co)g, onde o resultado (a; b) ocorre se a
face da primeira moeda a e a face da segunda moeda b.
17

Exemplo 41 Se o experimento consiste em lanar dois dados e observar as faces


superiores, ento
8
(1; 1)
>
>
>
>
(2; 1)
>
>
<
(3; 1)
=
(4; 1)
>
>
>
>
(5; 1)
>
>
:
(6; 1)

(1; 2)
(2; 2)
(3; 2)
(4; 2)
(5; 2)
(6; 2)

(1; 3)
(2; 3)
(3; 3)
(4; 3)
(5; 3)
(6; 3)

(1; 4)
(2; 4)
(3; 4)
(4; 4)
(5; 4)
(6; 4)

(1; 5)
(2; 5)
(3; 5)
(4; 5)
(5; 5)
(6; 5)

(1; 6)
(2; 6)
(3; 6)
(4; 6)
(5; 6)
(6; 6)

9
>
>
>
>
>
>
=
>
>
>
>
>
>
;

onde o resultado (i; j) ocorre se a face i aparece no primeiro dado e a face j no


segundo dado.
Exemplo 42 Se o experimento consiste em medir a vida til de um carro, ento
um possvel espao amostral consiste de todos os nmeros reais no-negativos, isto
,

= [0; 1).

Denio 9 Qualquer subconjunto A do espao amostral

, isto A

, ao qual

atribumos uma probabilidade, dito um evento aleatrio.


Obviamente, como ;

os conjuntos ; e

so eventos aleatrios. O

conjunto vazio ; denominado evento impossvel e o conjunto


evento certo. Se ! 2

denominado

o evento f!g dito elementar (ou simples).

Denio 10 Dois eventos A e B so ditos mutuamente exclusivos ou incompatveis se A \ B = ;.


Observao 2 importante saber traduzir a notao de conjuntos para a linguagem de eventos: A [ B o evento A ou B; A \ B o evento A e B e
Ac o evento no A.
Observao 3 (Concepo Errnea) Uma das concepes errneas comumente
propagada pelos livros didticos o estabelecimento de uma relao um a um do
experimento com o espao amostral associado. preciso ter em mente que, para
18

todo experimento, possvel estabelecer uma innidade de espaos amostrais, todos


legtimos, pois o espao amostral deve ser o conjunto que contm todos os resultados
possveis, mas no h necessidade de que este seja minimal. Assim, se o experimento consiste em lanar um dado e se observar a sua face superior, podemos ter
1

= f1; 2; 3; 4; 5; 6g,

=Ne

= (0; 1) como espaos amostrais legtimos para

esse experimento. Em todos eles basta atribuir a probabilidade de

1
6

para os pontos

1; 2; 3; 4; 5 e 6 e probabilidade nula para os demais pontos se houver. Claro que no


h necessidade de se pecar por excesso, se podemos reconhecer o espao amostral
mnimo, mas isso nem sempre possvel, como o exemplo 42, que se presta a vrios
possveis espaos amostrais e nesse caso vale a pena pecar por excesso e deixar a
medida de probabilidade fazer o trabalho de denir pontos (ou regies) de maior e
menor probabilidade.
preciso lembrar tambm que toda escolha do espao amostral induz uma medida
de probabilidade diferente. Por exemplo, se temos uma urna com trs bolas brancas
e 2 bolas vermelhas e o experimento consiste em se retirar uma bola e registrar a sua
cor, ento poderamos ter os seguintes espaos amostrais, dentre outros possveis:
1

= fb; vg e

= fb1 ; b2 ; b3 ; v1 ; v2 g. No primeiro espao amostral, estaramos con-

siderando as bolas pretas e vermelhas indistinguveis entre si e assim o ponto b teria


3
5

de chance e o ponto v teria

2
5

de chance, ou seja, um espao amostral de elemen-

tos no equiprovveis. No segundo espao amostral, estaramos considerando todas


as bolas como distinguveis e, nesse caso, cada ponto tem a mesma probabilidade
1
,
5

construindo assim um espao amostral de elementos equiprovveis. Portanto, se

o evento for "retirar uma bola branca", ento esse evento ser dado por fbg pelo
espao amostral

1,

e fb1 ; b2 ; b3 g pelo espao amostral

2.

No entanto, em ambos

os modelos a probabilidade do evento em questo ser a mesma de 53 .

19

2.1.2

Denio e Propriedades das Probabilidades

H vrias interpretaes da probabilidade. Discutiremos as trs mais correntes:


(Clssica) Baseia-se no conceito de equiprobabilidade, ou seja, de resultados equiprovveis.
Seja A um evento e

o espao amostral nito, ento


P (A) =

onde #A a cardinalidade de A e #

#A
#

a cardinalidade de

Vemos, portanto, que esta denio de probabilidade presupe que todos os


elementos de

so igualmente provveis, ou seja, tm o mesmo peso. Este o caso

por exemplo de um dado equilibrado.


Esta forma de denir a probabilidade tambm conhecida pelo nome de probabilidade de Laplace, em homenagem ao astrnomo e matemtico francs Pierre-Simon
Laplace, que estabeleceu, de uma maneira sistemtica e rigorosa, os princpios e
propriedades desta forma de calcular probabilidades.

Pierre-Simon Laplace (1749 - 1827)


Exemplo 43 Sete pessoas entram juntas num elevador no andar trreo de um edifcio de 10 andares. Suponha que os passageiros saiam independentemente e de
20

maneira aleatria com cada andar (1; 2; :::; 10) tendo a mesma probabilidade de ser
selecionado. Qual a probabilidade de que todos saiam em andares diferentes?
(Freqentista) Baseia-se na freqncia relativa de um nmero grande de realizaes independentes do experimento. Seja A um evento, ento
nA
n!1 n

P (A) = lim

onde nA o nmero de ocorrncias do evento A em n realizaes.


Observao 4 O limite acima no pode ser entendido como um limite matemtico,
pois dado " > 0 no h garantia de que existe n0 2 N tal que para todo n

n0 se

tenha
P (A)
improvvel que P (A)

nA
n

nA
< ".
n

" para n

N (grande), mas pode acontecer.

Outra diculdade do conceito freqentista que o experimento nunca realizado


innitas vezes, logo no h como avaliar a probabilidade de forma estrita.
Exemplo 44 (Discusso em sala de aula) Suponha a seguinte situao: Voc
est participando de um programa televisivo chamado "Porta da Felicidade", da
seguinte forma: O apresentador do programa lhe mostra trs portas, uma das quais
esconde um carro como prmio e as outras duas no oferecem nada e o colocam
fora do jogo. O que acontece? Voc escolhe uma porta e o apresentador abre uma
outra porta vazia no escolhida por voc. Assim, ainda h a chance de voc ganhar
o carro. Mas agora lhe oferecida a oportunidade de mudar de porta! O que voc
deve fazer para maximizar a chance de acerto? Ficar com a mesma porta escolhida;
mudar para a outra porta; ou qualquer das duas estratgias, por ser indiferente?
Analise a estratgia tima luz do conceito frequentista de probabilidade.

21

(Subjetiva) Baseia-se em crenas e/ou informaes do observador a respeito do fenmeno


em estudo. Neste caso a probabilidade de um evento depende do observador,
isto , do que o observador conhece sobre o fenmeno em estudo. Pode parecer um tanto informal para uma denio de probabilidade de um evento. No
entanto, em muitas situaes necessrio recorrer a um especialista para ter
pelo menos uma ideia vaga de como se comporta o fenmeno de nosso interesse e saber se a probabilidade de um evento alta o baixa. Por exemplo,
qual a probabilidade de que o Vasco ganhe o prximo campeonato? Certas circunstncias internas do time, as condies do time rival ou qualquer
outra condio externa, so elementos que s algumas pessoas conhecem e que
poderam nos dar uma ideia mais exata desta probabilidade. Esta forma subjetiva de atribuir probabilidades aos diferentes eventos deve, entretanto, ser
consistente com uma srie de regras naturais que estudaremos adiante.
Exemplo 45 Por exemplo, seja o evento C chove em Moscou.
Ento, para algum no Rio de Janeiro, sem qualquer conhecimento prvio, podemos
ter a seguinte avaliao: P (C) = 0; 5.
J para algum de Leningrado, podemos ter: P (C) = 0; 8, se chove em Leningrado
e P (C) = 0; 2, se no chove em Leningrado.
Finalmente, para algum de Moscou, tem-se: P (C) = 1, se est chovendo em
Moscou e P (C) = 0, se no est chovendo em Moscou.

(Axiomtica) Na denio axiomtica da probabilidade no se estabelece a forma explcita


de calcular as probabilidades, mas unicamente as regras que o clculo das
probabilidades deve satisfazer. Trs postulados ou axiomas para a Teoria das
Probabilidades foram estabelecidos em 1933 pelo matemtico russo Andrey
Nikolaevich Kolmogorov.
22

Andrey Nikolaevich Kolmogorov (1903 - 1987)


No nos preocuparemos com o problema de como denir probabilidade para cada
experimento. Assentaremos a base axiomtica da teoria das probabilidades tal como
foi erigida por Kolmogorov, responsvel pela base matemtica slida da teoria.
Seja

um espao amostral e seja A

um evento aleatrio. Uma medida de

probabilidade P uma aplicao tendo os seguintes axiomas:


A1) P (A)

0.

A2) P ( ) = 1.
A3) (Aditividade nita) Se A1 ; A2 ; :::; An
Ai \ Aj = ; para todo i 6= j, ento P

so disjuntos dois a dois, isto ,


n
X
n
[ Ai =
P (Ai ).

i=1

i=1

Uma funo P satisfazendo os axiomas 1, 2 e 3 chamada probabilidade nitamente aditiva. Entretanto, para os nossos objetivos, ser mais conveniente
supor -aditividade:
A3) Se A1 ; A2 ; :::

so disjuntos dois a dois, ento P

[ Ai =

i=1

1
X

P (Ai ).

i=1

Assim, consideraremos os axiomas A1, A2 e A3 como os axiomas de Probabilidade.


23

No difcil vericar que as denies anteriores de probabilidade satisfazem


estes trs axiomas. De fato, estes postulados foram tomados diretamente da anlise
cuidadosa e reexiva das denies de probabilidade mencionadas anteriormente.
Qualquer funo P que satisfaa os trs axiomas de Kolmogorov chamada de
medida de probabilidade, ou simplesmente probabilidade. A partir destes postulados possvel demonstrar que a probabilidade cumpre uma srie de propriedades
interessantes.
Teorema 1 P (;) = 0.
Prova. (Em aula.)
Observao 5 (Concepo Errnea) Sabemos agora que se A = ; ento P (A) =
0. No entanto, a recproca no verdadeira, isto , P (A) = 0 no implica necessariamente que A = ; e nem que o evento A seja impossvel. Um evento pode ter
probabilidade nula e no ser impossvel.
Da mesma forma, sabemos pelo Axioma 2 que se A =

ento P (A) = 1. No

entanto um evento pode ter probabilidade 1 e no ser o evento certo

. o que

chamamos em probabilidade de um evento quase-certo.


Vejamos o exemplo a seguir para ilustrar esses fatos.
Exemplo 46 Um experimento consiste em se selecionar um ponto aleatoriamente
do crculo de raio unitrio centrado na origem. Ento
= ! = (x; y) : x2 + y 2

Como todo ponto aleatoriamente escolhido, a probabilidade de um ponto cair numa


regio do crculo deveria ser a razo entre a rea dessa regio e a rea do crculo
unitrio. Assim, se A

, temos
P (A) =
24

SA

com SA a rea da regio denida pelos pontos de A. Mas ento, todo evento elementar desse espao amostral tem probabilidade nula, pois se A = f(a; b)g, ento
SA = 0, e consequentemente
P (A) =

= 0.

No entanto A 6= ?. Alm disso, observe que todo experimento ter como um resultado um ponto do crculo unitrio, que tinha probabilidade nula antes de ele ocorrer.
Portanto eventos de probabilidade 0 no so necessariamente eventos impossveis!
Seja agora o evento B como sendo o conjunto de pontos do crculo unitrio tais
que a abscissa diferente da ordenada, isto , B = f! = (x; y) : x2 + y 2
Naturalmente B subconjunto prprio de
P (B) =

SB

1 e x 6= yg.

. Mas
=

= 1,

pois SB (a rea da regio denida pelos pontos de B) equivale rea de

. Assim

B um evento quase-certo, pois embora possamos obter um ponto do tipo (a; a) que
no satisfaz ao evento B, a chance de isso ocorrer nula.
Proposio 10 O Axioma 3implica o Axioma 3, isto , se P -aditiva, ento
nitamente aditiva.
Prova. (Em aula.)
Teorema 2 Para A

, temos P (Ac ) = 1

P (A).

, temos 0

1.

Prova. (Em aula.)


Teorema 3 Para A

P (A)

Prova. (Em aula.)

25

Teorema 4 Sejam A e B
(a) P (B

A) = P (B)

(b) P (A)

. Se A

B, ento

P (A);

P (B).

Prova. (Em aula.)


Teorema 5 Sejam A e B

. Ento P (A [ B) = P (A) + P (B)

P (A \ B).

Prova. (Em aula.)


Teorema 6 Para qualquer seqncia de eventos A1 ; A2 ; :::; An
1
X
P (Ai ) (desigualdade de Boole).

, P

[ Ai

i=1

i=1

Prova. (Em aula.)


Teorema 7 Sejam A1 ; A2 ; :::; An
P

[ Ai

i=1

n
X
i=1

P (Ai )
X

i<j<k<l

X
i<j

. Ento

P (Ai \ Aj ) +

i<j<k

P (Ai \ Aj \ Ak )

P (Ai \ Aj \ Ak \ Al ) + ::: + ( 1)n+1 P (A1 \ A2 \ ::: \ An )

Prova. (Em aula.)


Observao 6 (Paradoxo de Bertrand) O Paradoxo de Bertrand nos mostra
que no existe um nico modelo de Probabilidade para um dado experimento se
a gnese do fenmeno no conhecida. Vejamos o paradoxo:
Seja um tringulo equiltero inscrito num crculo unitrio. Uma corda do crculo
selecionada aleatoriamente. Qual a probabilidade de que a corda seja maior que o
lado do tringulo?
Modelo 1: A corda obtida atravs da seleo aleatria de dois pontos da
circunferncia. Ento p = 31 .
26

Modelo 2: Um ponto escolhido aleatoriamente sobre um dimetro do crculo.


A corda obtida pela perpendicular ao dimetro que passa pelo ponto. Ento p = 21 .

Modelo 3: Um ponto escolhido aleatoriamente do crculo. A corda construda tendo o ponto selecionado como seu ponto mdio. Ento p = 41 .

Exemplo 47 5 bolas brancas e 3 bolas vermelhas so retiradas aleatoriamente de


uma urna. Qual a probabilidade de que a primeira e a ltima bolas sejam brancas?
Qual a probabilidade de que a primeira e a ltima bolas tenham cores diferentes?
Exemplo 48 Um ponto selecionado do crculo unitrio. Qual a probabilidade de
se selecionar um ponto no setor angular de 0 a

27

radianos?

Exemplo 49 Numa sala h n alunos (n

365). Qual a probabilidade de haver dois

ou mais alunos com a mesma data de aniversrio (dia e ms idnticos)?


Exemplo 50 Em uma sala, 10 pessoas esto usando emblemas numerados de 1 a
10. Trs pessoas so escolhidas ao acaso e convidadas a se retirarem simultaneamente. Os nmeros dos emblemas so registrados. Pergunta-se:
(a) Qual a probabilidade de que o menor nmero seja 5?
(b) Qual a probabilidade de que o maior nmero seja 5?
Exemplo 51 Da populao canadense 30% so da provncia de Quebec, 28% falam
francs e 24% so de Quebec e falam francs. Escolhido ao acaso um canadense,
qual a probabilidade de:
(a) ser de Quebec ou falar francs?
(b) no ser de Quebec nem falar francs?
(c) falar francs mas no ser de Quebec?
Exemplo 52 Qual a probabilidade de se ganhar a sena com um nico carto e
jogando apenas 6 nmeros? E a quina? E a quadra?
Exemplo 53 Um baralho tem 52 cartas. Estas cartas consistem de 4 naipes chamados paus, ouros, copas e espadas. Cada naipe tem 13 cartas com os smbolos 2, 3,
4, ..., 10, J, Q, K, A. Uma mo de pquer consiste de 5 cartas extradas do baralho,
sem reposio e sem considerao de ordem. Considera-se que constituem seqncias as mos do seguinte tipo: A, 2, 3, 4, 5; 2, 3, 4, 5, 6;...; 10, J, Q, K, A. Calcule
a probabilidade de se obter numa mo de pquer
(a) um Royal Flush ((10, J, Q, K, A) do mesmo naipe);
(b) um Straight Flush (cinco cartas do mesmo naipe em seqncia);
(c) um Four (valores da forma (x, x, x, x, y) onde x e y so distintos);
28

(d) um Full House (valores da forma (x, x, x, y, y) onde x e y so distintos);


(e) um Flush (cinco cartas do mesmo naipe);
(f) um Straight (cinco cartas em seqncia, sem considerao de naipes);
(g) uma Trinca (valores da forma (x, x, x, y, z) onde x, y e z so distintos);
(h) dois pares (valores da forma (x, x, y, y, z) onde x, y e z so distintos);
(i) um par (valores da forma (x, x, y, z, w) onde x, y, z e w so distintos).
Exemplo 54 Uma caixa contm 2n sorvetes, n do sabor A e n do sabor B. De um
grupo de 2n pessoas, a < n preferem o sabor A, b < n o sabor B e 2n

(a + b) no

tm preferncia. Se os sorvetes so distribudos ao acaso, qual a probabilidade de


que todas as pessoas tenham suas preferncias respeitadas?
Exemplo 55 Suponha que n homens presentes numa festa joguem seus chapus no
centro da sala. Em seguida cada homem de olhos vendados seleciona um chapu.
Mostre que a probabilidade de que nenhum dos n homens selecione o seu prprio
chapu
1
2!

1
1
+
3! 4!

::: +

( 1)n
.
n!

O que acontece quando n ! 1?

2.1.3

Probabilidade Condicional

Denio 11 Seja

um espao amostral para um dado experimento e seja P uma

medida de probabilidade. Se B

e P (B) > 0, a probabilidade condicional de A

dado B denida por


P (A j B) =
Note que P (A j B), A

P (A \ B)
, A
P (B)

(2.1)

, realmente uma probabilidade (verique os ax-

iomas!). Consequentemente todas as propriedades de probabilidade so mantidas,


29

como, por exemplo,


P (Ac j B) = 1

P (A j B).

Observe que, dado B, se denirmos PB (A) = P (A j B), ento podemos denir


uma nova medida de probabilidade denida para subconjuntos de B.
Exemplo 56 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?
Teorema 8 Sejam A; B

com P (A) > 0 e P (B) > 0. Ento


P (A \ B) = P (B):P (A j B)
= P (A):P (B j A)

Prova. (Em aula.)


Teorema 9 (a) P (A \ B \ C) = P (A):P (B j A):P (C j A \ B).
(b) P (A1 \ A2 \ ::: \ An ) = P (A1 ):P (A2 j A1 ):P (A3 j A1 \ A2 ):::P (An j A1 \ A2 \
:::An 1 ), para todo A1 ; A2 ; :::; An

e para todo n = 2; 3; :::, com as probabilidades

condicionais bem denidas.


Prova. (Em aula.)
Exemplo 57 Selecionar trs cartas sem reposio ao acaso. Qual a probabilidade
de se retirar 3 reis. (Use o teorema acima para resolver o problema e compare com
o uso da anlise combinatria.)

30

Denio 12 Seja

um conjunto no-vazio. Uma partio de

uma famlia

de conjuntos A1 , A2 , ..., An tais que


n

(i) [ Ai =
i=1

(ii) Ai \ Aj = ;, para todo i 6= j.


Ou seja, os conjuntos A1 , A2 , ..., An so disjuntos dois a dois e a sua unio
o conjunto

. Dizemos tambm que

foi particionado pelos conjuntos A1 , A2 , ...,

An .
Para todo evento B

temos
n

B = [ (Ai \ B) .
i=1

Como os Ai so disjuntos, ento os Ci = Ai \B so disjuntos. Com isto podemos


demonstrar os seguintes teoremas:
Teorema 10 (Teorema da Probabilidade Total) Se a sequncia (nita ou enumervel) de eventos aleatrios A1 , A2 , ...formar uma partio de
P (B) =

X
i

para todo B

P (Ai ):P (B j Ai )

, ento
(2.2)

Prova. (Em aula.)


Exemplo 58 Considere uma urna contendo 10 bolas das quais 4 so brancas. Escolha um inteiro n aleatoriamente do conjunto f1; 2; 3; 4; 5; 6g e em seguida retire
uma amostra de tamanho n sem reposio da urna. Ache a probabilidade de que
todas as bolas da amostra sejam brancas.
Teorema 11 (Frmula de Bayes) Se a sequncia (nita ou enumervel) de eventos aleatrios A1 , A2 , ... formar uma partio de

, ento

P (Ai )P (B j Ai )
P (Ai j B) = X
.
P (Aj ):P (B j Aj )
j

31

(2.3)

Prova. (Em aula.)

Thomas Bayes (1701 - 1761)


Exemplo 59 Seja uma caixa contendo 3 moedas: duas honestas e uma de duas
caras. Retirar uma moeda ao acaso e jog-la. Pergunta: qual a probabilidade condicional da moeda ter sido a de duas caras, dado que o resultado nal foi cara?
Exemplo 60 Uma caixa contm 10 bolas das quais 6 so brancas e 4 vermelhas.
Removem-se trs bolas sem observar suas cores. Determine:
(a) a probabilidade de que uma quarta bola removida da caixa seja vermelha;
(b) a probabilidade de que as trs bolas removidas sejam brancas, sabendo-se que
pelo menos uma delas branca.
Exemplo 61 Durante o ms de novembro a probabilidade de chuva de 0,3. O
Fluminense ganha um jogo em um dia com chuva com probabilidade de 0,4; e em
um dia sem chuva com a probabilidade de 0,6. Se ganhou um jogo em novembro,
qual a probabilidade de que choveu nesse dia?
Exemplo 62 Pedro quer enviar uma carta Marina. A probabilidade de que Pedro
escreva a carta de 0,80. A probabilidade de que o correio no a perca de 0,9. A
32

probabilidade de que o carteiro a entregue de 0,9. Dado que Marina no recebeu a


carta, qual a probabilidade de que Pedro no a tenha escrito?
Exemplo 63 Suponha que temos 4 cofres, cada um com dois compartimentos. Os
cofres 1 e 2 tm um anel de brilhante num compartimento e um anel de esmeralda
no outro. O cofre 3 tm dois anis de brilhante em seus compartimentos, e o cofre
4 tm dois anis de esmeralda. Escolhe-se um cofre ao acaso, abre-se um dos compartimentos ao acaso e encontra-se um anel de brilhantes. Calcule a probabilidade
de que o outro compartimento contenha:
(a) um anel de esmeralda;
(b) um anel de brilhantes.

2.1.4

Independncia

Denio 13 Seja

um espao amostral para um dado experimento e seja P uma

medida de probabilidade. Os eventos aleatrios A e B so (estocasticamente) independentes se


P (A \ B) = P (A):P (B).
Observao 7 (Concepo Errnea) Um erro muito comum entre os alunos
associar independncia com disjuno de eventos, interpretando erroneamente que
se A e B so independentes, ento A \ B = ?. justamente o contrrio que se
d, ou seja, se A \ B = ?, ento A e B no so independentes (a menos que um
deles tenha probabilidade zero). Isso ca claro se pensarmos que P (A) = p > 0 e
P (B) = q > 0 com A \ B = ?. Assim, neste caso, teremos
P (A j B) =

P (A \ B)
P (?)
0
=
= = 0 6= p = P (A) .
P (B)
P (B)
q

Assim P (A j B) 6= P (A), o que prova que A e B no so independentes!


33

Outra maneira de justicar esse fato pensar que se A e B no tm nada em


comum, ento se um deles ocorre a probabilidade de o outro ocorrer inevitavelmente
nula, o que reduz uma chance inicial desse outro evento ocorrer a zero. Ou seja,
para que dois conjuntos sejam independentes eles necessitam potencialmente ter algo
em comum, do contrrio sero dependentes.
Outro problema de m interpretao do conceito de independncia de eventos
com a disjuno decorre de uma m caracterizao do espao amostral como no
exemplo a seguir.
Exemplo 64 Um dado e uma moeda honestos so lanados sucessivamente e seus
resultados so registrados. Qual a probabilidade de se obter um nmero primo e uma
face cara?
Soluo: O espao amostral para o experimento pode ser
= f! = (! 1 ; ! 2 ) : ! 1 2 f1; 2:::; 6g e ! 2 2 fca; cogg
Como h 12 elementos equiprovveis (pois tanto o dado quanto a moeda so honestos), temos que
P (f!g) =

1
.
12

Sejam os eventos A: "nmero primo retirado no dado"e B: "a face cara obtida
na moeda". Desejamos
P (A \ B) = P (f2; 3; 5g

fcag)

= P (f(2; ca); (3; ca); (5; ca)g)


3
12
1
=
4
=

= P (A) P (B)
=

3
6

1
2
34

O erro aqui estaria em pensar que A = f2; 3; 5g, B = fcag e que A \ B = ?.


Onde est o equvoco? Na caracterizao dos eventos A e B, pois o experimento
consiste no lanamento de dado e moeda, assim estabelecido o espao amostral corretamente acima, temos que
A = f(2; ca); (2; co); (3; ca); (3; co); (5; ca); (5; co)g
e
B = f(1; ca); (2; ca); (3; ca); (4; ca); (5; ca); (6; ca)g
e de fato
P (A) =

6
1
6
1
1
= , P (B) =
= e P (A \ B) = P (A) P (B) = .
12
2
12
2
4

Ou seja, A e B so independentes, mas no so disjuntos, pois


A \ B = f(2; ca); (3; ca); (5; ca)g =
6 ?.
Proposio 11 Eventos de probabilidade 0 ou 1 so independentes de qualquer
outro.
Prova. (Em aula.)
Teorema 12 A independente de si mesmo se e somente se P (A) = 0 ou 1.
Prova. (Em aula.)
Teorema 13 Se A e B so independentes, ento A e B c tambm so independentes
(e tambm Ac e B, e ainda Ac e B c ).
Prova. (Em aula.)
Observao 8 Se A \ B = ;, ento A e B no so independentes (a menos que
um deles tenha probabilidade zero).
35

Denio 14 Os eventos aleatrios Ai , i 2 I (I um conjunto de ndices), so


independentes dois a dois (ou a pares) se
P (Ai \ Aj ) = P (Ai ):P (Aj )
para todo i; j 2 I, i 6= j.
Denio 15 (a) Os eventos aleatrios A1 ; :::; An (n

2) so chamados (coletiva

ou estocasticamente) independentes se
P (Ai1 \ Ai2 \ ::: \ Aim ) = P (Ai1 ):P (Ai2 ):::P (Aim )
para todo 1

i1 < i2 < ::: < im

n, para todo m = 2; 3; :::; n (isto , se todas as

combinaes satisfazem a regra produto).


(b) Os eventos aleatrios A1 ; A2 ; ::: independentes se para todo n

2, A1 ; :::; An

so independentes.
Observao 9 (Concepo Errnea) Um erro muito comum achar que independncia a pares implica independncia coletiva. Isso no vale necessariamente.
Tampouco vale dizer que se a regra do produto vale no maior nvel ento ela vale
para os nveis mais baixos.
O exemplo a seguir ilustra isso.
Exemplo 65 Suponha um tetraedro regular com faces marcadas 1, 2, 3 e 4. Seja
o experimento de jogar o tetraedro e observar a face justaposta mesa. Sejam
os eventos A = f1; 4g, B = f2; 4g e C = f3; 4g. Verique que A, B e C so
independentes dois a dois, mas no so coletivamente independentes.
Soluo: O espao amostral para o experimento dado por

= f1; 2; 3; 4g e

P (fwg) = 1=4 para todo w 2 , pois o tetraedro regular. Assim temos


1
P (A) = P (B) = P (C) = .
2
36

1
1
=
4
2
1
1
P (A \ C) = P (f4g) = =
4
2
1
1
P (B \ C) = P (f4g) = =
4
2
P (A \ B) = P (f4g) =

1
= P (A) :P (B)
2
1
= P (A) :P (C)
2
1
= P (B) :P (C)
2

Assim A, B e C so independentes dois a dois. No entanto,


P (A \ B \ C) = P (f4g) =
P (A):P (B):P (C) =

1
2

1
2

1
e
4

1
1
= .
2
8

E assim
P (A \ B \ C) =

1
1
6= = P (A):P (B):P (C).
4
8

Logo A, B e C no so independentes.
Teorema 14 Se os eventos Ai , i 2 I, so independentes, ento os eventos Bi , i 2 I,
so tambm independentes, onde cada Bi igual a Ai ou Aci (ou um ou outro).
Prova. (Omitida por ser equivalente prova do Teorema 13.)
Observao 10 Toda famlia de eventos independentes independente.
Exemplo 66 Suponha que dois jogadores A e B se alternam num jorgo de dardo.
Se os jogadores A e B tm, respectivamente, 60% e 80% de chance de acertar o alvo
e se as jogadas so independentes umas das outras, qual a probabilidade de A ganhar
o jogo se ele comea o jogo? E qual a probabilidade de B ganhar nestas condies?
Exemplo 67 Suponha agora uma variante do jogo anterior da seguinte forma: A
joga sucessivamente at acertar o alvo. Em seguida B joga sucessivamente at acertar o alvo. Ganha o jogo aquele que tiver acertado o alvo num menor nmero
de jogadas? Nestas condies, qual a probabilidade de A ganhar o jogo? Qual a
probabilidade de empate? Qual a probabilidade de B ganhar?
37

Exemplo 68 Um dado no viciado lanado uma vez. Se a face que aparece


mpar, uma moeda no viciada lanada repetidas vezes. Se a face par, uma
moeda com probabilidade p 6=

1
2

de dar cara lanada repetidamente. Os sucessivos

lanamentos so independentes. Se os primeiros n lanamentos resultaram em cara,


qual a probabilidade de que a moeda no viciada foi usada?
Exemplo 69 Abaixo se encontra uma rede de rels que atuam independentemente
uns dos outros. Sabendo-se que a probabilidade de que um rel esteja fechado p e
que a probabilidade de estar aberto 1

p, pede-se:

(a) a probabilidade de que um sinal de entrada (in) seja recebido na sada (out);
(b) a probabilidade condicional de que o rel E esteja aberto, dado que o sinal foi
recebido.

2.2

Exerccios

Exerccio 21 Suponha que A, B e C sejam eventos tais que A e B sejam independentes e que P (A \ B \ C) = 0; 04, P (C j A \ B) = 0; 25, P (B) = 4P (A). Calcule
P (A [ B). Resp.: 84%.
Exerccio 22 Se A e B so eventos independentes tais que P (A) = 1=3 e P (B) =
1=2, calcule P (A [ B), P (Ac [ B c ) e P (Ac \ B). Resp.: 2/3, 5/6 e 1/3.
Exerccio 23 A probabilidade de um homem ser canhoto 1/10. Qual a probabilidade de, em um grupo de 10 homens, haver pelo menos um canhoto? Resp.:
aproximadamente 0,65.
38

Exerccio 24 Prove que se A e B so eventos tais que P (A) > 0, P (B) > 0 e
P (AjB) > P (A), ento P (BjA) > P (B).
Exerccio 25 Suponha que A, B e D sejam trs eventos tais que P (AjD)
e P (AjDc )

P (BjDc ). Prove que P (A)

P (BjD)

P (B).

Exerccio 26 Se P (E) = 0; 9 e P (F ) = 0; 8, mostre que P (E \ F )

0; 7. Em

geral mostre que


P (E \ F )

P (E) + P (F )

1.

Este resultado conhecido como a desigualdade de Bonferroni.


Exerccio 27 Sacam-se, sucessivamente e sem reposio, duas cartas de um baralho
comum (52 cartas). Calcule a probabilidade de a primeira carta ser uma dama e a
segunda ser de copas. Resp.: 1/52.
Exerccio 28 Quantas pessoas voc deve intrevistar para ter probabilidade igual ou
superior a 0,5 de encontrar pelo menos uma que aniversarie hoje? Resp.: 253
Exerccio 29 Quantas vezes, no mnimo, se deve lanar um dado no tendencioso
para que a probabilidade de obter algum 6 seja superior a 0,9? Resp.: 13.
Exerccio 30 Dois dados so lanados. Seja A1 = fface mpar no primeiro dadog,
A2 = fface mpar no segundo dadog e A3 = fa soma da faces mparg. Esses eventos so independentes dois a dois? Eles so conjuntamente independentes? Justique matematicamente. Resp.: Sim; No.
Exerccio 31 Trs alarmes esto dispostos de tal maneira que qualquer um deles
funcionar independentemente quando qualquer coisa indesejvel ocorrer. Se cada
alarme tem probabilidade de 90% de trabalhar ecientemente, qual a probabilidade
de se ouvir o alarme quando necessrio? Resp.: 99,9%.
39

Exerccio 32 Se quatro dados so lanados, qual a probabilidade de que os quatro


nmeros sejam diferentes? Resp.: 5/18.
Exerccio 33 Distribuem-se ao acaso quatro cartas de um baralho de 52 cartas.
Calcule a probabilidade de se obter exatamente dois reis na distribuio
(a) se as retiradas so feitas sem reposio; Resp.: aproximadamente 0,025.
(b) se as retiradas so feitas com reposio. Resp.: aproximadamente 0,030.
Exerccio 34 Um dia voc captura 10 peixes em um lago, marca-os e coloca-os de
novo no lago. Dois dias aps, voc captura 20 peixes no mesmo lago e constata que
dois desses peixes haviam sido marcados por voc.
(a) se o lago possui k peixes, qual era a probabilidade de, capturando 20 peixes,
10
2

encontrar dois peixes marcados? Resp.:

10
18

k
20

(b) para que valor de k essa probabilidade mxima? Resp.: 99 ou 100.


Exerccio 35 Qual a probabilidade de, em um grupo de 4 pessoas:
(a) haver alguma coincidncia de signos zodiacais? Resp.: 41/96
(b) as quatro terem o mesmo signo? Resp.: 1/1728
(c) duas terem um mesmo signo, e as outras duas outro signo? Resp.: 11/576.
(d) trs terem um mesmo signo, e a outra outro signo? Resp.: 11/432.
(e) todas terem signos diferentes? Resp.: 55/96.
Exerccio 36 Suponha que n cartas numeradas de 1 a n sejam embaralhadas e
retiradas uma por uma, sem reposio, at todas as cartas serem retiradas.
(a) Qual a probabilidade de que nenhuma carta coincida com o nmero da retirada? Resp.:

1
2!

1
3!

1
4!

::: +

( 1)n
.
n!

(b) Qual a probabilidade de que para pelo menos uma carta, o nmero da carta
coincida com o nmero da retirada? Resp.: 1
40

1
2!

1
3!

1
4!

+ ::: +

( 1)n+1
.
n!

Exerccio 37 Uma moeda lanada. Se ocorre cara, um dado lanado e o seu


resultado registrado. Se ocorre coroa, dois dados so lanados e a soma dos pontos
registrada. Qual a probabilidade de ser registrado o nmero 2? Resp.: 7/72.
Exerccio 38 Uma moeda honesta lanada at que uma cara ocorra ou ento at
que trs lanamentos sejam feitos. Qual a probabilidade de que a moeda deva ser
jogada 3 vezes se se sabe que o primeiro lanamento foi coroa? Resp.: 1/2.
Exerccio 39 Num certo certo pas, todos os membros de comit legislativo ou so
comunistas ou so republicanos. H trs comits. O comit 1 tem 5 comunistas, o
comit 2 tem 2 comunistas e 4 republicanos, e o comit 3 consiste de 3 comunistas e
4 republicanos. Um comit selecionado aleatoriamente e uma pessoa selecionada
aleatoriamente deste comit.
(a) Ache a probabilidade de que a pessoa selecionada seja comunista. Resp.:
37/63.
(b) Dado que a pessoa selecionada comunista, qual a probabilidade de ela ter
vindo do comit 1? Resp.:21/37.
Exerccio 40 Um executivo pediu sua secretria que zesse uma ligao para
o escritrio do Sr.X. Admitindo que: a probabilidade de a secretria conseguir a
ligao de 50%; a probabilidade de o Sr.X se encontrar no escritrio naquele
momento de 80%; a probabilidade de o executivo no se ausentar enquanto a
secretria tenta fazer o que ele pediu de 90%.
(a) Calcule a probabilidade de que o executivo tenha de fato conseguido falar com
o Sr.X pelo telefone. Resp.: 36%.
(b) No caso de ele no ter conseguido falar com o Sr.X, calcule a probabilidade
condicional de que isso tenha ocorrido porque a ligao no se completou. Resp.:
78,125%.
41

Exerccio 41 So dadas duas urnas A e B. A urna A contm 1 bola azul e 1


vermelha. A urna B contm 2 bolas vermelhas e 3 azuis. Uma bola extrada ao
acaso de A e colocada em B. Uma bola ento extrada ao acaso de B. Pergunta-se:
(a) Qual a probabilidade de se retirar uma bola vermelha de B? Resp.: 5/12.
(b) Qual a probabilidade de ambas as bolas retiradas serem da mesma cor?
Resp.: 7/12.
Exerccio 42 Um estudante se submete a um exame de mltipla escolha no qual
cada questo tem cinco respostas possveis, das quais exatamente uma correta. O
estudante seleciona a resposta correta se ele sabe a resposta. Caso contrrio, ele
seleciona ao acaso uma resposta dentre as 5 possveis. Suponha que o estudante
saiba 70% das questes. Pergunta-se:
(a) Qual a probabilidade de que o estudante escolha a resposta correta para uma
dada questo? Resp.: 76%.
(b) Se o estudante escolhe a resposta correta para uma dada questo, qual a
probabilidade de que ele sabia a resposta? Resp.: aproximadamente 92,1%.
Exerccio 43 Exames de diagnstico no so infalveis, mas deseja-se que tenham
probabilidade pequena de erro. Um exame detecta uma certa doena, caso ela exista,
com probabilidade 0,9. Se a doena no existir, o exame corretamente aponta isso
com probabilidade 0,8. Considere que estamos aplicando esses exames em uma populao com 10% de incidncia dessa doena. Para um indivduo escolhido ao acaso,
pergunta-se:
(a) A probabilidade de ser realmente doente se o exame indicou que era. Resp.:
1/3.
(b) Se dois indivduos forem escolhidos e testados, qual seria a probabilidade de
errar um dos diagnsticos? Resp.: 30,78%.
42

(c) Suponha que o acerto do exame, nas duas situaes possveis, tm a mesma
probabilidade p. Quanto deve ser o valor de p para que a probabilidade calculada no
item (a) seja 0,9? Resp.: 81/82.
Exerccio 44 Uma instalao industrial dispe de um sistema de segurana defeituoso: o alarme dispara com probabilidade 0,90 quando h incndio, e dispara
com probabilidade 0,15 mesmo quando no h incndio. A probabilidade de que
ocorra um incndio neste tipo de instalao de 0,05. Sabendo que o alarme est
soando no Corpo de Bombeiros, qual a probabilidade de que um incndio esteja
realmente ocorrendo? Resp.: 6/25.
Exerccio 45 Suponha que uma caixa contenha 5 moedas e que cada moeda tenha
uma probabilidade diferente de dar cara. Seja pi a probabilidade de sair cara, quando
a i-sima moeda lanada, e que p1 = 0, p2 = 1=4, p3 = 1=2, p4 = 3=4, p5 = 1.
Suponha, nalmente, que uma moeda selecionada aleatoriamente da caixa e que,
ao ser lanada, d cara. Com base nesta informao, calcule:
(a) A probabilidade de que se tenha selecionado a moeda 5. Resp.: 40%.
(b) A probabilidade de se obter outra cara ao lanar a mesma moeda novamente.
Resp.: 75%.

43

Captulo 3
Variveis Aleatrias
3.1

Conceito

Informalmente, uma varivel aleatria um caracterstico numrico do resultado de


um experimento. Por exemplo:
Exemplo 70 Seja o lanamento de duas moedas e a observao do nmero de caras
obtido. Ento

= f(Ca; Ca); (Ca; Co); (Co; Ca); (Co; Co)g. Se denirmos X =

nmero de caras observadas, e ! 1 = (Ca; Ca), ! 2 = (Ca; Co), ! 3 = (Co; Ca),


! 4 = (Co; Co), temos
X(! 1 ) = 2;
X(! 2 ) = X(! 3 ) = 1;
X(! 4 ) = 0.
Exemplo 71 Escolher ao acaso um ponto em [0; 1]. Seja X o quadrado do ponto
obtido. Ento

= [0; 1] e
X(!) = ! 2 .

Exemplo 72 Escolher ao acaso um ponto no crculo unitrio. Seja X a distncia


entre o ponto escolhido e a origem. Ento

44

= f(x; y) : x2 + y 2

1g e, com

! = (x; y), temos


X(!) =

x2 + y 2 .

Exemplo 73 Joga-se um dado e observa-se a face superior. Ento

= f1; 2; 3; 4; 5; 6g

e
X(!) = !.

Denio 16 Uma varivel aleatria X uma funo real denida no espao


que o conjunto [! 2
[X

: X(!)

x] (daqui para frente escrito de forma simplicada

x]) evento aleatrio para todo x 2 R; isto ,


!R

X:

uma varivel aleatria se podemos obter P (X

3.2

tal

x) para todo x 2 R.

Funo de Distribuio

Denio 17 A funo de distribuio (acumulada) da varivel aleatria X,


representada por FX , ou simplesmente por F quando no houver confuso, denida
por
FX (x) = P (X

x), x 2 R.

(3.1)

Exemplo 74 Duas moedas honestas so lanadas. Seja a varivel X que conta o


nmero de caras observadas. Construa a funo de distribuio da varivel aleatria
X e represente-a gracamente.
Exemplo 75 Seja um experimento que consiste em selecionar um ponto ao acaso do
intervalo [a; b] com a < b. Seja X a varivel aleatria que representa a coordenada
do ponto. Construa a funo de distribuio da varivel aleatria X e represente-a
gracamente.
45

Proposio 12 Propriedades da Funo de Distribuio. Se X uma varivel aleatria, sua funo de distribuio F goza das seguintes propriedades:
F1) Se x1

x2 ento F (x1 )

F (x2 ); isto , F no-decrescente.

F2) Se xn # y, ento F (xn ) # F (y); isto , F contnua direita.


F3) limx!

F (x) = 0 e limx!+1 F (x) = 1.

Prova. (Em aula.)


Tendo em mente que FX (x) = P (X
1. P (X > a) = 1
2. P (a < X
FX (b)

P (X

a) = 1

b) = P (X

b)

x), podemos observar que


FX (a)
P (X

a) = P (X

b)

P (X

a) =

FX (a)

3. P (X = a) = P (X

a)

P (X < a) = FX (a)

FX (a ). Ou seja, P (X = a)

o tamanho do salto da funo de distribuio em x = a. Se a funo for


contnua no ponto x = a ento P (X = a) = 0.
4. P (a < X < b) = P (a < X
= P (X
= FX (b )
5. P (a

P (X

a)

P (X = b)

P (X = b) = FX (b)

FX (a)

[FX (b)

FX (a).

X < b) = P (a < X < b) + P (X = a)

= FX (b )
6. P (a

b)

b)

FX (a) + [FX (a)

b) = P (a < X

= FX (b)

FX (a) + [FX (a)

FX (a )] = FX (b )

FX (a ).

b) + P (X = a)
FX (a )] = FX (b)

46

FX (a ).

FX (b )]

Exemplo 76 Um dado tendencioso tal que a probabilidade de um ponto proporcional ao prprio ponto. Seja X a varivel aleatria que representa o nmero obtido
no lanamento do dado. Pede-se:
(a) A funo de distribuio da varivel aleatria X, esboando o seu grco.
(b) A probabilidade de ocorrer 5, dado que ocorreu um nmero mpar?
(c) A probabilidade de ocorrer um nmero par, dado que ocorreu um nmero
menor do que 5?
Exemplo 77 Seja F (x) a funo
8
>
0, se x < 0
>
>
>
>
>
>
<
1
1
x + , se 0 x
F (x) =
2
2
>
>
>
>
>
>
1
>
: 1, se x >
2
Mostre que F de fato uma funo de distribuio e calcule:
(a) P (X > 18 )
(b) P ( 18 < X < 25 )
(c) P (X <

3.3

2
5

j X > 18 )

Variveis Aleatrias Discretas

Denio 18 A varivel aleatria X discreta se toma um nmero nito ou enumervel de valores, isto , se existe um conjunto nito ou enumervel fx1 ; x2 ; :::g
R tal que X(!) 2 fx1 ; x2 ; :::g para todo ! 2 . A funo p(xi ) denida por
p(xi ) = P (X = xi ), i = 1; 2; 3; :::
chamada funo de probabilidade de X.
Observao 11 Note que [X
F (x) =

x] =
X

[X = xi ] e assim

i:xi x

P (X = xi ) =

i:xi x

i:xi x

47

p(xi ).

(3.2)

Alm disso, observe que


p(xi )

0, i = 1; 2; 3; :::

(3.3)

e
1
X

p(xi ) = 1.

(3.4)

i=1

Exemplo 78 Num grupo de n pessoas, encontram-se Joo e Maria. Um experimento consiste em se colocar as n pessoas em la de forma aleatria. Seja X a
varivel aleatria que conta o nmero de pessoas que separam Joo e Maria na la.
Pede-se:
(a) Um espao de probabilidade

e a medida de probabilidade P para tal exper-

imento, identicando os smbolos.


(b) O modelo de probabilidade para varivel aleatria X, identicando claramente
a funo X :

! R.

(c) Qual a probabilidade de Joo e Maria carem juntos na la?


Exemplo 79 A probabilidade de um indivduo acertar um alvo 2=3. Ele deve
atirar at atingir o alvo pela primeira vez. Seja X a varivel aleatria que representa
o nmero de tentativas at que ele acerte o alvo. Pede-se:
(a) Um espao de probabilidade

e a medida de probabilidade P para tal exper-

imento, identicando os smbolos.


(b) O modelo de probabilidade para varivel aleatria X, identicando claramente
a funo X :

! R e a funo de probabilidade de X, mostrando que ela atende as

propriedades (3.3) e (3.4).


(c) A probabilidade de serem necessrios cinco tiros para que ele acerte o alvo.

48

3.4

Variveis Aleatrias Contnuas

Denio 19 A varivel aleatria X (absolutamente) contnua se sua funo de


distribuio FX (x) contnua. Isto , se existe uma funo fX (x), dita funo de
densidade de probabilidade, com as seguintes propriedades
fX (x)

0 para todo x 2 R
Z1

fX (x)dx = 1

de modo que
FX (x) =

Zx

fX (t)dt.

Observao 12 Pelo Teorema Fundamental do Clculo, observe que


fX (x) =

dFX (x)
.
dx

Observao 13 Como FX (x) contnua, observe que


1. P (X = x) = FX (x)
2. P (a
X
Zb
fX (x)dx.

FX (x ) = 0 para todo x 2 R.

b) = P (a < X

b) = P (a

X < b) = P (a < X < b) =

= (0; 1) e dena P (A) = b

a, para A = [a; b], ou A = (a; b),

3. dFX (x) = fX (x)dx.


Exemplo 80 Seja

ou A = [a; b) ou A = (a; b] com 0 < a < b < 1. P (A) chamada a medida de


Lebesgue de A. Seja X(!) =

ln !. Encontre a funo de distribuio e a funo

de densidade da varivel aleatria X.

49

Exemplo 81 Verique que

FZ (z) =

8
>
0, z < 0
>
>
>
>
>
>
>
1
>
2
>
>
< z , 0 z<2

>
>
1
>
>
1 3(1 z)2 ,
>
>
2
>
>
>
>
>
: 1, z 1

z<1

uma funo de distribuio e obtenha a funo de densidade de Z. Calcule tambm


P (Z > 41 jZ

3
).
4

Exemplo 82 Verique que


8
< 0, y < 0
p
y, 0 y
FY (y) =
:
1, y > 1

uma funo de distribuio e calcule a funo de densidade de Y. Use-a para


calcular P ( 14 < Y < 34 ).
Denio 20 Uma varivel aleatria dita singular, se sua funo de distribuio
contnua, mas sua derivada zero em quase todos os pontos, isto , exceto em um
conjunto de medida de Lebesgue nula. (Essa linguagem mencionando "quase todos
os pontos" muito utilizada em probabilidade avanada e signica que a propriedade
s no vlida num conjunto de pontos que tem probabilidade zero, s vezes tambm
referido como de medida nula.) Em outras palavras, X singular se, e somente se,
existe um conjunto B de comprimento zero tal que P (X 2 B) = 1 e FX contnua
(isto , P (X = x) = 0 para todo x 2 R).
Denio 21 Uma varivel aleatria X dita mista se tem partes nas diferentes
classicaes (parte discreta, parte contnua e parte singular). (O mais comum a
mistura de parte contnua com parte discreta, pois, como dissemos, a parte singular
raramente ocorre.)
50

Exemplo 83 (Varivel Aleatria Mista) A funo de distribuio de uma varivel


aleatria X dada por:

FX (x) =

Obtenha:

8
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
<

0, x < 0
x
, 0
2

x<1

2
, 1 x<2
3
>
>
>
>
>
>
>
11
>
>
, 2 x<3
>
>
12
>
>
>
>
>
: 1, x 3

(a) o grco de FX (x);


(b) P (X < 3);
(c) P (X = 1);
(d) P (X > 1=2);
(e) P (2 < X < 4).
Observao 14 Assim toda funo de distribuio F de uma varivel aleatria X
admite a decomposio
F = Fd + Fac + Fs
onde Fd uma funo degrau no-decrescente (a parte discreta de F), Fac a parte
absolutamente contnua de F e Fs a parte singular de F.
Exemplo 84 Seja X uma varivel com funo de distribuio
8
>
0, x < 2
>
>
>
>
>
>
< 1 x+2
+
,
2 x<0
FX (x) =
4
8
>
>
>
>
>
>
3 1
>
: + (1 e x ), x 0
4 4

(a) Classique X e faa um grco de F .

51

(b) Calcule P (X >

1) e P (X

4jX > 0).

(c) Decomponha F nas partes discreta e absolutamente contnua.

3.5

Exerccios

Exerccio 46 Seja X uma varivel aleatria com funo de probabilidade


P (X = x) = cx2 , onde c uma constante e c = 1; 2; 3; 4; 5. Calcule F (x) e
P (X ser mpar).
Exerccio 47 Seja X o nmero de caras obtidas em 4 lanamentos de uma moeda
honesta. Construa a funo de probabilidade e a funo de distribuio de X esboando os seus grcos.
Exerccio 48 Considere trs lanamentos de uma moeda honesta. Dena K como
cara e K como coroa. Se ocorre o evento KKK, dizemos que temos uma seqncia,
ao passo que se ocorre K KK temos trs seqncias. Dena a varivel aleatria Y
como o nmero de seqncias resultantes dos trs lanamentos. Pede-se:
(a) A funo de probabilidade de Y .
(b) A funo de distribuio de Y , esboando o seu grco.
(c) P (Y = 2jY

2).

Exerccio 49 Seja FX a funo de distribuio de uma varivel aleatria X, denida


por
FX (x) = C1 + C2

x
(jxj + 1)

para

Pede-se:
(a) O valor das constantes C1 e C2 .
(b) A funo de densidade de probabilidade de X.
(c) P (X

1j X >

1).
52

1<x<1

Exerccio 50 Mostre que se X uma v. a . do tipo contnuo com funo de


densidade par, ou seja, simtrica em torno de x = 0, isto , fX (x) = fX ( x),
ento:
(a) FX (x) = 1

FX ( x);

(b) FX (0) = 12 ;
(c) P ( x < X < x) = 2FX (x) 1, x > 0;
Zx
(d) P (X > x) = 12
fX (t)dt, x > 0.
0

Exerccio 51 Suponha que X seja uma varivel aleatria com f.d.p. dada por
fX (x) =

1
,
2(1 + jxj)2

1<x<1

(a) Obtenha a funo de distribuio de X.


(b) Ache P ( 1 < X < 2).
(c) Ache P (jXj > 1).
Exerccio 52 Z uma varivel aleatria contnua com funo de densidade de
probabilidade
fZ (z) =

10e 10z , z > 0


0, z 0

Obtenha a funo de distribuio de Z e esboce o seu grco.

3.6

Funes de Variveis Aleatrias

Suponha que a entrada de um sistema modelado por um varivel aleatria X e


nosso objetivo seja caracterizar a sada do sistema Y = g(X), onde g : R ! R
depende das propriedades do sistema. A aplicao
g

( ; P ) ! (R; PX ) ! (R; PY )
de ( ; P ) a (R; PY ) dene uma sada (output).
53

3.6.1

Distribuies de Funes de Variveis Aleatrias

Seja X uma varivel aleatria em ( ; P ), e considere o problema de determinar a


distribuio de Y = g(X), com g uma funo bem denida. Ento, temos
FY (y) = P fY
Denindo By = fx : g(x)

yg = P fg(X)

yg

yg, temos
FY (y) = P fX 2 By g
= PX fBy g

ou seja, conhecendo a distribuio X, podemos obter a distribuio de qualquer


funo mensurvel de X.
Observao 15 (a) Quando X v.a. discreta, Y tambm v.a. discreta e o
problema se torna simples, pois
pY (y) =

pX (xi )

i:g(xi )=y

(b) Quando X v.a. contnua, o problema mais complexo pois Y pode ser
discreto ou contnuo.
Exemplo 85 Seja X uma varivel com funo de distribuio
8
>
0, x < 10
>
>
>
>
>
>
>
1
>
>
10 x < 0
>
< 4,
FX (x) =
>
>
3
>
> , 0 x < 10
>
>
4
>
>
>
>
>
: 1, x 10

Encontre a funo de distribuio e a funo de probabilidade da varivel aleatria


Y = 7X

50.
54

Exemplo 86 Seja X uma varivel aleatria com funo de densidade


fX (x) =

e x, x > 0
0, caso contrrio

Encontre a distribuio da varivel aleatria Y = bXc, a parte inteira de X. (Isto


, se 2

x < 3, ento y = bxc = 2.)

Exemplo 87 Seja X uma varivel contnua com densidade uniforme em [ 2; 5].


Encontre a densidade de Y = X 2 .
Exemplo 88 Seja X uma varivel contnua com densidade
8
1
>
>
x, 0 x < 2
>
>
4
>
>
>
<
1
fX (x) =
, 2 x 6
>
>
8
>
>
>
>
>
: 0, caso contrrio

(a) Determine a funo de distribuio de Y = min(3; X).

(b) Faa a decomposio de FY nas suas partes discreta, contnua e singular.

3.7

Exerccios

Exerccio 53 Seja X uma varivel contnua com densidade fX (x) = 21 e

jxj

1<

x < 1. Mostre que a densidade de Y = X 2 dada por


1
fY (y) = p e
2 y

1(0;1) (y).

Exerccio 54 X uma varivel aleatria com funo de densidade dada por


fX (x) =

2e 2x , x > 0
0, caso contrrio

Determine a funo de densidade de probabilidade da varivel aleatria Z =

55

3
.
(X + 1)2

Exerccio 55 Algum props a voc o seguinte jogo: Voc deve lanar um dado
sucessivamente a m de obter o nmero 6. Cada lanamento do dado vai lhe custar
R$ 10; 00. Se voc conseguir obter um 6 em no mximo trs tentativas, ganhar um
prmio de R$ 100; 00. O jogo termina no momento em que voc obtiver o primeiro
6 ou quando voc completar sem sucesso as trs tentativas. Seja X a v.a. que
representa o seu ganho lquido ao participar do jogo. Ache a distribuio de X.
Exerccio 56 Seja uma varivel aleatria X com densidade f (x) =

c
para x > 1
x4

e f (x) = 0, caso contrrio, onde c uma constante.


(a) Obtenha o valor de c.
(b) Obtenha a funo de distribuio de X e esboce o seu grco.
(c) Obtenha a distribuio da varivel aleatria Y = X

1
.
2

(d) Obtenha a distribuio da varivel aleatria Z = X + 8.


Exerccio 57 Seja X uma varivel aleatria positiva com f:d:p: dada por
fX (x) = 3e

3x

; x>0

Ache a funo de densidade de probabilidade de Y =

1
.
X +1

Exerccio 58 Suponha que a varivel aleatria contnua X tenha a funo de densidade de probabilidade dada por
f (x) = Cxe

x2

, x>0

(a) Calcule o valor de C.


(b) Ache a funo de distribuio da varivel aleatria X.
(c) Calcule P (X

2jX

1).

(d) Ache a fdp de Y = ln X.

56

Exerccio 59 Seja X uma v.a. com funo de distribuio dada por


8
0, se x < 1
>
>
>
>
<
c(1 e (x 1) ), se 1 x < 2
FX (x) =
>
>
>
>
:
c(1 e 1 + e 2 e 2(x 1) ), se x 2

Pede-se:

(a) Obter o valor de c.


(b) Classique a v.a. X conforme seja discreta, contnua ou mista e obtenha
a funo de probabilidade e/ou funo de densidade de probabilidade conforme a
natureza de X.
(c) Calcular P (X

3
jX
2

< 4).

(d) Seja Y = X 3 . Ache a lei de Y .

57

Captulo 4
Esperana Matemtica
4.1

Denio

Denio 22 Seja X uma varivel aleatria com funo de distribuio FX . A


esperana de X, denotada E(X), denida como
E(X) =

Z1

(4.1)

xdFX (x)

quando a integral est bem denida.


Observao 16 (a) '(x) = x contnua. A integral (4.1) de Riemann-Stieltjes.
Z1
(b) A esperana est bem denida se pelo menos uma das integrais xdFX (x)
ou

Z0

xdFX (x) for nita.

Z1
Z0
(c) Se ambas as integrais xdFX (x) e
xdFX (x) forem nitas, dizemos que X
0

integrvel, ou seja, X integrvel se


E(jXj) =

Z1

jxj dFX (x) < 1.

(d) Se X uma varivel aleatria discreta tomando valores no conjunto fx1 ; x2 ; x3 ; :::g
e com funo de probabilidade p(xi ) = P (X = xi ), ento
E(X) =

1
X
i=1

58

xi p(xi ).

(e) Se X uma varivel aleatria contnua com funo de densidade de probabilidade


fX (x), ento
E(X) =

Z1

xfX (x)dx

(f) Se X tal que sua funo de distribuio se decompe F = Fd + Fac + Fs ,


ento
E(X) =

1
X

xi p(xi ) +

i=1

Z1

xfX (x)dx +

Z1

xdFs (x).

Exemplo 89 Um dado lanado sucessivamente, at que a face 6 ocorra pela


primeira vez. Seja X a varivel que conta o nmero de lanamentos at a ocorrncia do primeiro 6. Calcule a esperana de X.
Exemplo 90 Suponha que X seja uma varivel aleatria com f.d.p. dada por
f (x) =

C(9 x2 ),
3
0, caso contrrio

(a) Obtenha o valor de C.


(b) Obtenha a esperana de X.
(c) Ache P (jXj

1).

Exemplo 91 Seja X uma varivel aleatria com funo de distribuio dada por
8
0, x < 0
>
>
>
>
< 1=4, 0 x < 1
2=5, 1 x < 2
F (x) =
>
>
(2x 3) =2, 2 x < 5=2
>
>
:
1, x 5=2

Calcule o valor esperado de X.

Exemplo 92 Seja X uma varivel aleatria com densidade dada por


f (x) =

[b2

b
+ (x

M )2 ]

para todo x 2 R, b > 0 e M 2 R. (X dita uma varivel aleatria Cauchy com


parmetros M e b.)
Mostre que M ponto de simetria de X, mas E(X) no existe.
59

Proposio 13 (Propriedades da Esperana Matemtica) As seguintes propriedades referentes esperana matemtica se vericam:
(i) E(C) = C, onde C uma constante.
(ii) Se a
(iii) E(aX

b, ento a
b) = aE(X)

(iv) E[X

E(X)] = 0.

(v) Se X

Y , ento E(X)

E(X)

b.

b.

E(Y ).

(vi) Se X uma varivel aleatria tal que 0

jXj

Y , onde Y varivel

aleatria integrvel, ento X integrvel.


Prova. (Em aula.)
Proposio 14 (Desigualdade de Jensen) Seja ' uma funo convexa denida
na reta. Se a varivel aleatria X integrvel, ento
E['(X)]

'[E(X)].

Prova. (Em aula.)


Corolrio 2 Se ' uma funo cncava, ento E['(X)]

'[E(X)].

Prova. (Deixada como exerccio.)


Exemplo 93 Pela desigualdade de Jensen, temos, por exemplo, que
(a) E [jXj]

jE(X)j.

(b) E(X 2 )

E 2 (X).

(c) E jXjp

(E jXj)p

(d) E

1
X

jEXjp . onde p

1
, se X > 0.
EX

60

1.

4.2

Esperanas de Funes de Variveis Aleatrias

Denio 23 Seja X uma varivel aleatria e (x) uma funo real mensurvel.
Ento a esperana da varivel aleatria Y = (X) dada por
Z1

E(Y ) =

ydF

(X) (y)

A frmula acima nem sempre muito fcil de ser usada, pois devemos obter
a distribuio de Y a partir da distribuio da varivel X e s ento obter E(Y ).
No entanto possvel mostrar pela Teoria da Medida que a esperana da varivel
aleatria Y = (X) dada por
Z1

E (X) =

ydF

(X) (y)

Z1

(x)dFX (x)

onde a existncia de uma das integrais implica a existncia da outra bem como a
igualdade das duas. Ou seja,
E[ (X)] =

1
X

(xi )p(xi ) , se X discreta.

i=1

E[ (X)] =

Z1

(x)fX (x)dx , se X contnua.

E[ (X)] =

1
X

(xi )p(xi ) +

i=1

4.3

Z1

(x)fX (x)dx , se X mista.

Momentos

Denio 24 Seja X uma varivel aleatria. Dene-se o k-simo momento ordinrio da varivel aleatria X, mk , como
k

mk = E(X ) =

Z1
1

61

xk dFX (x).

Assim,
mk =

mk =

1
X

xki P (X = xi )

i=1
Z1

xk fX (x)dx

se X v.a.d.

se X v.a.c.

mk =

1
X

xki P (X = xi ) +

i=1

Z1

xk fX (x)dx se X v.a. mista

Denio 25 Seja X uma varivel aleatria. Dene-se o k-simo momento de


X em torno de b, Mk , como
E[(X

Z1

b)k ] =

(x

b)k dFX (x).

Denio 26 Seja X uma varivel aleatria. Dene-se o k-simo momento central da varivel aleatria X, Mk , como
E(X))k ].

Mk = E[(X
Assim,
Mk =

Mk =

1
X

[xi

i=1
Z1

[x

E(X)]k P (X = xi )
E(X)]k fX (x)dx

se X v.a.c.

Mk =

1
X

[xi

se X v.a.d.

E(X)] P (X = xi ) +

i=1

Z1

[x

E(X)]k fX (x)dx

se X v.a. mista

Denio 27 Seja X uma varivel aleatria. Dene-se a varincia da varivel


aleatria X, denotada por V ar(X) ou

2
X,

como

V ar(X) = E[(X

E(X))2 ].

Observao 17 (i) Observe que V ar(X) = E[(X


E 2 (X)] = E[X 2 ]

2E 2 (X) + E 2 (X) = E(X 2 )


62

E(X))2 ] = E[X 2

E 2 (X).

2XE(X) +

(ii) Pelas denies acima, vemos que


m1 = E(X)
M1 = 0
M2 = V ar(X) = m2

m21 .

Proposio 15 (Propriedades da Varincia) As seguintes propriedades referentes varincia se vericam:


(i) V ar(C) = 0, onde C uma constante.
(ii) V ar(aX

b) = a2 V ar(X), para quaisquer a e b reais.

Prova. (Em aula.)


Denio 28 Dene-se o desvio-padro da varivel aleatria X, denotado por
DP (X) ou

X,

como
DP (X) =

p
V ar(X).

Proposio 16 (Propriedades do Desvio Padro) As seguintes propriedades referentes ao desvio padro se vericam:
(i) DP (C) = 0, onde C uma constante.
(ii) DP (aX

b) = jaj

X,

para quaisquer a e b reais.

Prova. (Em aula.)


Exemplo 94 Um explorador est perdido numa tempestade de neve no Polo Norte
e tem 3 caminhos a escolher ao acaso. Um deles o leva a lugar seguro aps uma
hora, um outro o leva a lugar seguro aps trs horas e o outro o leva de volta ao
ponto de partida aps duas horas. Encontre:
(a) a distribuio do tempo que ele leva at encontrar o lugar seguro;
63

(b) o tempo esperado que ele leva at encontrar o lugar seguro;


(c) a varincia do tempo que ele leva at encontrar o lugar seguro.
Exemplo 95 Suponha que X seja uma varivel aleatria com f.d.p. dada por
8
< x, 0 x 1
2 x, 1 < x 2
f (x) =
:
0, caso contrrio

Obter:

(a) A funo de distribuio de X.


(b) A esperana de X.
(c) A varincia de X.
(d) P (X < 1; 2j0; 5

1; 8).

Proposio 17 (Desigualdade bsica de Markov) Seja X uma varivel aleatria


no-negativa e seja

> 0 uma constante. Ento


P (X

E(X)

Prova. (Em aula.)


Proposio 18 (Desigualdade de Markov) Seja X uma varivel aleatria qualquer e seja

> 0 uma constante. Ento para todo t > 0,


P (jXj

E jXjt
t

Prova. (Em aula.)


Proposio 19 (Desigualdade Clssica de Tchebychev) Seja X uma varivel
aleatria integrvel e seja

> 0 uma constante. Ento


P (jX

E(X)j

64

V ar(X)
2

Prova. (Em aula.)


Exemplo 96 Suponha que X seja uma varivel aleatria tal que P (X
P (X

10) = 15 . Mostre que E(X)

0) = 1 e

2.

Exemplo 97 Suponha que X seja uma varivel aleatria tal que E(X) = 10, P (X
7) = 0; 2 e P (X

13) = 0; 3. Prove que V ar(X)

Proposio 20 Se Z

9
.
2

0 e EZ = 0, ento P fZ = 0g = 1, ou seja, Z = 0 quase

certamente.
Prova. (Em aula.)
Observao 18 A proposio acima implica que, quando V arX = 0, ento X
constante quase certamente, pois P fX = EXg = 1.
Proposio 21 Seja X integrvel e seja

= EX. Ento

minimiza E (X

c)2 ,

c 2 R, isto ,
V arX = E (X

)2 = min E (X
c2R

c)2 .

Prova. (Em aula.)

4.4

A Funo Geratriz de Momentos

A funo geratriz de momentos desempenha um papel importante em vrios teoremas de convergncia de variveis aleatrias e tambm muito til no clculo de
esperana e varincia de variveis aleatrias.
Denio 29 Seja X uma varivel aleatria. Dene-se a funo geratriz de
momentos de X, mX (t), como
mX (t) = E[etX ], com t 2 R.
65

Assim,
mX (t) =

1
X

etxi P (X = xi )

se X v.a.d.

i=1

mX (t) =

Z1

etx fX (x)dx

se X v.a.c.

mX (t) =

1
X

txi

e P (X = xi ) +

i=1

Z1

etx fX (x)dx

se X v.a. mista.

Proposio 22 (Propriedades da Funo Geratriz de Momentos) As seguintes


propriedades a respeito da funo geratriz de momentos mX (t) se vericam:
(i) mX (0) = 1.
(ii) Se X tem funo geratriz de momentos mX (t) e se Y = aX + b, ento
mY (t) = ebt mX (at).
(iii) Se X tem funo geratriz de momentos mX (t), ento
dk
mX (t)
dtk

= E[X k ].
t=0

ou seja
dk
mX (0) = mk (o k-simo momento ordinrio de X).
dtk
Prova. (Em aula.)
Exemplo 98 Seja X a varivel aleatria que conta o nmero de lanamentos de
uma moeda honesta at que ocorra a primeira cara. Ache a funo geratriz de
momentos de X e use-a para calcular E(X) e V ar(X).
Exemplo 99 Seja X uma varivel aleatria contnua com funo de densidade de
probabilidade dada por
( 1 x
e 5 , se x 0
fX (x) =
5
0, caso contrrio
Ache a funo geratriz de momentos de X e use-a para calcular E(X) e V ar(X).
66

Exemplo 100 Suponha que X seja uma varivel aleatria com funo geratriz de
momentos dada por
2 +3t

mX (t) = et

1 < t < 1.

Ache a esperana e a varincia de X.

4.5

Exerccios

Exerccio 60 Uma urna contm cinco bolas idnticas numeradas de 1 a 5. Outra


urna tem quatro bolas idnticas numeradas de 1 a 4. Escolhemos ao acaso uma bola
de cada urna. Se X representa o valor absoluto da diferena entre os dois nmeros,
determine:
(a) a funo de probabilidade de X e a funo de distribuio acumulada de X;
(b) a mdia de X e a varincia de X.
Exerccio 61 Seja Y uma varivel aleatria contnua com funo de densidade de
probabilidade dada por
fY (y) =

ye y , se y > 0
0, caso contrrio

Ache a funo geratriz de momentos de Y e use-a para calcular E(Y ) e V ar(Y ).


Exerccio 62 O tempo T , em minutos, necessrio para um operrio processar certa
pea uma varivel aleatria com a seguinte funo de probabilidade:
t
p(t)

2
0; 1

3
0; 1

4
0; 3

5
0; 2

6
0; 2

7
0; 1

O operrio ganha R$10,00 por pea produzida, mas se ele produz a pea em menos
de cinco minutos, ganha um adicional de R$2,00 por cada minuto economizado.
(a) Obtenha a distribuio do ganho do operrio por pea produzida. Resp.:
P (G = 10) = 0; 5; P (G = 12) = 0; 3; P (G = 14) = 0; 1; P (G = 16) = 0; 1
(b) Obtenha a mdia do ganho do operrio por pea produzida. Resp.: R$ 11; 60.
67

Exerccio 63 Considere a varivel aleatria X com funo de densidade de probabilidade dada por
f (x) =

c jx 2j , 0 x < 4
0, caso contrrio

(a) Ache o valor de c. Resp.: 41 .


(b) Obtenha a esperana e a varincia de X. Resp.: E (X) = V ar(X) = 2.
Exerccio 64 Seja X uma varivel aleatria com f.d.p. dada por
fX (x) =

4xe 2x , se x
0, se x < 0

(a) Obtenha a funo geratriz de momentos de X. Resp.: mX (t) =

2 2
,
2 t

para

t < 2.
(b) Calcule a esperana e a varincia de X por meio da funo geratriz de
momentos. Resp.: E (X) = 1 e V ar(X) = 12 .
Exerccio 65 Seja X uma varivel aleatria com funo de distribuio
8
>
0, se x < 0
>
>
>
>
>
>
>
1 1
>
>
>
< 4 + 8 x(x + 2), se 0 x < 1
FX (x) =
>
>
3
>
>
, se 1 x < 34
>
>
4
>
>
>
>
>
: 1, se x 4
3
Pede-se:

(a) Classicar a v.a. X, segundo o critrio discreto, contnuo ou misto, justicando. Resp.: A v.a. X do tipo mista (tem parte discreta e parte contnua).
(b) Obter a funo de probabilidade
8 e/ou a funo de densidade da v.a. X.
1
>
4
>
>
< 4 , se x = 0; 3
Resp.: Parte Discreta: P (X = x) =
e Parte Contnua: fX (x) =
>
>
1
>
: , se x = 1
8
( x+1
, se 0 < x < 1
.
4
0, caso contrrio
68

(c) A esperana da varivel aleatria X. Resp.: E(X) = 32 .


Exerccio 66 Considere a varivel aleatria X seguindo o modelo Laplace (ou Exponencial Dupla), isto , a sua densidade dada por
fX (x) =
com

> 0 e

jx

, para

1 < x < 1,

2 R. Determine a funo geratriz de momentos de X e calcule

a mdia e varincia de X a partir dela. Resp.: mX (t) =


V ar(X) =

2
2

2
2

t2

e t ; E[X] =

Exerccio 67 Um vendedor de equipamento pesado pode visitar, num dia, um ou


1 2
e , respectivamente. De cada contrato, pode
3 3
1
resultar a venda de um equipamento por R$ 50:000; 00 (com probabilidade
) ou
10
9
nenhuma venda (com probabilidade
). Indicando a varivel aleatria Y como o
10
dois clientes, com probabilidade de

valor total de vendas dirias desse vendedor, pede-se:

(a) A funo de probabilidade de Y . Resp.: P (Y = y) =

(b) A funo de distribuio de Y . Resp.:


8
0, se y < 0
>
>
>
>
>
> 126
>
>
< 150 , se 0 y < 5 104
FY (y) =
>
149
>
, se 5 104 y < 10
>
150
>
>
>
>
>
:
1, y 10 104

8
>
>
>
>
<
>
>
>
>
:

126
,
150

se y = 0

23
,
150

se y = 5

1
,
150

se y = 10

104
104

104

(c) O valor esperado do total de vendas dirias. Resp.: E (Y ) = 8:333; 33.


(d) O desvio-padro do total de vendas dirias. Resp.: DP (Y ) = 19:507; 83.

69

Captulo 5
Modelos de Variveis Aleatrias
Discretas
Neste captulo trataremos dos principais modelos de variveis aleatrias discretas,
que sero teis na modelagem de certos fenmenos aleatrios comuns ao trabalho
do Estatstico e do Aturio.

5.1

O Modelo Uniforme

Seja X uma varivel aleatria com espao de estados no conjunto fx1 ; x2 ; :::; xn g.
Dizemos que X uma varivel aleatria com Distribuio Uniforme denida em
fx1 ; x2 ; :::; xn g, representado por X
P (X = xi ) =
Proposio 23 Se X

U fx1 ; x2 ; :::; xn g, se
1
para i = 1; 2; :::; n.
n

U fx1 ; x2 ; :::; xn g, ento


1X
E(X) = xn =
xi ,
n i=1
n

1X
=
(xi
n i=1
n

V ar(X) =

Prova. (Em aula.)

70

xn )2 .

5.2

O Ensaio de Bernoulli

Suponha um experimento realizado uma nica vez tendo probabilidade p de sucesso


e q = 1

p de fracasso. Denote a varivel aleatria X = 0 se fracasso ocorre e

X = 1 se sucesso ocorre. Ento a varivel aleatria X dita ter Distribuio


de Bernoulli com parmetro p, representado por X

Ber(p), e sua funo de

probabilidade dada por


P (X = k) = pk (1
Proposio 24 Se X

p)1 k , k = 0; 1.

Ber(p), ento
mX (t) = pet + q,
E(X) = p,
V ar(X) = pq.

Prova. (Em aula.)


Exemplo 101 Seja X uma varivel aleatria que assume o valor a se fracasso
ocorre e b se sucesso ocorre. Estabelea o modelo de probabilidade para a v.a. X
e utilize-o para obter sua funo geratriz de momentos, obtendo com ele a mdia e
a varincia da v.a.

5.3

A Distribuio Binomial

Sejam n ensaios independentes de Bernoulli, cada um tendo a mesma probabilidade


p de sucesso e q = 1 p de fracasso. Seja X a varivel aleatria que conta o nmero de
sucessos nas n realizaes. A varivel aleatria X dita ter Distribuio Binomial
com parmetros n e p, denotado por X

B(n; p), e sua funo de probabilidade

dada por
P (X = k) =

n
k

pk q n k ,
71

k = 0; 1; 2; 3; :::; n.

Proposio 25 Se X

B(n; p), ento


mX (t) = (pet + q)n ,
E(X) = np,
V ar(X) = npq.

Prova. (Em aula.)


Observao 19 Os resultados acima so intuitivos, uma vez que a v.a. X binomial
pode ser vista como n replicaes de ensaios de Bernoulli. Assim, se Xi
para i = 1; 2; :::; n, independentes ento X = X1 + X2 + ::: + Xn

Ber(p),

B(n; p),

E(X) = E(X1 ) + E(X2 ) + ::: + E(Xn )


= p + p + ::: + p
= np
e
V ar(X) = V ar(X1 ) + V ar(X2 ) + ::: + V ar(Xn )
= pq + pq + ::: + pq
= npq,
resultados que conrmam a proposio anterior. (Posteriormente justicaremos os
clculos acima, pois eles dependem de estruturas de vetores aleatrios e distribuies
conjuntas.)
Exemplo 102 Das variveis abaixo, assinale quais so binomiais, e para essas d
os respectivos espaos de estado e funo de probabilidade. Quando julgar que a
varivel no binomial, aponte as razes de sua concluso.

72

(a) De uma urna com 10 bolas brancas e 20 pretas, vamos extrair, com reposio,
5 bolas. X o nmero de bolas brancas nas 5 extraes.
(b) Refaa o problema anterior, mas dessa vez as 5 extraes so sem reposio.
(c) Temos 5 urnas com bolas pretas e brancas e vamos extrair uma bola de cada
urna. Seja X o nmero de bolas brancas obtidas no nal.
(d) Vamos realizar uma pesquisa em 10 cidades brasileiras, escolhendo ao acaso
um habitante de cada uma delas e classicando-o em pr ou contra um certo projeto
federal. Seja X o nmero de indivduos contra a projeto nal da pesquisa.
(e) Em uma indstria existem 100 mquinas que fabricam determinada pea.
Cada pea classicada como boa ou defeituosa. Escolhemos ao acaso um instante
de tempo e vericamos uma pea de cada uma das mquinas. Suponha que X seja
o nmero de defeituosas.
Exemplo 103 Um certo sistema eletrnico contm 10 componentes. Suponha que
a probabilidade de falha de qualquer componente individual seja de 0; 2 e que eles falhem independentemente uns dos outros. Dado que pelo menos um dos componentes
falhou, qual a probabilidade de que pelo menos dois falharam?
Exemplo 104 Se X

B(n; p), sabendo-se que E(X) = 12 e V (X) = 3, determi-

nar:
(a) P (X < 12);
(b) P (X

14);

(c) E(Z) e V (Z), onde Z = (X


(d) P (Y

p
12)= 3;

12=16), onde Y = X=n.

Exemplo 105 Suponha que o motor de um avio falhar, quando em voo, com
probabilidade 1

p, independentemente de motor para motor. Suponha que o avio


73

realizar um voo com sucesso se pelo menos 50% de seus motores permanecerem
em operao. Para que valores de p um avio quadrimotor prefervel a um avio
bimotor?

5.4

A Distribuio Geomtrica

Sejam ensaios sucessivos e independentes de Bernoulli, cada um tendo a mesma


probabilidade p de sucesso e q = 1

p de fracasso. Seja X a varivel aleatria

que conta o nmero de realizaes at que o primeiro sucesso ocorra. A varivel


aleatria X dita ter Distribuio Geomtrica com parmetro p, denotado por
X

Geo(p), e sua funo de probabilidade dada por


P (X = k) = q k 1 p, k = 1; 2; 3; 4; :::

Proposio 26 Se X

Geo(p), ento

pet
,
1 qet
1
E(X) =
,
p
q
V ar(X) = 2 .
p
mX (t) =

para t <

ln q

Prova. (Em aula.)


Observao 20 Se X

Geo(p), ento para todos os inteiros no negativos m e n

temos
P (X = m + n j X

m) = P (X = n) .

Esse resultado conhecido na Teoria das Probabilidades como propriedade sem


memria da varivel aleatria.
Exemplo 106 Uma urna contm b bolas brancas e v bolas vermelhas. Bolas so
retiradas ao acaso, com reposio, at que uma bola branca seja encontrada. Seja
74

X a varivel aleatria que representa o nmero de tentativas at a extrao da


primeira bola branca. Encontre a lei de X, a esperana e a varincia de X e calcule
a probabilidade de que sejam necessrias pelo menos n retiradas para a extrao da
primeira bola branca.
Exemplo 107 As cinco primeiras repeties de um experimento custam R$ 10; 00
cada. Todas as repeties subseqentes custam R$ 5; 00 cada. Suponha que o experimento seja repetido at que o primeiro sucesso ocorra. Se a probabilidade de sucesso
de uma repetio igual a 0; 9, e se as repeties so independentes, qual custo
esperado da operao?

5.5

A Distribuio Binomial Negativa

Sejam ensaios sucessivos e independentes de Bernoulli, cada um tendo a mesma


probabilidade p de sucesso e q = 1

p de fracasso. Seja X a varivel aleatria

que conta o nmero de realizaes at que o r-simo sucesso ocorra. A varivel


aleatria X dita ter Distribuio Binomial Negativa (tambm conhecida como
Distribuio de Pascal) com parmetro r e p, denotado por X

BN (r; p), e sua

funo de probabilidade dada por


P (X = k) =

k
r

1
1

pr q k r ,

k = r; r + 1; r + 2; r + 3; :::;

Observao 21 A distribuio denida para valores maiores ou igual a r, j que


so necessrios pelo menos r realizaes para se obter r sucessos.
Observao 22 Denindo Y = X

r, ento Y representa o nmero de fracassos

at a ocorrncia do r-simo sucesso. Assim, Y 2 f0; 1; 2; 3; :::g e


P (Y = y) = P (X
=

r = y) = P (X = y + r)

y+r 1
r 1
75

pr q y

y+r
y

P (Y = y) =

pr q y , y = 0; 1; 2; 3; :::

Mas vimos que


r
y

( r) ( r

1) ( r

2) ::: ( r

y + 1)

y!
y+r
y

= ( 1)y

Assim
y+r
y

r
y

= ( 1)y

e, portanto,
P (Y = y) = ( 1)y
r
y

P (Y = y) =

r
y

pr q y

pr ( q)y , y = 0; 1; 2; 3; :::

o que justica o seu nome binomial negativa.


Observao 23 Vimos tambm que a expanso por Taylor de (1 + x)
dada por
(1 + x)

1
X
k=0

r
k

xk para

1 < x < 1.

Portanto
1
X
y=0

P (Y = y) =

1
X

r
y

y=0

= p

1
X

r
y

y=0

= p (1
= pr p
= 1

76

pr ( q)y

q)

( q)y

1
(1 + x)r

Proposio 27 Se X

BN (r; p), ento

mX (t) =

pet
1 qet

para t <

ln q

r
,
p
rq
V ar(X) = 2 .
p
E(X) =

Prova. (Em aula.)


Observao 24 Os resultados acima so intuitivos, uma vez que a v.a. X binomial negativa pode ser vista como r replicaes de variveis aleatrias Geomtricas.
Assim, se Xi
::: + Xr

Geo(p), para i = 1; 2; :::; n, independentes ento X = X1 + X2 +

BN (r; p),
E(X) = E(X1 ) + E(X2 ) + ::: + E(Xr )
1 1
1
+ + ::: +
p p
p
r
=
p
=

e
V ar(X) = V ar(X1 ) + V ar(X2 ) + ::: + V ar(Xr )
q
q
q
+
+
:::
+
p2 p2
p2
rq
= 2,
p
=

resultados que conrmam a proposio anterior. (Posteriormente justicaremos os


clculos acima, pois eles dependem de estruturas de vetores aleatrios e distribuies
conjuntas.)
Observao 25 Claramente, se X

BN (1; p) ento X

Geo(p).

Exemplo 108 Uma pea produzida em srie numa fbrica tem 10% de probabilidade
de ser defeituosa e as ocorrncias de defeitos so independentes. Suponha que voc
77

v retirando aleatoriamente peas da produo at encontrar a 5a pea defeituosa.


Seja X a v.a. que representa o nmero de inspees at que isso ocorra. Obtenha a
lei de X, a mdia e a varincia de X.

5.6

A Distribuio Hipergeomtrica

Seja uma populao nita de N elementos, contendo a elementos com o atributo A


eb=N

a elementos sem o atributo A. Uma amostra de tamanho n retirada sem

reposio da populao. Seja X a varivel aleatria que representa o nmero de elementos com o atributo A na amostra. A varivel aleatria X dita ter Distribuio
Hipergeomtrica de paramnetros N , a e n, denotado por X

Hip(N; a; n) e

sua funo de probabilidade dada por

P (X = k) =

com maxf0; n

bg

Proposio 28 Se X

a
k

N
n
N
n

a
k

, para k = 0; 1; 2; :::; n

minfn; ag.
Hip(N; a; n), ento, denotando p =

a
N

eq=

b
N

temos

E(X) = np,
V ar(X) = npq

N
N

n
.
1

Prova. (Em aula.)


Exemplo 109 Uma classe contm 40 homens e 20 mulheres. Um comit dever ser
formado por 6 alunos selecionados aleatoriamente da classe sem reposio. Qual a
probabilidade de que o comit seja formado por uma maioria de homens?
Exemplo 110 Pequenos motores eltricos so expedidos em lotes de 50 unidades.
Antes que uma remessa seja aprovada, um inspetor escolhe 5 desses motores e os
78

inspeciona. Se nenhum dos motores inspecionados for defeituoso, o lote aprovado.


Se um ou mais forem vericados defeituosos, todos os motores da remessa so inspecionados. Suponha que existam, de fato, trs motores defeituosos no lote. Qual
a probabilidade de que a inspeo total seja necessria?
Exemplo 111 De um lote que contm 25 peas, das quais 5 so defeituosas, so
escolhidas 4 ao acaso. Seja X a varivel aleatria que conta o nmero de defeituosas
na amostra. Determine a funo de probabilidade de X, quando:
(a) as peas forem escolhidas com reposio;
(b) as peas forem escolhidas sem reposio.

5.7

O Processo de Poisson e a Distribuio de


Poisson

Nessa seo veremos como o matemtico francs Simon-Denis Poisson constri um


belo processo que d inteligibilidade matemtica a fenmenos raros estudados ao
longo do tempo contnuo.

Simon-Denis Poisson (1781 - 1840)


Dena um processo Nt , representando o nmero de ocorrncias de um determinado fenmeno em [0; t], tendo as seguintes hipteses:
79

(i) N0 = 0.
(ii) Os incrementos so estacionrios, isto , a probabilidade de k ocorrncias no
intervalo (s; t] igual probabilidade de k ocorrncias no intervalo (s + u; t + u],
para todo k, s, t e u.
(iii) Os incrementos so independentes, isto , se (s; t] \ (u; v] = ?, ento o
nmero de ocorrncias no intervalo (s; t] independente do nmero de ocorrncias
no intervalo (u; v].
(iv) Para h pequeno
8
< h + o(h), se k = 1
1
h + o(h), se k = 0
P (Nh = k) =
:
o(h), se k 2

onde o(h) uma funo tal que limh!0

o(h)
h

= 0.

Sob as hipteses acima prova-se o seguinte resultado.


Proposio 29 Sob as hipteses (i)-(iv), temos
P (Nt = k) =

( t)k
, k = 0; 1; 2; 3; ::::
k!

Prova. (Em aula.)


Denio 30 Seja X uma varivel aleatria denida em f0; 1; 2; 3; :::g tendo funo
de probabilidade dada por
P (X = k) =

e
k!

, para k = 0; 1; 2; 3; ::: e

> 0.

Ento X dita ter distribuio de Poisson de parmetro , X


Proposio 30 Se X

P( ), ento
mX (t) = e

(et 1)

E(X) =

V ar(X) =

80

P( ).

Prova. (Em aula.)


Exemplo 112 Suponha que uma fonte radioativa emita partculas a uma taxa de
20 por hora. Pergunta-se:
(a) Qual a probabilidade de que exatamente 5 partculas sejam emitidas durante
o perodo de 15 minutos?
(b) Supondo que comecemos a registrar as partculas s 9:00h, qual a probabilidade de que a primeira partcula registrada ocorra entre 9:04h e 9:10h?
Exemplo 113 Acidentes ocorrem numa plataforma de petrleo a uma taxa mdia
de 1; 5 por ms. Pergunta-se:
(a) Qual a probabilidade de nenhum acidente em janeiro?
(b) Qual a probabilidade de ocorrer 4 acidentes no perodo de maro a abril?
(c) Qual a probabilidade de haver pelo menos um acidente em cada ms do ano
de 1998?
Exemplo 114 O nmero de petroleiros que chegam a uma renaria em cada dia
ocorre a uma taxa mdia de 2. As atuais instalaes podem atender, no mximo, a
trs petroleiros por dia. Se mais de trs aportarem num dia, o excesso enviado a
outro porto.
(a) Em um dia, qual a probabilidade de se enviar petroleiros para outro porto?
(b) De quanto devero ser aumentadas as instalaes para permitir atender a
todos os navios que chegarem pelo menos em 95% dos dias?

5.7.1

Aproximao da Binomial pela Poisson

Obtivemos a distribuio de Poisson tomando o limite da distribuio Binomial com


parmetros n e p =

t
n

quando n ! 1. Assim conforme n cresce, p torna-se cada vez

menor. Portanto, se o nmero de realizaes n de uma varivel aleatria Binomial


81

for grande e a probabilidade de sucesso for pequena, podemos calcular P (X = k)


atravs da funo de probabilidade de Poisson com boa aproximao. Vejamos um
exemplo.
Exemplo 115 Um certo tipo de sinistro ocorre com uma probabilidade de 0; 001.
Suponha 100 segurados para esse tipo de sinistro. Calcule as probabilidades exata
(via modelo Binomial) e aproximada (via modelo de Poisson) de haver no mximo
1 sinistro dentre os segurados.

5.8

Exerccios

Exerccio 68 Um fabricante de peas de automveis garante que uma caixa de suas


peas conter, no mximo, duas defeituosas. Se a caixa contm 18 peas, e a experincia tem mostrado que esse processo de fabricao produz 5% de peas defeituosas,
qual a probabilidade de que uma caixa satisfaa a garantia?
Resp: Seja X a v.a. que conta o nmero de peas defeituosas na caixa com
18 peas. Ento P (X = x) =
Desejamos P (X

18
x

(0; 05)x (0; 95)18 x ,

x = 0; 1; 2; 3; :::; 18.

2) = P (X = 0) + P (X = 1) + P (X = 2).

Exerccio 69 Um homem dispara 12 tiros independentes num alvo. Se a probabilidade de acerto do atirador de 90%, qual a probabilidade de que o alvo seja atingido
pelo menos duas vezes, sabendo-se que o mesmo foi atingido pelo menos uma vez?
Resp: Seja X a v.a. que conta o nmero de acertos do homem. Ento P (X =
x) =
P (X
P (X

12
(0; 9)x (0; 1)12 x , x = 0; 1; 2; 3; :::; 12. Desejamos P (X
x
2)
1 P (X < 2)
1 P (X = 0) P (X = 1)
=
=
.
1)
1 P (X < 1)
1 P (X = 0)

2jX

1) =

Exerccio 70 Suponha que a probabilidade de que um certo experimento seja sucesso


de 0; 4, e denote X o nmero de sucessos que so obtidos em 15 realizaes independentes do experimento. Qual a lei da varivel aleatria X?
82

Resp: Seja X a v.a. que conta o nmero de sucessos nas 15 tentativas. Ento
P (X = x) =

15
x

(0; 4)x (0; 6)15 x ,

x = 0; 1; 2; 3; :::; 15.

Exerccio 71 Uma moeda viciada onde a probabilidade de cara 0,6 lanada nove
vezes. Calcule a probabilidade de ocorrer um nmero par de caras.
Resp: Seja X a v.a. que conta o nmero de caras nas 9 tentativas. Ento P (X =
9
x

x) =
4
P

k=0

9
2k

(0; 6)x (0; 4)9 x ,

x = 0; 1; 2; 3; :::; 9. Desejamos

4
P

P (X = 2k) =

k=0

(0; 6)2k (0; 4)9

2k

Exerccio 72 Um contador de partculas tem probabilidade de 0,7 de contar cada


partcula que entra em sua abertura, independentemente de uma partcula para outra.
Qual a distribuio do nmero de partculas que ele no registra, antes da primeira
partcula a ser contada. Qual a esperana e a varincia desta distribuio?
Resp: Seja X a v.a. que conta o nmero de partculas que ele no registra,
antes da primeira partcula a ser contada. Ento P (X = x) = (0; 3)x (0; 7),

x=

0; 1; 2; 3; ::: ou seja X = Y

1=

1
0;7

1=

3
7

1 onde Y

e V ar (X) = V ar (Y ) =

Geo(0; 7). Assim E (X) = E (Y )

0:3
(0;7)2

30
.
49

Exerccio 73 Seja X uma varivel aleatria com distribuio de Poisson, representando o aparecimento de defeitos por hora numa linha de montagem de um componente eletrnico. Sabendo-se que a probabilidade de no ocorrer defeito em uma
hora qualquer de 0,2, pede-se:
(a) A probabilidade de que numa certa hora ocorram no mais que dois defeitos.
Resp: Seja X a v.a. que conta o nmero de defeitos por hora, ento X
P( ). Como P (X = 0) = e

(ln 5)k
; k = 0; 1; 2; ::: Logo P (X
5k!

1
5

1 + ln 5 +

(ln 5)2
2

1
,
5

temos

= ln 5. Assim P (X = k) =

2) = P (X = 0) + P (X = 1) + P (X = 2) =

.
83

(b) Supondo um regime de trabalho de oito horas dirias, quantos defeitos devemos esperar em um ms?
Resp: 240E(X) = 240 ln 5.
Exerccio 74 Uma companhia de seguros pretende criar aplices de seguro individuais contra certos tipos de acidentes. Uma pesquisa piloto do servio estatstico
permitiu estimar que, num perodo de um ano, cada pessoa tem uma chance em cada
cinco mil, aproximadamente, de se tornar vtima de um acidente coberto por este
tipo de aplice, e que a companhia poder vender em mdia mil aplices de seguro
deste tipo por ano. Determinar a probabilidade de que o nmero de acidentados no
ultrapasse a trs por ano (nmero a partir do qual a operao no mais considerada
como rentvel).
Resp: Seja X a v.a. que conta o nmero de acidentados no ano. Ento X
P( ), com

1
.
5

Assim P (X = k) =

1 k
5

1
5

k!

; k = 0; 1; 2; ::: Logo P (X

P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) = e

1
5

1 + 15 +

1
50

1
750

3) =

Exerccio 75 Livros produzidos por uma certa editora tm uma mdia de 1 defeito
de impresso por pgina. Qual a probabilidade de que pelo menos em uma pgina
de um livro de 300 pginas desta editora haja pelo menos 5 defeitos?
Resp: Seja X a v.a. que conta o nmero de defeito de impresso por pgina.
Ento X
1

P(1). Assim P (X = k) =

P (X < 5) = 1

e 1
; k = 0; 1; 2; ::: Logo p = P (X
k!

4 e 1
P
. Seja Y a v.a. que conta o nmero de pginas com
k=0 k!

pelo menos 5 defeitos num livro de 300 pginas. Ento Y


P (Y

1) = 1

4 e 1
P
k=0 k!

5) =

P (Y = 0) = 1

300
0

p0 (1

B(300; p). Desejamos

p)300 = 1

(1

p)300 = 1

300

Exerccio 76 Gotas de chuva caem a uma taxa mdia de 30 gotas por cm2 e por
84

minuto. Qual a chance de um particular cm2 no ser atingido por qualquer gota de
chuva durante um perodo de 10 segundos?
Resp: Seja X a v.a. que conta o nmero de gotas por cm2 e por 10 segundos.
Ento X

P(5). Assim P (X = 0) = e 5 .

Exerccio 77 Folhas de andres de 2 metros de largura so produzidas em uma


fbrica e cortadas em lminas a cada 5 metros de comprimento. Por estudos anteriores, sabe-se que os defeitos tm distribuio de Poisson com uma mdia de 0,2
defeitos por metro quadrado. Se uma amostra aleatria de 10 lminas retirada da
produo, pergunta-se:
(a) Qual a probabilidade de haver mais do que uma lmina na amostra com mais
de 1 defeito na superfcie?
Resp: Seja X a v.a. que conta o nmero de defeitos na superfcie de uma lmina.
Ento X

P(2). Assim P (X = x) =

1) = 1

P (X

e 2 2x
; x = 0; 1; 2; ::: Assim p = P (X > 1) =
x!

3e 2 . Seja Y a v.a. que conta o nmero de lminas com pelo

menos 1 defeitos numa amostra de 10. Ento Y


1

P (Y = 0)

(1

p)10

P (Y = 1) = 1

10p (1

p)9 , com p = 1

10
0

p0 (1

B(10; p). Desejamos P (Y > 1) =


p)10

10
1

p)9 = 1

p1 (1

3e 2 .

(b) Qual o nmero esperado de lminas na amostra com mais de 1 defeito na


superfcie? E a varincia?
Resp: Desejamos E(Y ) = 10p e V ar(Y ) = 10p (1

p), com p = 1

3e 2 .

Exerccio 78 Numa central telefnica, o nmero de chamadas chega com uma mdia de 8 por minuto. Determinar a probabilidade de que num minuto se tenha:
(a) dez ou mais chamadas;
Resp: Seja X a v.a. que conta o nmero de chamadas por minuto. Ento X
P(8). Assim P (X = x) =

e 8 8x
; x = 0; 1; 2; ::: Assim P (X
x!
85

10) = 1

P (X <

10) = 1

9 e 8 8x
P
.
x!
x=0

(b) menos que nove chamadas;


Resp: P (X

8) =

8 e 8 8x
P
.
x!
x=0

(c) entre sete (inclusive) e nove (exclusive) chamadas.


Resp: P (7

X < 9) = P (X = 7) + P (X = 8) = e

87 88
+
.
7!
8!

Exerccio 79 Num certo tipo de fabricao de ta magntica, ocorrem cortes a uma


taxa de um por 2000 ps. Qual a probabilidade de que um rolo com 2000 ps de ta
magntica tenha:
(a) nenhum corte;
Resp: Seja X a v.a. que conta o nmero de cortes num rolo de 2000 ps. Ento
X

P(1). Assim P (X = k) =

e 1
; k = 0; 1; 2; ::: Assim P (X = 0) = e 1 .
k!

(b) no mximo dois cortes;


Resp: P (X

2) =

5e 1
.
2

(c) pelo menos dois cortes.


Resp: P (X

2) = 1

2e 1 .

Exerccio 80 Uma fonte radioativa observada durante 7 intervalos de tempo,


cada um de dez segundos de durao. O nmero de partculas emitidas durante
cada perodo contado. Suponha que o nmero de partculas emitidas X tenha distribuio de Poisson com taxa de 0,5 por segundo. Qual a probabilidade de que
em cada um dos 7 intervalos de tempo, 4 ou mais partculas sejam emitidas?
Resp: Seja X a v.a. que conta o nmero de partculas emitidas em 10 segundos.
Ento X

P(5). Assim P (X = x) =

e 5 5x
; x = 0; 1; 2; ::: Assim p = P (X
x!

4) =

3 e 5
P
. Seja Y a v.a. que conta o nmero de intervalos com 4 ou mais partcux!
x=0
7
las emitidas. Ento Y
B(7; p). Desejamos P (Y = 7) =
p7 (1 p)0 = p7 ,
7
5 x

86

com p = 1

3 e 5 5x
P
.
x!
x=0

Exerccio 81 O nmero de partculas emitidas por uma fonte radioativa, durante


um perodo especco, uma varivel aleatria com distribuio de Poisson. Se a
probabilidade de no haver emisses for igual a 1/3, qual a probabilidade de que
duas ou mais emisses ocorram?
Resp: Seja X a v.a. que conta o nmero de emisses durante um perodo especco, ento X
k

P (X = k) =
1

2
3

P( ). Como P (X = 0) = e

(ln 3)
; k = 0; 1; 2; ::: Logo P (X
3k!

= 31 , temos

2) = 1

P (X = 0)

= ln 3. Assim
P (X = 1) =

ln 3.

Exerccio 82 Em certa rodovia, a intensidade mdia do uxo de trfego de 30


carros por minuto. Um medidor colocado na rua para registrar o nmero de carros
passando por cima. Aps justicar o uso de um modelo de probabilidade adequado
a tal experimento, calcule:
(a) a probabilidade de que 2 ou mais carros sejam registrados durante determinado intervalo de 2 segundos;
Resp: Seja X a v.a. que conta o nmero de carros registrados durante um intervalo de 2 segundos, ento X
P (X

2) = 1

P(1). Assim P (X = k) =

e 1
; k = 0; 1; 2; ::: Assim
k!

2e 1 .

(b) a probabilidade de passar mais de um minuto at registrar o primeiro carro.


Resp: Seja Y a v.a. que conta o nmero de carros registrados durante um intervalo de 1 minuto, ento Y
Assim P (Y = 0) = e

30

P(30). Assim P (X = k) =

30k
; k = 0; 1; 2; :::
k!

30

Exerccio 83 Suponha que num dado nal de semana o nmero de acidentes num
certo cruzamento tem distribuio de Poisson com mdia 0,7. Qual a probabilidade
de que haver pelo menos trs acidentes no cruzamento durante o nal de semana?
87

Resp: Seja X a v.a. que conta o nmero de acidentes num nal de semana,
ento X

P(0; 7). P (X

3) = 1

P (X

2) = 1

2 e
P

x=0

0;7

(0; 7)x
.
x!

Exerccio 84 Suponha que o nmero de defeitos num metro quadrado de tecido


tenha distribuio de Poisson com mdia 0,4. Se uma amostra aleatria de 5 m2 de
tecido inspecionada, qual a probabilidade de que o nmero total de defeitos nesta
amostra seja de pelo menos 6?
Resp: Seja X a v.a. que conta o nmero de defeitos numa amostra de 5 m2 de
tecido. Ento X

P(2). P (X

6) = 1

P (X

5) = 1

5 e 2 2x
P
.
x!
x=0

Exerccio 85 Suponha que uma certa ta magntica contenha, em mdia, 3 defeitos


por 1000 ps. Qual a probabilidade de que um rolo de ta de 1200 ps no contenha
defeitos?
Resp: Seja X a v.a. que conta o nmero de defeitos num rolo de ta de 1200
ps.Ento X

P(3; 6). P (X = 0) = e

3;6

Exerccio 86 Suponha que, em mdia, uma certa loja sirva 15 clientes por hora.
Qual a probabilidade de que a loja no servir mais do que 20 clientes num particular
perodo de 2 horas?
Resp: Seja X a v.a. que conta o nmero de clientes que chegam num perodo de
2 horas. Ento X

P(30). P (X

20) =

20 e
P

x=0

30x
.
x!

30

Exerccio 87 Suponha que num grande lote contendo T produtos manufaturados,


30% dos produtos so defeituosos e 70% so bons. Suponha tambm que 10 produtos
so selecionados aleatoriamente sem reposio do lote. Determine:
(a) uma expresso exata para a probabilidade de que no mais do que um produto
defeituoso seja obtido, e

88

Resp: Seja X a v.a. que conta o nmero de defeituosos


no lote
0
10 de T produtos.
1
0;
3T
0;
7T
@
A@
A
x
10 x
0
1
Ento X
Hip(T ; 0; 3T ; 10). Assim P (X = x) =
, para
T
@
A
10
maxf0; 10 0; 7T g x minf10; 0; 3T g. Assim supondo que T 15 para que 10
0; 7T < 0, temos que P (X

0; 7T
10

0; 3T
1

0; 7T
9

.
T A
10
(b) uma expresso aproximada para esta probabilidade, baseada na distribuio
1) =

0
@

binomial.
Resp: Seja X a v.a. que conta o nmero de defeituosos no lote de T produtos, com
T grande. Ento X

B(10; 0; 3). Assim P (X = x) =

0; 1; 2; 3; :::; 10. Assim P (X


10
1

10
x

1) = P (X = 0)+P (X = 1) =

(0; 3)1 (0; 7)9 = (0; 7)10 + 3 (0; 7)9 .

89

(0; 3)x (0; 7)10 x , x =


10
0

(0; 3)0 (0; 7)10 +

Captulo 6
Modelos de Variveis Aleatrias
Contnuas
6.1

A Distribuio Uniforme

Diz-se que a varivel aleatria X tem distribuio uniforme no intervalo [a; b], denotado por X

U[a; b] se sua funo de densidade de probabilidade dada por


fX (x) =

, se a x b
b a
0, caso contrrio.

Assim a funo de distribuio de X dada por


8
se x < a
>
< 0,
x a
, se a x < b
FX (x) =
>
: b a
1, se x b

Proposio 31 Se X

U[a; b] ento

a+b
2
(b a)2
V ar(x) =
12
E(X) =

Prova. (Em aula.)


Exemplo 116 Suponha que X tenha distribuio uniforme no intervalo ( 2; 8).
Ache a f.d.p. de X e encontre P (0 < X < 7).

90

Exemplo 117 Seja X uma varivel aleatria contnua com funo de distribuio
FX (x). Seja Y uma varivel aleatria denida como Y = FX (X). Mostre que
U[0; 1].

6.2

A Distribuio Exponencial

Diz-se que a varivel aleatria X tem distribuio exponencial com parmetro ,


denotado por X

Exp( ), se a funo de densidade de probabilidade de X dada

por
fX (x) =

e x, x 0
0, caso contrrio

Assim a funo de distribuio de X dada por


FX (x) =

0, se x < 0
1 e x , se x

Proposio 32 (Propriedade Sem Memria) Seja X

Exp( ). Ento, para

todo t > 0 e s > 0, temos


P (X

t + sjX

t) = P (X

s) .

Prova. (Em aula.)


Proposio 33 Se X

Exp( ) ento
mX (t) =
E(X) =
V ar(X) =

t
1

, para t < ,

2.

Prova. (Em aula.)


Proposio 34 Seja Nt , representando o nmero de ocorrncias de um determinado fenmeno em [0; t], segundo um processo de Poisson de parmetro . Seja T
91

a v.a. que representa o tempo de espera at a ocorrncia do primeiro fenmeno.


Ento T

Exp( ).

Prova. (Em aula.)


Corolrio 3 Seja Nt , representando o nmero de ocorrncias de um determinado
fenmeno em [0; t], segundo um processo de Poisson de parmetro

. Seja T a

v.a. que representa o tempo de espera entre as ocorrncias do fenmeno. Ento


T

Exp( ).
Prova. (Em aula.)

Exemplo 118 Para um certo tipo de componente eletrnico, a vida til X (em mil
horas) tem distribuio exponencial com mdia 2. Pergunta-se:
(a) Qual a probabilidade de que um novo componente dure mais do que 1000
horas?
(b) Se um componente j durou 1000 horas, qual a probabilidade de que ele dure
pelo menos 1000 horas mais?
Exemplo 119 Suponha que o tempo at o prximo terremoto num particular lugar
seja exponencialmente distribudo com uma taxa de 1 terremoto por ano. Qual a
probabilidade de que o prximo terremoto ocorra dentro de 6 meses?
Exemplo 120 O tempo de vida de lmpadas produzidas pelo fabricante X tem distribuio exponencial com mdia de 20 dias. Se 10 lmpadas so ligadas simultaneamente, qual a probabilidade de que pelo menos 3 delas durem mais de 25 dias?

92

6.3
6.3.1

A Distribuio Normal
A Distribuio Normal Padro

Diz-se que a varivel aleatria Z tem distribuio normal (ou Gaussiana) padro
com mdia zero e varincia 1, denotado por Z

N (0; 1), se a funo de densidade

de probabilidade de Z dada por


1
fZ (z) = p e
2
Denina

z2
2

1<z<1

z) a funo de distribuio da varivel aleatria Z.

(z) = P (Z

Como (z) no pode ser obtida analiticamente, o valor de (z) dado por integrao
numrica e seus valores so tabelados.
Proposio 35 Se Z

N (0; 1), ento


t2

mZ (t) = e 2
E(Z) = 0
V ar(Z) = 1
Prova. (Em aula.)
Exemplo 121 Seja Z
(a) P (Z
(b) P (Z

1; 73)
2; 13)

(c) P (0; 47

Z < 1; 73)

(d) P ( 0; 25

6.3.2

N (0; 1). Calcule:

0; 5)

A Distribuio Normal com mdia

e varincia

Diz-se que a varivel aleatria X tem distribuio normal (ou Gaussiana) com mdia

e varincia

, denotado por X

N( ;
93

), se a funo de densidade de

probabilidade de X dada por


1
fX (x) = p e
2
Proposio 36 Se X
6= 0 e

N( ;

(x
)2
2 2

1<x<1

), ento Y =

N(

X+

+ ;

2 2

), para

constantes reais.

Prova. (Em aula.)


Corolrio 4 Se X

N( ;

), ento Z =

N (0; 1).

Prova. (Em aula.)


Proposio 37 Se X

N( ;

), ento

mX (t) = e

t+ 21

E(X) =
V ar(X) =

2 t2

Prova. (Em aula.)


Observao 26 A distribuio Normal sem dvida a distribuio mais importante da Probabilidade e Estatstica por suas ricas propriedades. Eis algumas de
suas propriedades que sero justicadas matematicamente mais tarde no tratamento
de vetores aleatrios.
(i) Se Xi

N ( i;

2
i ),

para i = 1; 2; :::; n, independentes, ento

X = X1 + X2 + ::: + Xn

n
X
N(
i=1

i;

n
X

2
i ).

i=1

Ou seja, soma de normais independentes tambm normal com mdia dada pela
soma das mdias e a varincia dada pela soma das varincias.

94

(ii) Se Xi

N( ;

), para i = 1; 2; :::; n, independentes, ento

X = X1 + X2 + ::: + Xn
(iii) Se Xi

N( ;

), para i = 1; 2; :::; n, independentes, ento

Xn =
(iv) Se Xi

N ( i;

N (n ; n 2 ).

2
i ),

X1 + X2 + ::: + Xn
n

N( ;

).

para i = 1; 2; :::; n, independentes, ento

X = a1 X1 + a2 X2 + ::: + an Xn + b

n
X
N(
ai

+ b;

i=1

n
X

a2i

2
i ).

i=1

(v) Seja X1 ; X2 ; :::; Xn uma amostra aleatria retirada de uma populao com
distribuio normal com mdia
2

e varincia

. Ento se

desconhecida e

conhecida, o intervalo de conana para a mdia populacional com 1

de

probabilidade ( dito o nvel de signicncia) dado por


P
onde z
z

=2

Xn

p z
n

=2

Xn + p z
n

=2

=1

o valor encontrado na tabela da normal padro tal que 1

=2 = P (Z

=2 ).

Exemplo 122 Os depsitos efetuados no Banco da Ribeira durante o ms de janeiro


so distribudos normalmente, com mdia de R$ 10:000; 00 e desvio-padro de R$
1:500; 00. Um depsito selecionado ao acaso dentre todos referentes ao ms em
questo. Encontrar a probabilidade de que o depsito seja:
(a) R$ 10:000; 00 ou menos;
(b) pelo menos R$ 10:000; 00;
(c) um valor entre R$ 12:000; 00 e R$ 15:000; 00;
(d) maior do que R$ 20:000; 00.

95

Exemplo 123 As vendas de um determinado produto tm distribuio aproximadamente normal, com mdia 500 e desvio-padro 50. Se a empresa decide fabricar 600
unidades no ms em estudo, qual a probabilidade de que no possa atender a todos
os pedidos, por estar com a produo esgotada?
Exemplo 124 Num certo lugar, a temperatura, em graus Celsius, normalmente
distribuda com mdia 20 graus e desvio-padro de 4 graus. Qual a proporo do
tempo em que a temperatura se encontra entre 15 graus e 22 graus?
Exemplo 125 Suponha que V , a velocidade em cm/seg de um objeto de massa 1
kg, seja uma varivel aleatria com distribuio normal com mdia 0 e varincia 25.
Admita-se que K =

1000V 2
2

= 500V 2 represente a energia cintica do objeto. Calcule

P (K > 800).
Exemplo 126 Assuma que o tempo X requerido para que um corredor distncia
corra uma milha uma varivel aleatria normal com mdia de 4 minutos e 1
segundo e desvio-padro de 2 segundos. Qual a probabilidade de que este atleta corra
uma milha em menos de 4 minutos? Em mais do que 3 minutos e 55 segundos?
Exemplo 127 O comprimento X de um determinado peixe adulto capturado na
Baa de Monterey uma varivel aleatria normal com mdia de 30 polegadas e
desvio-padro de 2 polegadas. Se uma pessoa pega um desses peixes, qual a probabilidade de que ele tenha no mnimo 31 polegadas de comprimento? De que ele no
tenha mais do que 32 polegadas de comprimento? De que ele tenha comprimnento
entre 24 e 28 polegadas?
Exemplo 128 Assuma que o preo de uma commodity amanh seja normalmente
distribudo com mdia US$ 10; 00 e desvio-padro de US$ 0; 25. Qual o menor

96

intervalo de conana a partir do qual voc pode armar com 95% de certeza sobre
qual ser o preo da commodity amanh?
Exemplo 129 A altura que um saltador capaz de pular uma varivel normal
com mdia de 2 metros e desvio-padro de 2 centmetros.
(a) Qual a maior altura que ele saltar com probabilidade de 95%?
(b) Qual a altura que ele saltar somente em 10% das vezes?
Exemplo 130 A distribuio dos comprimentos dos elos da corrente de bicicleta
normal, com mdia 2 cm e varincia 0; 01 cm2 . Para que uma corrente se ajuste
bicicleta, deve ter comprimento total entre 58 e 61 cm. Qual a probabilidade de
uma corrente com 30 elos no se ajustar bicicleta?
Exemplo 131 As duraes de gravidez tm distribuio normal com mdia de 268
dias e desvio-padro de 15 dias.
(a) Selecionada aleatoriamente uma mulher grvida, determine a probabilidade
de que a durao de sua gravidez seja inferior a 260 dias.
(b) Se 25 mulheres escolhidas aleatoriamente so submetidas a uma dieta especial a partir do dia em que engravidam, determine a probabilidade de os prazos
de durao de suas gravidezes terem mdia inferior a 260 dias (admitindo-se que a
dieta no produza efeito).
(c) Se as 25 mulheres tm realmente mdia inferior a 260 dias, h razo de
preocupao para os mdicos de pr-natal? Justique adequadamente.
Exemplo 132 O peso de uma determinada fruta uma varivel aleatria com distribuio normal com mdia de 200 gramas e desvio-padro de 50 gramas. Determine
a probabilidade de um lote contendo 100 unidades dessa fruta pesar mais que 21 kg.

97

Exemplo 133 Um elevador pode suportar uma carga de 10 pessoas ou um peso total
de 1750 libras. Assumindo que apenas homens tomam o elevador e que seus pesos
so normalmente distribudos com mdia 165 libras e desvio-padro de 10 libras,
qual a probabilidade de que o peso limite seja excedido para um grupo de 10 homens
escolhidos aleatoriamente?

6.4
6.4.1

A Distribuio Gama
A Funo Gama

Para todo nmero real

positivo, denimos a funo ( ) como


( )=

e x dx.

Proposio 38 Se

> 1, ento temos ( ) = (

1) (

1).

Prova. (Em aula.)


Corolrio 5 Se n 2 N, ento (n) = (n

1)!

Prova. (Em aula.)


Corolrio 6 Se n 2 N, ento (n + 12 ) = (n

1
)(n
2

3
):::( 12 )
2

Prova. (Em aula.)


Exemplo 134 Pelo ltimo corolrio temos, por exemplo, que
7
2

5
2

3
2

1
2

98

p
15
=
.
8

( 12 ), com ( 12 ) =

6.4.2

A Distribuio Gama

Diz-se que a v.a. X tem distribuio Gama com parmetros


por X

Gama( ; ), se sua f.d.p. dada por


8
>
>
x 1 exp (
<
( )
fX (x) =
>
>
:
0, se x 0

Proposio 39 Se X

>0e

> 0, denotada

x) , se x > 0

Gama( ; ), ento

mX (t) =

, para t <

E(X) =
V ar(x) =

Prova. (Em aula.)


Observao 27 Se X

Gama(1; ), ento X

Exp( ), ou seja, a distribuio

Exponencial um caso particular da distribuio Gama.


Observao 28 Se Xi

Gama( i ; ), para i = 1; 2; :::; n, independentes, ento

X = X1 + X2 + ::: + Xn

P
Gama( ni=1

i;

). Esse resultado ser derivado mais

tarde no tratamento de vetores aleatrios.


Observao 29 Se Xi
X1 + X2 + ::: + Xn

Exp( ), para i = 1; 2; :::; n, independentes, ento X =


Gama(n; ). Esse resultado decorre das duas observaes

anteriores.

6.5

A Distribuio Qui-Quadrado

Diz-se que a varivel aleatria X tem distribuio Qui-Quadrado com n graus de


liberdade, denotada por X

2
n,

se X

Gama( n2 ; 21 ). Assim a funo de densidade


99

de X dada por

fX (x) =

8
>
>
<

2n=2

>
>
: 0, se x
2
n,

Proposio 40 Se X

1
n
x2
(n=2)

x
2

exp

, se x > 0

ento

n
2

mX (t) =

2t

, para t <

1
2

E(X) = n
V ar(x) = 2n.
Prova. (Em aula.)
Exemplo 135 Seja X
Observao 30 Se Xi
X2 + ::: + Xn

N (0; 1). Ento Y = X 2


2
1,

2
1.

para i = 1; 2; :::; n, independentes, ento X = X1 +

2
n.

Exemplo 136 Alm disso, se X + Y = Z, com X e Y independentes com X


eZ

2
n1 +n2 ,

ento Y

2
n1

2
n2 .

Esses resultados sero justicados matematicamente mais tarde no tratamento


de vetores aleatrios.
Observao 31 A distribuio Qui-Quadrado desempenha um papel importante na
Inferncia Estatstica, em especial na construo de intervalos de conana para
a varincia populacional a partir da varincia amostral em populaes normais ou
aproximadamente normais, pois se Xi
dentes, ento pode-se mostrar que

(n

N( ;

1)S 2
2

), para i = 1; 2; :::; n, indepenPn


2
Xn
i=1 Xi
2
2
n 1 , onde S =
n 1

(a varincia amostral). Esse resultado ser justicado matematicamente mais tarde


no tratamento de vetores aleatrios.
100

Observe tambm que E (S 2 ) =

, da a correo da varincia amostral para a

diviso dos desvios-quadrticos por n

1 ao invs de n, para que o estimador S 2 da

varincia populacional

acerte em mdia o seu verdadeiro valor desconhecido.

Observao 32 O resultado

2
n 1; =2

tambm nos permite construir um

com base na varincia amostral com um nvel de

1)S 2

(n

2
n 1;1

1)S 2

(n

2
n 1; =2

=2

=1

o valor encontrado na tabela da Qui-Quadrado com n

liberdade tal que =2 = P (

6.6

2
n 1

. Ele dado por


P

onde

1)S 2
2

intervalo de conana para


conabilidade de 1

(n

2
n 1; =2 ).

A Distribuio Beta

Diz-se que a varivel aleatria X tem distribuio Beta com parmetros


e

1 graus de

> 0), denotado por X

de X dada por

( >0

Beta( ; ), se a funo de densidade de probabilidade

8
<

( + )
x
fX (x) =
( ) ( )
:
0, c.c.

(1

x)

, 0<x<1

Por ser uma classe de curvas denidas no intervalo (0; 1), a distribuio Beta muito
til na modelagem da distribuio a priori de propores populacionais na Inferncia
Bayesiana.
Observao 33 Assim, pode-se mostrar que
Observao 34 Se X

R1
0

(1

x)

dx =

Beta( ; ), ento, pode-se mostrar que


E(X) =
V ar(X) =

+
( + )2 ( +

+ 1)

(A funo geratriz de momentos no til nesse caso.)


101

( ) ( )
.
( + )

Observao 35 Se X

6.7

Beta(1; 1), ento X

U (0; 1).

A Distribuio de Cauchy

Diz-se que a v.a. X tem distribuio de Cauchy (padro), denotada por X


Cauchy, se a f.d.p. de X dada por
fX (x) =

1
, para
(1 + x2 )

1 < x < 1.

Observao 36 J vimos anteriormente que se X

Cauchy, ento X no possui

mdia, embora a distribuio seja simtrica em torno de 0. Obviamente, por este


fato, no possuir tampouco varincia ou desvio-padro.
Exemplo 137 Um emissor de raio laser situado preso a um teto a 1 metro de altura
do solo, gira num eixo para direita e para esquerda de maneira uniforme. Seja X
a v.a. que representa a coordenada do ponto no solo atingido pelo raio, tomando-se
a origem 0 como o p da perpendicular baixada pelo ponto onde se situa o emissor.
Mostre que X

6.8

Cauchy.

A Distribuio t-Student

Diz-se que a varivel aleatria X tem distribuio t-Student com n graus de liberdade, denotado por X

Student,se a funo de densidade de probabilidade de

tn

X dada por
fX (x) =
Observao 37 Se X
X

( n+1
)
2
(n )1=2 ( n2 )
t1

(1 +

x2
)
n

(n+1)=2

Student, ento X

, para x 2 R
Cauchy. J vimos que se

Cauchy, ento X no possui mdia. Logo no existe esperana matemtica

para a distribuio t-Student com 1 grau de liberdade.

102

h
i
Observao 38 Se X tn Student, com n > 1, ento E jXjk < 1 para k < n
h
i
k
e E jXj = 1 para k
n. Em outras palavras, os primeiros n 1 momentos
existem, mas os momentos de ordem superior a n

1 no existem. Com isso, X

no possui funo geratriz de momentos. Alm disso, pode-se mostrar que


E [X] = 0, para n > 1 e
n

V ar [X] =

, para n > 2.

Observao 39 A distribuio t-Student desempenha um papel fundamental na Inferncia Estatstica, pois nos permite estimar mdias populacionais, desconhecendose a varincia populacional, mas tendo acesso varincia amostral. Isso se d,
porque mostraremos mais tarde no tratamento de vetores aleatrios que, se Z
N (0; 1) e W

2
n

so variveis aleatrias independentes, ento


Z

X=

Assim, sejam Xi
2

N( ;

)e

(n

tn

1=2

W
n

Student.

N( ;

), para i = 1; 2; :::; n, independentes, ento como Xn


Pn
2
Xn
i=1 Xi
X1 +X2 +:::+Xn
2
2
eS =
,
n 1 , onde Xn =
n
n 1

1)S 2
2

pode-se mostrar que Xn e S 2 so independentes. Com isso, tendo em mente que


Xn
p

N (0; 1) e

temos

2
n 1

Xn

T =0
Assim

1)S 2

(n

B
@

p
n

(n

1)S
2

T =

11=2 =

Xn
p

C
A

Xn
S
p
n

tn

103

Student.

Xn
S
p
n

Se

desconhecida e

populacional com 1
P
onde tn

1; =2

tal que 1

6.9

desconhecida, o intervalo de conana para a mdia

de probabilidade ( dito o nvel de conana) dado por


S
p tn
n

Xn

S
Xn + p tn
n

1; =2

1; =2

=1

o valor encontrado na tabela da t-Student com n 1 graus de liberdade


=2 = P (T

tn

1; =2 ).

A Distribuio F-Snedecor

Diz-se que a varivel aleatria X tem distribuio F -Snedecor com m graus de


liberdade no numerador e n graus de liberdade no denominador, denotado por X
F (m; n), se a funo de densidade de probabilidade de X dada por
8
1
(m + n) m=2 n=2
x(m=2) 1
<
2
m
n
, se x > 0
fX (x) =
( m2 ) ( n2 )
(mx + n)(m+n)=2
:
0, se x 0
Observao 40 Pode-se mostrar que se X

F (m; n), ento

, se n > 2.
n 2
2n2 (m + n 2)
V ar [X] =
, se n > 4.
m(n 2)2 (n 4)
E [X] =

Observao 41 A distribuio F-Snedecor desempenhar um papel muito importante na Inferncia Estatstica, sobretudo em Anlise de Varincia, ou em Teste de
Igualdade de Varincia, pois ela pode ser obtida como uma razo entre duas variveis com distribuio Qui-Quadrado divididas por seus graus de liberdade, isto ,
se U

2
m

eV

2
n

so variveis independentes, ento


X=

U=m
V =n

F (m; n).

Esse resultado ser vericado posteriormente no tratamento de vetores aleatrios.


Observao 42 Se X

F (m; n), ento Y =


104

1
X

F (n; m).

Observao 43 Se X

Student, ento Y = X 2

tn

basta ter em mente que X =


Z2
1

e que X =

com Z 2

W
n

2
1

onde Z

1=2

W
n

2
n

eW

F (1; n). Para ver isto,


2
n

N (0; 1) e W

independentes

tambm independentes.

Observao 44 Se X1 ; X2 ; :::; Xn1 uma amostra aleatria retirada de uma populao com distribuio normal com mdia

2
1

e varincia

ambas desconhecidas

e se Y1 ; Y2 ; :::; Yn2 uma amostra aleatria retirada de uma outra populao com
distribuio normal com mdia

e varincia

2
2

tambm ambas desconhecidas, e

se as duas amostras so independentes ento sabemos que


1)S12

(n1

2
n1 1

2
1

onde

S12

Pn1

i=1

(n1

S12
:
S22

2
2
2
1

S22

(n2

i=1

1)S22

2
n2 1

2
2

Yi
n2

Yn2

independentes. Assim

1)S12
2
1
n1 1

(n2

Pn2

Xi Xn1
n1 1

1)S22

F (n1

1; n2

1)

2
2
n2 1

Esse resultado nos permite construir o intervalo de conana para a razo


entre as duas varincias populacionais com 1

2
2
2
1

de probabilidade. Assim, se

X1 ; X2 ; :::; Xn1 uma amostra aleatria retirada de uma populao com distribuio
normal com mdia

e varincia

2
1

ambas desconhecidas e se Y1 ; Y2 ; :::; Yn2 uma

amostra aleatria retirada de uma outra populao com distribuio normal com
mdia

e varincia

2
2

tambm ambas desconhecidas, e se as duas amostras so

independentes ento o intervalo de conana para a razo


populacionais com 1
P

S22
F(n
S12 1

2
2
2
1

entre as varincias

de probabilidade dado por


1;n2 1); =2

2
2
2
1

S22
F(n
S12 1
105

1;n2 1);1

=2

=1

6.10

Exerccios

Exerccio 88 Seja X uma v.a. uniformemente distribuda em (0; 1). Encontre a


1

6= 0. Resp.: Se

densidade de Y = X , onde
se

< 0, ento fY (y) =

> 0, ento fY (y) = y

:1(0;1) (y);

:1(1;1) (y).

Exerccio 89 Seja X uma v.a. exponencialmente distribuda com parmetro


Encontre a densidade de Y = cX, com c > 0. Resp.: Y

Exp

Exerccio 90 Seja X uma v.a. contnua tendo densidade f simtrica em torno de


0. Se tem distribuo exponencial de parmetro , encontre f. Resp.: f (x) =
jxj e

x2

, para

1 < x < 1.

Exerccio 91 Seja T uma v.a. contnua representando o tempo de falha de algum


sistema. Seja F a funo de distribuio de T e suponha que F (t) < 1 para 0 <
t < 1. Portanto, podemos escrever F (t) = 1

G(t)

, para t > 0. Suponha que

G0 (t) = g(t) exista para t > 0.


(a) Mostre que T tem densidade f dada por
f (t)
= g(t), 0 < t < 1.
1 F (t)
A funo g conhecida como a taxa de falha, pois, heuristicamente,
P (t

t + dtjT > t) =

f (t)dt
= g(t)dt.
1 F (t)

(b) Mostre que, para s > 0 e t > 0,


P (T > t + sjT > t) = exp

t+s

g(u)du .

(c) Mostre que o sistema melhora com tempo (isto , para s xado, a expresso
em (b) cresce com t) se g funo decrescente; e o sistema deteriora com o tempo
se g uma funo crescente.
106

(d) Mostre que

g(u)du = 1.

(e) Como g se comporta se T exponencialmente distribudo?


(f) Se G(t) = t , t > 0, para que valores de

o sistema melhora, deteriora, ou

permanece igual com o tempo?


Exerccio 92 O tempo gasto no atendimento dos clientes de uma loja de roupas
segue uma distribuio exponencial com mdia de 15 minutos.
(a) Qual a probabilidade de que o tempo de atendimento de um determinado
cliente selecionado ao acaso seja de pelo menos 30 minutos? Resp.: e
(b) Qual o valor de

= 0; 135335.

para que um cliente seja atendido em no mximo

com 98% de probabilidade? Resp.:

minutos

= 58; 68 minutos.

Exerccio 93 Suponha que a vida til de um certo tipo de lmpada tenha distribuio exponencial com mdia de 8 horas. Uma lmpada solitria ligada em
uma sala no instante t = 0. Um dia depois, voc entra na sala e ca ali durante 8
horas, saindo no nal desse perodo.
(a) Qual a probabilidade de que voc entre na sala quando j est escura? Resp.:
0; 9502.
(b) Qual a probabilidade de voc entrar na sala com a lmpada ainda acesa e sair
da sala depois da lmpada queimar? Resp.: 0; 03147.
Exerccio 94 Admita que a distribuio de alturas de jogadores de basquetebol seja
normal com desvio-padro 20 cm. Sabe-se que 40% desses jogadores tm mais de 2
m de altura.
(a) Determine a mdia dessa distribuio. Resp.:

= 195.

(b) Qual o percentual de jogadores com menos de 1,80 m de altura? Resp.:


22; 66%.
107

Exerccio 95 Suponha que o tempo T em minutos que uma pessoa leva para executar uma determinada tarefa varia segundo uma distribuio normal com mdia
e desvio-padro . Suponha tambm que estudos anteriores tm mostrado que 75%
das tarefas so executadas em no mximo 70 minutos e que 25% das tarefas so
executadas em no mximo 50 minutos.
(a) Determine os valores de

e . Resp.:

= 60 e

= 14; 9.

(b) De todas as pessoas que necessitam de pelo menos 75 minutos para execut-la,
que percentagem precisar de mais de 85 minutos? Resp.: 0; 2977.
Exerccio 96 A quantidade de leo contida em cada lata fabricada por uma indstria tem peso distribudo normalmente, com mdia de 990 g e desvio-padro de 10g.
Uma lata rejeitada no comrcio se tiver peso inferior a 976 g.
(a) Se observarmos uma sequncia casual destas latas em uma linha de produo,
qual a probabilidade de que a dcima lata observada seja a primeira a ser rejeitada?
Resp.: 0; 03785.
(b) Retirada uma amostra de 20 latas da linha de produo, qual a probabilidade
de que trs latas sejam rejeitadas? Resp.: 0; 1435.
Exerccio 97 Numa populao, os contedos de glicose no sangue de pessoas normais tm distribuio normal com mdia 120mg/100ml e desvio padro de 8mg/100ml.
(a) Dentre as pessoas normais que apresentam contedos de glicose entre 90mg/100ml
e 110mg/100ml, qual a porcentagem de pessoas com mais de 100mg/100ml de glicose
no sangue? Resp.: 0; 941287879.
(b) Se uma amostra de cem pessoas normais for observada, qual a probabilidade
de que o contedo de mdio de glicose nessa amostra seja superior a 121,4mg/100ml?
Resp.: 0; 0401.

108

Exerccio 98 O peso de um saco de caf se distribui normalmente com mdia de 65


kg e desvio padro de 4 kg. Um caminho carregado com 120 sacos. Pergunta-se:
(a) Qual a probabilidade de a carga do caminho pesar entre 7.893 kg e 7.910
kg? Resp.: 0; 011.
(b) Qual a probabilidade de a carga do caminho pesar mais do que 7.722 kg?
Resp.: 0; 9625.
Exerccio 99 Sejam X

N (0; 1), Y

N (0; 1) e Z

independentes. Dena W = 21 X 2 + 21 Y 2 + Z 2
(a) A distribuio da v.a. W . Resp.: W

XY

N (2; 1) variveis aleatrias


4Z + 4. Pede-se:

Exp( 21 ).

(b) A funo geratriz de momentos da varivel aleatria W . Resp.: mW (t) =


1
,
1 2t

para t < 12 .

Exerccio 100 A vida efetiva de um componente usado em um motor de uma


turbina de um avio a jato uma varivel aleatria normalmente distribuda com
mdia de 5000 horas e desvio-padro de 40 horas. O fabricante do motor introduz uma melhoria no processo de fabricao para esse componente, que aumenta a
vida mdia para 5050 horas e diminui o desvio-padro para 30 horas. Suponha que
uma amostra aleatria de 16 componentes seja selecionada do processo "antigo"e
uma amostra aleatria de 25 componentes seja selecionada do processo "melhorado".
Qual a probabilidade de que a diferena entre as duas mdias amostrais Y25 X16 seja
de no mnimo 25 horas? (Considere que os processos "antigo"e "melhorado"possam
ser considerados como populaes independentes.) Resp.: P Y25

X16

25 =

0; 9838.
Exerccio 101 Um fabricante arma que seus cigarros no contm mais que 32 mg
de nicotina, em mdia. Suponha que os contedos de nicotina tenham distribuio
109

normal. Uma amostra de 10 cigarros forneceu os seguintes contedos de nicotina:


30; 0

29; 5

29; 8

33; 0

32; 0

30; 5

30; 0

29; 5

31; 0

30; 7

(a) Construa um intervalo de conana ao nvel de signicncia de 5% para o nvel


mdio de nicotina nos cigarros produzidos pelo fabricante.
Resp.: P (29; 7851

31; 4148) = 0; 95.

(b) luz do intervalo de conana obtido no item (a) h evidncias de que


os dados refutam a armao do fabricante? Resp.: No h evidncias contra a
armao do fabricante.
Exerccio 102 Se X tem distribuio de Cauchy, encontre a densidade de Y =
a + bX, com b 6= 0. Resp.: fY (y) =
Exerccio 103 Se X
Resp.: Y

2
y2
( )

y2

Exerccio 105 Se X

, para

1 < y < 1.

Gama( ; ), qual a distribuio de Y = cX, onde c > 0?

Gama( ; ), qual a distribuio de Y =

X? Resp.:

:1(0;1) (y).
2
n,

ento Y =

graus de liberdade e denotada por Y


E (Y ) =

a)2 ]

Gama( ; c ).

Exerccio 104 Se X
fY (y) =

jbj

[b2 +(y

X chamada de distribuio Qui com n

n.

Determine a esperana de Y . Resp.:

21=2 [(n+1)=2]
.
(n=2)

Exerccio 106 Suponha que X1 , X2 , ..., X6 seja uma amostra aleatria de tamanho
6 de uma populao com distribuio normal padro. Seja
Y = (X1 + X2 + X3 )2 + (X4 + X5 + X6 )2 .
Determine o valor de c para que a v.a. cY tenha distribuio Qui-Quadrado.
Resp.: c = 1=3.
110

Exerccio 107 Se ln X

N( ;

), encontre a distribuio da v.a. X. (Essa dis-

tribuio, extremamente importante em Finanas, denominada distribuio lognormal com parmetros

Exerccio 108 Suponha que X tenha distribuio lognormal com parmetros 4; 1


p
e 8. Encontre a distribuio de 3 X. Resp.: X tem distribuio lognormal com
parmetros 3; 1486 e 2.
Exerccio 109 Suponha que X

Beta( ; ). Mostre que Y = 1 X

Beta( ; ).

Exerccio 110 Suponha que X1 , X2 , ..., X5 seja uma amostra aleatria de tamanho
5 de uma populao com distribuio normal padro. Determine a constante c tal
que a v.a.
c (X1 + X2 )
1

(X32 + X42 + X52 ) 2


p
tenha distribuio t-Student. Resp.: c = 3=2.

111

Captulo 7
Vetores Aleatrios
Neste captulo estudaremos as distribuies conjuntas de vetores aleatrios, em particular dos vetores bivariados.
Denio 31 Um vetor X = (X1 ; :::; Xn ) com Xi variveis aleatrias denidas no
mesmo espao de probabilidade ( ; P ) chamado vetor aleatrio se para todo
xi 2 R, i = 1; 2; :::; n, fX1

x1 ; :::; Xn

xn g um evento aleatrio.

Denio 32 A funo de distribuio conjunta F = FX de um vetor aleatrio X


denida por
FX (x) = FX (x1 ; :::; xn ) = P (X1
Observao 45 fX1

x1 ; :::; Xn

xn g =

n
\

i=1

x1 ; :::; Xn

f! : Xi (!)

xn ).
xi g.

Proposio 41 Propriedades da Funo de Distribuio Conjunta. Se X


um vetor aleatrio em ( ; P ), ento para qualquer x 2 Rn , sua funo de distribuio F goza das seguintes propriedades:
F1) F (x) no-decrescente em cada uma de suas coordenadas.
F2) F (x) contnua direita em cada uma de suas coordenadas.
F3) Se para algum j, xj !

1, ento F (x) ! 0 e, ainda, se para todo j, xj !

+1, ento F (x) ! 1.


112

F4) F (x) tal que para todo ai ; bi 2 R, ai < bi , 1


P fa1 < X1

b1 ; a2 < X2

n, temos

b2 ; :::; an < Xn

bn g

0.

Prova. (Em aula)


Observao 46 A propriedade F4 parece to bvia que poderamos questionar a
necessidade de mencion-la. No caso unidimensional ela no necessria, mas no
caso muldimensional ela essencial, pois h funes que atendem as propriedades
F1, F2 e F3 que no so funes de distribuies de nenhum vetor aleatrio, conforme o exemplo abaixo.
Exemplo 138 Considere a seguinte funo:
F (x; y) =

1, em S = f(x; y) : x
0, caso contrrio

0 e x+y

0, y

Ento F (x; y) satisfaz F1, F2 e F3, mas P f0 < X

1; 0 < Y

1g

1g =

1 < 0! Logo

F (x; y) no satisfaz F4 e, portanto, no pode ser funo de distribuio conjunta.


Exemplo 139 Sejam X e Y duas variveis aleatrias com funo de distribuio
conjunta FX;Y (x; y). Mostre que
P fa < X

b; c < Y

dg = F (b; d)

F (b; c)

F (a; d) + F (a; c)

Exemplo 140 Verique se a seguinte funo


F (x; y) =

1 e x y, x 0 e y
0, caso contrrio

uma funo de distribuio de algum vetor aleatrio.


Exemplo 141 Verique se a seguinte funo
F (x; y) =

(1 e x )(1 e y ), x
0, caso contrrio

0 ey

uma funo de distribuio de algum vetor aleatrio.


113

Observao 47 A partir da funo de distribuio conjunta, pode-se obter o comportamento de cada varivel isoladamente. A funo de distribuio individualizada
denominada funo de distribuio marginal e obtida da seguinte forma:
FXk (xk ) = xlim
F (x)
!1
i

i6=k

em que o limite aplicado em todas as coordenadas, exceto k.


Se as variveis do vetor aleatrio so discretas, temos um vetor aleatrio discreto
e denimos sua funo de probabilidade conjunta da seguinte forma:
p(x) = p(x1 ; :::; xn ) = P (X1 = x1 ; :::; Xn = xn ).
imediato vericar que
0, para todo x 2 Rn e

p(x)
X

p(x) = 1.

A funo de probabilidade marginal de uma varivel, digamos Xk , obtida a


partir da conjunta, somando-se os valores possveis em todas as coordenadas, exceto
em k, isto ,
pXk (xk ) = P (Xk = xk ) =

n X
X
i=1
i6=k

n X
X
i=1
i6=k

p(x)

xi

P (X1 = x1 ; :::; Xn = xn ).

xi

Exemplo 142 Duas moedas equilibradas so lanadas de forma independente e


denimos as variveis aleatrias X e Y da seguinte forma: X = nmero de caras
nos dois lanamentos e Y = funo indicadora de faces iguais nos dois lanamentos.
Obtenha a funo de probabilidade conjunta de X e Y e as funes de probabilidade
marginais de X e de Y.
114

Exemplo 143 (Distribuio Multinomial) Suponha que n experimentos sejam


realizados e que cada experimento pode ensejar r possveis resultados com probabilidades p1 , p2 ,...,pr , com

Pr

i=1

pi = 1. Seja Xi a v.a. que conta o nmero de

resultados i nos n experimentos realizados, i = 1; 2; :::; r. Claramente


e
P (X1 = n1 ; X2 = n2 ; :::; Xr = nr ) =
com

Pr

i=1

Pr

i=1

Xi = n,

n!
pn1 :pn2 :::pnr r
n1 !n2 !:::nr ! 1 2

ni = n.

Denominamos vetor aleatrio contnuo, o vetor aleatrio cujas componentes so


variveis aleatrias contnuas. Dada a funo de distribuio conjunta de um vetor
aleatrio, sucessivas derivadas parciais produzem a funo de densidade conjunta,
representada por f (x). Ento, podemos considerar que um vetor aleatrio contnuo
se existe uma funo f : Rn ! R+ tal que
FX (x) =

x1

:::
1

xn

f (y)dy1 :::dyn .
1

Observe que isto uma generalizao do caso univariado, e, como antes, valem
as propriedades
f (x)
Z 1
1

0, para todo x 2 Rn e
Z 1
:::
f (x)dx1 :::dxn = 1
1

Alm disso, decorre do clculo de vrias variveis que

@n
F (x)
@x1 :::@xn X

= f (x).

Observao 48 Assim, podemos perceber que


P (X1 2 dx1 ; :::; Xn 2 dxn ) = f (x)dx1 :::dxn .
Exemplo 144 Sejam trs variveis aleatrias X, Y e Z com funo de densidade
conjunta dada por
f (x; y; z) =

kxy 2 z, se 0 < x 1, 0 < y


0, caso contrrio
115

1e0<z

Encontre o valor de k e ache a funo de densidade marginal de X.


Exemplo 145 (Funo Mista) Considere duas variveis aleatrias X e Y, sendo X
discreta e Y contnua, com funo mista de probabilidade dada por
f (x; y) =

xy x
3

, se x = 1; 2; 3 e 0 < y
0, caso contrrio

(a) Verique que esta funo de fato uma funo mista de probabilidade.
(a) Mostre que

7.1

8
0, se x < 1 ou y < 0
>
>
y
>
>
, se 1 x < 2 e 0 y < 1
>
3
>
2
>
y+y
>
< 3 , se 2 x < 3 e 0 y < 1
y+y 2 +y 3
F (x; y) =
, se x 3 e 0 y < 1
3
>
>
1
>
,
se
1
x<2 e y 1
>
3
>
>
2
>
>
: 3 , se 2 x < 3 e y 1
1, se x 3 e y 1

Independncia

Denio 33 Sejam X1 ; X2 ; :::; Xn , n

2, variveis aleatrias denidas no mesmo

espao de probabilidade ( ; P ), de modo que X = (X1 ; :::; Xn ) um vetor aleatrio


em ( ; P ). As variveis aleatrias X1 ; X2 ; :::; Xn so (coletivamente) independentes
se para todo xi 2 R, i = 1; 2; :::; n,
P fX1

x1 ; :::; Xn

xn g =

n
Y
i=1

P fXi

xi g .

Observao 49 (i) (Propriedade de Hereditariedade de Variveis Aleatrias Independentes) Observe que para toda famlia de variveis aleatrias independentes
X1 ; X2 ; :::; Xn qualquer subfamlia tambm formada por variveis aleatrias inde-

116

pendentes, pois, por exemplo


P fX1

x1 ; X2

x2 g = P fX1

x1 ; X2

x2 ; X3 2 R; :::; Xn 2 Rg

= P fX1

x1 g P fX2

x2 g P fX3 2 Rg :::P fXn 2 Rg

= P fX1

x1 g P fX2

x2 g :1:::1

= P fX1

x1 g P fX2

x2 g

(ii) Se as variveis aleatrias X1 ; X2 ; :::; Xn so independentes, ento funes


de famlias disjuntas das variveis so tambm independentes. Por exemplo, se
X1 ; X2 ; X3 ; X4 so independentes, ento
(a) X1 + X2 + X3 e e

X4

so independentes;

(b) min(X1 ; X2 ) e max(X3 ; X4 ) so independentes;


(c) X1 :X2 e X2 + X3 no so necessariamente independentes.
A proposio a seguir nos fornece o critrio para independncia de variveis
aleatrias a partir da funo de distribuio conjunta. Trata-se do critrio de fatorao.
Proposio 42 (a) Se X1 ; X2 ; :::; Xn , n

2, so variveis aleatrias indepen-

dentes, ento
FX (x) = FX (x1 ; :::; xn ) =

n
Y
i=1

FXi (xi ) para todo (x1 ; :::; xn ) 2 Rn .

(b) Reciprocamente, se existem funes F1 ; F2 ; :::; Fn tais que limx!1 Fi (x) = 1


n
Y
para todo i e FX (x1 ; :::; xn ) =
Fi (xi ) para todo (x1 ; :::; xn ) 2 Rn ento X1 ; X2 ; :::; Xn
i=1

so variveis aleatrias independentes e Fi = FXi para todo i = 1; 2; :::; n.


Prova. (Em aula)
Proposio 43 (Critrio para independncia no caso contnuo)
117

(a) Se X1 ; X2 ; :::; Xn , n

2, so variveis aleatrias independentes e possuem

densidades fX1 ; :::; fXn , ento a funo


fX (x1 ; :::; xn ) =

n
Y

fXi (xi ), (x1 ; :::; xn ) 2 Rn

i=1

densidade conjunta das variveis aleatrias X1 ; X2 ; :::; Xn .


(b) Reciprocamente, se X1 ; X2 ; :::; Xn tm densidade conjunta f satisfazendo
n
Y
R1
fX (x1 ; :::; xn ) =
fi (xi ) para todo (x1 ; :::; xn ) 2 Rn onde fi (xi ) 0 e 1 fi (x)dx =
i=1

1 para todo i, ento X1 ; X2 ; :::; Xn so variveis aleatrias independentes e fi a


densidade de Xi para todo i = 1; 2; :::; n.
Prova. (Em aula)

Proposio 44 (a) Se F (x; y) a funo de distribuio conjunta de X e Y , ento


a funo de distribuio marginal de X
FX (x) = lim FX;Y (x; y) = FX;Y (x; +1).
y!1

(b) Se f (x; y) a funo de densidade conjunta de X e Y , ento a funo de


densidade marginal de X
fX (x) =

f (x; y)dy.

Prova. (Em aula)


Exemplo 146 Enuncie e prove o resultado anlogo da proposio anterior para o
caso discreto.
Exemplo 147 Dizemos que o vetor aleatrio (X; Y ) possui distribuio normal bivariada quando tem densidade dada por
f (x; y) =

1 2

: exp

1
p

2 (1

1
2)

"

1
1

1
1

118

2
2

2
2

#)

onde

> 0,

> 0,

1<

e Y so independentes e X

< 1,

N ( 1;

2Re
2
1)

eY

2 R. Mostre que se
N ( 2;

2
2 ).

(Se

= 0, ento X

6= 0, ento X e Y

no so independentes, pois sua densidade conjunta no produto das densidades


marginais.
Exemplo 148 Seja G 2 Rn uma regio tal que V olG > 0, onde V olG o volume
R R
n-dimensional de G, de modo que V olG = ::: 1dx1 :::dxn . Dizemos que X =
G

(X1 ; X2 ; :::; Xn ) uniformemente distribudo em G se X tem densidade


fX (x1 ; :::; xn ) =

1
,
V olG

se (x1 ; :::; xn ) 2 G
0, se (x1 ; :::; xn ) 2
=G

Observao 50 Se X1 ; X2 ; :::; Xn so variveis aleatrias em ( ; P ) ento


X1 ; X2 ; :::; Xn discretas

(X1 ; X2 ; :::; Xn ) discreto

X1 ; X2 ; :::; Xn absolutamente contnuas

(X1 ; X2 ; :::; Xn ) absolutamente contnuo

X1 ; X2 ; :::; Xn absolutamente contnuas

(X1 ; X2 ; :::; Xn ) absolutamente contnuo

7.2

Esperanas de Funes de Vetores Aleatrios

Teorema 15 Seja X = (X1 ; X2 ; :::; Xn ) um vetor aleatrio em ( ; P ) e

: Rn ! R

uma funo. Ento


E (X) =

Z1
1

Z1 Z1
ydF (X) (y) =
:::
(x)dFX (x)
1

onde a ltima integral uma integral n-dimensional de Stieltjes.


Prova. (Depende de Teoria da Medida.)
Observao 51 (i) Se X for discreto tomando valores em fx1 ; x2 ; :::g temos
E (X) =

1
X
i=1

119

(xi )pX (xi ).

(ii) Se X for contnuo com densidade fX (x) temos


Z1 Z1
E (X) =
:::
(x)fX (x)dx1 :::dxn .
1

(iii) E[ 1 (X) + ::: +

n (X)]

= E[ 1 (X)] + ::: + E[

n (X)].

Proposio 45 Se X1 ; X2 ; :::; Xn so variveis aleatrias independentes e inten


Y
grveis, ento
Xi integrvel e
i=1

E [X1 :X2 :::Xn ] =

n
Y

E[Xi ].

i=1

Prova. (Em aula)


O exemplo a seguir nos mostra que a recproca da proposio anterior no
sempre verdadeira, isto , EXY = EX:EY no implica X e Y independentes.
Exemplo 149 Sejam X e Y variveis aleatrias tomando valores

1; 0; 1 com dis-

tribuio conjunta dada por p( 1; 1) = p( 1; 1) = p(1; 1) = p(1; 1) = p(0; 0) =


1
.
5

Ento EXY = EX:EY , mas X e Y no so independentes, pois P (X = 0; Y =

0) 6= P (X = 0):P (Y = 0).
Denio 34 A covarincia entre duas variveis aleatrias X e Y denida como
Cov(X; Y ) = E [(X
= E [XY ]

EX) (Y

EY )]

E [X] E [Y ]

Duas variveis aleatrias X e Y so ditas no-correlacionadas se Cov(X; Y ) =


0. Segue-se que variveis aleatrias independentes so no-correlacionadas, mas a
recproca no necessariamente verdadeira.
Observao 52 H certos casos em que no correlao implica em independncia.
O caso mais importante o da Normal. Se X e Y possuem distribuio conjunta
120

normal bivariada e so no-correlacionadas, ento

= 0 e como vimos anterior-

mente X e Y so independentes.
Proposio 46 A varincia da varivel aleatria Y =

V ar

"

n
X
i=1

Xi =

n
P

Xi dada por

i=1
n
X

V ar [Xi ] + 2

i=1

Cov(Xi ; Xj ).

i<j

Prova. (Em aula)


Corolrio 7 Se X1 ; X2 ; :::; Xn so variveis aleatrias no-correlacionadas, ento
" n
#
n
X
X
V ar
Xi =
V ar [Xi ] .
i=1

i=1

Prova. (Em aula)


Denio 35 Dada uma varivel aleatria X, a varivel aleatria Z =

EX
X

uma padronizao de X (tambm chamada de reduo ou normalizao de X).


Observe que EZ = 0 e V arZ = 1.
Denio 36 Chama-se coeciente de correlao entre X e Y , denotado por
X;Y

ou (X; Y ), a correlao entre as sua variveis padronizadas, isto ,


X;Y

Cov(X; Y )
=E
X: Y

EX
X

EY

Exemplo 150 Mostre que (X; Y ) = (aX + b; cY + d) para a > 0 e c > 0.


A proposio seguinte nos informa que

X;Y

representa a dependncia linear entre

X e Y.
Proposio 47 Sejam X e Y variveis aleatrias com varincias nitas e positivas.
Ento:
(i)

(ii)

X;Y

(iii)

X;Y

X;Y

1.

= 1 se e somente se P fY = aX + bg = 1 para algum a > 0 e b 2 R.


=

1 se e somente se P fY = aX + bg = 1 para algum a < 0 e b 2 R.


121

Prova. (Em aula)


Proposio 48 (Desigualdade de Cauchy-Schwarz) E jXY j

p
EX 2 EY 2 .

Prova. (Em aula)

7.3

Distribuies de Funes de Variveis e Vetores Aleatrios

Seja X = (X1 ; X2 ; :::; Xn ) um vetor aleatrio em ( ; A; P ), e considere o problema


de determinar a distribuio de Y = g(X), com g uma funo mensurvel. Ento,
temos
FY (y) = P fY

yg = P fg(X)

Denindo By = f(x1 ; x2 ; :::; xn ) : g(x1 ; x2 ; :::; xn )

yg

yg, temos

FY (y) = P fX 2 By g
= PX fBy g
ou seja, conhecendo a distribuio conjunta de X1 ; X2 ; :::; Xn , podemos obter a distribuio de qualquer funo mensurvel de X.
Observao 53 (a) Quando X discreto, Y tambm discreto e o problema tornase simples, pois
pY (y) =

pX (xi )

i:g(xi )=y

(b) Quando X contnuo, o problema mais complexo pois Y pode ser discreto
ou contnuo.
Exemplo 151 Se X e Y so independentes, cada uma com distribuio uniforme
em [0; 1], mostre que Z = X=Y tem funo de distribuio
8
0, se z 0
>
>
< z
, se 0 < z < 1
FZ (z) =
2
>
1
>
: 1
, se z 1
2z
122

e funo de densidade
8
>
0, se z 0
>
>
< 1
0
, se 0 < z < 1
fZ (z) = FZ (z) =
2
>
>
1
>
:
, se z 1
2z 2

Proposio 49 (a) Se X e Y tm densidade conjunta f (x; y), ento a varivel


aleatria Z = X + Y tem densidade dada por
fZ (z) =

f (z

t; t)dt =

f (t; z

t)dt.

(b) Se X e Y so independentes com densidades fX e fY ento Z = X + Y tem


densidade dada por
fZ (z) =

fX (z

t)fY (t)dt =

fX (t)fY (z

t)dt.

Prova. (Em aula.)


Observao 54 Se f1 e f2 so densidades de variveis aleatrias, sua convoluo
f1 f2 denida como
f1 f2 (x) =

f1 (x

t)f2 (t)dt.

Portanto, pela proposio anterior, se X e Y so independentes e absolutamente


contnuas, fX

fY a densidade da soma X + Y .

Exemplo 152 A partir da frmula da convoluo, encontre a lei de X + Y onde


X e Y so variveis aleatrias independentes e exponencialmente distribudas com
parmetro .
Exemplo 153 Mostre que se X
independentes, ento X + Y

P(

P( 1 ) e Y
1

2 ).

123

P( 2 ) so variveis aleatrias

Observao 55 Outra forma de se obter a convoluo de duas variveis aleatrias


independentes atravs da funo geratriz de momentos da soma X + Y , pois
mX+Y (t) = E[et(X+Y ) ]
= E[etX etY ]
= E[etX ]E[etY ] (pela independncia de X e Y )
= mX (t)mY (t).
Se a f.g.m de X + Y tem forma conhecida, ento, pela unicidade da f.g.m., podemos
recuperar a lei de X + Y . Vejamos alguns exemplos.
Exemplo 154 Mostre que se Xi
independentes, ento Y =

Pk

i=1

B(ni ; p), i = 1; 2; :::; k, so variveis aleatrias

Exemplo 155 Mostre que se Xi


X = X1 + X2 + ::: + Xr

P
B( ki=1 ni ; p).

Xi

Geo(p), para i = 1; 2; :::; r, independentes ento

BN (r; p).

Exemplo 156 Mostre que se Xi


independentes, ento Y =

Pn

i=1

P( i ), i = 1; 2; :::; n, so variveis aleatrias

Xi

Exemplo 157 Mostre que se Xi


independentes, ento Y =

Pn

i=1

i ).

Exp( ), i = 1; 2; :::; n, so variveis aleatrias

Xi

Exemplo 158 Mostre que se Xi


ento X = X1 + X2 + ::: + Xn

P
P( ni=1

Gama(n; ).
Gama( i ; ), para i = 1; 2; :::; n, independentes,

P
Gama( ni=1

Exemplo 159 Mostre que se Xi

N ( i;

2
i ),

i;

).

para i = 1; 2; :::; n, independentes,

ento
X=

1 X1

2 X2

+ ::: +

n Xn

N(

n
X

i=1 i

124

+ ;

n
X
i=1

2 2
i i ).

Exemplo 160 Mostre que se Xi

2
1,

para i = 1; 2; :::; n, independentes, ento

2
n.

X = X1 + X2 + ::: + Xn

Exemplo 161 Mostre que se X + Y = Z, com X e Y independentes com X


eZ

2
n1 +n2 ,

7.4

ento Y

2
n1

2
n2 .

Exerccios

Exerccio 111 Dadas X e Y duas v.a.d conjuntamente distribudas como:


8
2
<
, se x = 1; 2; :::; n e y = 1; 2; :::; x
PX;Y (x; y) =
n(n + 1)
: 0, caso contrrio
Pede-se:

(a) As funes de probabilidade marginais de X e Y . Resp.: P (X = x) =


x = 1; 2; :::; n e P (Y = y) =

2(n y+1)
,
n(n+1)

2x
,
n(n+1)

y = 1; 2; :::; n

(b) Verique se X e Y .so independentes. Resp.: X e Y .no so independentes.


Exerccio 112 Sejam X e Y duas v.a.c com f.d.p. conjunta dada por:
( 1
, se 0 < x < 1 e 0 < y < x
f (x; y) =
x
0, caso contrrio
Pede-se:
(a) As funes de densidade marginais de X e Y . Resp.: fX (x) = 1(0;1) (x) e
fY (y) =

ln y:1(0;1) (y)

(b) Verique se X e Y .so independentes. Resp.: X e Y .no so independentes.


Exerccio 113 Sejam X e Y duas v.a.c com f.d.p. conjunta dada por:
f (x; y) =

24xy, se x 0, y
0, caso contrrio

Pede-se:

125

0 e x+y

(a) As funes de densidade marginais de X e Y . Resp.: fX (x) = 12x(1


x)2 1[0;1] (x) e fY (y) = 12y(1

y)2 :1[0;1] (y)

(b) Verique se X e Y .so independentes. Resp.: X e Y .no so independentes.


Exerccio 114 Sejam X e Y duas v.a.c com f.d.p. conjunta dada por:
f (x; y) =

e (x+y) , se x 0, y
0, caso contrrio

Pede-se:
(a) As funes de densidade marginais de X e Y . Resp.: fX (x) = e x :1(0;1) (x)
e fY (y) = e y :1(0;1) (y)
(b) Verique se X e Y .so independentes. Resp.: X e Y .so independentes.
(c) Calcule P (X

2). Resp.:

e
2

Exerccio 115 Sejam X e Y duas v.a.c com f.d.p. conjunta dada por:
C(x + 2y), se 0 < x < 2 e 0 < y < 1
0, caso contrrio

f (x; y) =
Pede-se:

(a) O valor de C. Resp.: 14 .


(b) As funes de densidade marginais de X e Y . Resp.: fX (x) =

x+1
:1(0;2) (x)
4

e fY (y) = 12 (1 + 2y):1(0;1) (y)


(c) Verique se X e Y .so independentes. Resp.: X e Y .no so independentes.
p
(d) Ache P (X > Y ). Resp.: 59
.
80
Exerccio 116 Seleciona-se ao acaso um ponto do quadrado unitrio
f(x; y) : 0

1, 0

1g .

Sejam X e Y as coordenadas do ponto selecionado.


(a) Qual a densidade conjunta de X e Y? Resp.: fX;Y (x; y) = 1[0;1]
126

[0;1] (x; y).

(b) Calcule P (

Y
X

(c) Calcule P (Y

1
).
2

X jY

Resp.:
1
).
2

5
.
12

Resp.: 34 .

Exerccio 117 Encontre a probabilidade de que as razes da equao y 2 + 2X1 y +


X2 = 0 sejam reais, sabendo-se que:
(a) X1 e X2 so aleatoriamente escolhidos entre 0 e 1. Resp.:

1
3

(b) X1 aleatoriamente escolhidos entre 0 e 1 e X2 aleatoriamente escolhidos


1 e 1. Resp.:

entre

2
3

Exerccio 118 Quatro pessoas concordam em se encontrar num restaurante ao


meio-dia. Suponha que cada pessoa chegue num tempo distribudo normalmente com
mdia 12 (meio-dia) e desvio-padro de 5 minutos, independentemente de todas as
outras.
(a) Qual a chance de que a primeira pessoa a chegar no restaurante chegue antes
de 11:50h? Resp.: 0; 0881
(b) Qual a chance de que nem todos tenham chegado s 12:15h no restaurante?
Resp.: 0; 005189
Exerccio 119 Sejam X e Y duas v.a.c com f.d.p. conjunta dada por:
f (x; y) =

C(y x)8 , se 0 < x < y < 1


0, caso contrrio

Pede-se:
(a) O valor de C. Resp.: 90.
(b) Ache P (Y > 2X). Resp.:

29 1
.
29

Exerccio 120 Sejam X e Y duas v.a. exponenciais e independentes com parmetros

e , respectivamente. Calcule P (X < Y ). Resp.:

127

Exerccio 121 Seleciona-se ao acaso um ponto do crculo unitrio


A = (x; y) : x2 + y 2

1 .

Sejam X e Y as coordenadas do ponto selecionado.


(a) Qual a densidade conjunta de X e Y ? Resp.: fX;Y (x; y) = 1 1A (x; y).
(b) Determine P (Y > X), P (Y < X) e P (Y = X). Resp.: 21 , 12 , 0.
Exerccio 122 Verique se a seguinte funo
F (x; y) =

1 e ax e ay + e
0, caso contrrio

a(x+y)

,x

0 ey

com a > 0 uma funo de distribuio de algum vetor aleatrio bidimensional


(X; Y ). Resp.: Sim.
Exerccio 123 Sejam X e Y duas v.a.c com f.d.p. conjunta dada por:
f (x; y) =

1
,
2

se 2 y x 4
0, caso contrrio

Pede-se:
(a) As funes de densidade marginais de X e Y . Resp.: fX (x) =
e fY (y) =

x 2
:1[2;4] (x)
2

4 y
:1[2;4] (y)
2

(b) Verique se X e Y .so independentes. Resp.: X e Y .no so independentes.


(c) Ache P (Y + X 2

6X

6). Resp.:

7
.
12

Exerccio 124 Se X e Y so v.a.s independentes com varincias nitas, demonstre que


V ar (XY ) = V ar (X) V ar (Y ) + (EX)2 V ar(Y ) + (EY )2 V ar(X).
Exerccio 125 Sejam X e Y v.a.s com varincias nitas. Mostre que se V ar(X) 6=
V ar(Y ), ento X + Y e X

Y no so independentes.
128

Exerccio 126 Demonstre que a covarincia bilinear, isto ,


Cov

m
X
i=1

ai Xi ;

n
X

b j Yj

j=1

m X
n
X

ai bj Cov (Xi ; Yj ) ,

i=1 j=1

onde os ai e bj so nmeros reais. (Suponha que as Xi e Yj possuam varincias


nitas.)
Exerccio 127 Sejam X e Y duas v.a.c com f.d.p. conjunta dada por:
8
3
< p
, se 0 < y < x < 1
fX;Y (x; y) =
2 x
: 0, caso contrrio

Pede-se:

(a) A covarincia entre X e Y . Resp.: Cov(X; Y ) =

12
350

(b) O coeciente de correlao entre X e Y . Resp.: (X; Y ) =

p 24 .
1776

Exerccio 128 Sejam X1 ; X2 ; :::; Xn , variveis aleatrias no-correlacionadas identicamente distribudas com mdia

e varincia

Xn =

n
X

. Dena a varivel aleatria

Xi

i=1

isto , Xn a mdia das n variveis aleatrias.


(a) Mostre que E Xn = .
2

(b) Mostre que V ar Xn =


(c) Se

= 1, qual deve ser o valor de n para que P ( Xn

< 1) > 0; 9?

Resp.: 10 (Use a desigualdade de Tchebychev.)


Exerccio 129 Sejam X1 ; X2 ; :::; variveis aleatrias i.i.d. normalmente distribudas com mdia

e desvio-padro 10. Qual deve ser o tamanho da amostra para que

possamos garantir, com 95% de probabilidade, que o valor da mdia amostral no se


afastar do da mdia populacional por mais de 0; 5? Resp.: n = 1:536.
129

Exerccio 130 As alturas de uma certa populao so normalmente distribudas


com mdia 160cm e desvio padro 8cm. Calcule a probabilidade de que a altura
mdia de uma amostra de tamanho 25 seja maior do que 162cm. Resp.: 0; 10565.
Exerccio 131 Uma amostra de tamanho 400 de uma populao normal foi observada e forneceu os seguintes dados: x400 = 30; 5 e

P400

i=1

(xi

x400 )2 = 12560.

Estime um intervalo de 95% de conana para a mdia populacional. Resp.: IC:


(29; 95; 31; 05)
Exerccio 132 Mostre que a covarincia de duas v.as invariante para soma de
constantes, isto , se a e b so constantes e Y1 = X1 + a e Y2 = X2 + b, ento
Cov(Y1 ; Y2 ) = Cov(X1 ; X2 ).
Exerccio 133 Sejam X e Y variveis aleatrias de mdia zero, varincia igual a
1 e correlao . Seja Z = X

Y.

(a) Mostre que Z e Y no so correlacionadas.


(b) Ache a mdia e a varincia de Z. Resp.: E(Z) = 0 e V ar(Z) = 1

130