Escolar Documentos
Profissional Documentos
Cultura Documentos
Sumrio
1 Denies Bsicas
1.1 Modelo Matemtico para um Experimento . . . . .
1.1.1 Espaos de Probabilidade . . . . . . . . . .
1.1.2 Denio e Propriedades das Probabilidades
1.1.3 Probabilidade Condicional . . . . . . . . . .
1.1.4 Independncia . . . . . . . . . . . . . . . . .
2 Variveis Aleatrias
2.1 Conceito . . . . . . . . . . . . . . . . . . . .
2.2 Funo de Distribuio . . . . . . . . . . . .
2.3 Variveis Aleatrias Discretas . . . . . . . .
2.4 Variveis Aleatrias Contnuas . . . . . . . .
2.5 Vetores Aleatrios . . . . . . . . . . . . . . .
2.5.1 Independncia . . . . . . . . . . . . .
2.6 Funes de Variveis Aleatrias . . . . . . .
2.6.1 Transformaes Mensurveis . . . . .
2.6.2 Distribuies de Funes de Variveis
2.6.3 Mtodo do Jacobiano . . . . . . . . .
2.6.4 Estatsticas de Ordem . . . . . . . .
.
.
.
.
.
.
.
.
e
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
Vetores Aleatrios
. . . . . . . . . . .
. . . . . . . . . . .
3 Esperana Matemtica
3.1 Denio . . . . . . . . . . . . . . . . . . . . . .
3.1.1 Propriedades da Esperana Matemtica .
3.2 Esperanas de Funes de Variveis Aleatrias .
3.3 Momentos . . . . . . . . . . . . . . . . . . . . .
3.3.1 Propriedades da Varincia . . . . . . . .
3.4 Esperanas de Funes de Vetores Aleatrios . .
3.5 A Funo Geratriz de Momentos . . . . . . . . .
3.6 Lista . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
5
11
16
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
18
18
19
22
23
25
29
32
32
32
34
36
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
38
38
39
41
41
42
44
47
63
.
.
.
.
.
65
71
71
74
77
PROGRAMA
UNIDADE I - Espaos de Probabilidade. Modelo matemtico para um experimento (modelo probabilstico). lgebra de eventos e -lgebra de eventos: denio
e propriedades.
Axiomas da probabilidade ( -aditividade), continuidade no vazio. Propriedades
da probabilidade. Espao de probabilidade: denio.
UNIDADE II Vetores Aleatrios
Introduo: denio de uma varivel aleatria, distribuio e propriedades.
Funes de variveis aleatrias: transformao de escala e posio, transformao
integral da probabilidade. Caracterizao adicional de variveis aleatrias: momentos.
Vetores aleatrios de dimenso 2. Distribuio: denio e propriedades. O caso
discreto: funo de probabilidade conjunta, funes de probabilidade marginais e
condicionais. O caso contnuo: funo de densidade conjunta, funes de densidade
marginais e condicionais. Variveis aleatrias independentes. Extenso para o caso
de dimenso n
2.
Distribuio t:
iii
BIBLIOGRAFIA
AVALIAOES
iv
Captulo 1
Denies Bsicas
1.1
1.1.1
Espaos de Probabilidade
Suponha que vamos realizar um experimento cujo resultado no pode ser predito
de antemo. Entretanto, suponha que saibamos todos os possveis resultados de
tal experimento. Este conjunto de todos os resultados possveis, que denotaremos
por
denio:
Denio 1 O conjunto
= fCa; Cog,
= f1; 2; 3; 4; 5; 6g.
Exemplo 3 Se
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.
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
>
>
>
>
>
>
=
>
>
>
>
>
>
;
, isto A
, ao qual
os conjuntos ; e
so eventos aleatrios. O
denominado
2 A;
B 2 A;
n
2 A;
enumervel)
Ento a classe A de subconjuntos de
\ Ai 2 A.
i=1
Exerccio 3 Mostre que toda -lgebra uma lgebra, mas a recproca no verdadeira.
Exerccio 4 Mostre, com exemplo, que se A e B so
-lgebras, A [ B no
, podemos construir a
, ;, A e Ac para todo A 2 B;
B1
B2
lgebra.
Observao 3 Podemos construir (ainda que de forma abstrata) a menor
contendo uma classe B de subconjuntos de
as
(B),
lgebra
. O conjunto
uma
no-vazio,
Exemplo 6 Seja
juntos de
de
(B)
todos os subconjuntos de
(esta
lgebra de subcon-
lgebra contendo
Denio 7 A
f(a; b); 1
a<b
+1g
+1g
f( 1; x]; x 2 Rg,
)lgebra em
. Um membro A de A dito um
)lgebra.
= f1; 2; 3; 4; 5; 6g e seja A = f;; f2g; f1; 3; 4; 5; 6g; f4; 6g; f1; 2; 3; 5g;
f1; 3g; f2; 4; 5; 6g; f5g; f1; 2; 3; 4; 6g; f1; 3; 5g; f4; 5; 6g; f1; 3; 4; 6g; f2; 5g; f1; 2; 3g; f2; 4; 6g; g.
Ento os tomos associados A so f2g, f5g, f1; 3g e f4; 6g.
1.1.2
onde #A a cardinalidade de A e #
5
#A
#
a cardinalidade de
P (A) = lim
n0 se
tenha
P (A)
improvvel que P (A)
nA
n
nA
< ".
n
" para n
Seja
0.
A2) P ( ) = 1.
A3) (Aditividade nita) Se A1 ; A2 ; :::; An 2 A so disjuntos dois a dois, isto ,
n
X
n
Ai \ Aj = ; para todo i 6= j, ento P [ 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:
[ Ai =
i=1
1
X
P (Ai ).
i=1
um conjunto no-vazio,
7
,e
P (A).
P (A)
1.
A) = P (B)
B, ento
P (A);
P (B).
P (A \ B).
[ Ai
i=1
i=1
[ Ai
i=1
n
X
i=1
P (Ai )
X
i<j<k<l
X
i<j
P (Ai \ Aj ) +
i<j<k
P (Ai \ Aj \ Ak )
1 e dita decrescente se En
Se fEn ; n
En+1 ; n
1g dita crescente se En
1.
lim En = [ Ei .
n!1
i=1
lim En = \ Ei .
n!1
i=1
ento
lim P (En ) = P ( lim En ).
n!1
n!1
10
1.1.3
Probabilidade Condicional
P (A \ B)
, A 2 A.
P (B)
(1.1)
P (A j B).
uma famlia
(i) [ Ai =
i=1
An .
B = [ (Ai \ B) .
i=1
12
X
i
, ento
P (Ai ):P (B j Ai )
(1.2)
para todo B 2 A.
Prova. (Em aula.)
Teorema 12 (Frmula de Bayes) Se a seqncia (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 )
(1.3)
Exerccio 14 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.
(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.
Exerccio 15 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?
(b) Qual a probabilidade de ambas as bolas retiradas serem da mesma cor?
Exerccio 16 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.
Exerccio 17 Um estudante se submete a um exame de mltipla escolha no qual
cada questo tem cinco respostas possveis, das quais exatamente uma correta. O
15
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?
(b) Se o estudante escolhe a resposta correta para uma dada questo, qual a
probabilidade de que ele sabia a resposta?
1.1.4
Independncia
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
2, A1 ; :::; An
so independentes.
Observao 7 Independncia a pares no implica independncia coletiva. Conforme o exerccio a seguir.
Exerccio 18 Seja
1
2
Captulo 2
Variveis Aleatrias
2.1
Conceito
= [0; 1] e
X(!) = ! 2 .
18
= f(x; y) : x2 + y 2
1g e, com
x2 + y 2 .
= f1; 2; 3; 4; 5; 6g
e
X(!) = !.
que ela seja uma varivel aleatria, precisamos garantir que todo evento relacionado
varivel aleatria possa ser mensurado. Da a denio seguinte:
Denio 16 Uma varivel aleatria X em um espao de probabilidade ( ; A; P )
uma funo real denida no espao
: X(!)
x] (daqui
isto ,
!R
X:
uma varivel aleatria se [X
Exemplo 13 Sejam
x] 2 A para todo x 2 R.
2.2
Funo de Distribuio
x), x 2 R.
(2.1)
x2 ento F (x1 )
P (X
b) = P (X
a) = 1
b)
a) = P (X
b)
P (X
a) =
FX (a)
3. P (X = a) = P (X
a)
P (X < a) = FX (a)
FX (a ). Ou seja, P (X = a)
20
b)
= FX (b )
5. P (a
a)
P (X = b)
P (X = b) = FX (b)
FX (a)
[FX (b)
FX (b )]
FX (a).
= FX (b )
6. P (a
P (X
b)
b) = P (a < X
= FX (b)
FX (a )] = FX (b )
FX (a ).
b) + P (X = a)
FX (a )] = FX (b)
FX (a ).
Exerccio 22 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?
Exerccio 23 Seja F (x) a funo
8
< 0, se x < 0
x + 12 , se 0
F (x) =
:
1, se x > 12
1
2
2
5
j X > 18 )
21
2.3
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; :::
(2.2)
x] =
[X = xi ] e assim
i:xi x
F (x) =
P (X = xi ) =
i:xi x
p(xi ).
i:xi x
0, i = 1; 2; 3; :::
(2.3)
e
1
X
p(xi ) = 1.
(2.4)
i=1
22
2.4
0 para todo x 2 R
Z1
fX (x)dx = 1
de modo que
FX (x) =
Zx
fX (t)dt.
dFX (x)
.
dx
FX (x ) = 0 para todo x 2 R.
b) = P (a < X
b) = P (a
1
2
z<1
3
).
4
8
< 0, y < 0
p
y, 0 y
FY (y) =
:
1, y > 1
Obtenha:
1) e P (X
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 32 Suponha que X seja uma varivel aleatria com f.d.p. dada por
fX (x) =
1
,
2(1 + jxj)2
1<x<1
2.5
Vetores Aleatrios
x1 ; :::; Xn
xn ).
Observao 12 fX1
x1 ; :::; Xn
xn g =
n
\
i=1
f! : Xi (!)
xi g 2 A.
b1 ; a2 < X2
n, temos
b2 ; :::; an < Xn
bn g
0.
1, em S = f(x; y) : x
0, caso contrrio
0, y
0 e x+y
1; 0 < Y
1g
1g =
1 < 0! Logo
26
b; c < Y
dg = F (b; d)
F (b; c)
F (a; d) + F (a; c)
1 e x y, x 0 e y
0, caso contrrio
(1 e x )(1 e y ), x
0, caso contrrio
0 ey
i6=k
0, para todo x 2 Rn e
p(x) = 1.
27
n X
X
i=1
i6=k
n X
X
i=1
i6=k
p(x)
xi
P (X1 = x1 ; :::; Xn = xn ).
xi
Exemplo 18 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.
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
0, para todo x 2 Rn e
f (x)
Z
1
1
:::
f (x)dx1 :::dxn = 1
@n
F (x)
@x1 :::@xn X
28
= f (x).
1e0<z
xy x
3
, se x = 1; 2; 3 e 0 < y
0, caso contrrio
(a) Verique que esta funo de fato uma funo mista de probabilidade.
(a) Mostre que
2.5.1
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
n
Y
i=1
P fXi 2 Bi g
Observao 16 (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 independentes, pois, por exemplo
P fX1 2 B1 ; X2 2 B2 g = P fX1 2 B1 ; X2 2 B2 ; X3 2 R; :::; Xn 2 Rg
= P fX1 2 B1 g P fX2 2 B2 g P fX3 2 Rg :::P fXn 2 Rg
= P fX1 2 B1 g P fX2 2 B2 g :1:::1
= P fX1 2 B1 g P fX2 2 B2 g
(ii) Se as variveis aleatrias X1 ; X2 ; :::; Xn so independentes, ento funes de
famlias disjuntas das variveis so tambm independentes. Por exemplo:
(a) X1 + X2 + X3 e e
X4
so independentes.
ento
FX (x) = FX (x1 ; :::; xn ) =
n
Y
i=1
n
Y
i=1
f (x; y)dy.
1 2
: exp
1
p
2 (1
1
2)
"
1
1
1
1
31
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
2.6
2.6.1
1
,
V olG
se (x1 ; :::; xn ) 2 G
0, se (x1 ; :::; xn ) 2
=G
( ; F) ! (Rd ; B d ) ! (R; B)
de ( ; F) a (R; B) dene uma sada (output). Y uma varivel aleatria.
2.6.2
yg = P fg(X)
yg, temos
FY (y) = P fX 2 By g
= PX fBy g
32
yg
ou seja, conhecendo a distribuio conjunta de X1 ; X2 ; :::; Xn , podemos obter a distribuio de qualquer funo mensurvel de X.
Observao 17 (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 23 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
e funo de densidade
8
>
0, se z 0
>
>
< 1
0
, se 0 < z < 1
fZ (z) = FZ (z) =
2
>
>
1
>
:
, se z 1
2z 2
f (z
t; t)dt =
f (t; z
t)dt.
fX (z
t)fY (t)dt =
1
1
fX (t)fY (z
t)dt.
f1 (x
t)f2 (t)dt.
2.6.3
fY a densidade da soma X + Y .
Mtodo do Jacobiano
Sejam G0
Rn e G
bijetora onde
g(x1 ; :::; xn ) = (g1 (x1 ; x2 ; :::; xn ); :::; gn (x1 ; x2 ; :::; xn )) = (y1 ; :::; yn ).
Ento existe a funo inversa h = g
en G, onde
i; j
n,
J(x; y) =
@y1
6
= det 4 ...
@xn
@y1
..
@yn
.. 7
. 5
@xn
@yn
Pelo clculo de vrias variveis, sabemos que se o jacobiano for no-nulo para todo
y 2 G, ento
Z
:::
A
:::
f (h1 (y1 ; :::; yn ):::; hn (y1 ; :::; yn )) jJ(x; y)j dy1 :::dyn
g(A)
X
so
Y
ze z , z > 0
0, z 0
8
<
1
, w>0
fW (w) =
.
(w + 1)2
: 0, w 0
R1
:::
R1
35
Exemplo 26 (Jacobiano sem bijeo) Seja X uma varivel contnua com densidade
fX (x) = 21 e
jxj
1(0;1) (y).
2.6.4
Estatsticas de Ordem
X(2) (!)
:::
X(n) (!)
Proposio 9 Se X1 ; X2 ; :::; Xn so variveis aleatrias i.i.d. com funo de distribuio FX e funo de densidade fX , ento
para x1 < x2 < ::: < xn
Proposio 10 Se X1 ; X2 ; :::; Xn so variveis aleatrias i.i.d. com funo de distribuio FX e funo de densidade fX , ento
fX(k) (x) = n
n
k
1
1
[1
FX (x)]n
para x 2 R
n
l
k
k
1
1
[FX (y)
FX (x)]l
k 1
FX (y)]n
[1
para x < y.
Prova. (Em aula.)
Corolrio 1 Se X1 ; X2 ; :::; Xn so variveis aleatrias i.i.d. com funo de distribuio FX e funo de densidade fX , ento a densidade conjunta de U = min1
e V = max1
i n
Xi dada por
fU;V (u; v) =
37
i n
Xi
Captulo 3
Esperana Matemtica
3.1
Denio
Z1
(3.1)
xdFX (x)
Z0
Z1
Z0
(c) Se ambas as integrais xdFX (x) e
xdFX (x) forem nitas, dizemos que X
0
Z1
(d) Se X uma varivel aleatria discreta tomando valores no conjunto fx1 ; x2 ; x3 ; :::g
e com funo de probabilidade p(xi ) = P (X = xi ), ento
E(X) =
1
X
i=1
38
xi p(xi ).
Z1
E(X) =
xfX (x)dx
1
X
xi p(xi ) +
i=1
Z1
xfX (x)dx +
Z1
xdFs (x).
f (x) =
3.1.1
1).
b, ento a
b) = aE(X)
E(X)
b.
b.
E(X)] = 0.
Y , ento E(X)
E(Y ).
39
jXj
E(X) = .
Observe pelo exerccio seguinte, que sem a hiptese de integrabilidade, o resultado no se verica, pois:
Exerccio 38 Seja X uma varivel aleatria Cauchy com parmetros M e b, isto
, a densidade de X dada por
f (x) =
[b2
b
+ (x
M )2 ]
'[E(X)].
'[E(X)]. (Mostre
isso!)
Exemplo 29 Pela desigualdade de Jensen, temos, por exemplo, que
(a) E [jXj]
jE(X)j.
40
(b) E(X 2 )
E 2 (X).
(c) E jXjp
(E jXj)p
(d) E
3.2
1
X
1
.
EX
jEXjp . onde p
1.
Denio 25 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
E (X) =
Z1
ydF
(X) (y)
Z1
(x)dFX (x)
onde a existncia de uma das integrais implica a existncia da outra bem como a
igualdade das duas. Ou seja,
E[ (X)] =
1
X
i=1
E[ (X)] =
Z1
3.3
Momentos
Denio 26 Seja X uma varivel aleatria. Dene-se o k-simo momento ordinrio da varivel aleatria X, mk , como
k
mk = E(X ) =
Z1
1
41
xk dFX (x).
Assim,
1
X
mk =
xki P (X = xi )
i=1
Z1
xk fX (x)dx
mk =
se X v.a.d.
se X v.a.c.
b) ] =
Z1
(x
Denio 28 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
i=1
Z1
E(X)]k P (X = xi )
[xi
[x
E(X)]k fX (x)dx
se X v.a.d.
se X v.a.c.
2
X,
como
V ar(X) = E[(X
E(X))2 ].
3.3.1
Propriedades da Varincia
b) = a2 V ar(X).
42
E(X))2 ] = E[X 2
E 2 (X).
2XE(X) +
X,
como
DP (X) =
p
V ar(X).
M2 = V ar(X) = m2
E(X)
Prova. Em aula.
Proposio 14 (Desigualdade de Markov) Seja X uma varivel aleatria qualquer
e seja
E jXjt
Prova. Em aula.
Proposio 15 (Desigualdade Clssica de Tchebychev) Seja X uma varivel aleatria
integrvel e seja
E(X)j
V ar(X)
2
Prova. Em aula.
Exerccio 40 Suponha que X seja uma varivel aleatria tal que P (X
P (X
2.
43
0) = 1 e
Exerccio 41 Suponha que X seja uma varivel aleatria tal que E(X) = 10,
P (X
7) = 0; 2 e P (X
Proposio 16 Se Z
9
.
2
certamente.
Prova. Em aula.
Observao 24 A proposio acima implica que, quando V arX = 0, ento X
constante quase certamente, pois P fX = EXg = 1.
3.4
Z1
1
Z1 Z1
ydF (X) (y) =
:::
(x)dFX (x)
1
1
X
i=1
n (X)]
= E[ 1 (X)] + ::: + E[
44
n (X)].
n
Y
E[Xi ].
i=1
1; 0; 1 com dis-
0) 6= P (X = 0):P (Y = 0).
Denio 31 A covarincia entre duas variveis aleatrias X e Y denida como
Cov(X; Y ) = E [(X
EX) (Y
= E [XY ]
EY )]
E [X] E [Y ]
X e Y so independentes.
Proposio 18 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
X
i<j
45
Cov(Xi ; Xj ).
i=1
EX
X;Y
Cov(X; Y )
=E
X: Y
EX
X
EY
X;Y
X e Y.
Proposio 19 Sejam X e Y variveis aleatrias com varincias nitas e positivas.
Ento:
(i)
(ii)
X;Y
(iii)
X;Y
X;Y
1.
p
EX 2 EY 2 .
3.5
mX (t) =
etxi P (X = xi )
se X v.a.d.
i=1
Z1
mX (t) =
etx fX (x)dx
se X v.a.c.
= E[X k ].
t=0
ou seja
dk
mX (0) = mk (o k-simo momento ordinrio de X).
dtk
4. A funo geratriz de momentos dene de forma unvoca a distribuio da
varivel aleatria, ou seja, dada m(t) existe apenas uma funo de distribuio F (x)
que a gera. No entanto, se mX (t) = mY (t), ento podemos apenas armar que as
variveis X e Y tm a mesma distribuio, mas X e Y podem ser diferentes com
probabilidade 1. Para ver isto, suponha que X
Y
N (0; 1) e seja Y =
0) = 0, ou seja P (X 6= Y ) = 1.
47
X. Ento
X) = P (X =
mX (t) = et
1 < t < 1.
ye y , se y > 0
0, caso contrrio
mY (t) =
mXi (t).
i=1
e3t
, para t >
1 + 2t
1=2.
Y + 4.
Ber(p), e sua
p)1 x ,
x = 0; 1.
Ber(p), ento
mX (t) = pet + q,
E(X) = p,
V ar(X) = pq.
n
x
px q n x ,
x = 0; 1; 2; 3; :::; n.
(b) Se Xi
::: + Xn
B(n; p).
(c) Se Xi
::: + Xk
P
B( ki=1 ni ; p).
Assim, se X
x = 1; 2; 3; 4; :::
Geo(p), ento
pet
,
1 qet
1
E(X) =
,
p
q
V ar(X) = 2 .
p
mX (t) =
50
para t <
ln q
P (X = x) =
x
r
1
1
pr q x r ,
x = r; r + 1; r + 2; r + 3; :::.
BN (r; p).
pet
1 qet
para t <
ln q
r
,
p
rq
V ar(X) = 2 .
p
E(X) =
Exemplo 35 Seja X uma varivel aleatria denida em f0; 1; 2; 3; :::g tendo funo
de probabilidade dada por
P (X = x) =
e
x!
, para x = 0; 1; 2; 3; ::: e
> 0.
P( ), ento
(et 1)
mX (t) = e
(b) Se Xi
Xn
P
P( ni=1
P( ).
E(X) =
V ar(X) =
no intervalo [0; t], ento dizemos que Xt um processo de Poisson se sua distribuio
em [0; t] P( t), ou seja,
P (Xt = x) =
( t)x
, para x = 0; 1; 2; 3; ::: e
x!
> 0.
dada por
fX (x) =
Assim, se X
, se a x b
b a
0, caso contrrio.
ebt
t(b
eat
.
a)
de X dada por
fX (x) =
(a) Assim se X
e x, x 0
0, caso contrrio
Exp( ) ento
mX (t) =
E(X) =
V ar(x) =
, para t <
1
1
2
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?
(b) Qual a probabilidade de voc entrar na sala com a lmpada ainda acesa e sair
depois de a lmpada queimar?
53
f (x) =
onde ( ) =
R1
0
exp [
x] para x > 0,
1) (
n 2 N, ento (n) = (n
(a) Assim, se X
( )
1) de modo que se
Gama( ; ), ento
mX (t) =
, para t <
E(X) =
V ar(x) =
(b) Se Xi
X2 + ::: + Xn
(c) Se Xi
::: + Xn
i;
).
Gama(n; ).
n graus de liberdade (X
(a) Assim, se X
2
n,
Gama( n2 ; 12 ).
se X
ento
mX (t) =
n
2
1
1
2t
, para t <
1
2
E(X) = n
V ar(x) = 2n
(b) Se Xi
2
1,
2
n.
2
n2 .
54
2
n1
eZ
2
n1 +n2 ,
ento
Exemplo 40 Diz-se que a varivel aleatria Z tem distribuio normal (ou Gaussiana) padro com mdia zero e varincia 1, denotado por Z
z2
2
1<z<1
mZ (t) = e 2
E(Z) = 0
V ar(Z) = 1
N (0; 1), ento Y = Z 2
(b) Se Z
(c) Se Zi
::: + Zn2
2
1.
2
n.
Exemplo 41 Diz-se que a varivel aleatria X tem distribuio normal (ou Gaussiana) com mdia
e varincia
, denotado por X
N( ;
), se a funo de
N( ;
(b) Assim, se X
), ento Z =
N( ;
(x
)2
2 2
1<x<1
N (0; 1).
), ento
mX (t) = e
t+ 12
2 t2
E(X) =
V ar(X) =
(c) Se Xi
::: + Xn
N ( i;
P
N ( ni=1
i;
2
i ),
Pn
i=1
2
i ).
55
(d) Se Xi
(e) Se Xi
N( ;
X1 +X2 +:::+Xn
n
).
(f) Se Xi
N ( i;
a2 X2 + ::: + an Xn + b
2
i ),
P
N ( ni=1 ai
+ b;
Pn
i=1
a2i
2
i ).
(n 1)S 2
N ( ; 2 ), para i = 1; 2; :::; n, independentes, ento
2
Pn
2
Xn
i=1 Xi
2
(a varincia amostral). Observe tambm que
1 , onde S =
n 1
(g) Se Xi
2
n
N (n ; n 2 ).
::: + Xn
N( ;
N( ;
E (S 2 ) =
quadrticos por n
1 ao invs de n.
56
Exerccio 53 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.
Exerccio 54 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?
Exemplo 43 Um vetor X = (X1 ; X2 ; :::; Xn )T dito ter distribuio normal multivariada com mdia
ij
= ( 1;
= Cov(Xi ; Xj ) com
T
n
n ) 2R
2 ; :::;
matriz simtrica n
e matriz de covarincia
=[
ij ]
onde
T
1
, para x 2Rn .
N ( ; ), ento
T
mX (t) = exp
1
t+ tT t .
2
1 2
: exp
onde
2
1
1
p
2 (1
1
2)
"
= V ar(X1 ) > 0,
x1
x1
1
2
2
= V ar(X2 ) > 0,
1<
x2
2
2
< 1 com
x2
2
2
#)
= (X1 ; X2 ) o
57
onde
=[
ij ]
onde
ij
= Cov(Xi ; Xj ).
= exp
1 t1 +
= exp
Logo a marginal de X1 normal com mdia
11
2
1
e varincia
2
1.
= exp
2 t2 +
= exp
Logo a marginal de X2 normal com mdia
22
2
2
e varincia
2
2.
Exemplo 44 Diz-se que a varivel aleatria X tem distribuio Beta com parmetros
( >0e
R1
0
(1
x)
dx =
(1
x)
, 0<x<1
( ) ( )
.
( + )
Beta( ; ), ento
E(X) =
V ar(X) =
+
( + )2 ( +
+ 1)
U (0; 1).
58
tn
t1
( n+1
)
2
1=2
( n2 )
(n )
(1 +
x2
)
n
(n+1)=2
, para x 2 R
Cauchy
1
, para x 2 R
(1 + x2 )
fX (x) =
Observao: J vimos que se X
Cauchy P adr~
ao, ento X no possui mdia.
N (0; 1) e W
X=
2
n
W
n
tn
1=2
Student.
h
i
(c) Se X
tn Student, com n > 1, ento E jXjk < 1 para k < n e
i
h
k
n. Em outras palavras, os primeiros n 1 momentos
E jXj = 1 para k
existem, mas os momentos de ordem superior a n
N( ;
)e
(n
N( ;
1)S 2
n
n
N (0; 1) e
59
(n
1)S 2
2
2
n 1
temos
Xn
T =0
p
n
(n
B
@
Assim
1)S
2
T =
=
2 11=2
Xn
p
C
A
Xn
S
p
n
tn
Xn
S
p
n
Student.
populacional com 1
=2
. Ento:
Xn
P
onde z
desconhecida e
e varincia
Xn + p z
n
=2
=2
=1
=2 = P (Z
=2 ).
(b) Se
desconhecida e
de probabilidade (
dado por
P
onde tn
1; =2
tal que 1
Xn
S
p tn
n
1; =2
=1
tn
1; =2 ).
S
Xn + p tn
n
1; =2
2
n 1; =2
(n
1)S 2
2
n 1;1
dado por
(n
1)S 2
2
n 1; =2
=2
=1
2
n 1; =2 ).
60
1 graus de
Exemplicao do resultado acima: Suponha que o peso de um determinado produto produzido por uma fbrica tenha distribuio normal com mdia
2
varincia
i=1
P10
i=1
xi = 159 e
xn = 15; 9 e s = 0; 57.
temos
P
15; 9
x10
S
p t9;0;25
10
S
x10 + p t9;0;975
10
0; 57
15; 9 + p (2; 262)
10
0; 57
p (2; 262)
10
= 0; 95
= 0; 95
Assim:
P (15; 49
Agora para
temos
P
9s2
9s2
2
9;0;975
2
9;0;975
2
9;0;025
= 19; 0 e
9 (0; 57)2
19
P 0; 15
= 0; 95
2
9;0;025
= 2; 7. Com isso
!
9 (0; 57)2
= 0; 95
2; 7
ou seja
1; 07 = 0; 95.
2
m
(a) Se U
2
n
eV
X=
F (m; n).
(c) Se X
tn
X =
1=2
W
n
2
1 e W
Z2
(d) Se X
F (n; m).
Student, ento Y = X 2
onde Z
2
n
1
X
2
n
N (0; 1) e W
independentes e que X =
Z2
1
W
n
com
tambm independentes.)
, se n > 2.
n 2
2n2 (m + n 2)
, se n > 4.
V ar [X] =
m(n 2)2 (n 4)
E [X] =
(e) Se X1 ; X2 ; :::; Xn1 uma amostra aleatria retirada de uma populao com distribuio normal com mdia
2
1
e varincia
uma amostra aleatria retirada de uma outra populao com distribuio normal com
mdia
2
2
e varincia
independentes ento
(n1
1)S12
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
e varincia
62
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
S22
F(n
S12 1
entre as
1;n2 1); =2
S22
F(n
S12 1
=2
1;n2 1);1
=1
i=1
(yi
8;24
4
P5
i=1
x5 )2 = 8; 24, n2 = 3,
(xi
= 2; 06 e S22 =
3;42
2
= 1; 71. Os valores
F(4;2);0;05 =
1
F(2;4);0;95
1
= 0; 1441
6; 94
1;n2 1); =2
1
F(n2
1;n1 1);1
.
=2
Assim
P
1; 71
(0; 1441)
2; 06
P
2
2
2
1
1; 71
(19; 25)
2; 06
2
2
2
1
0; 1196
15; 98
= 0; 90
= 0; 90.
3.6
Lista
(a) W =
X
X+Y
2
n
N (0; 1) e Y
X
independentes, mostre que T = q
Y
n
2
m
eY
2
n
independentes.
(X=m)
tem distribuio F-Snedecor com (m; n) graus
(Y =n)
de liberdade.
(b) Ache a distribuio de
(c) Mostre que V =
m
W
n
1+ m
W
n
1
.
W
i=1
0. Obtenha a distribuio de Xt .
Captulo 4
Distribuio e Esperana
Condicionais
Seja X uma varivel aleatria em um espao de probabilidade ( ; A; P ), e seja A
um evento aleatrio tal que P (A) > 0. Denimos a distribuio condicional de X
dado o evento A por
P (X 2 B j A) =
P ([X 2 B] \ A)
P (A)
0.
Axioma 2) P (X 2 R j A) = 1.
1
[
i=1
FX (x j A) = P (X
x j A) =
P ([X x] \ A)
, x 2 R.
P (A)
65
denida por
E(X j A) =
1
1
xdFX (x j A)
E [X:1A ]
E [1A ]
1
=
E [X:1A ] ,
P (A)
E [X] =
=
X
n
X
n
x j An )
Exemplo 47 Seja X
P (An )P (X
xdFX (x) =
P (An )
1
1
xd
"
X
n
P (An )FX (x j An )
xdFX (x j An ) =
U [ 1; 1] e sejam A1 = [X
X
n
P (An )E(X j An ).
P fX = x; Y = yg
.
P fY = yg
66
xjY = yg
Z1
xdF (xjy) =
X
x
xP fX = xjY = yg .
fX;Y (x; y)
fY (y)
xjY = yg =
Zx
f (tjy)dt:
Z1
xdF (xjy) =
Z1
xf (xjy)dx.
Z1
xdF (xjy) .
R1
(b) P (X 2 B) =
(c) FX (x) =
R1
R1
mensurvel, denimos
E [ (X)jY = y] =
Z1
(x)dFX (xjy) :
1
ye xy ,
2
0<x<1 e 0<y<2
0, caso contrrio
n
P
(Xi )jY = y =
i=1
(3) Se
n
P
iE
i=1
0 ento E [ (X)jY ]
2 R para todo i.
0.
onde
2 R.
X2 , ento E [X1 jY ]
E [X2 jY ].
68
fE [XjY ]g.
Prova. (Em aula.)
Denio 36 Denimos V ar [XjY ] = E [X
Proposio 23 (a) V ar [XjY ] = E [X 2 jY ]
E(XjY )]2 jY .
[E(XjY )]2 .
X +Y
3).
tempo t > 0 e seja T1 o tempo de chegada da primeira partcula. Dado que chegou
exatamente uma partcula at t, qual a distribuio do seu tempo de chegada? Qual
a esperana condicional do tempo de chegada da primeira partcula, dado que chegou
exatamente uma partcula at t?
69
Exemplo 54 Seja o vetor aleatrio (X; Y ) com distribuio normal bivariada, isto
, sua densidade conjunta dada por
f (x; y) =
1 2
: exp
onde
Y
> 0,
N ( 2;
2
2 ).
1
p
1
1
2 (1
> 0,
2)
1<
"
que Cov(X; Y ) =
+
1 2
1
2
(y
< 1,
2)
E [XjY = y] =
2Re
N(
1
2
(y
2 );
2
1
2
1
(1
(1
2
2
2
2 R. Vimos que X
e V ar(XjY = y) =
e portanto
N ( 1;
2
2
1)
)) e portanto
). Mostre tambm
U [0; 2] e Y
U [ 1; 1].
(a) Calcule E [XjX + Y
2].
N
P
i=1
e V ar [Y ] = E [N ] V ar [X] + E 2 [X] V ar [N ].
k
y, k = 1; 2; :::; n:
n
2).
70
#)
Captulo 5
Convergncia de Variveis
Aleatrias
5.1
Tipos de Convergncia
Considere um experimento com a varivel aleatria X representando um caracterstico numrico. Repita n vezes independentemente (n grande).
A Lei dos Grandes Nmeros estabelece que a mdia das n observaes aproximadamente igual a EX, quando n grande.
Mas de que maneira
X1 +X2 +:::+Xn
n
! EX quando n ! 1?
Por exemplo, seja o experimento de lanar uma moeda honesta sucessiva e independentemente n vezes e seja Sn o nmero de caras obtidas nos n lanamentos.
Ento
1, se ! = Ca
0, se ! = Co
Xn (!) =
P (Xn = 1) =
1
= P (Xn = 0)
2
Sn = X1 + X2 + ::: + Xn
Como Xi
que
Sn
1
! .
n
2
71
bilidade ( ; A; P ).
Denio 37 Xn converge para X em probabilidade, se para todo " > 0
P fjXn
Xj
"g ! 0, quando n ! 1.
Notao: Xn ! X.
Exemplo 59 Sejam X1 ; X2 ; ::: v.a.s independentes, tais que P (Xn = 1) =
1
P
. Mostre que Yn ! 0.
n
P (Xn = 0) = 1
1
e
n
Xn
ln n
Notao: Xn ! X.
Observao 30 Observe que a convergncia quase certa uma convergncia pontual num conjunto de medida 1, ou seja, Xn (!) ! X(!) para quase todo !, exceto
aqueles dentro de um conjunto de medida nula. Por outro lado convergncia em
probabilidade no diz respeito convergncia pontual, ela apenas arma que para
valores grandes de n as variveis Xn e X so aproximadamente iguais com probabilidade bem alta.
72
Exemplo 61 Seja
q:c:
n!1
Xjp g = 0.
Notao: Xn ! X.
Exemplo 62 Sejam X1 ; X2 ; ::: v.a.s independentes, tais que P (Xn = 1) =
P (Xn = 0) = 1
1
Lp
. Mostre que Yn ! 0, para todo p.
n
1
e
n
tribuio fFn ; n
tribuio (ou em lei) para X, se para todo ponto x em que F contnua, tivermos
lim Fn (x) = F (x).
n!1
D
Notao: Xn ! X.
Exemplo 63 Seja fXn ; n
1
n
para n
Xn ! X =) Xn ! X =) Xn ! X;
mas a recproca no verdadeira.
Observao 32 Pode-se mostrar que se
Lp
Xn ! X =) Xn ! X =) Xn ! X;
mas a recproca no verdadeira.
Observao 33 No h qualquer relao de implicao entre convergncia quase
certa e convengncia em Lp .
Exerccio 57 Considere o espao de probabilidade ([0; 1] ; B [0; 1] ; ) onde
a me-
q:c:
5.2
74
Denio 41 X1 ; X2 ; ::: satisfazem a Lei Fraca dos Grandes Nmeros se para todo
" > 0 temos
P
Sn
ESn
n
"
! 0, quando n ! 1,
ou seja, se
Sn
ESn P
! 0.
n
Denio 42 X1 ; X2 ; ::: satisfazem a Lei Forte dos Grandes Nmeros se para todo
" > 0 temos
P
lim
Sn
n!1
ESn
=0
n
= 1,
ou seja, se
Sn
ESn q:c:
! 0.
n
ESn P
! 0.
n
75
Teorema 20 (Lei Fraca de Khintchin) Sejam X1 ; X2 ; ::: v.a.s independentes, identicamente distribudas e integrveis, com mdia . Ento X1 ; X2 ; ::: satisfazem a Lei
Fraca dos Grandes Nmeros:
Sn P
! .
n
Prova. (Em aula)
Exemplo 66 Sejam X1 ; X2 ; ::: v.a.s independentes, identicamente distribudas com
distribuio de Poisson com parmetro . Qual o limite em probabilidade da seqncia (Yn )n 1 , onde
Yn =
Teorema 21 (Primeira Lei Forte de Kolmogorov) Sejam X1 ; X2 ; ::: v.a.s independentes e integrveis, e suponha que
1
X
V arXn
n=1
n2
< 1.
ESn q:c:
! 0.
n
1
= P Xn = n , ento
2
X1 + X2 + ::: + Xn q:c:
! 0.
n
Teorema 22 (Lei Forte de Kolmogorov) Sejam X1 ; X2 ; ::: v.a.s independentes, identicamente distribudas e integrveis, com EXn = . Ento X1 ; X2 ; ::: satisfazem a
Lei Forte dos Grandes Nmeros:
Sn q:c:
! .
n
76
Xi
ri=1n
P
n
i=1
5.3
1
!p .
2
q:c:
Xi2
e varincia comum
1g uma
, onde 0 <
ESn D
! N (0; 1),
V arSn
isto ,
Sn
n D
! N (0; 1).
n
77
Observao 34 Se X1 ; X2 ; :::; Xn uma seqncia de variveis aleatrias independentes de Bernoulli com parmetro p, ento sabemos que Sn = X1 + X2 + ::: + Xn
B(n; p). Assim, pelo Teorema Central do Limite, para n sucientemente grande Sn
pode ser aproximada por uma distribuio Normal, j que
Sn np
p
npq
N (0; 1).
Ou de outra forma
Sn
N (np; npq).
Exemplo 70 Um par de dados honestos lanado 180 vezes por hora (aproximadamente).
(a) Qual a probabilidade aproximada de que 25 ou mais lanamentos tenham tido
soma 7 na primeira hora?
(b) Qual a probabilidade aproximada de que entre 700 e 750 lanamentos tenham
tido soma 7 durante 24 horas?
78