TEORIA DAS PROBABILIDADES II

Prof. Nei Rocha

Instituto de Matemtica - UFRJ
Rio de Janeiro
2009-1

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

.
.
.
.
.

4 Distribuio e Esperana Condicionais

65

5 Convergncia de Variveis Aleatrias

5.1 Tipos de Convergncia . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Leis dos Grandes Nmeros . . . . . . . . . . . . . . . . . . . . . . . .
5.3 Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . .

71
71
74
77

OBJETIVOS GERAIS: Habilitar o aluno a sintetizar informaes que so

ministradas com vistas elaborao de conceitos mais complexos; resolver problemas
simples usando raciocnio probabilstico.

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. Distribuies especiais: Normal multivariada e Multinomial

UNIDADE III Funes univariadas das componentes de um vetor aleatrio.

Soma e diferena de variveis aleatrias independentes. Convoluo.
Produto e Quociente de variveis aleatrias.
UNIDADE IV Distribuio conjunta de funes de variveis aleatrias.
ii

O mtodo Jacobiano para o caso de dimenso 2. Exemplos.

Extenso para o caso de dimenso n

2.

UNIDADE V Distribuies Especiais

Distribuio de Qui-quadrado. Denio, propriedades e aplicaes (independncia da mdia e varincia amostrais para amostras da normal).

Distribuio t:

denio e propriedades. Distribuio F : denio e propriedades. Estatsticas

de Ordem: denio e distribuies conjuntas e marginais, aplicaes.
UNIDADE VI Esperana. Denio Geral de Esperana. Propriedades da
Esperana. Esperana Condicional: denio, propriedades. Clculo da esperana
e da varincia por condicionamento (exemplos tpicos: soma aleatria de variveis
aleatrias independentes). Desigualdade de Jensen. Desigualdade de Tchebyshev.
UNIDADE VII Lei dos Grandes Nmeros.
Tipos de Convergncia: convergncia em probabilidade e convergncia quase
certa.
Lei Fraca dos Grandes Nmeros. Lei Forte dos Grandes Nmeros. Exemplos.
UNIDADE VIII Funes caractersticas, convergncia em distribuio. Teorema Central do Limite. Funes caractersticas: denio e propriedades. Convergncia em distribuio: denio e alguns resultados. Teorema Central do Limite: para variveis aleatrias independentes e identicamente distribudas. Teorema
Central do Limite para variveis aleatrias independentes (condio de Lindeberg,
Liapounov). Aplicaes.

iii

BIBLIOGRAFIA

[1] James, B.- Probabilidade: Um Curso em Nvel Intermedirio - Projeto Euclides

- 1981.
[2] Shiryayev, A. N. - Probability - Springer Verlag - 1984.
[3] Metivier, M. - Notions Fondamentales de la Theorie des Probabilites - Dunod
- Paris - 1968.
[4] Magalhes, M. N. - Probabilidade e Variveis Aleatrias - Ed. Universidade
de So Paulo - 2004.
[5] Hoel, P.G. e Stone, C. J. - Introduo Teoria da Probabilidade - Editora
Intercincia - 1978.
[6] Ross, S. - Introduction to Probability Models - Sixth Edition. Academic Press
- 1997.

AVALIAOES

Prova 1 - 4 de maio de 2009.

Prova 2 - 3 de julho de 2009.
Reposio - 8 de julho de 2009.
Prova Final - 10 de julho de 2009.

iv

Captulo 1
Denies Bsicas
1.1

Modelo Matemtico para um Experimento

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

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

denio:
Denio 1 O conjunto

de todos os resultados possveis de um determinado ex-

perimento chamado de espao amostral.

Exemplo 1 Se o experimento consiste em lanar uma moeda, ento

= fCa; Cog,

onde Ca cara e Co coroa.

Exemplo 2 Se o experimento consiste em lanar um dado e observar a face superior, ento

= 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

Exemplo 4 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 5 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 2 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 3 Dois eventos A e B so ditos mutuamente exclusivos ou incompatveis se A \ B = ;.

Observao 1 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.
Denio 4 Seja A uma classe de subconjuntos de
(i)

tendo as seguintes propriedades:

2 A;

(ii) Se A 2 A ento Ac 2 A; (a classe fechada pela complementariedade)

2

(iii) Se A1 ; A2 ; :::; An 2 A ento [ Ai 2 A. (a classe fechada pela unio nita)

i=1

chamada uma lgebra.

Ento a classe A de subconjuntos de

Exerccio 1 Seja A uma lgebra. Mostre que:

(a) ; 2 A;
(b) se A e B 2 A ento A

B 2 A;
n

(b) se A1 ; A2 ; :::; An 2 A ento \ Ai 2 A.

i=1

Denio 5 Seja A uma classe de subconjuntos de

(i)

tendo as seguintes propriedades:

2 A;

(ii) Se A 2 A ento Ac 2 A; (a classe fechada pela complementariedade)

1

(iii) Se A1 ; A2 ; ::: 2 A ento [ Ai 2 A. (a classe fechada pela unio innita

i=1

enumervel)
Ento a classe A de subconjuntos de

chamada uma -lgebra.

Proposio 1 Seja A uma -lgebra de subconjuntos de . Se A1 ; A2 ; ::: 2 A ento

1

\ Ai 2 A.

i=1

Prova. (Em aula.)

Denio 6 Os membros de A so chamados (no contexto da teoria de Probabilidade) de eventos, ou subconjuntos de
mensurveis de

A-mensurveis, ou apenas subconjuntos

se no houver confuso quanto -lgebra referente. O par ( ;

A) dito ser um espao mensurvel.

Exerccio 2 Seja

= R e A a classe de todas as unies nitas de intervalos do

tipo ( 1; a], (b; c] e (d; 1). Mostre que

(a) A uma lgebra;
(b) A no uma -lgebra.
3

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

necessariamente uma -lgebra.

Exerccio 5 Mostre que se A e B so -lgebras, A \ B tambm uma -lgebra.
Observao 2 Dada uma classe B de subconjuntos de

, podemos construir a

menor lgebra contendo B, da seguinte forma:

(i) Formamos a classe B1 contendo

, ;, A e Ac para todo A 2 B;

(ii) Formamos a classe B2 de intersees de elementos de B1 ;

(iii) Formamos a classe B3 de unies nitas de elementos de B2 .
Claramente, B

B1

B2

B3 , e pode-se vericar facilmente que B3 uma

lgebra.
Observao 3 Podemos construir (ainda que de forma abstrata) a menor
contendo uma classe B de subconjuntos de
as

lgebras contendo B. Denote-as

, da seguinte forma: Considere todas

(B),

pois o conjunto de todos os subconjuntos de

lgebra

. O conjunto

uma

no-vazio,

lgebra. Ento, a menor

lgebra contendo B dada por

(B) = \
2

Exemplo 6 Seja
juntos de
de

(B)

= f1; 2; 3; 4; 5; 6g. (a) Construa a menor

; (b) Construa a menor

lgebra contendo a classe de subconjuntos

dada por ff1; 2g ; f1; 3; 4g ; f3; 5gg; (c) Construa a menor

todos os subconjuntos de

(esta

lgebra de subcon-

lgebra contendo

lgebra chamada de conjunto das partes de

e denotada por P( )).

4

Denio 7 A

lgebra de Borel gerada pela coleo de conjuntos abertos de

lgebra so chamados Borelianos.

um espao topolgico. Os membros desta

As

lgebras em Rd , d > 1, e R so geradas por intervalos nestes espaos e

so denotadas por B(Rd ) = B d e B = B 1 = B(R), respectivamente. Por exemplo, se

= R, B pode ser gerada por quaisquer dos intervalos (a; b), (a; b], [a; b) ou [a; b],
isto ,
B =

f(a; b); 1

a<b

+1g

f[a; b); 1 < a < b

+1g

f[a; b]; 1 < a < b < +1g

f( 1; x]; x 2 Rg,

e assim por diante.

Denio 8 Seja A uma (
tomo, se A 6= ; e se B

)lgebra em

A implica que ou B = ; ou B = A. Portanto, tomos

so os membros mais nos de uma (

Exemplo 7 Seja

. 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

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 #
5

#A
#

a cardinalidade de

(Freqentista) Baseia-se na freqncia relativa de um nmero grande de realizaes 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.
(Subjetiva) Baseia-se em crenas e/ou informaes do observador a respeito do fenmeno
em estudo. Por exemplo, seja o evento C chove em Moscou.
Para algum no Rio de Janeiro podemos ter a seguinte avaliao: P (C) = 0; 5.
Para algum de Leningrado, podemos ter: P (C) = 0; 8, se chove em Leningrado
e P (C) = 0; 2, se no chove em Leningrado.
Para algum de Moscou, tem-se: P (C) = 1, se est chovendo em Moscou e
P (C) = 0, se no est chovendo em Moscou.

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 pelo matemtico russo Kolmogorov, responsvel pela base matemtica
solida da teoria.
6

Seja

um espao amostral e A uma -lgebra para um dado experimento. Uma

medida de probabilidade P uma aplicao

P : A ! [0; 1]
tendo os seguintes axiomas:
A1) P (A)

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:

A3) Se A1 ; A2 ; ::: 2 A so disjuntos dois a dois, ento P

[ Ai =

i=1

1
X

P (Ai ).

i=1

Modelo Probabilstico: Terminamos a formulao do modelo matemtico para

um experimento, ou modelo probabilstico. constitudo de
a) Um conjunto no-vazio

, de resultados possveis, o espao amostral.

b) Uma -lgebra A de eventos aleatrios.

c) Uma probabilidade P denida em A.
Vamos agora retirar nosso modelo do contexto de um experimento e reformul-lo
como um conceito matemtico abstrato.
Denio 9 Um espao de probabilidade um trio ( ; A; P ) onde
(a)

um conjunto no-vazio,
7

(b) A uma -lgebra de subconjuntos de

,e

(c) P uma probabilidade denida em A.

Com base nos axiomas de probabilidade, pode-se demonstrar os seguintes teoremas:
Teorema 1 P (;) = 0.
Prova. (Em aula.)
Proposio 2 O Axioma 3 implica o Axioma 3, isto , se P -aditiva, ento
nitamente aditiva.
Prova. (Em aula.)
Teorema 2 Para todo A 2 A, temos P (Ac ) = 1

P (A).

Prova. (Em aula.)

Teorema 3 Para todo A 2 A, temos 0

P (A)

1.

Prova. (Em aula.)

Teorema 4 Sejam A e B 2 A. Se A
(a) P (B
(b) P (A)

A) = P (B)

B, ento

P (A);

P (B).

Prova. (Em aula.)

Teorema 5 Sejam A e B 2 A. Ento P (A [ B) = P (A) + P (B)
Prova. (Em aula.)

P (A \ B).

Teorema 6 Para qualquer seqncia de eventos A1 ; A2 ; :::; An 2 A, P

1
X
P (Ai ) (desigualdade de Boole).

[ Ai

i=1

i=1

Prova. (Em aula.)

Teorema 7 Sejam A1 ; A2 ; :::; An 2 A. Ento
P

[ 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 )

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

Prova. (Em aula.)

Uma propriedade importante da funo probabilidade P que ela contnua.
Para ver isto, denimos antes o que se entende por uma seqncia crescente (decrescente) de eventos.
Denio 10 Uma seqncia de eventos fEn ; n
En+1 ; n

1 e dita decrescente se En

Se fEn ; n

En+1 ; n

1g dita crescente se En
1.

1g uma seqncia crescente de eventos, ento denimos um novo

evento, denotado por limn!1 En por

1

lim En = [ Ei .

n!1

De forma similar se fEn ; n

i=1

1g uma seqncia decrescente de eventos, ento

denimos limn!1 En por

1

lim En = \ Ei .

n!1

i=1

Com isso, podemos mostrar o seguinte teorema.

Teorema 8 Se fEn ; n

1g uma seqncia crescente ou decrescente de eventos,

ento
lim P (En ) = P ( lim En ).

n!1

n!1

Prova. (Em aula.)

Exemplo 8 Considere uma populao de indivduos capazes de gerar proles do
mesmo tipo. O nmero de indivduos inicialmente presentes, denotado por X0 ,
o tamanho da gerao zero. Todos as proles da gerao zero constituem a primeira
gerao e o seu nmero denotado por X1 . Em geral, Xn denota o tamanho da
n-sima gerao. Mostre que limn!1 P (Xn = 0) existe e interprete o seu signicado.

10

1.1.3

Probabilidade Condicional

Denio 11 Seja ( ; A; P ) um espao de probabilidade. Se B 2 A e P (B) > 0,

a probabilidade condicional de A dado B denida por
P (A j B) =

P (A \ B)
, A 2 A.
P (B)

(1.1)

Note que P (A j B), A 2 A, realmente uma probabilidade em A (verique os

axiomas!). Conseqentemente as propriedades de probabilidade so mantidas, 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

um novo espao de probabilidade dado por (B; G; PB ), onde G := fA \ B : A 2 Ag.
Exerccio 6 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 9 Sejam A; B 2 A 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 10 (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 2 A e para todo n = 2; 3; :::.
11

Prova. (Em aula.)

Exerccio 7 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.)
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 .

Partio do Espao Amostral

Para todo evento B 2 A temos
n

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

12

Teorema da Probabilidade Total

Como os Ai so disjuntos, ento os Ci = Ai \B so disjuntos. Com isto podemos
demonstrar os seguintes teoremas:
Teorema 11 (Teorema da Probabilidade Total) Se a seqncia (nita ou enumervel) de eventos aleatrios A1 , A2 , ...formar uma partio de
P (B) =

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)

Prova. (Em aula.)

Exerccio 8 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?
13

Exerccio 9 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.
Exerccio 10 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?
Exerccio 11 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
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?
Exerccio 12 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?
Exerccio 13 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.
(b) Dado que a pessoa selecionada comunista, qual a probabilidade de ela ter
vindo do comit 1?
14

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

Denio 13 Seja ( ; A; P ) um espao de probabilidade. Os eventos aleatrioa A

e B so (estocasticamente) independentes se
P (A \ B) = P (A):P (B).
Observao 5 Eventos de probabilidade 0 ou 1 so independentes de qualquer outro.
Teorema 13 A independente de si mesmo se e somente se P (A) = 0 ou 1.
Prova. (Em aula.)
Teorema 14 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 6 Se A \ B = ;, ento A e B no so independentes (a menos que
um deles tenha probabilidade zero).
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 )
16

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 7 Independncia a pares no implica independncia coletiva. Conforme o exerccio a seguir.
Exerccio 18 Seja

= fw1 ; w2 ; w3 ; w4 g e suponha P (fwg) = 1=4 para todo w 2 .

Sejam os eventos A = fw1 ; w4 g, B = fw2 ; w4 g e C = fw3 ; w4 g. Verique que A, B

e C so independentes dois a dois, mas
P (A \ B \ C) 6= P (A):P (B):P (C).
Teorema 15 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. (Em aula.)
Observao 8 Toda famlia de eventos independentes independente.
Exerccio 19 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?
17

Captulo 2
Variveis Aleatrias
2.1

Conceito

Informalmente, uma varivel aleatria um caracterstico numrico do resultado de

um experimento. Por exemplo:
Exemplo 9 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 10 Escolher ao acaso um ponto em [0; 1]. Seja X o quadrado do ponto
obtido. Ento

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

Exemplo 11 Escolher ao acaso um ponto no crculo unitrio. Seja X a distncia

entre o ponto escolhido e a origem. Ento

18

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

1g e, com

! = (x; y), temos

X(!) =

x2 + y 2 .

Exemplo 12 Joga-se um dado e observa-se a face superior. Ento

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

e
X(!) = !.

Entretanto, nem toda funo de

em R traduz uma varivel aleatria. Para

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

tal que o conjunto [! 2

para frente escrito de forma simplicada [X

: X(!)

x] (daqui

x]) evento aleatrio para todo x 2 R;

isto ,
!R

X:
uma varivel aleatria se [X
Exemplo 13 Sejam

x] 2 A para todo x 2 R.

= f1; 2; 3; 4g e A = f;; f1; 2g; f3; 4g; g e considere os con-

juntos A = f1; 2g e B = f1; 3g. Ento 1A varivel aleatria em ( ; A), mas 1B

no .

2.2

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
19

x), x 2 R.

(2.1)

Exerccio 20 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.
Exerccio 21 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.

Proposio 3 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
b) = P (X

a) = 1
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.

20

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

= P (X

b)

= FX (b )
5. P (a

a)

P (X = b)

P (X = b) = FX (b)

FX (a)

[FX (b)

FX (b )]

FX (a).

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

= FX (b )
6. P (a

P (X

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)

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

Mostre que F de fato uma funo de distribuio e calcule:

(a) P (X > 81 )
(b) P ( 18 < X < 25 )
(c) P (X <

2
5

j X > 18 )

21

2.3

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; :::

(2.2)

chamada funo de probabilidade de X.

Observao 9 Note que [X

x] =

[X = xi ] e assim

i:xi x

F (x) =

P (X = xi ) =

i:xi x

p(xi ).

i:xi x

Alm disso, observe que

p(xi )

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

(2.3)

e
1
X

p(xi ) = 1.

(2.4)

i=1

Exerccio 24 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) A funo de probabilidade de X, mostrando que ela atende as propriedades
(2.3) e (2.4).
(b) A probabilidade de serem necessrios cinco tiros para que ele acerte o alvo.
Exerccio 25 Seja X uma varivel aleatria com funo de probabilidade
P (X = x) = cx2 , onde c uma constante e k = 1; 2; 3; 4; 5. Calcule F (x) e P(X ser
mpar).

22

Exerccio 26 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.

2.4

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 10 Pelo Teorema Fundamental do Clculo, observe que

fX (x) =

dFX (x)
.
dx

Observao 11 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) =

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

Exerccio 27 Verique que
8
0, z < 0
>
>
< 2
z , 0 z < 12
FZ (z) =
> 1 3(1 z)2 ,
>
:
1, z 1
23

1
2

z<1

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

P (Z > 41 jZ

3
).
4

Exerccio 28 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 X dita mista se tem partes nas diferentes
classicaes (parte discreta e parte contnua).
Exerccio 29 (Exemplo de Varivel Aleatria Mista: Discreta e Contnua ao mesmo
tempo) A funo de distribuio de uma varivel aleatria X dada por:
8
0, x < 0
>
>
>
>
< x2 , 0 x < 1
2
, 1 x<2
FX (x) =
3
>
11
>
, 2 x<3
>
>
: 12
1, x 3

Obtenha:

(a) o grco de FX (x);

(b) P (X < 3);
(c) P (X = 1);
(d) P (X > 1=2);
(e) P (2 < X < 4).
Exerccio 30 Seja X uma varivel com funo de distribuio
8
< 0, x < 2
1
+ x+2 ,
2 x<0
FX (x) =
: 34 1 8
x
+ 4 (1 e ), x 0
4
(a) Classique X e faa um grco de F.
(b) Calcule P (X >

1) e P (X

4jX > 0).

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

24

Exerccio 31 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 32 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 33 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.

2.5

Vetores Aleatrios

Denio 21 Um vetor X = (X1 ; :::; Xn ) com Xi variveis aleatrias denidas no

mesmo espao de probabilidade ( ; A; P ) chamado vetor aleatrio se
X 1 (B) 2 A para todo B 2 B n .
Denio 22 A funo de distribuio conjunta F = FX de um vetor aleatrio X
denida por
FX (x) = FX (x1 ; :::; xn ) = P (X1
25

x1 ; :::; Xn

xn ).

Observao 12 fX1

x1 ; :::; Xn

xn g =

n
\

i=1

f! : Xi (!)

xi g 2 A.

Proposio 4 Propriedades da Funo de Distribuio Conjunta. Se X

um vetor aleatrio em ( ; A; 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.

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 13 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 14 Considere a seguinte funo:
F (x; y) =

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

0, y

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

0 e x+y

1; 0 < Y

1g

1g =

1 < 0! Logo

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

26

Exemplo 15 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 16 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 17 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.

Observao 14 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
p(x)
X

0, para todo x 2 Rn e

p(x) = 1.

27

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 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

Alm disso, decorre do clculo que

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

28

= f (x).

Observao 15 Assim, podemos perceber que

P (X1 2 dx1 ; :::; Xn 2 dxn ) = f (x)dx1 :::dxn .
Exemplo 19 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

1e0<z

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

Exemplo 20 (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

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

Denio 23 Sejam X1 ; X2 ; :::; Xn , n

2, variveis aleatrias denidas no mesmo

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

em ( ; A; P ). As variveis aleatrias X1 ; X2 ; :::; Xn so (coletivamente) independentes se
P fX1 2 B1 ; X2 2 B2 ; :::; Xn 2 Bn g =
para todo Bi 2 A, i = 1,2,...,n.
29

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.

(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 5 (a) Se X1 ; X2 ; :::; Xn , n

2, so variveis aleatrias independentes,

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)
30

Proposio 6 (Critrio para independncia no caso contnuo)

(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 7 (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)

Exerccio 34 Enuncie o resultado anlogo da proposio anterior para o caso discreto.
Exemplo 21 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

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

no so independentes, pois sua densidade conjunta no produto das densidades

marginais.
Exemplo 22 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 ) =

2.6
2.6.1

1
,
V olG

se (x1 ; :::; xn ) 2 G
0, se (x1 ; :::; xn ) 2
=G

Funes de Variveis Aleatrias

Transformaes Mensurveis

Suponha que a entrada de um sistema modelado por um vetor aleatrio X e nosso

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

( ; F) ! (Rd ; B d ) ! (R; B)
de ( ; F) a (R; B) dene uma sada (output). Y uma varivel aleatria.

2.6.2

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, 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

Proposio 8 (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 =

Prova. (Em aula.)

33

1
1

fX (t)fY (z

t)dt.

Observao 18 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

2.6.3

fY a densidade da soma X + Y .

Mtodo do Jacobiano

Sejam G0

Rn e G

Rn duas regies abertas e seja g : G0 ! G uma funo

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

x1 = h1 (y1 ; :::; yn ); :::; xn = hn (y1 ; :::; yn ).

Suponha tambm que existam as derivadas parciais
@xi
@hi (y1 ; :::; yn )
=
, 1
@yj
@yj

i; j

n,

e que elas sejam contnuas em G. Denimos o jacobiano J(x; y) pelo determinante

2 @x1
3
@x1
@xi
@yj

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 (x1 :::; xn )dx1 :::dxn =

:::

f (h1 (y1 ; :::; yn ):::; hn (y1 ; :::; yn )) jJ(x; y)j dy1 :::dyn

g(A)

para qualquer f integrvel em A, onde A

idade, temos o seguinte teorema:
34

G0 . Com isso, no contexto de probabil-

Teorema 16 Sejam Y1 ; Y2 ; :::; Yn variveis aleatrias transformadas, isto , Yi =

gi (X1 ; X2 ; :::; Xn ) para i=1,2,...,n. Ento a densidade conjunta de Y1 ; Y2 ; :::; Yn
fY (y1 :::; yn ) =

fX (h1 (y1 ; :::; yn ):::; hn (y1 ; :::; yn )) jJ(x; y)j , y 2 G

0, y 2
=G

onde fX a funo de densidade conjunta de X.

Prova. (Em aula.)
Exemplo 24 Sejam X e Y variveis aleatrias independentes, cada uma com distribuio exponencial com parmetro 1, mostre que Z = X + Y e W =

X
so
Y

tambm independentes com densidades

fZ (z) =
e

ze z , z > 0
0, z 0

8
<

1
, w>0
fW (w) =
.
(w + 1)2
: 0, w 0

Observao 19 Seja a funo g : Rn ! Rk com k < n. Ento g no bijetora.

Ento para obtermos a distribuio de Y = g(X), basta:
(a) Completar a transformao g atravs de variveis auxiliares convenientes:
Yk+1 = gk+1 (X); :::; Yn = gn (X).
(b) Obter a conjunta de Y1 ; Y2 ; :::; Yn usando o mtodo do jacobiano fY (y1 :::; yn ) =
f (h1 (y1 ; :::; yn ):::; hn (y1 ; :::; yn )) jJ(x; y)j.
(c) Obter a marginal conjunta de Y1 ; Y2 ; :::; Yk como

R1

:::

R1

fY (y1 :::; yn )dyk+1 :::dyn .

Exemplo 25 A funo de densidade conjunta de X e Y dada por

1
fX;Y (x; y) = (x + y)1(0;2] (x)1(0;1] (y).
3

35

Mostre que a densidade de Z = X + Y dada por

8 2
z
>
>
, 0 z<1
>
>
>
3
>
< z
, 1 z<2
fZ (z) =
3
>
z(3 z)
>
>
, 2 z 3
>
>
>
3
:
0, caso contrrio

Exemplo 26 (Jacobiano sem bijeo) 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).

Exemplo 27 Seja X uma varivel contnua com densidade uniforme em [ 2; 5].

Encontre a densidade de Y = X 2 .
Exemplo 28 Seja X uma varivel contnua com densidade
8
1
>
>
>
< 4 x, 0 x < 2
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.

2.6.4

Estatsticas de Ordem

Se X1 ; X2 ; :::; Xn so variveis aleatrias i.i.d. com funo de distribuio FX , ento

os Xi formam uma amostra aleatria de tamanho n, retirada de uma populao
com distribuio FX . As Xi ordenadas crescentemente so estatsticas de ordem da
amostra e representamos X(1) ; X(2) ; :::; X(n) tais que
X(1) (!)

X(2) (!)

:::

X(n) (!)

Temos assim os seguintes resultados para as distribuies de estatsticas de ordem

para variveis aleatrias contnuas.
36

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

fX(1) ;X(2) ;:::;X(n) (x1 :::; xn ) = n!fX (x1 ):::fX (xn )

Prova. (Em aula.)

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

fX (x) [FX (x)]k

[1

FX (x)]n

para x 2 R

Prova. (Em aula.)

Proposio 11 Se X1 ; X2 ; :::; Xn so variveis aleatrias i.i.d. com funo de distribuio FX e funo de densidade fX , ento para k < l, temos
fX(k) ;X(l) (x; y) =
n 2
n(n 1)
k 1

n
l

k
k

1
1

fX (x)fX (y) [FX (x)]k

[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) =

n(n 1) [FX (v) FX (u)]n

0, caso contrrio

Prova. (Em aula.)

37

fX (u)fX (v), u < v

i n

Xi

Captulo 3
Esperana Matemtica
3.1

Denio

Denio 24 Seja X uma varivel aleatria com funo de distribuio FX . A

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

Z1

(3.1)

xdFX (x)

quando a integral est bem denida.

Observao 20 (a) '(x) = x contnua. A integral (3.1) 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

38

xi p(xi ).

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

fX (x), ento

Z1

E(X) =

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).

Exerccio 35 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.
Exerccio 36 Suponha que X seja uma varivel aleatria com f.d.p. dada por
C(9 x2 ),
3
0, caso contrrio

f (x) =

(a) Obtenha o valor de C.

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

3.1.1

1).

Propriedades da Esperana Matemtica

1. E(C) = C, onde C uma constante.

2. Se a
3. E(aX
4. E[X
5. Se X

b, ento a

b) = aE(X)

E(X)

b.

b.

E(X)] = 0.
Y , ento E(X)

E(Y ).

6. Se X uma varivel aleatria tal que 0

integrvel, ento X integrvel.

39

jXj

Y , onde Y varivel aleatria

Exerccio 37 Seja X uma varivel aleatria simtrica em torno de , isto , P fX

+ xg = P fX

xg para todo x 2 R. Mostre que se X integrvel, ento

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 ]

para todo x 2 R, b > 0 e M 2 R. Mostre que M ponto de simetria de X, mas

E(X) no existe.
Exerccio 39 Sejam X e Y variveis aleatrias independentes com distribuio
uniforme em [0; 1]. Sejam Z = min(X; Y ) e W = max(X; Y ). Calcule E(Z) e
E(W ).
Proposio 12 (Desigualdade de Jensen) Seja ' uma funo convexa denida na
reta. Se a varivel aleatria X integrvel, ento
E['(X)]

'[E(X)].

Prova. (Em aula)

Observao 21 Se ' uma funo cncava, ento 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.

Esperanas de Funes de Variveis Aleatrias

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

(xi )p(xi ) (se X discreta)

i=1

E[ (X)] =

Z1

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

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.

Denio 27 Seja X uma varivel aleatria. Dene-se o k-simo momento de

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

b) ] =

Z1

(x

b)k dFX (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.

Denio 29 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 22 Observe que V ar(X) = E[(X

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

3.3.1

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

Propriedades da Varincia

1. V ar(C) = 0, onde C uma constante.

2. V ar(aX

b) = a2 V ar(X).
42

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

2XE(X) +

Denio 30 Dene-se o desvio-padro da varivel aleatria X, denotado por

DP (X) ou

X,

como
DP (X) =

p
V ar(X).

Observao 23 Pelas denies acima, vemos que

m1 = E(X)
M1 = 0
m21 .

M2 = V ar(X) = m2

Proposio 13 (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 14 (Desigualdade de Markov) Seja X uma varivel aleatria qualquer
e seja

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

P (jXj

E jXjt

Prova. Em aula.
Proposio 15 (Desigualdade Clssica de Tchebychev) Seja X uma varivel aleatria
integrvel e seja

> 0 uma constante. Ento

P (jX

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

10) = 15 . Mostre que E(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

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

9
.
2

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

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

Esperanas de Funes de Vetores Aleatrios

Teorema 17 Seja X = (X1 ; X2 ; :::; Xn ) um vetor aleatrio em ( ; A; P ) e

Rn ! R mensurvel a Borel. 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. (Teoria da Medida)
Observao 25 (i) Se X for discreto tomando valores em fx1 ; x2 ; :::g temos
E (X) =

1
X

(xi )pX (xi ).

i=1

(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[

44

n (X)].

Proposio 17 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 30 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 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 ]

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 26 H certos casos em que no correlao implica em independncia.
O caso mais importante o da Normal: Se X e Y possuem distribuio conjunta normal bivariada e so no-correlacionadas, ento

= 0 e como vimos anteriormente

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 ).

Prova. (Em aula)

Corolrio 2 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 32 Dada uma varivel aleatria X, a varivel aleatria Z =

EX

uma padronizao de X (tambm chamada de reduo ou normalizao de X).

Observe que EZ = 0 e V arZ = 1.
Denio 33 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

Exerccio 42 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 19 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.

Prova. (Em aula)

Proposio 20 (Desigualdade de Cauchy-Schwarz) E jXY j
Prova. (Em aula)
46

p
EX 2 EY 2 .

3.5

A Funo Geratriz de Momentos

Denio 34 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.
Assim,
1
X

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.

Propriedades da Funo Geratriz de Momentos

1. mX (0) = E[e0 ] = E[1] = 1.
2. Se X tem funo geratriz de momentos mX (t) e se Y = aX + b, ento
mY (t) = ebt mX (at).
3. 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
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 =

N (0; 1) e, portanto, mX (t) = mY (t), mas P (X = Y ) = P (X =

0) = 0, ou seja P (X 6= Y ) = 1.
47

X. Ento

X) = P (X =

Denio 35 Seja X = (X1 ; X2 ; :::; Xn ) um vetor aleatrio. Dene-se a funo

geratriz de momentos de X , mX (t1 ; :::; tn ), como
mX (t1 ; :::; tn ) = E[exp ft1 X1 + ::: + tn Xn g], com (t1 ; :::; tn ) 2 Rn .

Observao 27 (i) mX (0; :::; 0) = E[e0 ] = E[1] = 1.

(ii) Se X tem funo geratriz de momentos mX (t1 ; :::; tn ), ento
@ k1 +k2 +:::+kn
mX (t1 ; t2 ; :::; tn )
@tk11 @tk22 :::@tknn

= E[X1k1 X2k2 :::Xnkn ].

t=0

Exerccio 43 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).
Exerccio 44 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).
Exerccio 45 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.

Exerccio 46 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 ).

48

Teorema 18 Sejam X1 ; X2 ; :::; Xn v.a.s independentes e para i = 1; 2; :::; n, seja

mXi (t) a funo geratriz de momentos de Xi . Seja Y = X1 + X2 + ::: + Xn , ento
para todo valor de t tal que mXi (t) existe para i = 1; 2; :::; n, temos
n
Y

mY (t) =

mXi (t).

i=1

Prova. (Em aula.)

Exerccio 47 Suponha que X e Y sejam independentes e identicamente distribudas
e que a f.g.m. de cada uma seja dada por
mX (t) = mY (t) =

e3t
, para t >
1 + 2t

Ache a f.g.m. da varivel aleatria Z = 3X

1=2.

Y + 4.

Exemplo 31 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 fra-

casso 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 = x) = px (1
Assim se X

p)1 x ,

x = 0; 1.

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

Exemplo 32 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

49

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 = x) =
(a) Se X

n
x

px q n x ,

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

B(n; p), ento

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

(b) Se Xi
::: + Xn

B(n; p).

(c) Se Xi
::: + Xk

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

B(ni ; p), para i = 1; 2; :::; k, independentes, ento X = X1 + X2 +

P
B( ki=1 ni ; p).

Exemplo 33 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 = x) = q x 1 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

Exerccio 48 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?
Exemplo 34 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 com parmetros
r e p, denotado por X

BN (r; p), e sua funo de probabilidade dada por

P (X = x) =

x
r

1
1

pr q x r ,

x = r; r + 1; r + 2; r + 3; :::.

Para entender o resultado acima, observe que se Xi

independentes ento X = X1 + X2 + ::: + Xr
Assim, se X

Geo(p), para i = 1; 2; :::; r,

BN (r; p).

BN (r; p), ento

mX (t) =

pet
1 qet

para t <

ln q

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

Exerccio 49 Deseja-se colocar trs satlites em rbitas em torno da terra. Em

cada tentativa, a probabilidade de um bem sucedido lanamento de satlite de 0; 8.
Suponha que tentativas de lanamento sejam feitas at que os trs satlites entrem
em rbita.
(a) Qual a probabilidade de que exatamente 5 tentativas sejam necessrias?
(b) Qual o nmero esperado de lanamentos at que isso ocorra?
51

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.

Ento X dita ter distribuio de Poisson de parmetro , X

(a) Se X

P( ), ento
(et 1)

mX (t) = e

(b) Se Xi
Xn

P
P( ni=1

P( ).

E(X) =

V ar(X) =

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

i ).

(c) Quando temos agora um processo fXt gt

que conta o nmero de ocorrncias

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.

Exerccio 50 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?
Exemplo 36 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

52

dada por
fX (x) =
Assim, se X

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

U[a; b], ento

mX (t) =

ebt
t(b

eat
.
a)

Exemplo 37 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) =
(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

(b) Se Xt um processo de Poisson com parmetro t e T a varivel aleatria

representando o tempo de espera entre as ocorrncias do processo Xt , ento T
Exp( ).
Exerccio 51 Suponha que a vida til de certo tipo de lmpada tenha distribuio
exponencial com parmetro

= 3, quando a vida expressa em dias. 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?
(b) Qual a probabilidade de voc entrar na sala com a lmpada ainda acesa e sair
depois de a lmpada queimar?

53

Exemplo 38 Diz-se que X

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

f (x) =
onde ( ) =

R1
0

exp [

x] para x > 0,

e x dx, lembrando que ( ) = (

1) (

1)!. Alm disso, temos ( 21 ) =

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

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

P
Gama( ni=1

i;

).

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

Gama(n; ).

Exemplo 39 Diz-se que a varivel aleatria X tem distribuio Qui-Quadrado com

2
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,

para i = 1; 2; :::; n, independentes, ento X = X1 +X2 +:::+Xn

2
n.

(c) Se X + Y = Z, com X e Y independentes com X

Y

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

N (0; 1), se a funo

de densidade de probabilidade de Z dada por

1
fZ (z) = p e
2
(a) Assim, se Z

z2
2

1<z<1

N (0; 1), ento

t2

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.

N (0; 1), para i = 1; 2; :::; n, independentes, ento Y = Z12 + Z22 +

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

densidade de probabilidade de X dada por

1
fX (x) = p e
2
(a) Se X

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

para i = 1; 2; :::; n, independentes, ento X = X1 + X2 +

i=1

2
i ).

55

(d) Se Xi

(e) Se Xi

N( ;

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

X1 +X2 +:::+Xn
n

).

(f) Se Xi

N ( i;

a2 X2 + ::: + an Xn + b

2
i ),

para i = 1; 2; :::; n, independentes, ento X = a1 X1 +

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

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

N (n ; n 2 ).

::: + Xn

N( ;

N( ;

E (S 2 ) =

, da a correo da varincia amostral para a diviso dos desvios-

quadrticos por n

1 ao invs de n.

Exemplo 42 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?
Exerccio 52 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.

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

se a funo de densidade de X dada por

(
1
1
fX (x) =
x
n
1 exp
2
(2 ) 2 j j 2
(a) Se X

e matriz de covarincia

=[

ij ]

onde

n positiva denida e no-singular,

T
1

, para x 2Rn .

N ( ; ), ento
T

mX (t) = exp

1
t+ tT t .
2

(b) Quando n = 2, ento X = (X1 ; X2 )T dito ter distribuio normal bivariada

e sua densidade dada por
fX (x1 ; x2 )
=

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,

coeciente de correlao entre X1 e X2 ,

mX (t1 ; t2 ) = E et1 X1 +t2 X2

1<

x2

2
2

< 1 com

x2

2
2

#)

= (X1 ; X2 ) o

= E(X1 ) 2 R e 2 = E(X2 ) 2 R. Assim

(
)
2
2
1 XX
ti tj ij
= exp
1 t1 + 2 t2 +
2 i=1 j=1
1

57

onde

=[

ij ]

onde

ij

= Cov(Xi ; Xj ).

(b.1) A f.g.m de X1 dada por

mX1 (t1 ) = mX (t1 ; 0)
1 2
t
2 1
1 2
1 t1 + t1
2

= exp

1 t1 +

= exp
Logo a marginal de X1 normal com mdia

11
2
1

e varincia

2
1.

(b.2) A f.g.m de X2 dada por

mX2 (t2 ) = mX (0; t2 )
1 2
t
2 2
1 2
2 t2 + t2
2

= 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

> 0), denotado por X

de probabilidade de X dada por

8
< ( + )
x
fX (x) =
( ) ( )
:
0, c.c.
(a) Assim,
(b) Se X

R1
0

(1

x)

dx =

(1

Beta( ; ),se a funo de densidade

x)

, 0<x<1

( ) ( )
.
( + )

Beta( ; ), ento
E(X) =
V ar(X) =

+
( + )2 ( +

+ 1)

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

(c) Se X

Beta(1; 1), ento X

U (0; 1).
58

Exemplo 45 Diz-se que a varivel aleatria X tem distribuio t-Student com n

graus de liberdade, denotado por X

tn

Student,se a funo de densidade de

probabilidade de X dada por

fX (x) =
(a) Se X
Assim se X

t1

( n+1
)
2
1=2

( n2 )

(n )

(1 +

x2
)
n

(n+1)=2

, para x 2 R

Student, ento X dita ter distribuio de Cauchy-Padro.

P adr~
ao, ento

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.

Logo no existe esperana matemtica para a distribuio t-Student com 1 grau de

liberdade.
(b) Se Z

N (0; 1) e W
X=

2
n

so variveis aleatrias independentes, ento

Z

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

1 no existem. Com isso, X

no possui funo geratriz de momentos. Alm disso, para n > 1,

E [X] = 0
V ar [X] =
(d) Se Xi
2

N( ;

)e

(n

N( ;

1)S 2

n
n

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

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

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

Xn
p

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.

Exerccio 55 Seja X1 ; X2 ; :::; Xn uma amostra aleatria retirada de uma populao

com distribuio normal com mdia
(a) Se

populacional com 1

=2

. Ento:

conhecida, o intervalo de conana para a mdia

de probabilidade ( dito o nvel de conana) dado por

p z
n

Xn

P
onde z

desconhecida e

e varincia

Xn + p z
n

=2

=2

=1

o valor encontrado na tabela da normal padro tal que 1

=2 = P (Z

=2 ).

(b) Se

desconhecida e

mdia populacional com 1

desconhecida, o intervalo de conana para a

de probabilidade (

dito o nvel de conana)

dado por
P
onde tn

1; =2

tal que 1

Xn

S
p tn
n

1; =2

=1

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

=2 = P (T

tn

1; =2 ).

(c) O intervalo de conana para

P
onde

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

o valor encontrado na tabela da Qui-Quadrado com n

liberdade tal que =2 = P (

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

ambas desconhecidas. Uma amostra aleatria de tamanho 10 dessa

produo retirada tendo sido obtidos os seguintes resultados:

P10

i=1

x2i = 2531. Assim, temos

P10

i=1

xi = 159 e

xn = 15; 9 e s = 0; 57.

Desejamos construir um intervalo de conana para

dade. Ento para

com 95% de conabili-

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

16; 31) = 0; 95.

temos
P

Os valores tabelados so:

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.

Exemplo 46 Diz-se que a varivel aleatria X tem distribuio F-Snedecor com

m e n graus de liberdade, 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
, para x > 0
fX (x) =
( m2 ) ( n2 )
(mx + n)(m+n)=2
:
0, c.c.
61

2
m

(a) Se U

2
n

eV

so variveis independentes, ento

U=m
V =n

X=

F (m; n).

Com isso m o grau de liberdade do numerador e n o do denominador.

(b) Se X

F (m; n), ento Y =

(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

F (1; n). (Basta ter em mente que

2
n

N (0; 1) e W

independentes e que X =

Z2
1

W
n

com

tambm independentes.)

F (m; n), ento

n

, 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

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

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

2
2

e varincia

tambm ambas desconhecidas, e se as duas amostras so

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

Exerccio 56 Se X1 ; X2 ; :::; Xn1 uma amostra aleatria retirada de uma populao

com distribuio normal com mdia

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

tambm ambas desconhecidas, e se as duas

2
2
2
1

amostras so independentes ento o intervalo de conana para a razo

varincias populacionais com 1
P

S22
F(n
S12 1

entre as

de probabilidade dada por

2
2
2
1

1;n2 1); =2

S22
F(n
S12 1

=2

1;n2 1);1

=1

Exemplicao do resultado acima: Suponha que tenhamos retirado duas

amostras de duas populaes onde n1 = 5,
P3

i=1

(yi

y5 )2 = 3; 42, Assim S12 =

8;24
4

P5

i=1

x5 )2 = 8; 24, n2 = 3,

(xi

= 2; 06 e S22 =

3;42
2

= 1; 71. Os valores

tabelados ao nvel de signicncia de 10% ( = 0; 1) dado por

F(4;2);0;95 = 19; 25,

F(4;2);0;05 =

1
F(2;4);0;95

1
= 0; 1441
6; 94

tendo em mente que

F(n1

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.

Como 1 pertence ao intervalo de conana para a razo entre as varincias, no h

evidncia de que as populaes tenham varincias diferentes com 90% de conabilidade.

3.6

Lista

Questo 1) Sejam X e Y variveis aleatrias independentes com densidade Gama

de parmetros ( ; ) e ( ; ), respectivamente. Mostre que:
63

(a) W =

X
X+Y

tem densidade Beta de parmetros ( ; ).

(b) T = X + Y tem densidade Gama de parmetros ( + ; ).

(c) W e T so independentes.
Questo 2) Sendo X

2
n

N (0; 1) e Y

X
independentes, mostre que T = q

Y
n

tem distribuio t-Student com n graus de liberdade.

Questo 3) Sendo X
(a) Mostre que W =

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

tem distribuio Beta.

Questo 4) Considere X1 ; X2 ; :::; Xn variveis aleatrias independentes com

densidade Exp( i ), i = 1; 2; :::; n. Mostre que P fXk = min(X1 ; X2 ; :::; Xn )g =
Pn k

i=1

Questo 5) Certo supermercado tem duas entradas, A e B. Fregueses entram

pela entrada A conforme um processo de Poisson com taxa mdia de 15 fregueses
por minuto. Pela entrada B, entram fregueses conforme outro processo de Poisson,
independente do primeiro, a uma taxa mdia de 10 por minuto.
(a) Seja Xt o nmero total de fregueses que entram no supermercado at o
instante t (inclusive), para t

0. Obtenha a distribuio de Xt .

(b) Seja T1 o tempo em que o primeiro fregus entra pela entrada A e V1

o tempo em que o primeiro fregus entra pela entrada B. Ache a distribuio de
min (T1 ; V1 ), o mnimo dos dois tempos.
(c) Determine a probabilidade de que o primeiro fregus a entrar no mercado
entre pela entrada A.
64

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)

para B 2 B, a -lgebra dos borelianos da reta. Os axiomas abaixo se vericam

Axioma 1) P (X 2 B j A)

0.

Axioma 2) P (X 2 R j A) = 1.
1
[

i=1

Axioma 3) Se B1 ; B2 ; ::: so borelianos disjuntos dois a dois, ento P (X 2

1
X
Bi j A) =
P (X 2 Bi j A).
i=1

A funo de distribuio associada distribuio condicional chamada funo

de distribuio condicional de X dado A:

FX (x j A) = P (X

x j A) =

P ([X x] \ A)
, x 2 R.
P (A)

A esperana condicional de X dado A a esperana da distribuio condicional

65

denida por
E(X j A) =

1
1

xdFX (x j A)

E [X:1A ]
E [1A ]
1
=
E [X:1A ] ,
P (A)

se esta esperana existe.

Observe, pelo Teorema da Probabilidade Total, que
P (X 2 B) =
FX (x) =
=

E [X] =
=

X
n

X
n

x j An )

P (An )FX (x j An ), para todo x 2 R.

Exemplo 47 Seja X

P (An )P (X

xdFX (x) =

P (An )P (X 2 B j An ), para todo B 2 B.

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 ).

0] e A2 = [X < 0]. Pede-se

(a) A distribuio condicional de X dado A1 .

(b) A distribuio condicional de X dado A2 .
(c) E(X j An ) para n = 1; 2.
Exemplo 48 Seja X uma varivel aleatria exponencial com parmetro . Encontre E [X j X > 2].
Se X e Y so v.a.s discretas, a funo de probabilidade condicional de X dado
Y = y denida para todo y tal que P (Y = y) > 0 como
P fX = xjY = yg =

P fX = x; Y = yg
.
P fY = yg

66

A funo de distribuio condicional de X dado Y = y denida como

F (xjy) = P fX

xjY = yg

e a esperana condicional de X dado Y = y como

E [XjY = y] =

Z1

xdF (xjy) =

X
x

xP fX = xjY = yg .

Se X e Y tm funo de densidade conjunta fX;Y (x; y), a funo de densidade

condicional de X dado Y = y denida para todo y tal que fY (y) > 0 como
f (xjy) =

fX;Y (x; y)
fY (y)

e a funo de distribuio condicional de X dado Y = y denida como

F (xjy) = P fX

xjY = yg =

Zx

f (tjy)dt:

A esperana condicional de X dado Y = y denida, neste caso, como

E [XjY = y] =

Z1

xdF (xjy) =

Z1

xf (xjy)dx.

Observao 28 Qualquer que seja a natureza das variveis aleatrias X e Y , temos

portanto
E [XjY = y] =

Z1

xdF (xjy) .

Proposio 21 Os seguintes resultados envolvendo esperanas condicionais se vericam:

(a) E [X] =

R1

E (XjY = y) dFY (y).

(b) P (X 2 B) =
(c) FX (x) =

R1

R1

P (X 2 B j Y = y)dFY (y), para todo B 2 B.

FX (xjY = y) dFY (y).

Prova. (Em aula.)

67

Observao 29 Para qualquer funo

mensurvel, denimos

E [ (X)jY = y] =

Z1

(x)dFX (xjy) :

Exemplo 49 Sejam X e Y com densidade conjunta

fX;Y (x; y) =

6xy(2 x y), 0 < x < 1 e 0 < y < 1

0, caso contrrio

Calcule E [XjY ] e E [X].

Exemplo 50 Sejam X e Y com densidade conjunta
fX;Y (x; y) =

1
ye xy ,
2

0<x<1 e 0<y<2
0, caso contrrio

Calcule E eX=2 jY e E eX=2 jY = 1 .

Proposio 22 E [XjY ] uma funo da varivel aleatria Y (e portanto ela
prpria uma v.a.) que assume o valor E [XjY = y] para Y = y. A esperana condicional tem as seguintes propriedades:
(1) E [ (X)] = E fE [ (X)jY ]g.
(2) E

n
P

(Xi )jY = y =

i=1

(3) Se

n
P

iE

[ (Xi )jY = y] onde

i=1

0 ento E [ (X)jY ]

2 R para todo i.

0.

(4) E [g(X; Y )jY = y] = E [g(X; y)jY = y].

(5) E [ (X)jY = y] = E [ (X)] se X e Y so independentes.
(6) E [g(X)h(Y )jY = y] = h(y)E [g(X)jY = y].
(7) E [g(X)h(Y )] = E fh(Y )E [g(X)jY ]g.
(8) E [ jY = y] =

onde

2 R.

(9) E [ (Y )jY = y] = (y).

(10) E [XjY ] = E fE [XjW; Y ] jY g.
(11) Se X1

X2 , ento E [X1 jY ]

E [X2 jY ].
68

(12) (Desigualdade de Jensen) Seja

uma funo convexa. Ento E [ (X)jY ]

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 .

(b) V ar [X] = E fV ar [XjY ]g + V ar fE(XjY )g.

Prova. (Em aula.)
Exemplo 51 Seja X

U [0; 1]. Se X = x, ento uma moeda com probabilidade x

de sair cara lanada n vezes independentemente. Seja Y a v.a. que representa o

nmero de caras obtidas. Encontre a distribuio de Y , a esperana de Y , e mostre
que E(Y ) = E [E(Y jX)].
Exemplo 52 Seja X v.a.d. tomando valores 1; 2; 3; ... com probabilidades respectivas p1 ; p2 ; p3 ; ::: Se X = n, um nmero Y real no-negativo selecionado de acordo
com uma funo de densidade de probabilidade fn (y). Pede-se
(a) A densidade de Y .
(b) Calcule P (1

X +Y

3).

Exemplo 53 Considere partculas que chegam a um contador segundo um processo

de Poisson com parmetro

> 0. Seja Xt o nmero de partculas que chegam at o

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)

Mostre que XjY = y

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

o corciente de correlao entre X e Y .

Exemplo 55 Sejam X e Y v.a.s independentes tais que X

U [0; 2] e Y

U [ 1; 1].
(a) Calcule E [XjX + Y

2].

(b) Calcule E [XjX + Y ].

(c) Calcule E [XjX + Y = 2].
Exemplo 56 Seja X1 ; X2 ; :::.uma seqncia de variveis aleatrias independentes e
identicamente distribudas e seja N uma varivel aleatria inteira e no-negativa independente da seqncia X1 ; X2 ; :::. Seja Y =

N
P

Xi . Mostre que E [Y ] = E [N ] E [X]

i=1

e V ar [Y ] = E [N ] V ar [X] + E 2 [X] V ar [N ].

Exemplo 57 Sejam Y1 ; Y2 ; :::; Yn v.a. s no-negativas i.i.d. Mostre que

E [Y1 + Y2 + ::: + Yk jY1 + Y2 + ::: + Yn = y] =

k
y, k = 1; 2; :::; n:
n

Exemplo 58 Um nmero no-negativo X escolhido com densidade fX (x) = xe

para x > 0. Se X = x, um nmero Y escolhido no intervalo [0; x]. Ache

P (X + Y

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

Ber( 12 ), temos E(Xi ) = 12 . E a Lei dos Grandes Nmeros estabelece

que
Sn
1
! .
n
2
71

Mas em que sentido? H vrios tipos de convergncia em Teoria das Probabilidades.

Vejamos as principais:
Sejam X e fXn gn

variveis aleatrias denidas num mesmo espao de proba-

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

Exemplo 60 Sejam X1 ; X2 ; ::: v.a.s independentes, identicamente distribudas com

distribuio Exp(1). Dena
Yn =

Xn
ln n

para n > 1. Mostre que Yn ! 0.

Denio 38 Xn converge para X quase certamente, se
P fXn ! X, quando n ! 1g = 1,
ou seja, o evento A0 = f! : Xn (!) ! X(!)g de probabilidade 1.
q:c:

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

= [0; 1]. Um ponto selecionado aleatoriamente do intervalo

[0; 1] e seja a sequncia de variveis aleatrias dada por

Xn (!) = ! + ! n .
q:c:

Mostre que Xn ! X com X

P f! 2

q:c:

U [0; 1]. Observe tambm que Xn (1) 9 X(1). Mas

: Xn (!) 9 X(!), quando n ! 1g = 0.

Denio 39 Xn converge para X em Lp , se

lim E fjXn

n!1

Xjp g = 0.

Quando p = 2, a convergncia dita em mdia quadrtica.

Lp

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

Denio 40 Sejam fXn ; n

1
e
n

1g e X variveis aleatrias com funes de dis-

1g e F , respectivamente. Diremos que Xn converge em dis-

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

1g uma seqncia de v.a. independentes com dis-

tribuio uniforme em (0; b), b > 0. Dena Yn = max(X1 ; X2 ; :::; Xn ) e Y = b.

D

Ento verique que Yn ! Y .

Exemplo 64 Seja Xn =

1
n

para n

1 e X = 0. Mostre que Xn ! X, embora

limn!1 Fn (0) = 0 6= 1 = F (0). Mas como 0 no ponto de continuidade de F , isto

no problema.
73

Observao 31 Pode-se mostrar que

q:c:

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-

dida de Lebesgue em [0; 1] (medida uniforme). Sejam X1 ; X2 ; ::: variveis aleatrias

denidas como
Xn (!) = n2 :1[0; 1 ) (!) , ! 2 [0; 1] .
n

q:c:

(a) Vericar se Xn ! X para alguma v.a. X.

p

Exemplo 65 (b) Vericar se Xn ! X para alguma v.a. X.

D

(c) Vericar se Xn ! X para alguma v.a. X.

L

(d) Vericar se Xn !1 X para alguma v.a. X.

5.2

Leis dos Grandes Nmeros

Sejam X1 ; X2 ; ::: v.a.s integrveis em ( ; A; P ) e S1 ; S2 ; ::: suas somas parciais dadas

por
Sn = X1 + X2 + ::: + Xn .

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

Teorema 19 (Lei Fraca de Tchebychev) Sejam X1 ; X2 ; ::: v.a.s no-correlacionadas

dois a dois com varincias nitas e uniformemente limitadas (isto , existe c nito,
tal que para todo n V arXn < c). Ento X1 ; X2 ; ::: satisfazem a Lei Fraca dos
Grandes Nmeros:
Sn

ESn P
! 0.
n

Prova. (Em aula)

Corolrio 3 (Lei dos Grandes Nmeros de Bernoulli, publicada em Ars Conjectandi,
1713) Considere uma seqncia de ensaios binomiais independentes tendo a mesma
probabilidade p de sucesso em cada ensaio. Se Sn o nmero de sucessos nos
primeiros n ensaios, ento
Sn P
! p.
n
Prova. (Em aula)

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 =

X12 + X22 + ::: + Xn2

?
n

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.

Ento X1 ; X2 ; ::: satisfazem a Lei Forte dos Grandes Nmeros:

Sn
n

ESn q:c:
! 0.
n

Prova. (Omitida, pois demanda resultados avanados de Teoria das Probabilidades.)

Exemplo 67 Seja 0 <
que P Xn = n

< 12 . Prove que se X1 ; X2 ; ::: so v.a.s independentes, tais

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

Prova. (Em aula)

Exemplo 68 Sejam X1 ; X2 ; ::: v.a.s independentes, identicamente distribudas com
EX1 = 1 = V arX1 . Mostre que
n
P

Xi

ri=1n
P
n

i=1

5.3

1
!p .
2

q:c:

Xi2

Teorema Central do Limite

Teorema 23 (Teorema Central do Limite para v.a.s i.i.d.) Seja fXn ; n

seqncia de v.a.s i.i.d., com mdia comum
2

e varincia comum

1g uma

, onde 0 <

< 1. Seja Sn = X1 + X2 + ::: + Xn . Ento

Sn
p

ESn D
! N (0; 1),
V arSn

isto ,
Sn

n D
! N (0; 1).
n

Prova. (Em aula.)

Exemplo 69 Fregueses chegam em certo supermercado segundo um processo de
Poisson com intensidade mdia de 10 por minuto. Sejam T1 ; T2 ; ::: os tempos entre
chegadas de fregueses, de modo que T1 + T2 + T3 + ::: + Tn o tempo de chegada no
n-simo fregus.
(a) Utilizando o Teorema Central do Limite, ache um nmero entre 0 e 1 que
seja aproximadamente igual probabilidade do milsimo fregus chegar depois de
100 minutos.
(b) Como voc calcularia o valor exato da probabilidade no item (a)?

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