Notas de Aula Probabilidade

NOTAS DE AULA
PROBABILIDADE: TEORIA E EXERCCIOS

LCIO LEBENSZTAYN
CRISTIAN FAVIO COLETTI

Programa de Ps- Graduao em Est at st i ca
Depar t ament o de Est at st i ca
Uni versi dade de So Paul o
ht t p: //www. i me. usp. br/~seccpg/mae
Sumrio
Prefcio iii
Captulo 1: Anlise Combinatria 1
Exerccios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Respostas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Captulo 2: Probabilidade 15
1. Denies e propriedades . . . . . . . . . . . . . . . . . . . . . . 15
2. Probabilidade condicional e independncia . . . . . . . . . . . . . . . 18
3. Conjuntos limites e continuidade da probabilidade. . . . . . . . . . . . 20
Exerccios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Respostas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Captulo 3: Variveis aleatrias 33
1. Denies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2. Variveis aleatrias conjuntamente distribudas . . . . . . . . . . . . . 35
3. Independncia de variveis aleatrias . . . . . . . . . . . . . . . . . 36
4. Modelos de distribuies discretas. . . . . . . . . . . . . . . . . . . 37
5. Modelos de distribuies contnuas . . . . . . . . . . . . . . . . . . 39
6. Aproximao de Poisson Binomial . . . . . . . . . . . . . . . . . . 41
7. Aproximao Normal Binomial . . . . . . . . . . . . . . . . . . . 41
8. Funes de variveis aleatrias . . . . . . . . . . . . . . . . . . . . 42
9. Estatsticas de ordem . . . . . . . . . . . . . . . . . . . . . . . . 45
10. Modelos multidimensionais. . . . . . . . . . . . . . . . . . . . . . 46
11. Distribuies relacionadas com a normal . . . . . . . . . . . . . . . . 47
Exerccios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Respostas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
ii Sumrio
Captulo 4: Esperana 65
1. Denies e propriedades . . . . . . . . . . . . . . . . . . . . . . 65
2. Distribuio e esperana condicionais . . . . . . . . . . . . . . . . . 67
3. Funes geradoras . . . . . . . . . . . . . . . . . . . . . . . . . 69
4. Desigualdades . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Exerccios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Respostas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
Captulo 5: Modos de Convergncia e Teoremas Limites 95
1. Lema de Borel-Cantelli . . . . . . . . . . . . . . . . . . . . . . . 95
2. Modos de Convergncia . . . . . . . . . . . . . . . . . . . . . . . 95
3. Teoremas Limites. . . . . . . . . . . . . . . . . . . . . . . . . . 98
4. Outros Teoremas Limites . . . . . . . . . . . . . . . . . . . . . . 100
5. Convergncia de momentos . . . . . . . . . . . . . . . . . . . . . 101
Exerccios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Respostas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Apndice 119
Distribuio Normal Padro 123
Referncias Bibliogrcas 125
Prefcio
Este livro destina-se a estudantes de cursos de probabilidade em nvel de Gradua-
o e Mestrado. Os temas abordados so: Anlise Combinatria, Probabilidade, Vari-
veis Aleatrias, Esperana e Teoremas Limites. No comeo de cada captulo, visando
recordao da matria, renem-se em forma de tpicos as principais denies e resulta-
dos. Para mais detalhes e demonstraes, sugerimos ao leitor que consulte as referncias
bibliogrcas. Ao nal de cada captulo, enunciam-se os exerccios correspondentes
teoria exposta, alguns dos quais tm a soluo apresentada.
Cumpre-nos salientar que, por ns didticos, decidimos denir os principais modos
de convergncia para tratar dos teoremas limites. As sees e os tpicos marcados com
um asterisco correspondem a assuntos mais avanados, que podem ser omitidos em uma
primeira leitura. Os exerccios que envolvem esses assuntos tambm esto assinalados.
Aceitaremos, com prazer, as crticas e sugestes que nos permitam aperfeioar o livro.
Gostaramos de expressar nosso agradecimento aos professores com os quais con-
vivemos nos anos de formao acadmica, assim como aos autores e docentes cujos livros,
listas de exerccios e provas nos serviram de fonte. Agradecemos tambm ao Departa-
mento de Estatstica e Comisso dos Cursos de Vero do IMEUSP, CAPES-PROEX
e FAPESP, pelo apoio recebido.
Novembro de 2008.
Os autores.
Captulo 1
Anlise Combinatria
1.1. Princpio multiplicativo: Uma tarefa deve ser executada em uma seqncia de
r etapas. Existem n
1
maneiras de realizar a primeira etapa; para cada uma dessas n
1
maneiras, existem n
2
maneiras de realizar a segunda etapa; para cada uma dessas n
2
maneiras, existem n
3
maneiras de realizar a terceira etapa, e assim por diante. Ento, o
nmero total de maneiras de efetuar a tarefa completa dado por n
1
n
2
. . . n
r
.
Observao. Ao usar o princpio multiplicativo, fundamental que o nmero de manei-
ras de realizar uma determinada etapa no seja inuenciado por nenhuma das etapas
predecessoras.
1.2. Princpio aditivo para partes disjuntas: Se A
1
, . . . A
n
so conjuntos dois a dois
disjuntos, ento
i=1
A
i
=
n
i=1
|A
i
|.
Princpio da Incluso-Excluso: Em geral, devemos usar
i=1
A
i
=

i
|A
i
|
i<j
|A
i
A
j
|
+

i<j<k
|A
i
A
j
A
k
| + (1)
n+1
|A
1
. . . A
n
|.
1.3. Convm recordar uma tcnica bastante til em problemas de contagem: primeiro
ignore uma restrio do problema, contando a mais. Depois, desconte o que foi indevida-
mente contado.
1.4. Um conjunto com n elementos tem 2
n
subconjuntos.
1.5. Permutaes: O nmero de maneiras de ordenar n objetos distintos
n! = n(n 1) . . . 2 1.
O nmero n! chamado o fatorial de n. Por conveno, 0! = 1.
2 Anlise Combinatria
Observao. Uma frmula muito importante quando se trata de fatoriais foi obtida por
Stirling (1730):
n! n
n
e
n
2n,
onde o smbolo indica que a razo entre os dois lados tende a 1 quando n .
1.6. Permutaes circulares: O nmero de maneiras de dispor n objetos distintos em
torno de um crculo (n 1)!.
Nessa contagem, interessa apenas a posio relativa dos objetos entre si, ou seja, duas
disposies so consideradas indistinguveis se uma pode ser obtida a partir da outra por
uma rotao conveniente dos objetos.
1.7. O nmero de palavras de comprimento k que podem ser compostas com n elementos
dados n
k
.
1.8. Arranjos: O nmero de k-subconjuntos ordenados de um n-conjunto
(n)
k
= n(n 1) . . . (n k + 1).
1.9. Combinaes: O nmero de k-subconjuntos de um n-conjunto
n
k
=
n!
k! (n k)!
,
que chamado um coeciente binomial. Estes nmeros podem ser arrumados em uma
disposio triangular, o famoso Tringulo de Pascal.
1.10. Teorema Binomial: Para quaisquer n 0 inteiro e x, y R,
(x +y)
n
=
n
k=0
n
k
x
k
y
nk
.
1.11. O nmero de divises possveis de n objetos distintos em r grupos distintos de
tamanhos respectivos n
1
, n
2
, . . . , n
r
(n
1
+n
2
+ +n
r
= n)
n
n
1
, n
2
, . . . , n
r
=
n!
n
1
! n
2
! . . . n
r
!
.
Esta frmula tambm fornece o nmero de anagramas de uma palavra com n letras que
contm n
1
vezes a letra
1
, n
2
vezes a letra
2
, . . . , n
r
vezes a letra
r
(n
1
+n
2
+ +n
r
= n).
Exerccios 3
1.12. Para qualquer inteiro p > 0 xado, o nmero de vetores distintos (x
1
, . . . , x
n
) no-
negativos e a valores inteiros que satisfazem a equao x
1
+ +x
n
= p

p+n1
n1
.
Esse o chamado nmero de combinaes completas (ou com repetio), pois o nmero
de modos de escolher p objetos entre n objetos distintos dados, podendo repetir a escolha
(x
i
o nmero de vezes que tomamos o objeto i).
Em outras palavras, o nmero de maneiras de distribuir p moedas idnticas a n crianas

p+n1
n1
.
1.13. Para qualquer inteiro p > 0 xado, o nmero de vetores distintos (x
1
, . . . , x
n
) a
valores inteiros que satisfazem x
1
+ +x
n
= p e x
i
1 para todo i = 1, . . . , n

p1
n1
.
Isto signica que o nmero de maneiras de distribuir p moedas idnticas a n crianas de
forma que cada criana receba pelo menos uma moeda

p1
n1
.
1.14. A tabela a seguir resume o nmero de maneiras de tomarmos uma amostra de
tamanho k de uma populao com n elementos distintos, dependendo se o mesmo objeto
pode ser escolhido mais de uma vez (amostragem com ou sem reposio) e se vamos distin-
guir entre duas escolhas com os mesmos objetos escolhidos em ordem diferente (amostra
ordenada ou no).
Ordenada No-ordenada
Com reposio n
k
k+n1
n1
Sem reposio (n)

k
n
k
Exerccios
1. Quantas permutaes diferentes existem das letras A, B, C, D, E, F
(a) que tm as letras A, B juntas em qualquer ordem?
(b) que tm a letra A em primeiro lugar ou a letra F em ltimo?
(c) em que a letra A vem antes da letra B?
(d) em que a letra E no a ltima?
Soluo. (a) Imaginamos as letras A e B coladas como uma letra s, na ordem AB, o
que fornece 5! permutaes. Como tambm existem 5! permutaes nas quais a letra
B est imediatamente antes da letra A, obtemos um total de 2 . 5! = 240 permutaes
diferentes.
(b) SejamA o conjunto das permutaes que comeam por A e F o conjunto das permuta-
es que terminam em F. Pelo Princpio da Incluso-Excluso, o nmero de permutaes
que comeam por A ou terminam em F
|A F| = |A| +|F| |A F| = 5! + 5! 4! = 216.
(c) Existe um total de 6! = 720 permutaes possveis, e existem tantas com A antes de
B quantas com B antes de A, logo a resposta 360.
(d) Existem 5! permutaes em que a letra E a ltima, portanto 6! 5! = 600 permu-
taes em que E no a ltima letra.
2. Numa prova, um estudante deve responder exatamente 7 questes de um total de
10 questes. Quantas escolhas ele tem? Quantas escolhas ele tem se entre as 7 questes
deve responder pelo menos 3 das primeiras 5 questes?
Soluo. O estudante deve escolher um subconjunto de tamanho 7 de um conjunto com
10 elementos, logo tem

10
7
= 120 escolhas.
No caso em que entre as 7 questes deve responder pelo menos 3 das primeiras 5 questes,
o estudante possui trs opes (disjuntas):
Escolher exatamente 3 das primeiras 5 questes e 4 das 5 ltimas;
Escolher exatamente 4 das primeiras 5 questes e 3 das 5 ltimas;
Escolher as 5 primeiras questes e 2 das 5 ltimas.
Assim, o total de escolhas que tem
5
3
5
4
5
4
5
3
5
5
5
2
= 110.
Outra resposta para a segunda pergunta: 120
5
2
5
5
= 110.
3. Um pai compra 7 presentes diferentes (entre os quais, um videogame e um relgio)
para dar a seus trs lhos.
(a) De quantas maneiras ele pode dividir os 7 presentes entre os lhos, se decide dar
2 presentes ao lho mais velho, 2 presentes ao lho do meio e 3 presentes ao mais
novo?
(b) De quantas maneiras ele pode dividir os 7 presentes, se, alm da diviso 2 ao
mais velho, 2 ao do meio e 3 ao mais novo, ele resolve dar pelo menos um entre o
videogame e o relgio ao lho mais velho?
(c) De quantas maneiras ele pode dividir os 7 presentes, se, alm da diviso 2 ao
mais velho, 2 ao do meio e 3 ao mais novo, ele decide dar exatamente um entre o
videogame e o relgio ao lho mais velho?
Exerccios 5
Soluo. (a) O nmero de divises possveis de n objetos distintos em r grupos distintos
de tamanhos respectivos n
1
, n
2
, . . . , n
r
(n
1
+n
2
+ + n
r
= n)
n
n
1
, n
2
, . . . , n
r
=
n!
n
1
! n
2
! . . . n
r
!
.
Assim, a resposta

7
2, 2, 3
=
7!
2! 2! 3!
= 210.
Outras respostas: O pai dispe os presentes numa la, os dois primeiros destinados ao
lho mais velho, os dois seguintes ao lho do meio e os trs ltimos ao mais novo. Existem
7! maneiras de ordenar os presentes, porm xada uma ordenao entre os presentes, a
ordem dos presentes de cada um dos lhos pode ser alterada, sem mudar a distribuio.
Dessa forma, o pai tem
7!
2! 2! 3!
= 210 maneiras de distribuir os presentes.
O pai escolhe 2 dos 7 presentes para o lho mais velho, o que pode fazer de

7
2
= 21
modos; em seguida, deve escolher 2 dos 5 presentes restantes para o lho do meio (
5
2
= 10
modos); os 3 presentes que sobram so do mais novo. A resposta 21 . 10 = 210.
(b) Sejam
n
v
= Nmero de maneiras de dividir os presentes, sendo 2 ao lho mais velho, 2 ao do
meio e 3 ao mais novo, com o mais velho ganhando o videogame;
n
r
meio e 3 ao mais novo, com o mais velho ganhando o relgio;
n
vr
= Nmero de maneiras de dividir os presentes, sendo o videogame e o relgio ao lho
mais velho, 2 outros presentes ao do meio e 3 ao mais novo.
Pelo Princpio da Incluso-Excluso, a resposta dada por:
n
v
+ n
r
n
vr
= 2 .
6!
1! 2! 3!

5!
2! 3!
= 110.
Outra resposta: 210
5
2
5
2
= 110.
(c) Sejam
N
1
meio e 3 ao mais novo, com o mais velho ganhando o videogame porm no o relgio;
N
2
meio e 3 ao mais novo, com o mais velho ganhando o relgio porm no o videogame.
Uma forma de obter N
1
observar que o pai tem

5
1
= 5 escolhas para o outro presente

para o lho mais velho e

5
2
= 10 maneiras de dividir os 5 presentes restantes entre os

lhos menores, logo N
1
= 5 . 10 = 50. (Outro modo seria notar que N
1
= n
v
n
vr
).
Analogamente, temos que N
2
= 50. Visto que N
1
e N
2
se referem a opes disjuntas, o
nmero de maneiras
N
1
+N
2
= 100.
Outra resposta: 110 n
vr
= 100.
4. Quantos so os anagramas da palavra COMBINATORIA? (Considere O sem acento).
Quantos deles comeam por vogal ou terminam em consoante?
Soluo. O nmero de permutaes de n objetos, dos quais n
1
so do tipo 1, n
2
so do
tipo 2, . . . , n
k
so do tipo k (n
1
+n
2
+ + n
k
= n)
n!
n
1
! n
2
! . . . n
k
!
.
A palavra COMBINATORIA tem 2A, 2I, 2O, 1B, 1C, 1M, 1N, 1R, 1T, logo o nmero
total de anagramas (ordenaes diferentes das letras)
12!
2! 2! 2!
= 59875200.
Outra resposta: Escolhemos 2 de 12 lugares para colocar as 2 letras A, o que pode ser
feito de

12
2
= 66 modos; em seguida, devemos escolher 2 dos 10 lugares restantes para

colocar as 2 letras I (
10
2
= 45 modos); a seguir, escolhemos 2 dos 8 lugares que restam

para as 2 letras O (
8
2
= 28 modos) e nalmente temos 6 lugares para 6 letras distintas

(6! = 720 modos). A resposta 66 . 45 . 28 . 720 = 59875200.
Sejam V o conjunto dos anagramas que comeam por vogal e C o conjunto dos anagramas
que terminam em consoante. A m de obter |V|, notamos que temos 3 escolhas para
a vogal inicial e, feita essa escolha,
11!
2! 2!
formas de permutar as letras restantes. Para
calcular |C|, existem 6 escolhas para a consoante nal e, tomada essa deciso,
11!
2! 2! 2!
modos de permutar as letras restantes. Analogamente, |V C| = 3 . 6 .
10!
2! 2!
.
Pelo Princpio da Incluso-Excluso, conclumos que o nmero de anagramas que comeam
por vogal ou terminam em consoante :
|V C| = |V| +|C| |V C| = 3 .
11!
2! 2!
+ 6 .
11!
2! 2! 2!
3 . 6 .
10!
2! 2!
= 43545600.
5. Permutam-se de todas as formas possveis os algarismos 1, 2, 4, 6, 7 e escrevem-se os
nmeros formados em ordem crescente. Determine:
(a) que lugar ocupa o nmero 62417.
(b) que nmero ocupa o 66 lugar.
(c) qual o 166 algarismo escrito.
(d) a soma dos nmeros assim formados.
Soluo. (a) Precisamos determinar quantos nmeros antecedem o 62417. Antecedem-no
todos os nmeros comeados em 1 (4! = 24), em 2 (4! = 24), em 4 (4! = 24), em 61 (3!
= 6) e em 621 (2! = 2), logo 80 nmeros. O nmero 62417 ocupa o 81 lugar.
Exerccios 7
(b) Contemos os nmeros:
Comeados por Quantidade Acumulado
1 4! = 24 24
2 4! = 24 48
41 3! = 6 54
42 3! = 6 60
46 3! = 6 66
Assim, o 66 nmero o ltimo (maior) que comea com 46, portanto o 46721.
(c) Visto que 166 = 5 . 33 + 1, o 166 algarismo escrito o primeiro do 34 nmero. Os
24 primeiros nmeros comeam por 1 e os 24 seguintes por 2, logo o 34 nmero comea
por 2. Assim, o 166 algarismo escrito 2.
(d) Iniciamos como se deve: somando as unidades dos nmeros formados. Cada um dos
algarismos 1, 2, 4, 6, 7 aparece como algarismo das unidades em 24 nmeros, portanto a
soma das unidades dos nmeros 24 . (1 + 2 + 4 + 6 + 7) = 480. Analogamente, a soma
das dezenas 480 dezenas, isto , 4800. A soma das centenas 48000, a das unidades de
milhar 480000 e a das dezenas de milhar 4800000. A soma total ca ento
480 + 4800 + 48000 + 480000 + 4800000 = 480 . 11111 = 5333280.
6. Quantos so os anagramas da palavra PARAGUAIO que no possuem consoantes
adjacentes?
Soluo. Arrumemos inicialmente as vogais, o que pode ser feito de 6!/3! = 120 modos,
e depois colocamos as consoantes de forma que no quem adjacentes. Arrumadas as
vogais (digamos na ordem AAUAIO), temos 7 escolhas para a colocao do P, 6 para o
R e 5 para o G. Assim, existem 120 . 7 . 6 . 5 = 25200 anagramas de PARAGUAIO que
no possuem consoantes adjacentes.
Outra resposta: Escolhida a ordem das consoantes, decidimos quantas vogais desejamos
colocar nos quatro espaos disponveis (de forma que no quem consoantes adjacentes)
e nalmente permutamos as vogais. O total ca 3!
7
3
6!/3! = 25200.
7. Quantos so os nmeros inteiros positivos menores que 360 e primos com 360?
Soluo. Notamos que 360 = 2
3
. 3
2
. 5 e denimos os conjuntos
A = {1, 2, . . . , 360},
A
1
= {x A : x mltiplo de 2},
A
2
= {x A : x mltiplo de 3},
A
3
= {x A : x mltiplo de 5}.
Desejamos calcular a cardinalidade do conjunto A \ (A
1
A
2
A
3
). Porm,
|A
1
| =
360
2
= 180, |A
1
A
2
| =
360
2 . 3
= 60, |A
1
A
2
A
3
| =
360
2 . 3 . 5
= 12.
|A
2
| =
360
3
= 120, |A
1
A
3
| =
360
2 . 5
= 36,
|A
3
| =
360
5
= 72, |A
2
A
3
| =
360
3 . 5
= 24,
Portanto, pelo Princpio da Incluso-Excluso,
|A
1
A
2
A
3
| = 180 + 120 + 72 60 36 24 + 12 = 264.
Assim, existem ao todo 96 nmeros inteiros positivos menores que 360 e primos com 360.
8. Uma bolsa contm 8 moedas de 1 real, 7 moedas de 50 centavos, 4 moedas de 25
centavos e 3 moedas de 10 centavos. De quantos modos diferentes podemos retirar 6
moedas dessa bolsa?
Soluo. Denimos
x
1
: nmero de moedas de 1 real,
x
2
: nmero de moedas de 50 centavos,
x
3
: nmero de moedas de 25 centavos,
x
4
: nmero de moedas de 10 centavos.
Queremos obter o nmero de solues inteiras no-negativas da equao x
1
+x
2
+x
3
+x
4
=
6, satisfazendo as condies x
1
8, x
2
7, x
3
4 e x
4
3. Sejam os conjuntos
A = {(x
1
, x
2
, x
3
, x
4
) N
4
: x
1
+ x
2
+x
3
+ x
4
= 6},
A
1
= {(x
1
, x
2
, x
3
, x
4
) A : x
1
9},
A
2
= {(x
1
, x
2
, x
3
, x
4
) A : x
2
8},
A
3
= {(x
1
, x
2
, x
3
, x
4
) A : x
3
5},
A
4
= {(x
1
, x
2
, x
3
, x
4
) A : x
4
4}.
Ento, o nmero pedido y = |A| |A
1
A
2
A
3
A
4
|. No entanto,
|A| =
9
3
= 84, |A
1
| = |A
2
| = 0, |A
3
| =
4
3
= 4, |A
4
| =
5
3
= 10,
|A
i
A
j
| = 0, 1 i < j 4,
|A
i
A
j
A
k
| = 0, 1 i < j < k 4 e
|A
1
A
2
A
3
A
4
| = 0.
Usando o Princpio da Incluso-Excluso, obtemos que y = 84 4 10 = 70.
Exerccios 9
9. O conjunto A possui 3 elementos, e o conjunto B, 10 elementos. Quantas funes
f : A B existem? Quantas delas so injetoras?
10. De quantos modos podemos colocar dois reis diferentes em casas no-adjacentes de
um tabuleiro 6 6? E se os reis fossem iguais?
11. Quantos nmeros pares de dois algarismos podem ser formados no sistema decimal
(a) podendo repetir algarismos?
(b) sem repetir algarismos?
12. Quantos nmeros inteiros maiores que 53000 e de cinco algarismos distintos podem
ser formados com os algarismos 0, 1, 2, 3, 4, 5, 6 e 7?
13. Quantas so as permutaes dos nmeros 1, 2, . . . , n nas quais o elemento que ocupa
a k-sima posio inferior a k + 4, para todo k?
14. Quantos so os anagramas da palavra URUGUAIO que comeam por vogal?
15. Quantos nmeros de 5 algarismos podem ser formados usando apenas os algarismos
1, 1, 1, 1, 2 e 3?
16. Cinco moas e cinco rapazes vo posar para uma fotograa, ocupando cinco degraus
de uma escadaria, de forma que em cada degrau que uma moa e um rapaz. De quantas
maneiras podemos arrumar este grupo?
17. De quantos modos quatro casais podem sentar-se em torno de uma mesa redonda
(a) no sentando juntos dois homens?
(b) no sentando juntos dois homens e nenhum homem cando perto de sua esposa?
18. Participam de um congresso 15 professores de Matemtica e 15 professores de Fsica.
Quantas comisses de 8 professores podem ser formadas:
(a) sem restries?
(b) com pelo menos um professor de Matemtica?
(c) com pelo menos 4 professores de Matemtica e pelo menos 2 professores de Fsica?
19. De quantas maneiras se pode preencher um carto da loteria esportiva (com 13 jogos)
com trs prognsticos duplos e dois triplos?
20. Sinais luminosos so transmitidos de uma ilha para a costa por meio de seis lmpadas
brancas e seis lmpadas vermelhas, colocadas nos vrtices de um hexgono regular, de tal
modo que
(i) em cada vrtice h duas lmpadas de cores diferentes;
(ii) em cada vrtice no h mais do que uma lmpada acesa;
(iii) o nmero mnimo de vrtices iluminados trs.
Determine o nmero total de sinais que podem ser transmitidos.
21. Suponha que Joo vai participar de uma reunio na qual estaro mais 4 homens e 6
mulheres. Ele sabe que h 4 casais, porm no conhece ningum.
(a) De quantas formas poderia Joo imaginar que esto formados os casais?
(b) E se sabe que h exatamente 3 casais?
22. (a) De quantos modos possvel dividir 15 atletas em trs times de 5 atletas, deno-
minados Esporte, Tupi e Minas?
(b) De quantos modos possvel dividir 15 atletas em trs times de 5 atletas?
23. Quantos so os anagramas da palavra ARARAQUARA que no possuem duas
letras A juntas?
24. Quantos so os anagramas da palavra CONTADORIA
(a) em que aparecem juntas, nesta ordem, as letras da palavra CONTO?
(b) em que aparecem juntas, numa ordem qualquer, as letras da palavra CONTO?
(c) em que as letras da palavra CONTO aparecem nesta ordem?
25. Considerando o alfabeto com 26 letras, existem quantas seqncias de 4 letras distin-
tas com pelo menos uma vogal?
26. Dentre todos os nmeros de 7 algarismos, quantos possuem exatamente trs algaris-
mos 9 e os quatro algarismos restantes todos diferentes?
27. Quantas so as permutaes dos 10 nmeros 0, 1, . . . , 9 em que o primeiro dgito
maior do que 1 e o ltimo dgito menor do que 7?
28. Representantes de dez pases, incluindo a Rssia, Frana, Inglaterra e Estados Unidos,
sero dispostos em uma la. De quantas maneiras isso pode ser feito, se os representantes
da Frana e da Inglaterra devem car um ao lado do outro, e o americano e o russo no
devem?
29. Teresa pretende convidar 5 de 11 amigos para um jantar em sua casa.
(a) Quantas escolhas Teresa possui, se 2 dos 11 amigos so desafetos e no aceitam
estar juntos?
(b) Quantas escolhas Teresa tem, se 3 dos 11 amigos no aceitam participar do jantar
a menos que juntos?
30. De quantos modos se podem repartir 27 livros diferentes entre Ana, Beto e Carla, de
forma que Ana e Beto, juntos, recebam o dobro de livros de Carla e que ningum que
sem livro?
Exerccios 11
31. Quantos nmeros de 6 algarismos podemos formar com 3 pares distintos de algarismos
iguais?
32. De quantas maneiras se podem pintar seis esferas iguais, usando-se apenas trs cores
diferentes?
33. De quantas maneiras podemos distribuir 30 laranjas para 4 crianas de forma que
cada uma receba pelo menos duas laranjas?
34. Obtenha uma frmula para o nmero de solues inteiras no-negativas da inequao
x
1
+ +x
n
p (p > 0 inteiro dado).
35. Obtenha uma frmula para o nmero de solues inteiras no-negativas da equao
x
1
+ + x
n
= p (p > 0 inteiro dado)
satisfazendo x
i
a
i
para todo i = 1, . . . , n, onde a
1
, . . . , a
n
so inteiros no-negativos tais
que a
1
+ + a
n
p.
36. Quantos inteiros entre 1 e 100000 tm a propriedade de que cada dgito menor ou
igual ao seu sucessor?
37. Em um amigo secreto, dizemos que o sorteio vivel se nenhuma pessoa ca com seu
prprio nome. Quantos sorteios viveis existem em um amigo secreto com 4 pessoas?
38. Obtenha o nmero total de permutaes de (1, 2, . . . , 2n) em que nenhum nmero
mpar ocupa o seu lugar primitivo.
39. Se quatro americanos, trs franceses e trs ingleses so colocados em uma la, deter-
mine o nmero de maneiras de disp-los de forma que nenhum grupo de mesma naciona-
lidade que todo junto.
40. Quantos inteiros entre 1 e 33000 no so divisveis por 3, por 5 e nem por 11?
41. Quantos inteiros entre 1 e 1000000 no so quadrados perfeitos, cubos perfeitos e nem
quartas potncias perfeitas?
42. Quantos nmeros de n algarismos (n 3) podemos formar com os algarismos 1, 2
e 3, de forma que em cada nmero gure cada um desses trs algarismos pelo menos uma
vez?
43. Quantos inteiros entre 1 e 10000 tm soma de seus algarismos igual a 23?
44. No elevador de um edifcio entram seis pessoas. De quantas maneiras essas seis pessoas
podem saltar no primeiro, segundo e terceiro andares, de forma que salte pelo menos uma
pessoa em cada um desses andares?
45. De quantos modos podemos distribuir 3 moedas de 25 centavos, 5 moedas de 50
centavos e 4 moedas de 1 real entre dois meninos, de maneira que cada menino receba
pelo menos uma moeda?
46. De quantas maneiras podemos distribuir 8 mas, 10 peras e 7 laranjas em quatro
caixas, se cada caixa deve receber ao menos uma fruta?
47. Mostre que o produto de p nmeros naturais consecutivos divisvel por p!.
48. Prove, usando um argumento combinatrio, que
(a)
n
m
m
k
n
k
n k
mk
para 0 < k m n.
(b)
n + m
r
n
0
m
r
n
1
m
r 1
+ +
n
r
m
0
para r n, r m.
(c)
n
k=1
n
k
k
3
= 2
n3
n
2
(n + 3) para n 3.
(d)
(3n)!
2
n
3
n
um nmero inteiro (n 1).
(e)
(3n)!
n! 2
n
3
n
um nmero inteiro (n 1).
Sugesto: (c) Considere n pessoas e conte de duas formas diferentes o nmero de modos
de escolher um grupo com pelo menos uma pessoa e selecionar desse grupo um presidente,
um vice e um secretrio, os cargos podendo ser cumulativos.
(d) e (e) Pense qual o nmero de maneiras de separar 3 n objetos distintos em n grupos
de tamanho 3.
Respostas
9. 1000 funes, 720 injetoras
10. 1040, 520
11. (a) 45 (b) 41
12. 2160
13. 6 . 4
n3
14. 5040
15. 30
16. 460800
17. (a) 144 (b) 12
Respostas 13
18. (a) 5852925 (b) 5846490 (c) 3755115
19. 2279881890
20. 656
21. (a) 360 (b) 480
22. (a) 756756 (b) 126126
23. 120
24. (a) 360 (b) 21600 (c) 15120
25. 215160
26. 99120
27. 2056320
28. 564480
29. (a) 378 (b) 84
30. 1,23 . 10
12
31. 9720
32. 28
33. 2300
34.

p+n
n
35.

pa
1
a
n
+n1
n1
36. 2001
37. 9
38.
n
k=0
(1)
k
n
k
(2n k)!
39. 3079296
40. 16000
41. 998910
42. 3
n
3 . 2
n
+ 3
43. 480
44. 540
45. 118
46. 5239868
Captulo 2
Probabilidade
1. Denies e propriedades
1.1. Um experimento aleatrio se, ao ser repetido nas mesmas condies, impossvel
prever antecipadamente o resultado. Em contrapartida, um experimento determinstico
se, quando repetido nas mesmas condies, conduz ao mesmo resultado.
Denominamos espao amostral o conjunto de todos os resultados possveis de um experi-
mento aleatrio, e o denotamos por . Um subconjunto A chamado evento.
Dados dois eventos A e B, dizemos que A B se A implica que B. Em palavras,
a ocorrncia de A implica a ocorrncia de B.
A unio de dois eventos A e B AB = { : A ou B} e representa o evento de
que pelo menos um dos dois eventos A e B ocorre.
A interseco de dois eventos A e B AB = { : A e B} e representa o evento
de que ambos A e B ocorrem.
Dois eventos A e B so disjuntos ou mutuamente exclusivos se A B = . Isso signica
que A e B no ocorrem simultaneamente.
Para qualquer evento A, o complementar de A A
c
= { : A} e representa o
evento de que A no ocorre.
1.2. Leis de De Morgan:
i=1
A
i
c
=

i=1
A
c
i
, (DM1)
i=1
A
i
c
=

i=1
A
c
i
. (DM2)
Notamos que (DM1) estabelece que o evento de que nenhum dos A
i
s ocorre igual ao
complementar do evento de que pelo menos um dos A
i
s ocorre. J (DM2) expressa que
o complementar do evento de que todos os A
i
s ocorrem exatamente o evento de que ao
menos um deles no ocorre.
16 Probabilidade
A B
A B
A B
A B
A B
A e B disjuntos
A
A
c
Figura 2.1: Unio e interseco dos eventos A e B; A e B disjuntos; Complementar de A.
1.3. Denio clssica (Cardano (1663), De Moivre (1718), Laplace (1812)):
Seja nito, no-vazio, e suponhamos que cada subconjunto elementar de igualmente
provvel. Ento, para qualquer A , denimos a probabilidade de A como
P(A) =
| A|
| |
.
Observao. A denio anterior formaliza a primeira denio conhecida de probabili-
dade: relao entre o nmero de casos favorveis ao acontecimento (evento) e o nmero
total de casos possveis, supondo todos os casos igualmente possveis.
1.4. Denio axiomtica (Kolmogorov (1933)): Uma probabilidade uma funo
P() a valores reais denida em uma classe F de eventos de um espao amostral , que
satisfaz as seguintes condies:
(A1) 0 P(A) 1 para todo A F,
(A2) P() = 1,
(A3) Aditividade enumervel: para qualquer seqncia A
1
, A
2
, . . . F de eventos dois a
dois disjuntos,
P
i=1
A
i
i=1
P(A
i
).
A tripla (, F, P) chamada um espao de probabilidade.
Denies e propriedades 17
Observao. No caso de nito ou innito enumervel, podemos denir a probabilidade
na classe F de todos os subconjuntos de , a qual usualmente denotada por 2
ou P()
(conjunto das partes de ). Neste caso, escrevendo como = {
1
,
2
, . . .}, associamos
a cada
i
, i = 1, 2, . . . , um nmero p(
i
) tal que p(
i
) 0 e

i=1
p(
i
) = 1. Para
i = 1, 2, . . . , p(
i
) a probabilidade do evento simples {
i
}. A probabilidade de um
evento A denida por
P(A) =

i:
i
A
p(
i
).
Quando innito no-enumervel, em geral impossvel associar uma probabilidade
bem denida a todos os subconjuntos de . Dene-se ento uma probabilidade em uma
classe mais restrita de subconjuntos de ; apenas esses subconjuntos so denominados
eventos. O ponto essencial que essa classe contm todos os subconjuntos (eventos) de
interesse prtico. Um exemplo importante igual a um intervalo da reta, para o qual
se considera a classe de subconjuntos conhecida como -lgebra de Borel. Para mais
detalhes sobre esse tema, sem ainda abordar profundamente a Teoria da Medida, veja-se
o livro de James [8].
1.5. Propriedades de uma probabilidade:
1. P() = 0.
2. Aditividade nita: Se A
1
, . . . , A
n
so eventos dois a dois disjuntos, ento
P
i=1
A
i
=
n
i=1
P(A
i
).
3. P(A
c
) = 1 P(A) para todo evento A.
4. Para quaisquer eventos A e B,
P(B) = P(A B) + P(A
c
B).
5. Se A B, ento P(A) P(B).
6. Para quaisquer eventos A e B,
P(A B) = P(A) + P(B) P(A B).
18 Probabilidade
7. Princpio da Incluso-Excluso: Para qualquer seqncia nita A
1
, A
2
, . . . , A
n
de
eventos,
P
i=1
A
i
=

i
P(A
i
)
i<j
P(A
i
A
j
)
+

i<j<k
P(A
i
A
j
A
k
) + (1)
n+1
P(A
1
. . . A
n
).
8. Subaditividade nita: Para qualquer seqncia nita A
1
, A
2
, . . . , A
n
de eventos,
P
i=1
A
i
i=1
P(A
i
).
9. Subaditividade enumervel: Para qualquer seqncia A
1
, A
2
, . . . de eventos,
P
i=1
A
i
i=1
P(A
i
).
As propriedades 8 e 9 so conhecidas por desigualdades de Boole.
2. Probabilidade condicional e independncia
2.1. Seja (, F, P) um espao de probabilidade. Para eventos A e B com P(B) > 0, a
probabilidade condicional de A dado que B ocorreu denida por
P(A| B) =
P(A B)
P(B)
.
2.2. Regra da multiplicao (ou da probabilidade composta): Se A
1
, A
2
, . . . A
n
so eventos com P(A
1
. . . A
n1
) > 0, ento
P(A
1
A
2
. . . A
n
) = P(A
1
) P(A
2
| A
1
) . . . P(A
n
| A
1
. . . A
n1
).
2.3. Condicionamento: Se A e B so eventos com 0 < P(B) < 1, ento
P(A) = P(A| B) P(B) + P(A| B
c
) P(B
c
).
2.4. Frmula da probabilidade total: Seja {B
1
, B
2
, . . . , B
n
} uma partio do espao
amostral em eventos de probabilidade positiva, isto , esses eventos so dois a dois
disjuntos, =

n
i=1
B
i
e P(B
i
) > 0 para todo i. Ento, para qualquer evento A,
P(A) =
n
i=1
P(A| B
i
) P(B
i
).
Probabilidade condicional e independncia 19
2.5. Frmula de Bayes (1763): Seja {B
1
, B
2
, . . . , B
n
} uma partio do espao amos-
tral em eventos de probabilidade positiva. Se A um evento com P(A) > 0, ento,
para todo j = 1, . . . , n,
P(B
j
| A) =
P(A| B
j
) P(B
j
)
n
i=1
P(A| B
i
) P(B
i
)
.
B
1
B
2
B
3
B
4
B
5
B
6
B
7
B
8
B
9
A
Figura 2.2: Partio de em {B
1
, B
2
, . . . , B
9
} e um evento A.
2.6. Para um evento B xado tal que P(B) > 0, temos que P( | B) uma probabilidade.
2.7. Dois eventos A e B so independentes se P(A B) = P(A) P(B).
Observao. Em palavras, A e B so independentes se o conhecimento da ocorrncia de
um deles no inuencia a probabilidade do outro.
2.8. Os eventos A
1
, . . . , A
n
so independentes se para qualquer escolha de k (2 k n)
e ndices 1 i
1
< i
2
< < i
k
n,
P(A
i
1
A
i
2
. . . A
i
k
) = P(A
i
1
) P(A
i
2
) . . . P(A
i
k
).
2.9. Uma coleo innita de eventos independente se toda subcoleo nita desses
eventos independente.
2.10. Se A
1
, . . . , A
n
so independentes, ento, para qualquer escolha de B
j
com B
j
= A
j
ou A
c
j
,
P(B
1
B
2
. . . B
n
) = P(B
1
) P(B
2
) . . . P(B
n
).
20 Probabilidade
2.11. Freqentemente, um experimento aleatrio consiste em realizar uma seqncia de
ensaios (subexperimentos). Por exemplo, se o experimento aleatrio lanar uma moeda
repetidamente, cada lanamento pode ser considerado como um ensaio. Neste caso, dizer
que os ensaios so independentes signica dizer que a seguinte condio vlida: se A
i

um evento cuja ocorrncia completamente determinada pelo resultado do i-simo ensaio,
ento A
1
, A
2
, . . . so independentes.
3. Conjuntos limites e continuidade da probabilidade
*
3.1. Sejam A
1
, A
2
, . . . eventos em um espao de probabilidade (, F, P).
Por A
n
A, denotamos que
A
1
A
2
A
3
e A =

n=1
A
n
.
Assim, A
n
A signica que a ocorrncia de A
n
implica a ocorrncia de A
n+1
para todo n
e A o evento de que pelo menos um dos A
n
s ocorre.
Por A
n
A, denotamos que
A
1
A
2
A
3
e A =

n=1
A
n
.
Dessa forma, A
n
A signica que a ocorrncia de A
n+1
implica a ocorrncia de A
n
para
todo n e A o evento de que todos os A
n
s ocorrem.
3.2. Continuidade por baixo da probabilidade: Se A
n
A, ento P(A
n
) P(A)
quando n .
Continuidade por cima da probabilidade: Se A
n
A, ento P(A
n
) P(A) quando
n .
3.3. Conjuntos limites: Para uma seqncia A
1
, A
2
, . . . de eventos em um espao de
probabilidade (, F, P), denimos os eventos
liminf
n
A
n
=

n=1
k=n
A
k
e
limsup
n
A
n
=

n=1
k=n
A
k
,
denominados respectivamente limite inferior e limite superior da seqncia {A
n
}.
Exerccios 21
Observamos que
liminf
n
A
n
Existe n tal que A
k
para todo k n
|{n : A
n
}| < ,
ou seja, liminf
n
A
n
o evento de que ocorre A
n
para todo n sucientemente grande.
Ademais,
limsup
n
A
n
Para todo n 1, existe k n tal que A
k
|{n : A
n
}| = ,
ou seja, limsup
n
A
n
o evento de que ocorre A
n
para uma innidade de ns.
Isso justica as seguintes notaes:
liminf
n
A
n
= {A
n
para todo n sucientemente grande} e
limsup
n
A
n
= {A
n
innitas vezes}.
fcil ver que liminf
n
A
n
limsup
n
A
n
. Se vale a incluso oposta, dizemos que lim
n
A
n
existe e denido por
lim
n
A
n
= liminf
n
A
n
= limsup
n
A
n
.
3.4. Vale que
P
liminf
n
A
n
liminf
n
P(A
n
) limsup
n
P(A
n
) P
limsup
n
A
n
.
3.5. Continuidade da probabilidade: Se A = lim
n
A
n
existe, ento
P(A) = lim
n
P(A
n
).
Isso generaliza as propriedades dadas no tpico 3.2.
Exerccios
1. Sejam A, B e C trs eventos em um espao de probabilidade. Expresse os seguintes
eventos em termos de A, B e C:
(a) Apenas A ocorre;
(b) A e B ocorrem, mas C no ocorre;
22 Probabilidade
(c) Os trs eventos ocorrem;
(d) Pelo menos um dos trs eventos ocorre;
(e) Nenhum dos trs eventos ocorre;
(f) Exatamente um dos trs eventos ocorre;
(g) No mximo um dos trs eventos ocorre;
(h) Pelo menos dois dos trs eventos ocorrem.
2. Um baralho comum consiste de 52 cartas separadas em 4 naipes com 13 cartas de cada
um. Para cada naipe, os valores das cartas so 2, 3, 4, 5, 6, 7, 8, 9, 10, J, Q, K e A. Um
baralho comum embaralhado. Qual a probabilidade de que as quatro cartas do topo
tenham
(a) valores diferentes?
(b) naipes diferentes?
Soluo. Se consideramos como relevante a ordem entre as quatro cartas do topo, ento
o espao amostral consiste de 52 . 51 . 50 . 49 resultados. Alm disso, existem 52 . 48 . 44 . 40
resultados em que as cartas tm valores diferentes e 52 . 39 . 26 . 13 resultados em que as
cartas tm naipes diferentes. Portanto, assumindo que o embaralhamento signica que
cada resultado no espao amostral igualmente provvel, temos que as probabilidades
desejadas so
(a)
52 . 48 . 44 . 40
52 . 51 . 50 . 49
0,676; (b)
52 . 39 . 26 . 13
52 . 51 . 50 . 49
0,105.
Observao. Claramente as mesmas respostas seriam obtidas se considerssemos as quatro
cartas do topo como um conjunto no ordenado de cartas.
3. Em uma classe, estudam dez crianas, entre as quais os irmos Ana e Beto. A professora
decide separar ao acaso a turma em dois grupos de cinco crianas cada um; o primeiro
grupo far um trabalho sobre os planetas e o segundo sobre as civilizaes antigas. Qual
a probabilidade de que os irmos Ana e Beto faam parte do mesmo grupo? H alguma
diferena (no raciocnio e no resultado) se ambos os grupos faro trabalhos sobre o mesmo
assunto?
4. Extraem-se 4 cartas de um baralho com 52 cartas. Qual a probabilidade de que 2
sejam pretas e 2 vermelhas?
5. Qual a probabilidade de que os aniversrios de doze pessoas sejam em meses diferen-
tes? E a probabilidade de que os aniversrios de quatro pessoas sejam em dois meses?
6. Uma pessoa possui 5 livros diferentes de Matemtica, 2 livros diferentes de Qumica
e 3 livros diferentes de Fsica, que sero dispostos aleatoriamente em uma prateleira.
Calcule as probabilidades de que:
(a) os livros de cada assunto quem juntos.
Exerccios 23
(b) os livros de Matemtica no quem todos juntos.
(c) os livros de Fsica quem todos separados.
7. Uma caixa contm 40 parafusos bons e 10 defeituosos. Seleciona-se uma amostra de 5
parafusos. Calcule as probabilidades dos seguintes eventos:
(a) nenhum parafuso na amostra defeituoso.
(b) nenhum, um ou dois parafusos na amostra so defeituosos.
(c) a amostra contm pelo menos um parafuso bom.
8. Distribumos 12 bolas em 5 caixas numeradas 1, 2, 3, 4, 5. Calcule a probabilidade da
caixa 1 conter exatamente 3 bolas se
(a) as bolas so distinguveis.
(b) as bolas so indistinguveis.
9. Os clubes de xadrez de duas escolas consistem, respectivamente, de 8 e 9 jogadores.
Quatro membros de cada clube so escolhidos ao acaso para participar de uma competio
entre as duas escolas. Os jogadores selecionados de uma equipe so pareados aleatoria-
mente com aqueles da outra equipe, e cada par joga uma partida de xadrez. Suponha
que Rosa e sua irm Margarida esto nos clubes de xadrez em escolas diferentes. Qual a
probabilidade de que
(a) Rosa e Margarida sejam pareadas;
(b) Rosa e Margarida sejam escolhidas para representar suas escolas mas no joguem
entre si;
(c) exatamente uma das irms seja selecionada para representar sua escola.
10. Se Andr e Pedro esto entre n homens dispostos aleatoriamente em uma la, qual
a probabilidade de que haja exatamente r homens entre eles?
11. Suponha que cada uma de um total de n varetas seja quebrada em uma parte longa
e uma curta. As 2n partes so arrumadas ao acaso em n pares a partir dos quais novas
varetas so formadas. Calcule a probabilidade de que
(a) as partes sejam unidas na ordem original;
(b) todas as partes longas sejam emparelhadas com partes curtas.
12. Um armrio contm n pares diferentes de sapatos. Se 2r sapatos so escolhidos ao
acaso (com 2r < n), determine a probabilidade de que dentre os sapatos selecionados
(a) no exista par algum completo;
(b) exista exatamente um par completo;
(c) existam exatamente dois pares completos.
24 Probabilidade
Considere n = 10 e r = 2 e calcule de duas maneiras diferentes a probabilidade de que
exista pelo menos um par completo dentre os sapatos selecionados.
13. Uma urna contm a bolas azuis e b bolas brancas. As bolas so retiradas uma a uma
da urna, ao acaso e sem reposio, at que a urna que vazia. Calcule a probabilidade de
que a ltima bola retirada seja azul nos seguintes casos:
(a) as bolas so todas distintas.
(b) as bolas so distinguveis apenas pela cor.
14. Prove que se A
1
, A
2
, . . . e B
1
, B
2
, . . . so eventos do mesmo espao de probabilidade
tais que P(A
n
) 1 e P(B
n
) p quando n , ento P(A
n
B
n
) p quando n .
15. Uma secretria atrapalhada prepara quatro cartas com contedos distintos para en-
viar a quatro rmas distintas. Na hora de envelop-las, bate um vento que derruba as
cartas e os envelopes, e, com pressa, a secretria coloca aleatoriamente as cartas nos
envelopes.
(a) Determine a probabilidade de que nenhuma carta tenha sido corretamente envelo-
pada.
(b) Sabendo que ao menos uma carta foi colocada no envelope certo, calcule a proba-
bilidade de que todas as cartas tenham sido corretamente envelopadas.
Soluo. (a) Sejam os eventos
A: Pelo menos uma carta foi colocada no envelope certo.
A
i
: A i-sima carta foi colocada no envelope certo, i = 1, 2, 3, 4.
Como A =

4
i=1
A
i
, temos que, pelo Princpio da Incluso-Excluso,
P(A) =

i
P(A
i
)
i<j
P(A
i
A
j
) +

i<j<k
P(A
i
A
j
A
k
) P(A
1
A
2
A
3
A
4
).
Porm,
P(A
i
) =
3!
4!
=
1
4
, i = 1, 2, 3, 4,
P(A
i
A
j
) =
2!
4!
=
1
12
, 1 i < j 4,
P(A
i
A
j
A
k
) =
1
4!
=
1
24
, 1 i < j < k 4 e
P(A
1
A
2
A
3
A
4
) =
1
4!
=
1
24
.
Portanto,
P(A) = 4 .
1
4

4
2
1
12
+
4
3
1
24

1
24
=
5
8
.
Exerccios 25
Assim, a probabilidade de que nenhuma carta tenha sido corretamente envelopada
P(A
c
) = 3/8 = 0,375.
(b) Visto que (A
1
A
2
A
3
A
4
) A = A
1
A
2
A
3
A
4
, a probabilidade desejada
P(A
1
A
2
A
3
A
4
| A) =
P(A
1
A
2
A
3
A
4
)
P(A)
=
1/24
5/8
=
1
15
.
16. Se quatro casais de namorados so dispostos aleatoriamente em uma la, determine
a probabilidade de que nenhum dos casais que junto.
17. Cinco bolas so selecionadas aleatoriamente, sem reposio, de uma urna que contm
5 bolas vermelhas, 6 bolas brancas e 7 bolas azuis. Determine a probabilidade de que
pelo menos uma bola de cada cor seja selecionada.
18. Um colgio tem em seu corpo docente sete professores de Biolgicas, oito professores
de Exatas e nove professores de Humanas. Uma comisso de sete professores ser selecio-
nada aleatoriamente. Determine a probabilidade de que nesta comisso haja pelo menos
um professor de cada rea.
19. Um baralho comum consiste de 52 cartas diferentes sendo 13 cartas de cada naipe.
Uma pessoa retira ao acaso 13 cartas de um baralho. Calcule a probabilidade de que pelo
menos um naipe esteja ausente entre as cartas selecionadas.
20. As cartas de um baralho so misturadas e distribudas entre 4 jogadores de modo que
cada um recebe 13 cartas. Calcule a probabilidade de que pelo menos um jogador receba
todas as cartas do mesmo naipe.
21. Sabe-se que com probabilidade 1 pelo menos um dos eventos A
i
, 1 i n, ocorre, e
que no mais que dois ocorrem simultaneamente. Se P(A
i
) = p e P(A
i
A
j
) = q, i = j,
mostre que p 1/n e q 2/n.
22. Trs aventureiros devem escolher um deles para uma misso arriscada. Para isso,
pegam uma urna com duas bolas brancas e uma bola vermelha, e cada um retira suces-
sivamente uma bola, sem reposio. Aquele que pegue a bola vermelha ser o escolhido
para realizar a misso. Mostre que todos tm a mesma probabilidade de ser o escolhido,
qualquer que seja a ordem em que realizem as extraes.
23. Um contador tem sobre a sua mesa dois grupos de 20 planilhas cada um. No primeiro
grupo existem duas planilhas com erros de clculo e no segundo h trs. Um vento faz
com que as planilhas caiam da mesa, e, ao arrum-las, uma do primeiro grupo se mistura
s do segundo grupo. Qual a probabilidade de que, ao revisar uma planilha do segundo
grupo, o contador encontre um erro?
24. Um cliente que visita o departamento de roupas masculinas de uma loja compra
um terno com probabilidade 2/5, uma gravata com probabilidade 5/12 e uma camisa
26 Probabilidade
com probabilidade 1/2. O cliente compra um terno e uma gravata com probabilidade
2/15, um terno e uma camisa com probabilidade 17/60 e uma gravata e uma camisa com
probabilidade 1/4; compra os trs itens com probabilidade 1/12. Considere os eventos
A: O cliente compra um terno;
B: O cliente compra uma gravata;
C: O cliente compra uma camisa.
(a) Os eventos A, B e C so independentes?
(b) Qual a probabilidade de que o cliente no compre nenhum dos itens?
(c) Dado que o cliente no vai comprar uma gravata, qual a probabilidade de que
compre um terno?
(d) Dado que o cliente vai comprar uma camisa, qual a probabilidade de que tambm
compre uma gravata e um terno?
25. Em um curso secundrio, 1/3 dos estudantes so do sexo masculino e 2/3 dos es-
tudantes so do sexo feminino. A proporo de rapazes que estudam cincias 20% e
apenas 10% das moas dedicam-se s cincias. Obtenha as probabilidades de que
(a) um estudante escolhido ao acaso estude cincias;
(b) um estudante de cincias selecionado ao acaso seja do sexo feminino.
Soluo. Sejam os eventos
A: O estudante do sexo feminino.
B: O estudante estuda cincias.
(a) Pela frmula da probabilidade total,
P(B) = P(B| A) P(A) + P(B| A
c
) P(A
c
) =
1
10
.
2
3
+
1
5
.
1
3
=
2
15
.
(b) Pela frmula de Bayes,
P(A| B) =
P(B| A) P(A)
P(B)
=
(1/10)(2/3)
2/15
=
1
2
.
26. Uma fbrica de sorvete recebe o leite que utiliza de trs fazendas: 20% da fazenda 1,
30% da fazenda 2 e 50% da fazenda 3. Um rgo de scalizao inspecionou as fazendas e
constatou que 20% do leite produzido na fazenda 1 estava adulterado por adio de gua,
enquanto que para as fazendas 2 e 3 essa proporo era de 5% e 2%, respectivamente. A
fbrica de sorvete recebe o leite em gales, que so armazenados em um refrigerador, sem
identicao da fazenda de provenincia. Um galo escolhido ao acaso e seu contedo
testado para vericar adulterao.
(a) Qual a probabilidade de que o galo contenha leite adulterado?
Exerccios 27
(b) Sabendo que o teste constatou que o leite do galo est adulterado, obtenha a
probabilidade de que o galo seja proveniente da fazenda 1.
27. Considere duas moedas, uma honesta e a outra que resulta cara em cada lanamento
com probabilidade 0,6. Uma moeda escolhida ao acaso e, aps lanada quatro vezes,
observa-se cara trs vezes. Qual a probabilidade de que a moeda escolhida tenha sido a
moeda honesta?
28. Jogamos um dado honesto e em seguida lanamos tantas moedas honestas como os
pontos indicados no dado.
(a) Qual a probabilidade de obter quatro caras?
(b) Dado que foram obtidas quatro caras, qual a probabilidade de que o dado tenha
mostrado seis pontos?
29. A caixa I contm 4 bolas brancas e 2 pretas, a caixa II contm 3 bolas brancas e
1 preta e a caixa III contm 1 bola branca e 2 pretas.
(a) Extrai-se uma bola de cada caixa. Determine a probabilidade de que todas as bolas
sejam brancas.
(b) Seleciona-se uma caixa e dela extrai-se uma bola. Determine a probabilidade de
que a bola extrada seja branca.
(c) Calcule em (b) a probabilidade de que a primeira caixa tenha sido escolhida, dado
que a bola extrada branca.
30. Em um restaurante, trs cozinheiros A, B e C preparam um tipo especial de bolo, e
com probabilidades respectivas 0,02, 0,03 e 0,05 a massa do bolo no cresce. Sabe-se que
A prepara 50 por cento desses bolos, B 30 por cento e C 20 por cento. Se uma massa de
bolo no cresceu, qual a probabilidade de que tenha sido preparada pelo cozinheiro A?
31. Uma senhora da alta sociedade d uma festa em sua manso. Ao trmino da festa, ela
descobre que sua coleo de jias foi roubada. Aps as investigaes, a polcia tem certeza
de que o ladro foi precisamente uma das 76 pessoas presentes festa (entre convidados
e garons). Ademais, os investigadores encontram na cena do crime o perl de DNA do
ladro, e sabe-se que este perl de DNA ocorre em 2% de toda populao. Dado que o
DNA do Sr. Joo, o primeiro suspeito cujo DNA analisado, combina com o perl achado
na cena do crime, qual a probabilidade de que ele tenha roubado as jias?
32. Em uma cidade, os motoristas so parados pela polcia para fazer um teste sobre
o teor de lcool no sangue. Suponha que a probabilidade de que um motorista detido
esteja embriagado 5% e que o teste realizado acerta o estado de embriaguez em 80% das
ocasies.
(a) Qual a probabilidade de que o teste de um motorista detido resulte positivo?
Os motoristas cujos testes do positivo so submetidos a um segundo exame, que nunca
28 Probabilidade
falha em um motorista sbrio, porm tem probabilidade 10% de erro nos embriagados.
(b) Dado que o segundo teste de um motorista resultou negativo, qual a probabilidade
de que estava dirigindo com um ndice alcolico acima do permitido?
33. Um experimento consiste em lanar duas vezes uma moeda honesta. Considere os
eventos
A: O primeiro lanamento resulta em cara.
B: O segundo lanamento resulta em cara.
C: O resultado do primeiro lanamento coincide com o resultado do segundo lanamento.
Prove que A, B e C so independentes dois a dois, porm no so independentes.
34. Um par de dados honestos lanado repetidamente. Supondo que os ensaios so
independentes, qual a probabilidade de que um total 8 aparea antes de um total 7?
Sugesto: Dena A
n
o evento de que os totais 7 e 8 no ocorrem nos primeiros n 1
ensaios e ocorre um total 8 no n-simo ensaio.
35. Existem duas estradas de A a B e duas estradas de B a C. Cada uma das quatro
estradas bloqueada por queda de barreira com probabilidade p = 1/10, independente-
mente das demais. Determine a probabilidade de que exista uma estrada aberta de A a B
dado que no existe um caminho aberto de A a C.
Se, alm disso, existe uma estrada direta de A a C, esta estrada sendo bloqueada com pro-
babilidade p = 1/10 independentemente das demais, encontre a probabilidade condicional
pedida.
36. Duas pessoas lanam uma moeda honesta n vezes, de forma independente. Mostre
que a probabilidade delas obterem igual nmero de caras a mesma que a de obterem ao
todo n caras.
37. (a) Sejam A e B dois eventos com probabilidade positiva. Se a ocorrncia de B faz de
A um evento mais provvel, ento a ocorrncia de A faz de B um evento mais provvel?
(b) Mostre que se A um evento tal que P(A) igual a 0 ou 1, ento A independente
de todo evento B.
38. Suponha que = {1, . . . , p}, onde p um nmero primo. Seja F = P () e, para
A F, dena P(A) = |A|/p. Mostre que se A e B so independentes, ento ao menos
um dos dois eventos ou .
Sugesto: Prove que p um divisor de |A| |B|.
39. Seja P uma probabilidade sobre um espao amostral e suponha que A um evento
com 0 < P(A) < 1. Mostre que A e B so independentes se e somente se P(B|A) =
P(B|A
c
).
Sugesto: Use que P(A
c
B) + P(A B) = P(B).
Exerccios 29
40. Seja P uma probabilidade sobre um espao amostral .
(a) Mostre que se A e B so eventos tais que P(A) < 1, P(B) > 0 e P(A|B) = 1,
ento P(B
c
|A
c
) = 1.
(b) Prove que se E, F e G so eventos tais que P(F G) > 0 e P(F G
c
) > 0, ento
P(E |F) = P(E |F G)P(G|F) + P(E |F G
c
)P(G
c
|F).
41
. Continuidade por baixo e por cima da probabilidade: Sejam A, A

1
, A
2
, . . .
eventos em um espao de probabilidade.
(a) Suponha que A
n
A e dena B
1
= A
1
e B
k
= A
k
A
c
k1
, k 2.
(a1) Mostre que B
1
, B
2
, . . . so dois a dois disjuntos, A
n
=

n
k=1
B
k
e A =

k=1
B
k
.
(a2) Use a aditividade nita e enumervel para provar que P(A) = lim
n
P(A
n
).
(b) Suponha que A
n
A. Mostre que A
c
n
A
c
e conclua que P(A) = lim
n
P(A
n
).
42
. Uma moeda com probabilidade p de cara em cada lanamento lanada innitas

vezes, de maneira independente. Denimos os eventos
A
n
: Ocorre pelo menos uma cara nos n primeiros lanamentos.
A : Ocorre pelo menos uma cara.
Mostre que
(a) A
n
A.
(b) P(A) =
1 se 0 < p 1,
0 se p = 0.
43
. Sejam A, B, A
1
, A
2
, . . . eventos em um espao de probabilidade. Suponha que A
n

A e que B independente de A
n
para todo n 1. Prove que A e B so independentes.
44
. Subaditividade nita e enumervel: Sejam A

1
, A
2
, . . . eventos em um espao
de probabilidade. Demonstre que
P
k=1
A
k
k=1
P(A
k
) para todo n 2 (Subaditividade nita) e
P
k=1
A
k
k=1
P(A
k
) (Subaditividade enumervel).
Sugesto: Prove a subaditividade nita por induo em n. Para mostrar a subaditividade
enumervel, comece com
P
k=1
A
k
k=1
P(A
k
)
e use que B
n
=

n
k=1
A
k

k=1
A
k
quando n .
30 Probabilidade
45. Sejam A
1
, A
2
, . . . eventos em um espao de probabilidade. Prove que
(a) Se P(A
n
) = 0 para todo n 1, ento P (
n=1
A
n
) = 0.
(b) Se P(A
n
) = 1 para todo n 1, ento P (
n=1
A
n
) = 1.
46
. Sejam A
1
, A
2
, . . . eventos independentes em um espao de probabilidade. Mostre que
P
k=1
A
k
1 exp
k=1
P(A
k
)
k=1
P(A
k
) = = P
k=1
A
k
= 1.
Sugesto: Para mostrar a desigualdade, use que 1 x e
x
para todo x R.
47
. Sejam A
1
, A
2
, . . . eventos independentes em um espao de probabilidade. Prove que
P
k=1
A
k
k=1
P(A
k
).
48
. Demonstre que
liminf
n
A
n
c
= limsup
n
A
c
n
,
limsup
n
A
n
c
= liminf
n
A
c
n
,
limsup
n
(A
n
B
n
) limsup
n
A
n
limsup
n
B
n
,
limsup
n
(A B
n
) = A limsup
n
B
n
,
limsup
n
(A
n
B
n
) = limsup
n
A
n
limsup
n
B
n
,
liminf
n
(A
n
B
n
) liminf
n
A
n
liminf
n
B
n
,
liminf
n
(A B
n
) = A liminf
n
B
n
,
liminf
n
(A
n
B
n
) = liminf
n
A
n
liminf
n
B
n
,
limsup
n
A
n

liminf
n
A
n
c
= limsup
n
(A
n
A
c
n+1
) = limsup
n
(A
c
n
A
n+1
),
lim
n
A
n
= A e lim
n
B
n
= B = lim
n
(A
n
B
n
) = A B e lim
n
(A
n
B
n
) = A B.
49
. Continuidade da probabilidade: Sejam A

1
, A
2
, . . . eventos em um espao de
probabilidade. Para n 1, dena B
n
=

k=n
A
k
e C
n
=

k=n
A
k
.
(a) Prove que
B
n
liminf
n
A
n
e C
n
limsup
n
A
n
.
Respostas 31
(b) Usando que B
n
A
n
C
n
para todo n, mostre que
P
liminf
n
A
n
liminf
n
P(A
n
) limsup
n
P(A
n
) P
limsup
n
A
n
.
(c) Conclua que se existe A = lim
n
A
n
, ento existe lim
n
P(A
n
) e P(A) = lim
n
P(A
n
).
50
. Sejam B
1
, B
2
, . . . eventos independentes tais que P(B
n
) < 1 para todo n 1.
Demonstre que
P(B
n
innitas vezes) = 1 P
n=1
B
n
= 1.
D um exemplo para mostrar que a condio P(B
n
) < 1 para todo n 1 no pode ser
dispensada.
Sugesto: Para provar a implicao , dena A
k
= B
c
k
, k = 1, 2, . . . , e, usando o exerc-
cio 47, mostre que P(
k=n
A
k
) = 0 para todo n 1.
Respostas
1. (a) A B
c
C
c
(b) A B C
c
(c) A B C (d) A B C
(e) A
c
B
c
C
c
= (A B C)
c
(f) (A B
c
C
c
) (A
c
B C
c
) (A
c
B
c
C)
(g) (A
c
B
c
C
c
) (A B
c
C
c
) (A
c
B C
c
) (A
c
B
c
C)
(h) (AB C
c
) (AB
c
C) (A
c
B C) (AB C) = Complementar de (g)
3. 4/9, muda o raciocnio mas no o resultado.
4. 325/833
5. 5,4 . 10
5
e 0,044
6. (a) 1/420 (b) 41/42 (c) 7/15
7. (a) 0,310 (b) 0,952 (c) 0,999
8. (a) 0,236 (b) 0,121
9. (a) 1/18 (b) 1/6 (c) 1/2
10. 2(n r 1)/ (n(n 1))
11. (a) 2
n
n!/(2n)! (b) 2
n
/
2n
n
32 Probabilidade
12. (a)

n
2r
2
2r
/
2n
2r
(b) n
n1
2r2
2
2r2
/
2n
2r
(c)

n
2
n2
2r4
2
2r4
/
2n
2r
99/323 (Complementar do evento em (a) e Princpio da Incluso-Excluso).

13. A probabilidade igual a a/(a+b) em ambos os casos. O espao amostral no item (a)
consiste das (a + b)! ordenaes entre as bolas; em (b) formado pelas (a + b)!/(a! b!)
permutaes com elementos repetidos.
16. 12/35
17. 6055/8568
18. 903/1012
19. 0,051
20. 2,5 . 10
11
22. Dena V
i
o evento de selecionar a bola vermelha na i-sima extrao e mostre que
P(V
i
) = 1/3 para i = 1, 2, 3.
23. 31/210
24. (a) No (b) 4/15 (c) 16/35 (d) 1/6
26. (a) 13/200 (b) 8/13
27. 0,42
28. (a) 29/384 (b) 15/29
29. (a) 1/6 (b) 7/12 (c) 8/21
30. 0,345
31. 2/5
32. (a) 23/100 (b) 2/97
34. 5/11
35. 99/199 em ambos os casos.
37. (a) Sim. Quando armamos que a ocorrncia de B faz de A um evento mais provvel,
queremos dizer que P(A| B) > P(A).
(b) Considere separadamente os casos P(A) = 0 e P(A) = 1. No segundo, use que
P(A B) = P(B) P(A
c
B).
Captulo 3
Variveis aleatrias
1. Denies
1.1. Uma varivel aleatria X em um espao de probabilidade (, F, P) uma funo a
valores reais denida em , tal que
{X x} = { : X() x} F
para todo x R.
As variveis aleatrias que assumem valores em um conjunto nito ou innito enumervel
so chamadas discretas e aquelas que assumem valores em um intervalo da reta real so
chamadas contnuas.
1.2. A funo de distribuio acumulada de uma varivel aleatria X a funo F = F
X
denida por
F(x) = P(X x) = P({ : X() x}), x R.
Propriedades fundamentais de uma funo de distribuio:
(F1) F uma funo no-decrescente: se x < y, ento F(x) F(y).
(F2) F contnua direita: se x
n
x, ento F(x
n
) F(x).
(F3) Se x
n
, ento F(x
n
) 0; se x
n
+, ento F(x
n
) 1.
Outras propriedades:
(i) Para x, y R com x < y, P(x < X y) = F(y) F(x).
(ii) Para qualquer x R,
P(X = x) = F(x) F(x
) = Salto de F no ponto x,
onde F(x
) = lim
x
n
x,
x
n
=x
F(x
n
) o limite lateral esquerda de F em x.
Assim, F contnua em x se e somente se P(X = x) = 0.
34 Variveis aleatrias
(iii) Para qualquer x R, P(X < x) = F(x
).
(iv) O conjunto de pontos de descontinuidade de F nito ou enumervel.
Observao. Uma funo F : R R que satisfaz (F1), (F2) e (F3) a funo de distri-
buio de alguma varivel aleatria X.
1.3. (a) A varivel aleatria X discreta se assume um nmero nito ou enumervel de
valores, isto , se existe um conjunto nito ou enumervel {x
1
, x
2
, . . .} R tal que X()
{x
1
, x
2
, . . .}, . A funo p(x) = P(X = x) chamada funo de probabilidade
de X.
(b) A varivel aleatria X (absolutamente) contnua se existe uma funo f(x) 0 tal
que
F
X
(x) =
f(t) dt, x R.
Neste caso, dizemos que f uma funo densidade de probabilidade de X.
Observao. Uma varivel aleatria discreta denida quando denimos os seus valores
possveis {x
i
}
i1
e as respectivas probabilidades {p
i
}
i1
satisfazendo
p
i
> 0, i e

i=1
p
i
= 1.
Uma varivel aleatria contnua denida quando denimos uma funo f : R R tal que
f(x) 0, x e
f(x) dx = 1.
1.4. A funo indicadora de um evento A a varivel aleatria discreta que assume os
valores 1 ou 0 conforme A ocorra ou no, ou seja,
I
A
() =
1 se A,
0 se A.
1.5. Para qualquer B R (boreliano),
P(X B) =
i: x
i
B
p(x
i
) se X discreta,
B
f(x) dx se X contnua com densidade f.
Variveis aleatrias conjuntamente distribudas 35
x
1
x
2
x
3
x
F(x)
1
P(X = x
2
)
P(X = x
1
)
P(X = x
3
)
Figura 3.1: Funo de distribuio de uma varivel aleatria discreta.
x
f
X
(x)
a b
P(a X b)
Figura 3.2: Densidade de uma varivel aleatria contnua.
2. Variveis aleatrias conjuntamente distribudas
2.1. Sejam X e Y variveis aleatrias denidas no mesmo espao de probabilidade. A
funo de distribuio acumulada conjunta do par (X, Y ) denida por
F(x, y) = P(X x, Y y), x, y R.
As funes de distribuio marginais de X e Y so respectivamente dadas por
F
X
(x) = lim
y
F(x, y), x R e F
Y
(y) = lim
x
F(x, y), y R.
2.2. Sejam X e Y variveis aleatrias discretas denidas no mesmo espao de probabili-
dade. A funo de probabilidade conjunta de X e Y
p(x, y) = P(X = x, Y = y), x, y R.
Note que p(x, y) > 0 apenas para (x, y) em um subconjunto nito ou enumervel de R
2
.
As funes de probabilidade marginais de X e Y so
p
X
(x) =

y
p(x, y), x R e p
Y
(y) =

x
p(x, y), y R.
2.3. Sejam X e Y variveis aleatrias denidas no mesmo espao de probabilidade. Dize-
mos que X e Y so conjuntamente contnuas se existe uma funo f(x, y) 0, chamada
uma funo densidade de probabilidade conjunta, tal que para quaisquer x, y R,
F(x, y) =
f(u, v) du dv.
Se X e Y so conjuntamente contnuas com funo densidade conjunta f(x, y), ento so
individualmente contnuas com funes densidade marginais respectivas
f
X
(x) =
f(x, y) dy, x R e f
Y
(y) =
f(x, y) dx, y R.
Observao. natural a extenso das denies e resultados anteriores para o caso de
mais de duas variveis aleatrias denidas no mesmo espao de probabilidade.
3. Independncia de variveis aleatrias
3.1. As variveis aleatrias X
1
, . . . , X
n
so independentes se para quaisquer conjuntos
A
i
R (borelianos), i = 1, . . . , n,
P(X
1
A
1
, . . . , X
n
A
n
) =
n
i=1
P(X
i
A
i
).
3.2. SejamX
1
, . . . , X
n
variveis aleatrias com funo de distribuio conjunta F(x
1
, . . . , x
n
)
e funes de distribuio marginais F
X
1
, . . . , F
X
n
, respectivamente. Ento, X
1
, . . . , X
n
so
independentes se e somente se
F(x
1
, . . . , x
n
) = F
X
1
(x
1
) . . . F
X
n
(x
n
)
para qualquer escolha de x
1
, . . . , x
n
. (Em palavras, a funo de distribuio conjunta se
fatora como o produto das funes de distribuio individuais).
3.3. Critrio para independncia no caso discreto:
As variveis aleatrias discretas X
1
, . . . , X
n
so independentes se e somente se
P(X
1
= x
1
, . . . , X
n
= x
n
) = P(X
1
= x
1
) . . . P(X
n
= x
n
)
1
, . . . , x
n
.
Modelos de distribuies discretas 37
3.4. Critrio para independncia no caso contnuo:
Sejam X
1
, . . . , X
n
variveis aleatrias conjuntamente contnuas com funo densi-
dade conjunta f(x
1
, . . . , x
n
) e funes densidade marginais f
X
1
, . . . , f
X
n
, respectivamente.
Ento, X
1
, . . . , X
n
so independentes se e somente se
f(x
1
, . . . , x
n
) = f
X
1
(x
1
) . . . f
X
n
(x
n
)
1
, . . . , x
n
.
3.5. Uma coleo innita de variveis aleatrias independente se toda subcoleo nita
dessas variveis aleatrias independente.
3.6. Se X
1
, . . . , X
n
so variveis aleatrias independentes, ento funes contnuas de
famlias disjuntas das X
i
s so independentes.
3.7. Quando falamos de variveis aleatrias, a abreviatura i.i.d. signica independentes e
identicamente distribudas.
4. Modelos de distribuies discretas
Como usual quando se trata de variveis aleatrias, l-se o smbolo como tem dis-
tribuio.
1. X Uniforme discreta sobre o conjunto {x
1
, . . . , x
n
} R se tem funo de proba-
bilidade dada por
P(X = x
i
) =
1
n
, i = 1, . . . , n.
X representa a escolha ao acaso de um elemento do conjunto {x
1
, . . . , x
n
}. O caso
particular em que x
1
= 1, . . . , x
n
= n denotado por X Uniforme Discreta(n).
2. X Bernoulli(p), 0 p 1, se tem funo de probabilidade dada por
P(X = x) = p
x
(1 p)
1x
, x = 0, 1.
X a funo indicadora da ocorrncia de sucesso em um ensaio de Bernoulli (expe-
rimento que tem somente dois resultados possveis: sucesso e fracasso, com proba-
bilidades respectivas p e (1 p)).
3. X Binomial(n, p), n 1 inteiro e 0 p 1, se tem funo de probabilidade dada
por
P(X = x) =
n
x
p
x
(1 p)
nx
, x = 0, 1, . . . , n.
X o nmero de sucessos obtidos em n ensaios de Bernoulli independentes com
probabilidade de sucesso p em cada ensaio.
importante observar que uma varivel aleatria com distribuio Binomial(n, p)
pode ser escrita como a soma de n variveis aleatrias independentes com distribui-
o Bernoulli(p).
Propriedade: Se X Binomial(n, p), onde 0 < p < 1, ento, medida que k vai
de 0 a n, P(X = k) primeiro cresce e depois decresce, atingindo seu valor mximo
quando k o maior inteiro menor ou igual a (n + 1) p.
4. X Poisson(), > 0, se tem funo de probabilidade dada por
P(X = x) =
e
x
x!
, x = 0, 1, . . .
5. X Geomtrica(p), 0 < p 1, se tem funo de probabilidade dada por
P(X = x) = p (1 p)
x1
, x = 1, 2, . . .
X o nmero de ensaios necessrios para obter o primeiro sucesso quando se realiza
uma seqncia de ensaios de Bernoulli independentes com probabilidade de sucesso p
em cada ensaio.
Propriedade fundamental: Falta de memria.
P(X m+ n| X m) = P(X n) para m, n = 1, 2, . . .
6. X Binomial Negativa(r, p), r 1 inteiro e 0 < p 1, se tem funo de probabi-
lidade dada por
P(X = x) =
x 1
r 1
p
r
(1 p)
xr
, x = r, r + 1, . . .
X o nmero de ensaios necessrios para obter o r-simo sucesso quando se realiza
uma seqncia de ensaios de Bernoulli independentes com probabilidade de sucesso p
em cada ensaio.
Modelos de distribuies contnuas 39
Cumpre enfatizar que uma varivel aleatria com distribuio Binomial Negativa(r, p)
pode ser escrita como a soma de r variveis aleatrias independentes com distribui-
o Geomtrica(p).
7. X Hipergeomtrica(n, R, N), n, R, N inteiros, n N, R N, se tem funo de
probabilidade dada por
P(X = x) =
N R
n x
R
x
N
n
1
,
para x inteiro tal que mx(0, n N +R) x mn(n, R). X o nmero de bolas
vermelhas em uma amostra de tamanho n, extrada sem reposio de uma urna com
N bolas, das quais R so vermelhas e N R azuis.
5. Modelos de distribuies contnuas
1. X Uniforme(a, b), a, b R, a < b, se tem densidade dada por
f
X
(x) =
1
b a
, a < x < b.
X representa um ponto escolhido ao acaso no intervalo (a, b).
2. X Normal(,
2
), R, > 0, se tem densidade dada por
f
X
(x) =
1
2
e
(x)
2
/(2
2
)
, x R.
Essa distribuio tambm chamada distribuio de Laplace-Gauss.
A distribuio normal de parmetros = 0 e = 1 conhecida como normal
padro. Sua importncia deriva do fato de que se pode obter uma varivel aleatria
normal padro a partir de uma normal qualquer. De fato, se X N(,
2
), ento
Z =
X
N(0, 1).
A funo distribuio da normal padro, denotada por (), tabelada e satisfaz
(z) + (z) = 1 para todo z. A partir dela, podem-se obter probabilidades para
uma varivel aleatria normal qualquer.
3. X Exponencial(), > 0, se tem densidade dada por
f
X
(x) = e
x
, x 0.
Propriedade fundamental: Falta de memria.
P(X s +t | X s) = P(X t) para s, t R com s 0 e t 0.
4. X Gama(, ), > 0, > 0, se tem densidade dada por
f
X
(x) =

()
x
1
e
x
, x 0.
Observao. A funo gama de Euler : (0, ) R denida por
() =

0
x
1
e
x
dx, > 0,
e possui as seguintes propriedades:
(i) ( + 1) = (), > 0.
(ii) (n + 1) = n! para n 0 inteiro.
Freqentemente, til saber que

0
x
1
e
x
dx =
()
se > 0 e > 0.
5. X Beta(a, b), a > 0, b > 0, se tem densidade dada por
f
X
(x) =
1
B(a, b)
x
a1
(1 x)
b1
, 0 x 1.
Observao. A funo beta de Euler B : (0, ) (0, ) R denida por
B(a, b) =
1
0
x
a1
(1 x)
b1
dx, a > 0, b > 0,
e satisfaz B(a, b) = (a) (b)/(a + b).
6. X Cauchy(a, b), a R, b > 0, se tem densidade dada por
f
X
(x) =
1
b
1 + [(x a)/b]
2
, x R.
A distribuio de Cauchy com parmetros a = 0 e b = 1 denominada Cauchy
padro.
Aproximao de Poisson Binomial 41
6. Aproximao de Poisson Binomial
Seja X Binomial(n, p), e consideremos Y Poisson(), com = np. Se n grande
e p pequeno de modo que o valor de moderado, podemos aproximar a funo de
probabilidade de X pela funo de probabilidade de Y , isto , para qualquer inteiro k
entre 0 e n,
P(X = k) P(Y = k) =
e
k
k!
.
Essa aproximao justicada pelo Teorema de Poisson (veja-se 3.8 do Captulo 5, p. 99).
Em palavras, se so realizados n ensaios de Bernoulli independentes, cada um resultando
em sucesso com probabilidade p, ento, quando n grande e p pequeno o suciente a
fazer np moderado, o nmero de sucessos que ocorrem tem aproximadamente distribuio
de Poisson com parmetro np. De acordo com duas regras prticas, a aproximao
considerada boa se n 20 e p 0,05 ou se n 100 e np 10.
7. Aproximao Normal Binomial
Se n grande, ento uma varivel aleatria X com distribuio Binomial(n, p) tem apro-
ximadamente a mesma distribuio de uma varivel aleatria normal com parmetros
= np e
2
= np (1 p). Essa armao justicada pelo Teorema Central do Limite
de De Moivre e Laplace (3.7 do Captulo 5, p. 99), o qual estabelece que, quando n ,
a funo de distribuio da varivel
X np
np (1 p)
converge em todo ponto para a funo de distribuio da normal padro.
Assim, para qualquer inteiro i entre 0 e n,
P(X i) = P
X np
np (1 p)

i np
np (1 p)
i np
np (1 p)
.
Visto que estamos aproximando uma varivel aleatria discreta por uma varivel contnua,
podemos fazer o seguinte ajuste:
P(X i) = P(X i + 0,5)
i + 0,5 np
np (1 p)
,
e, para i j inteiros entre 0 e n,
P(i X j)
j + 0,5 np
np (1 p)
i 0,5 np
np (1 p)
.
Esse procedimento de subtrair e somar 0,5 conhecido como correo de continuidade
de Fisher e fornece uma aproximao ligeiramente mais precisa, sendo especialmente
recomendvel quando n no for muito grande.
Dois critrios freqentemente usados so que np 5 e n(1 p) 5 ou np (1 p) 10
implicam uma boa aproximao.
8. Funes de variveis aleatrias
8.1. Seja X uma varivel aleatria contnua com funo densidade de probabilidade f tal
que f(x) > 0 para x (a, b), com a < b . Suponhamos que : (a, b) R
uma funo estritamente montona, diferencivel em (a, b), e seja
1
a inversa de .
Ento, a varivel aleatria denida por Y = (X) tem densidade dada por
g(y) =
f(
1
(y))
d
1
(y)
dy
se y ((a, b)),
0 caso contrrio.
R R
X

X
Figura 3.3: Funo de uma varivel aleatria.
Observao. Ao aplicar o resultado anterior, atente para os seguintes tpicos:
1. Obteno da funo inversa: y = y(x) x = x(y).
2. Clculo da derivada da inversa
dx
dy
.
3. Estudo dos valores possveis de Y .
Funes de variveis aleatrias 43
4. Densidade de Y : g(y) = f(x(y))
dx
dy
.
No caso da funo no ser montona, a regra geral expressar F
Y
em termos de F
X
.
8.2. Mtodo do Jacobiano: Sejam X
1
e X
2
variveis aleatrias conjuntamente cont-
nuas com funo densidade conjunta f e suponhamos que f(x
1
, x
2
) > 0 para (x
1
, x
2
) A,
com A um conjunto aberto de R
2
.
Denimos novas variveis aleatrias Y
1
e Y
2
, obtidas a partir das primeiras pela transfor-
mao
y
1
=
1
(x
1
, x
2
), y
2
=
2
(x
1
, x
2
). ()
Suponhamos que:
1. As funes () so contnuas e tm derivadas parciais y
i
/x
j
, i, j = 1, 2, contnuas
em todos os pontos (x
1
, x
2
) A.
2. As funes () denem uma bijeo de A em A
, onde A
a imagem da transfor-
mao.
3. A transformao inversa
x
1
=
1
(y
1
, y
2
), x
2
=
2
(y
1
, y
2
), ()
que existe e nica, tem Jacobiano no-nulo em A
J(y
1
, y
2
) =
(x
1
, x
2
)
(y
1
, y
2
)
= det
x
1
/y
1
x
1
/y
2
x
2
/y
1
x
2
/y
2
= 0.
Ento, Y
1
e Y
2
so conjuntamente contnuas com funo densidade conjunta dada por
g(y
1
, y
2
) =
f(x
1
, x
2
) |J(y
1
, y
2
)| se (y
1
, y
2
) A
,
0 caso contrrio
onde x
1
e x
2
so dados por ().
Como freqentemente mais fcil obter J(x
1
, x
2
) = (y
1
, y
2
)/(x
1
, x
2
), importante
recordar a seguinte relao:
J(y
1
, y
2
) = J(x
1
, x
2
)
1
,
onde x
1
e x
2
so dados por ().
Observao. O Mtodo do Jacobiano naturalmente estendido ao caso n-dimensional.
Seja X
= (X
1
, . . . , X
n
) um vetor aleatrio com densidade f(x
1
, . . . , x
n
) e suponhamos
que Y
= (Y
1
, . . . , Y
n
) = (X
), com bijetora. A aplicao do mtodo consiste, em

resumo, dos seguintes itens:
1. Obteno da transformao inversa: y
= y
(x
) x
= x
(y
).
2. Clculo do determinante Jacobiano da inversa J(y
) =
x
.
3. Estudo dos valores possveis de Y
.
4. Densidade de Y
: g(y
) = f(x
(y
))
J(y
.
O Mtodo do Jacobiano possui uma generalizao no caso de a funo ser bijetora
quando restrita a cada uma de k regies abertas disjuntas cuja unio contm o valor de X
com probabilidade 1. O leitor interessado pode olhar o Teorema 2.1
da Seo 2.7 de
James [8] e o exerccio 42.
8.3. (a) Sejam X e Y duas variveis aleatrias independentes, a valores inteiros, com
funes de probabilidade p
X
e p
Y
, respectivamente. A convoluo de p
X
e p
Y
a funo
p = p
X
p
Y
denida por
p(z) =

x
p
X
(x) p
Y
(z x), z Z.
A funo p(z) a funo de probabilidade da varivel aleatria Z = X + Y .
(b) Sejam X e Y duas variveis aleatrias contnuas e independentes, com funes den-
sidade respectivas f
X
e f
Y
. A convoluo de f
X
e f
Y
a funo f = f
X
f
Y
denida
por
f(z) =
f
X
(x) f
Y
(z x) dx, z R.
Ento, Z = X +Y tem funo densidade f.
8.4. Sejam X e Y duas variveis aleatrias contnuas e independentes, com funes den-
sidade respectivas f
X
e f
Y
. Ento,
(i) X Y tem funo densidade dada por
f
XY
(z) =
f
X
(x) f
Y
(x z) dx, z R.
Estatsticas de ordem 45
(ii) XY tem funo densidade dada por
f
XY
(z) =
1
|x|
f
X
(x) f
Y
z
x
dx, z R.
(iii) Y/X tem funo densidade dada por
f
Y/X
(z) =
|x| f
X
(x) f
Y
(xz) dx, z R.
Observao. O exerccio 43 ilustra como o Mtodo do Jacobiano til na determinao
das densidades da soma, diferena, produto e quociente de variveis aleatrias contnuas.
9. Estatsticas de ordem
Sejam X
1
, X
2
, . . . , X
n
variveis aleatrias i.i.d., contnuas com funo densidade comum f
e funo de distribuio F. Dena Y
i
a i-sima menor de X
1
, X
2
, . . . , X
n
. As variveis
aleatrias Y
1
Y
2
Y
n
so denominadas as estatsticas de ordem associadas a
X
1
, X
2
, . . . , X
n
.
A densidade conjunta de Y
1
, . . . , Y
n
dada por
f
Y
1
,...,Y
n
(y
1
, . . . , y
n
) = n! f(y
1
) . . . f(y
n
), y
1
< y
2
< < y
n
.
Para i < j, a densidade conjunta de Y
i
e Y
j
dada por
f
Y
i
,Y
j
(x, y) =
n!
(i 1)! (j i 1)! (n j)!
[F(x)]
i1
[F(y) F(x)]
ji1
[1 F(y)]
nj
f(x) f(y)
para x < y.
A densidade de Y
i
dada por
f
Y
i
(x) =
n!
(i 1)! (n i)!
[F(x)]
i1
[1 F(x)]
ni
f(x), x R.
Em particular, as densidades de Y
1
= mn{X
1
, . . . , X
n
} e Y
n
= mx{X
1
, . . . , X
n
} so,
respectivamente,
f
Y
1
(x) = nf(x) [1 F(x)]
n1
, x R e
f
Y
n
(x) = nf(x) [F(x)]
n1
, x R.
10. Modelos multidimensionais
1. Distribuio multinomial: Seja o espao amostral associado a um experimento
aleatrio, e suponhamos que {A
1
, . . . , A
n
} uma partio de em n eventos. Ob-
viamente, se p
i
= P(A
i
), ento

n
i=1
p
i
= 1.
Realizam-se m repeties independentes desse experimento. Seja X
i
o nmero de ve-
zes que ocorre o evento A
i
nas m repeties. A varivel n-dimensional (X
1
, . . . , X
n
)
tem distribuio multinomial de parmetros m, p
1
, . . . , p
n
. A funo de probabili-
dade conjunta dada por
P(X
1
= x
1
, . . . , X
n
= x
n
) =
m!
x
1
! . . . x
n
!
p
x
1
1
. . . p
x
n
n
,
para x
i
{0, 1, . . . , m} com x
1
+ +x
n
= m.
Note que X
i
Binomial(m, p
i
) para i = 1, . . . , n.
2. Distribuio hipergeomtrica multivariada: Uma urna contm N bolas, das
quais N
1
so da cor 1, N
2
da cor 2, . . . , N
r
da cor r (N = N
1
+ +N
r
). Retiram-se
n bolas sem reposio (n N), e seja X
i
o nmero de bolas da cor i extradas. A
varivel r-dimensional (X
1
, . . . , X
r
) tem distribuio hipergeomtrica multivariada
de parmetros n, N
1
, . . . , N
r
, N. A funo de probabilidade conjunta dada por
P(X
1
= x
1
, . . . , X
r
= x
r
) =
N
1
x
1
. . .
N
r
x
r
N
n
1
,
para x
i
{0, 1, . . . , n} com x
1
+ +x
r
= n.
Observe que X
i
Hipergeomtrica(n, N
i
, N) para i = 1, . . . , r.
3. Distribuio uniforme: Seja G R
n
um conjunto tal que Vol (G) > 0, onde
Vol (G) o volume n-dimensional de G, denido por
Vol (G) =
G
dx
1
. . . dx
n
.
A varivel n-dimensional X
= (X
1
, . . . , X
n
) tem distribuio uniforme em G se tem
densidade
f(x
1
, . . . , x
n
) =
1 / Vol (G) se (x
1
, . . . , x
n
) G,
0 caso contrrio.
Distribuies relacionadas com a normal 47
Ento, para B R
n
,
P(X
B) =
Vol (B G)
Vol (G)
.
Esse modelo corresponde escolha ao acaso de um ponto em G.
11. Distribuies relacionadas com a normal
11.1. As distribuies denidas a seguir so fundamentais no estudo de procedimentos
de estimao estatstica.
1. Se Z
1
, . . . , Z
n
so variveis aleatrias independentes e identicamente distribudas,
com distribuio N(0, 1), ento a varivel X = Z
2
1
+ + Z
2
n
tem distribuio
qui-quadrado com n graus de liberdade, denotada
2
n
.
A distribuio
2
n
a Gama(n/2, 1/2).
2. Se X e Y so variveis aleatrias independentes, X N(0, 1) e Y
2
n
, ento a
varivel
T =
X
Y/n
tem distribuio t de Student com n graus de liberdade, denotada t
n
. A densidade
dessa varivel dada por
f
T
(t) =
(
n+1
2
)
n (
n
2
)
1
(1 + t
2
/n)
(n+1)/2
, t R.
A distribuio t
1
a Cauchy padro.
3. Se X e Y so variveis aleatrias independentes, X
2
m
e Y
2
n
, ento a varivel
U =
X/m
Y/n
tem distribuio F de Snedecor com m e n graus de liberdade, denotada F(m, n). A
densidade dessa varivel dada por
f
U
(u) =
(
m+n
2
)
(
m
2
) (
n
2
)
m
m/2
n
n/2
u
m/21
(n +mu)
(m+n)/2
, u > 0.
Se X F(m, n), ento 1/X F(n, m).
11.2. Sejam X
1
, . . . , X
n
variveis aleatrias independentes e identicamente distribudas,
com distribuio N(,
2
). Denimos
X =
n
i=1
X
i
n
= Mdia amostral e
S
2
=
n
i=1
(X
i

X)
2
n 1
=
n
i=1
X
2
i
n

X
2
n 1
= Varincia amostral.
Ento,

X e S
2
so variveis aleatrias independentes, com

X N(,
2
/n) e (n
1) S
2
/
2

2
n1
. Da, segue que
n
(

X )
S
t
n1
.
Exerccios
1. Quinze pessoas portadoras de determinada doena so selecionadas para se submeter
a um tratamento. Sabe-se que este tratamento ecaz na cura da doena em 80% dos
casos. Suponha que os indivduos submetidos ao tratamento curam-se (ou no) indepen-
dentemente uns dos outros e considere X o nmero de curados dentre os 15 pacientes
submetidos ao tratamento.
(a) Qual a distribuio de X?
(b) Qual a probabilidade de que os 15 pacientes sejam curados?
(c) Qual a probabilidade de que pelo menos dois no sejam curados?
2. Um estudante preenche por adivinhao um exame de mltipla escolha com 5 respostas
possveis (das quais uma correta) para cada uma de 10 questes.
(a) Qual a distribuio do nmero de respostas certas?
(b) Qual a probabilidade de que o estudante obtenha 9 ou mais respostas certas?
(c) Qual a probabilidade de que acerte pelo menos duas questes?
3. Um aqurio tem 3 peixes exticos gordinhos e 7 desnutridos. O gato Flix pega ao
acaso 3 peixes do aqurio; os 3 so gordinhos e Flix se prepara para com-los. Nesse
momento, aparece o seu dono, um probabilista famoso, que diz: Flix, voc vai tentar
repetir 3 vezes isso que acaba de fazer. Se voc conseguir o feito de pegar os 3 gordinhos
em pelo menos duas das trs vezes, eu deixarei que voc os coma. Se no conseguir, vai
comer a sua rao de costume. Qual a probabilidade de que Flix coma os peixes?
4. O nmero de erros tipogrcos numa pgina de determinado livro uma varivel
aleatria com distribuio de Poisson de parmetro 1/2. Encontre a probabilidade de que
haja trs ou mais erros tipogrcos nesta pgina. Calcule esta probabilidade dado que h
pelo menos um erro nesta pgina.
Exerccios 49
5. A liga de futebol de um pas tem quatro times: time 1, time 2, time 3 e time 4. Um
time estrangeiro em excurso pelo pas vai jogar um amistoso contra cada um dos times
1, 2 e 3. Suponha que contra o time 1 este time tem probabilidade 1/4 de conquistar a
vitria, enquanto que essa probabilidade vale 1/2 quando o adversrio o time 2 e vale
2/5 quando o adversrio o time 3. Assuma tambm que os resultados dos trs amistosos
so independentes. Seja X o nmero de vitrias conquistadas pelo time estrangeiro nos
trs amistosos.
(a) Obtenha a funo de probabilidade de X.
(b) Qual a probabilidade de que o time estrangeiro obtenha pelo menos uma vitria?
Suponha agora que, dependendo do seu desempenho nos trs amistosos, o time estran-
geiro decidir fazer um quarto jogo, contra o time 4. Caso conquiste trs vitrias nos trs
amistosos, jogar contra o time 4; caso obtenha exatamente duas vitrias, far o quarto
jogo com probabilidade 4/5 e no realizar o quarto jogo caso obtenha apenas uma vitria
ou no vena nenhum dos trs amistosos.
(c) Determine a probabilidade de que o quarto jogo seja realizado.
(d) Dado que o quarto jogo se realizou, qual a probabilidade de que o time estrangeiro
tenha vencido os trs amistosos iniciais?
Soluo. (a) Notamos que X assume os valores 0, 1, 2, 3 e consideramos os eventos
V
i
: O time estrangeiro conquista a vitria contra o time i, i = 1, 2, 3.
Sabemos que V
1
, V
2
e V
3
so independentes, com P(V
1
) = 1/4, P(V
2
) = 1/2 e P(V
3
) = 2/5.
Ento,
P(X = 0) = P(V
1
c
V
2
c
V
3
c
) = P(V
1
c
) P(V
2
c
) P(V
3
c
) =
3
4
1
2
3
5
=
9
40
,
P(X = 1) = P(V
1
V
2
c
V
3
c
) + P(V
1
c
V
2
V
3
c
) + P(V
1
c
V
2
c
V
3
)
=
1
4
1
2
3
5
+
3
4
1
2
3
5
+
3
4
1
2
2
5
=
9
20
,
P(X = 2) = P(V
1
V
2
V
3
c
) + P(V
1
V
2
c
V
3
) + P(V
1
c
V
2
V
3
)
=
1
4
1
2
3
5
+
1
4
1
2
2
5
+
3
4
1
2
2
5
=
11
40
,
P(X = 3) = P(V
1
V
2
V
3
) =
1
4
1
2
2
5
=
1
20
.
(b) A probabilidade de que o time estrangeiro obtenha pelo menos uma vitria
P(X 1) = 1 P(X = 0) =
31
40
.
(c) Denotando por F o evento de que o time estrangeiro faz o quarto jogo, temos
P(F | X = 3) = 1, P(F | X = 2) = 4/5, P(F | X = 1) = P(F | X = 0) = 0,
portanto, pela frmula da probabilidade total,
P(F) = P(F | X = 3) P(X = 3) +P(F | X = 2) P(X = 2) +
+P(F | X = 1) P(X = 1) +P(F | X = 0) P(X = 0)
= 1
1
20
+
4
5
11
40
= 0,27.
(d) Pela frmula de Bayes,
P(X = 3 | F) =
P(F | X = 3) P(X = 3)
P(F)
=
1/20
27/100
=
5
27
0,185.
6. Um revendedor de componentes eltricos os compra em lotes de 10 peas. Seu controle
de qualidade consiste em inspecionar 3 componentes selecionados aleatoriamente de um
lote e aceitar o lote somente se os 3 componentes no so defeituosos. Sabe-se que 30%
dos lotes tm 4 componentes defeituosos e 70% tm apenas 1 componente defeituoso. Dos
3 componentes selecionados de um lote, seja X o nmero de componentes defeituosos.
(a) Obtenha a funo de probabilidade de X.
(b) Qual a probabilidade de que um lote seja aceito?
7. Um nmero aleatrio N de dados so lanados. Suponha que
P(N = i) =
1
2
i
, i = 1, 2, . . .
A soma dos resultados S. Encontre as probabilidades de que
(a) N = 2 dado que S = 3;
(b) S = 3 dado que N par.
8. Seja X uma varivel aleatria com densidade dada por
f(x) =
a (1 + x) se 0 < x 1,
2/3 se 1 < x 2,
0 caso contrrio.
Obtenha:
(a) o valor de a. (b) P(0,5 < X 1,5).
9. Se Y tem distribuio uniforme em (0, 5), qual a probabilidade de que as razes da
equao 4 x
2
+ 4 x Y + Y + 2 = 0 sejam ambas reais?
10. Dena uma coleo de eventos E
a
, 0 < a < 1, satisfazendo a propriedade de que
P(E
a
) = 1 para todo a, mas P(
a
E
a
) = 0.
Sugesto: Seja X com distribuio uniforme em (0, 1) e dena cada E
a
em termos de X.
Exerccios 51
11. Razo de Mill: Denote respectivamente por e a densidade e a funo de
distribuio de uma varivel aleatria com distribuio N(0, 1).
(a) Prove que para todo x > 0,
1
x

1
x
3
(x) 1 (x)
(x)
x
.
A importncia desses limitantes decorre do fato de no haver uma frmula fechada para .
(b) Obtenha de (a) que
lim
x
1 (x)
(x)/x
= 1.
Sugesto: (a) Use que 1
3
y
4
1 1 +
1
y
2
para y > 0 e que
d
dy
(y)
y
1 +
1
y
2
(y),
d
dy
1
y

1
y
3
(y)
1
3
y
4
(y).
12. O tempo de durao em horas de um componente eletrnico tem distribuio expo-
nencial de parmetro 1/8. O departamento de controle de qualidade da fbrica que o
produz descarta todos os componentes que falham nas trs primeiras horas, e os restantes
so comercializados.
(a) Determine a densidade da durao em horas de um componente comercializado.
(b) Qual a probabilidade de um componente comercializado durar mais que 12 horas?
13. Uma fbrica utiliza dois mtodos para a produo de lmpadas: 70% delas so pro-
duzidas pelo mtodo A e o resto pelo mtodo B. A durao em horas das lmpadas tem
distribuio exponencial com parmetro 1/80 ou 1/100, conforme se utilize o mtodo A
ou o B. Em um grupo de 10 lmpadas selecionadas ao acaso, qual a probabilidade de que
6 delas durem pelo menos 90 horas?
14. Sabe-se que 0,6% dos parafusos produzidos em uma fbrica so defeituosos. Estime
a probabilidade de que, em um pacote com 1000 parafusos,
(a) haja exatamente 4 parafusos defeituosos.
(b) no haja mais do que 4 parafusos defeituosos.
(c) encontrem-se pelo menos 3 parafusos defeituosos.
15. Aproximadamente 80000 casamentos foram celebrados no Rio de Janeiro durante o
ano passado. Estime a probabilidade de que para pelo menos um desses casais ambos os
cnjuges tenham nascido no dia 30 de abril. Deixe claras as suas hipteses.
16. Doze por cento da populao canhota. Aproxime a probabilidade de que haja pelo
menos 20 canhotos em uma escola com 200 alunos. Esclarea as suas hipteses.
17. Em um museu, vendem-se mil entradas diariamente, sendo de 35% a proporo diria
de visitantes estrangeiros. Estime a probabilidade de que em uma semana mais de 5000
brasileiros visitem o museu.
18. O tempo de vida em horas de chips de computador produzidos por uma indstria tem
distribuio normal com parmetros = 1,4 . 10
6
e
2
= 9 . 10
10
. Obtenha uma estimativa
para a probabilidade de que um lote de 100 chips contenha pelo menos 20 chips que durem
menos que 1,8 . 10
6
horas.
19. Uma urna contm trs bolas brancas e duas bolas azuis. Realizam-se trs extraes,
sem reposio. Sejam X o nmero de bolas brancas obtidas e Y o nmero de bolas azuis
extradas antes de obter a primeira bola branca. Determine a funo de probabilidade
conjunta de X e Y , bem como as marginais.
20. A diretoria de uma organizao feminina formada por quatro mulheres solteiras,
trs divorciadas, duas vivas e uma casada. Uma comisso de trs pessoas escolhida ao
acaso para elaborar folhetos de propaganda da organizao. Sejam X e Y o nmero de
mulheres solteiras e vivas na comisso, respectivamente.
(a) Determine a funo de probabilidade conjunta de X e Y , bem como as marginais.
(b) Calcule a probabilidade de que pelo menos uma viva integre a comisso.
(c) Qual a probabilidade de que haja na comisso mais solteiras que vivas?
21. Modelo de Maxwell-Boltzmann. Distribumos k bolas distinguveis em n urnas,
de forma que todas as conguraes so igualmente provveis. Permitimos que mais de
uma bola seja colocada numa mesma urna. Seja X
j
o nmero de bolas na urna j.
Demonstre que
(a) P(X
1
= k
1
, . . . , X
n
= k
n
) =
k!
k
1
! . . . k
n
!
n
k
para k
j
0 com

n
j=1
k
j
= k.
(b) P(X
1
= i) =
k
i
1
n
1
1
n
ki
, i = 0, . . . , k.
(c) lim
n,k, k/n(0,)
P(X
1
= i) =
e
i
i!
, i = 0, 1, . . .
22. Modelo de Bose-Einstein. Distribumos k bolas indistinguveis em n urnas, de
forma que todas as conguraes so igualmente provveis. Permitimos que mais de uma
bola seja colocada numa mesma urna. Seja X
j
o nmero de bolas na urna j.
Mostre que
(a) P(X
1
= k
1
, . . . , X
n
= k
n
) =
n + k 1
n 1
1
para k
j
0 com

n
j=1
k
j
= k.
(b) P(X
1
= i) =
n + k i 2
n 2
n +k 1
n 1
1
, i = 0, . . . , k.
Exerccios 53
(c) lim
n,k, k/n(0,)
P(X
1
= i) =
1
+ 1

+ 1
i
, i = 0, 1, . . .
23. Considere a distribuio aleatria de k bolas em n urnas como explicada nos exerc-
cios 21 e 22. Suponha que k n e seja A o evento de que nenhuma urna que vazia.
Prove que, no caso do modelo de Maxwell-Boltzmann,
P(A) =
n
i=0
(1)
i
n
i
1
i
n
k
e, para o modelo de Bose-Einstein,
P(A) =
k 1
n 1
n +k 1
n 1
1
.
24. Sejam X
1
e X
2
variveis aleatrias independentes e identicamente distribudas, com
P(X
1
= 1) = P(X
1
= 1) = 1/2. Considere X
3
= X
1
X
2
. As variveis aleatrias X
1
, X
2
e X
3
so independentes? So independentes duas a duas?
25. Uma urna contm X bolas, onde X uma varivel aleatria com distribuio de Pois-
son de parmetro . As bolas so pintadas, de maneira independente, de vermelho com
probabilidade p ou azul com probabilidade (1p). Sejam Y o nmero de bolas vermelhas
e Z o nmero de bolas azuis. Prove que Y e Z so variveis aleatrias independentes,
com Y Poisson(p) e Z Poisson((1 p)).
Sugesto: Para y, z N, seja x = y + z. Justique e use que
P(Y = y, Z = z) = P(Y = y, Z = z | X = x) P(X = x) =
x
y
p
y
(1 p)
z
e
x
x!
.
26. Sejam X
0
, X
1
, . . . variveis aleatrias i.i.d., com P(X
0
= 1) = P(X
0
= 1) = 1/2.
Considere Z
n
=

n
j=0
X
j
, n 0. Mostre que Z
0
, Z
1
Sugesto: Por induo em n, prove que para todo n 0,
P(Z
n
= 1) = P(Z
n
= 1) = 1/2 e
P(Z
0
= 1, Z
1
= 1, . . . , Z
n
= 1) = 1/2
n+1
.
Da, use o tpico 2.10 para concluir que Z
0
, Z
1
27. Seja OA um segmento de R de comprimento a. Escolhem-se dois pontos P
1
e P
2
em OA de forma aleatria e independente. Denote por X
1
e X
2
os comprimentos dos
segmentos OP
1
e OP
2
, respectivamente.
Dentre P
1
e P
2
, sejam Y
1
o ponto mais prximo a O e Y
2
o ponto mais prximo a A.
Dena M
1
e M
2
os comprimentos dos segmentos OY
1
e OY
2
, respectivamente.
(a) Calcule a funo de distribuio da varivel aleatria M = distncia entre P
1
e P
2
.
(b) Encontre a densidade de M.
(c) Determine a probabilidade de que com os trs segmentos OY
1
, Y
1
Y
2
e Y
2
A seja
possvel construir um tringulo.
Soluo. (a) Temos que X
1
e X
2
so variveis aleatrias independentes, ambas com
distribuio uniforme em [0, a]. Ento, o par (X
1
, X
2
) tem distribuio uniforme em
B = [0, a] [0, a]. Alm disso,
M
1
= mn{X
1
, X
2
},
M
2
= mx{X
1
, X
2
} e
M = M
2
M
1
= |X
1
X
2
|.
Queremos calcular F
M
(y) = P(M y) = P(|X
1
X
2
| y), y R.
Claramente, se y 0, ento F
M
(y) = 0.
Para y > 0, denimos o conjunto A
y
= {(u, v) R
2
: |u v| y}, portanto
F
M
(y) = P((X
1
, X
2
) A
y
) =
rea (A
y
B)
rea (B)
.
Se y > a, ento A
y
B = B, logo F
M
(y) = 1.
Por outro lado, se 0 < y a, ento (veja-se a Figura 3.4)
F
M
(y) =
a
2
(a y)
2
a
2
=
2ay y
2
a
2
.
Assim, a funo de distribuio de M dada por
F
M
(y) =
0 se y 0,
(2ay y
2
)/a
2
se 0 < y a,
1 se y > a.
(b) Como F
M
contnua e derivvel por partes, obtemos a densidade de M derivando F
M
:
f
M
(y) =
2(a y)/a
2
se 0 < y < a,
0 caso contrrio.
Note que os valores de f
M
nos pontos 0 e a so arbitrrios.
(c) Recordamos que M
1
= mn{X
1
, X
2
}, M
2
= mx{X
1
, X
2
} e M = M
2
M
1
. Os
segmentos com os quais se deseja construir um tringulo tm comprimento M
1
, M e
a M
2
, logo poder constru-lo equivalente a pedir que
M
1
< M +a M
2
, M < M
1
+a M
2
e a M
2
< M
1
+ M.
Assim, precisamos calcular P(M
1
< a/2, M < a/2, M
2
> a/2). Denimos o conjunto
C = {(u, v) R
2
: mn{u, v} < a/2, |u v| < a/2, mx{u, v} > a/2}. Ento,
P(M
1
< a/2, M < a/2, M
2
> a/2) = P((X
1
, X
2
) C) =
rea (C B)
rea (B)
=
1
4
.
Exerccios 55
u
v
a
a
y
y 0
A
y
B
u
v
a
a
a/2
a/2 0
C B
Figura 3.4: Exerccio 27 Clculos de F
M
e do item (c).
28. Um casal combina de se encontrar em certo local perto das 12:30 h. Suponha que
o homem chega em uma hora uniformemente distribuda entre 12:15 h e 12:45 h e a mu-
lher independentemente chega em uma hora uniformemente distribuda entre 12 h e 13 h.
Encontre as probabilidades de que
(a) o primeiro a chegar no espere mais que 5 minutos pelo segundo;
(b) a mulher chegue primeiro.
29. Sejam X e Y variveis aleatrias com densidade conjunta dada por
f(x, y) =
120 x (y x) (1 y) se 0 < x < y < 1,

0 caso contrrio.
(a) Determine as distribuies marginais de X e Y .
(b) Mostre que P(X zY ) = 3 z
2
2 z
3
para z (0, 1).
(c) Usando o item (b), obtenha a distribuio de X/Y .
30. Lanamos seis vezes uma moeda honesta de forma independente. Seja Y a diferena
entre o nmero de caras e coroas obtidas. Encontre a distribuio de Y .
31. Seja U uma varivel aleatria com distribuio uniforme no intervalo aberto (0, 1).
Dado p (0, 1), obtenha a distribuio da varivel aleatria
X =

log
1p
U
log U
log(1 p)
,
onde [a] denota a parte inteira de a.
32. Seja X uma varivel aleatria com distribuio exponencial de parmetro . Deni-
mos uma nova varivel aleatria por Y = [X] + 1, onde [X] denota a parte inteira de X.
Obtenha a distribuio de Y .
33. Seja X uma varivel aleatria com distribuio uniforme no intervalo [0, 10]. Deter-
mine a funo de distribuio das seguintes variveis aleatrias:
(a) Y = X
2
+ 2.
(b) W = mx{2, mn{4, X}}.
(c) Z = |X 4|.
Observao. Cumpre observar que W dada no item (b) uma varivel aleatria, pois
uma funo contnua da varivel aleatria X. Note entretanto que W no discreta (j
que pode assumir qualquer valor no intervalo [2, 4]) e nem absolutamente contnua (pois
assume os valores 2 e 4 com probabilidades positivas). A varivel W uma mistura dos
dois tipos. Mais detalhes a respeito de tipos de variveis aleatrias so encontrados na
Seo 2.2 de James [8].
34. Encontre a densidade de Y = e
2X
, onde X tem distribuio exponencial de parme-
tro 1.
Soluo. A densidade de X dada por
f(x) = e
x
, x > 0.
Consideremos a funo : (0, ) (0, 1) dada por (x) = e
2x
. Ento, decrescente,
diferencivel e
y = (x) = e
2x
x =
1
(y) =
1
2
log y,
dx
dy
=
1
2 y
.
A densidade de Y = e
2X
, portanto,
g(y) = f(
1
(y))
dx
dy
=
1
2
y
, 0 < y < 1.
35. Distribuio Log-normal. Seja Y = e
X
, onde X tem distribuio N(0, 1). Encon-
tre a densidade de Y .
36. Seja X uma varivel aleatria com distribuio uniforme em (0, /2). Obtenha a
densidade de Y = sen X.
37. Determine a densidade de Y = arcsen X quando
(a) X tem distribuio uniforme em (0, 1);
(b) X tem distribuio uniforme em (1, 1).
38. Encontre a densidade de Y = |X|, onde X tem distribuio N(0, 1).
Exerccios 57
f(x) =

2
e
|x|
, x R,
onde > 0. Determine a distribuio da varivel aleatria Y = |X|.
f(x) =
1/2 se 1 < x < 0,

e
x
/2 se x 0,
0 caso contrrio.
Obtenha a densidade de Y = X
2
.
41. Sejam X e Y variveis aleatrias i.i.d. com funo densidade comum
f(x) =
1/x
2
se x > 1,
0 caso contrrio.
(a) Calcule a densidade conjunta de Z e W, onde Z = XY e W = X/Y .
(b) So Z e W independentes?
Soluo. (a) Notamos que a densidade conjunta de X e Y dada por
f
X,Y
(x, y) =
1/(x
2
y
2
) se x > 1, y > 1,
0 caso contrrio.
Sejam B
0
= {(x, y) R
2
: x > 1, y > 1} e B = {(z, w) : z > w > 0, zw > 1}.
Consideremos a funo : B
0
B denida por (x, y) = (xy, x/y). Ento, uma
funo bijetora,
1
(z, w) = (
zw,
z/w) e o Jacobiano de
1
igual a 1/(2w). Como
(Z, W) = (X, Y ), a densidade conjunta de Z e W dada por
f
Z,W
(z, w) =
f
X,Y
(
zw,
z/w)
1
2w
se z > w > 0, zw > 1,
0 caso contrrio.
Assim,
f
Z,W
(z, w) =
1/(2z
2
w) se z > w > 0, zw > 1,
0 caso contrrio.
(b) Observamos que
f
Z
(z) =
z
1/z
1/(2z
2
w) dw se z > 1,
0 caso contrrio.
Logo,
f
Z
(z) =
log(z)/z
2
se z > 1,
0 caso contrrio.
Ademais,
f
W
(w) =
1/w
1/(2z
2
w) dz se 0 < w 1,
w
1/(2z
2
w) dz se w > 1,
0 caso contrrio.
Portanto,
f
W
(w) =
1/2 se 0 < w 1,
1/(2w
2
) se w > 1,
0 caso contrrio.
Visto que a densidade conjunta no o produto das marginais, conclumos que Z e W
no so independentes.
42. Sejam X e Y variveis aleatrias independentes, ambas com distribuio exponencial
de parmetro 1. Calcule a densidade conjunta de U = |X Y | e V = X +Y , bem como
as marginais.
Soluo. Sejam A = {(x, y) R
2
: x > 0, y > 0}, A
= {(u, v) R
2
: 0 < u < v} e
denimos a funo : A A
por (x, y) = (|x y|, x + y). Observamos que no

bijetora, mas podemos utilizar o mtodo resumido no Teorema 2.1
da Seo 2.7 de
James [8]. Denimos A
(1)
= {(x, y) A : y x > 0} e A
(2)
= {(x, y) A : y x < 0}.
Ento,
1
:= |
A
(1) e
2
:= |
A
(2) so funes bijetoras com inversas
1
1
(u, v) =
v u
2
,
u +v
2
e
1
2
(u, v) =
u + v
2
,
v u
2
.
Aplicando o teorema, obtemos que, para 0 < u < v, a densidade conjunta de U e V
f
U,V
(u, v) = f
X,Y
v u
2
,
u +v
2
1
2
+ f
X,Y
u + v
2
,
v u
2
1
2
.
Portanto,
f
U,V
(u, v) =
e
v
se 0 < u < v,
0 caso contrrio.
Com respeito s marginais, um clculo simples mostra que U Exp(1) e V Gama(2, 1).
43. Sejam X e Y variveis aleatrias com funo densidade conjunta f. Usando o Mtodo
do Jacobiano, determine a densidade de Z = XY . Escreva a densidade de Z no caso em
que X e Y so independentes, com densidades f
X
e f
Y
, respectivamente.
Soluo. Consideremos a transformao e sua inversa
w = x
z = x y
x = w
y = z/w
com Jacobiano J(w, z) = 1/w. (Recorde-se de que P(W = 0) = 0).
Exerccios 59
Ento, a densidade conjunta de W e Z
g(w, z) = f
w,
z
w
1
|w|
.
Portanto, a densidade de Z = XY dada por
f
Z
(z) =
x,
z
x
1
|x|
dx.
Assim, se X e Y so independentes com densidades respectivas f
X
e f
Y
,
f
Z
(z) =
f
X
(x) f
Y
z
x
1
|x|
dx.
No clculo de um caso particular, caso se prera aplicar diretamente a frmula obtida,
preciso estar atento aos valores que Z assume e aos limites da integral.
44. Sejam X e Y variveis aleatrias independentes, com distribuio comum N(0, 1).
Mostre que U = (X + Y )/
2 e V = (X Y )/
2 tambm so independentes e N(0, 1).

45. Sejam X e Y variveis aleatrias independentes, com distribuio comum N(0, 1).
Prove que R =

X
2
+ Y
2
e = arctg(Y/X) tambm so independentes, U(0, 2) e
R tem distribuio de Rayleigh, ou seja, tem densidade
f
R
(r) = r e
r
2
/2
, r > 0.
46. Sejam X e Y variveis aleatrias independentes, X Gama(r, ) e Y Gama(s, ),
onde > 0, r > 0 e s > 0. Mostre que P = X + Y e Q = X/(X + Y ) tambm so
independentes, P Gama(r + s, ) e Q Beta(r, s).
47. Sejam X e Y variveis aleatrias com funo densidade conjunta
f(x, y) =
6y se 0 < y < x < 1,

0 caso contrrio.
(a) Determine as densidades marginais de X e Y . So X e Y independentes?
(b) Calcule a funo densidade de Z = Y/X.
f(x, y) =
x e
y
se 0 < x < y < ,
0 caso contrrio.
(a) Obtenha as densidades marginais de X e Y . So X e Y independentes?
(b) Determine a densidade de Z = Y X.
49. As variveis aleatrias X e Y representam, respectivamente, a renda e o consumo por
ms, em milhes de reais, dos trabalhadores de uma empresa. Suponha que a densidade
conjunta de X e Y dada por
f(x, y) =
1
6
x
1/2
y
1/2
se 0 < y < x < 3,
0 caso contrrio.
(a) A renda e o consumo so independentes?
(b) Determine a funo densidade do quociente entre o consumo e a renda desses
trabalhadores.
50. Seja X a varivel aleatria que representa o peso em toneladas de uma certa merca-
doria que uma loja armazena no incio de cada ms de forma a satisfazer a demanda dos
clientes. Seja Y o peso em toneladas da mercadoria vendida durante o ms. Suponha que
a funo densidade conjunta de X e Y dada por
f(x, y) =
1
10 x
se 0 < y < x < 10,
0 caso contrrio.
(a) Obtenha a densidade do peso da mercadoria que sobra armazenada ao nal do
ms.
(b) Calcule a probabilidade de que o peso da mercadoria armazenada ao incio do ms
seja superior a 8 toneladas e o peso da mercadoria vendida inferior a 4 toneladas.
(c) Dado que em um ms as vendas no superaram 5 toneladas, qual a probabilidade
de que ao nal do ms restem armazenadas mais do que 3 toneladas?
51. Sejam X e Y variveis aleatrias com funo densidade conjunta dada por
f(x, y) =
k xy se x 0, y 0 e x + y 1,
0 caso contrrio.
(a) Obtenha k.
(b) Calcule as densidades marginais de X e Y .
(c) So X e Y independentes?
(d) Calcule as seguintes probabilidades: P(X Y ), P(X 1/2 | X + Y 3/4) e
P(X
2
+ Y
2
1).
(e) Obtenha a densidade conjunta de U = X+Y e V = XY , bem como as marginais.
52. Trs pessoas A, B e C chegam ao mesmo tempo a uma central telefnica que possui
dois aparelhos telefnicos. Os dois aparelhos so utilizados imediatamente por A e B. A
pessoa C substitui a primeira pessoa que nalize a sua ligao e cada pessoa se retira da
central uma vez terminado o seu telefonema. Sejam X
1
, X
2
e X
3
os tempos das ligaes
de A, B e C, respectivamente. Suponha que X
1
, X
2
e X
3
so variveis aleatrias i.i.d.
com distribuio exponencial de parmetro .
Respostas 61
(a) Determine a densidade de Z = mx{X
1
, X
2
} mn{X
1
, X
2
}.
(b) Calcule P(Z < X
3
).
(c) O que representa a probabilidade calculada no item (b)?
53. Escolhe-se ao acaso um ponto P = (X, Y ) do quadrado unitrio (0, 1) (0, 1). Seja
o ngulo formado entre o eixo x e o segmento que une a origem e P. Encontre a densidade
de .
54. Sejam
1
e
2
variveis aleatrias independentes, ambas com distribuio uniforme
em (0, 2). Ento, P
1
= (X
1
, Y
1
) = (cos
1
, sen
1
) e P
2
= (X
2
, Y
2
) = (cos
2
, sen
2
)
so dois pontos escolhidos de forma aleatria e independente na circunferncia de raio
unitrio. Considere Z = (X
1
X
2
)
2
+ (Y
1
Y
2
)
2
o quadrado da distncia entre P
1
e P
2
.
Calcule a densidade da varivel aleatria Z.
Sugesto: Dena
=
|
1
2
| se |
1
2
| < ,
2 |
1
2
| se |
1
2
| < 2
e mostre que para 0 < y < ,
P( y) = P(|
1
2
| y) + P(2 y |
1
2
| < 2) =
y
.
(Ou seja, tem distribuio uniforme em (0, )). Ento, use que Z = 2 2 cos .
Respostas
1. (a) Binomial (n = 15, p = 0,8) (b) 0,035 (c) 0,83
2. (a) Binomial (n = 10, p = 1/5) (b) 4,2 . 10
6
(c) 0,62
3. 358/120
3
0,000207
4. 0,014; 0,036
6. (a) P(X = 0) = 0,54, P(X = 1) = 0,36, P(X = 2) = 0,09, P(X = 3) = 0,01
(b) 0,54
7. (a) 24/169 (b) 1/24
8. (a) 2/9 (b) 19/36
9. 3/5
12. (a) f(y) = (1/8) exp{(y 3)/8}, y > 3 (b) 0,325
13. 0,068
14. (a) 0,1339 (b) 0,2851 (c) 0,9380
15. 0,45
16. 0,8363
17. 0
18. 1
19.
X \ Y 0 1 2 p
X
(x)
1 1/10 1/10 1/10 3/10
2 2/5 1/5 0 3/5
3 1/10 0 0 1/10
p
Y
(y) 3/5 3/10 1/10 1
20. (a)
X \ Y 0 1 2 p
X
(x)
0 1/30 1/10 1/30 1/6
1 1/5 4/15 1/30 1/2
2 1/5 1/10 0 3/10
3 1/30 0 0 1/30
p
Y
(y) 7/15 7/15 1/15 1
(b) P(Y 1) = 8/15 (c) P(X > Y ) = 8/15
24. X
1
, X
2
e X
3
no so independentes, mas so independentes duas a duas.
28. (a) 1/6 (b) 1/2
29. (a) X Beta(2, 4) e Y Beta(4, 2) (c) X/Y Beta(2, 2)
30. P(Y = k) =
6
(k + 6)/2
1
2
6
, k = 6, 4, 2, 0, 2, 4, 6
31. P(X = k) = p (1 p)
k
, k = 0, 1, . . .
32. Geomtrica(1 e
)
33. (a) F
Y
(y) =
0 se y < 2,
y 2/10 se 2 y < 102,

1 se y 102.
(b) F
W
(w) =
0 se w < 2,
w/10 se 2 w < 4,
1 se w 4.
Respostas 63
(c) F
Z
(z) =
0 se z < 0,
z/5 se 0 z < 4,
z/10 + 2/5 se 4 z < 6,
1 se z 6.
35. f
Y
(y) = y
1
(2)
1/2
exp{(log y)
2
/2}, y > 0
36. f
Y
(y) = 2/(
1 y
2
), 0 < y < 1
37. (a) f
Y
(y) = cos y, 0 < y < /2 (b) f
Y
(y) = (1/2) cos y, /2 < y < /2
38. f
Y
(y) = (2/)
1/2
exp{y
2
/2}, y > 0
39. Y Exp()
40. f
Y
(y) =
1
4
1 + e
se 0 y < 1,
1
4
y
e
y
se y 1,
0 caso contrrio.
47. (a) f
X
(x) = 3 x
2
, 0 < x < 1, f
Y
(y) = 6 y (1 y), 0 < y < 1;
X e Y no so independentes.
(b) f
Z
(z) = 2 z, 0 < z < 1
48. (a) f
X
(x) = x e
x
, x > 0, f
Y
(y) =
1
2
y
2
e
y
, y > 0;
(b) f
Z
(z) = e
z
, z > 0
49. (a) f
X
(x) =
1
9
x
2
, 0 < x < 3, f
Y
(y) =
1
9
y
1/2
(3
3/2
y
3/2
), 0 < y < 3;
(b) f
Y/X
(z) =
3
2
z
1/2
, 0 < z < 1
50. (a) f
Z
(z) = (1/10) log(10/z), 0 < z < 10
(b) P(X > 8, Y < 4) = 0,0893
(c) P(X Y > 3 | Y 5) = 0,375
51. (a) k = 24 (b) f
X
(x) = f
Y
(x) = 12 x (1 x)
2
, 0 x 1 (c) No
(d) P(X Y ) = 1/2, P(X 1/2 | X +Y 3/4) = 1/9 e P(X
2
+ Y
2
1) = 1
(e) g(u, v) = 3 (u
2
v
2
), u v u 1;
f
U
(u) = 4 u
3
, 0 u 1; f
V
(v) = 1 3 v
2
+ 2 |v
3
|, 1 v 1
52. (a) Z Exp() (Primeiro, obtenha a densidade conjunta de Y
1
= mn{X
1
, X
2
} e
Y
2
= mx{X
1
, X
2
} e depois use o Mtodo do Jacobiano para mostrar que Y
1
e Z so
independentes com Y
1
Exp(2) e Z Exp()).
(b) 1/2 (Note que X
3
e Z so independentes, ambas com distribuio Exp()).
(c) a probabilidade de que, dentre as trs pessoas, C seja a ltima a sair da central
telefnica.
53. f
Y/X
(z) =
1/2 se 0 < z 1,
1/(2 z
2
) se z > 1,
0 caso contrrio.
f
() =
1/(2 cos
2
) se 0 < /4,
1/(2 sen
2
) se /4 < < /2,
0 caso contrrio.
54. f
Z
(z) =
1
2
z z
2
/4
, z (0, 4)
Captulo 4
Esperana
1. Denies e propriedades
1.1. A esperana (mdia, valor esperado) de uma varivel aleatria X denida por
X
= E(X) =
x
x P(X = x) se X discreta,
x f(x) dx se X contnua com densidade f.

Observao. A esperana est denida somente quando a soma (integral) bem denida.
Assim,
E(X) =
x0
x P(X = x)
x<0
(x) P(X = x) se X discreta,
x0
x f(x) dx
x<0
(x) f(x) dx se X contnua com densidade f
e portanto E(X) est denida desde que ambas as somas (integrais) no sejam +. Em
caso contrrio, dizemos que E(X) no existe (ou que X no tem valor esperado).
Observamos que, em particular, E(X) est bem denida se P(X 0) = 1.
Como um exemplo de uma varivel aleatria cuja esperana no existe, seja X
assumindo valores em Z
= Z \ {0} com funo de probabilidade dada por

P(X = x) =
1
2 |x| (1 +|x|)
, x Z
.
Para ver por que esta uma funo de probabilidade, note que
k=1
1
k (1 + k)
=

k=1
1
k

1
1 + k
= 1.
Como

x>0
x P(X = x) =

x<0
(x) P(X = x) = , E(X) no existe.
1.2. Para qualquer funo g a valores reais,
E[g(X)] =
x
g(x) P(X = x) se X discreta,
g(x) f(x) dx se X contnua com densidade f.

66 Esperana
1.3. Dizemos que a varivel aleatria X integrvel se E(X) nita. Isto equivalente
a que E|X| < .
1.4. Para n 1, o n-simo momento de uma varivel aleatria X E(X
n
) (se existe).
1.5. A varincia de uma varivel aleatria X integrvel com esperana dada por
Var(X) = E((X )
2
) = E(X
2
)
2
.
1.6. Se a e b so constantes, ento
E(a X + b) = a E(X) + b e Var(a X +b) = a
2
Var(X).
1.7. Se E|X|
t
nita para algum t > 0, ento E|X|
s
nita para todo 0 s t.
1.8. (a) Se X uma varivel aleatria inteira e no-negativa, ento
E(X) =

n=1
P(X n).
(b) Se X uma varivel aleatria contnua que assume apenas valores no-negativos,
ento
E(X) =

0
P(X > t) dt.
1.9. Critrio para integrabilidade: Seja X uma varivel aleatria qualquer. Ento,
n=1
P(|X| n) E|X| 1 +

n=1
P(|X| n).
Assim, X integrvel se e somente se

n=1
P(|X| n) < .
1.10. (a) Se X e Y tm uma funo de probabilidade conjunta p(x, y), ento
E[(X, Y )] =

x
y
(x, y) p(x, y).
(b) Se X e Y tm uma funo densidade conjunta f(x, y), ento
E[(X, Y )] =
(x, y) f(x, y) dx dy.

1.11. Se P(X Y ) = 1, ento E(X) E(Y ).
1.12. E
i=1
X
i
=
n
i=1
E(X
i
).
Distribuio e esperana condicionais 67
1.13. Se X
1
, . . . , X
n
so independentes, ento
E
i=1
X
i
=
n
i=1
E(X
i
).
1.14. A covarincia entre duas variveis aleatrias X e Y integrveis dada por
Cov(X, Y ) = E((X
X
)(Y
Y
)) = E(XY ) E(X) E(Y ).
Assim, Cov(X, Y ) = 0 se X e Y so independentes. (Porm a recproca no sempre
verdadeira).
1.15. Cov
i=1
a
i
X
i
,
m
j=1
b
j
Y
j
=
n
i=1
m
j=1
a
i
b
j
Cov(X
i
, Y
j
), onde os a
i
e b
j
so nmeros
reais.
1.16. Var
i=1
X
i
=
n
i=1
Var(X
i
) + 2

1i<jn
Cov(X
i
, X
j
).
1.17. Var
i=1
X
i
=
n
i=1
Var(X
i
) se X
1
, . . . , X
n
so independentes.
Observao. Recorde-se de que 1.12 e 1.16 so teis para determinar a esperana e a
varincia de muitas variveis aleatrias pelo uso de funes indicadoras.
1.18. Sejam X e Y variveis aleatrias com varincias nitas e positivas. O coeciente
de correlao entre X e Y denido por
(X, Y ) =
Cov(X, Y )
X

Y
= E
X
X
Y
Y
,
onde
X
=

Var(X) e
Y
=

Var(Y ).
Propriedades:
(i) |(X, Y )| 1.
(ii) Se (X, Y ) = 1, ento os valores de X e Y pertencem a uma reta.
2. Distribuio e esperana condicionais
2.1. Caso discreto: Se X e Y so variveis aleatrias discretas, a funo de probabilidade
condicional de X dado que Y = y denida por
p
X|Y
(x | y) = P(X = x | Y = y) =
p(x, y)
p
Y
(y)
,
68 Esperana
para todos os valores de y tais que p
Y
(y) > 0. Neste caso, a esperana condicional de X
dado que Y = y
E(X | Y = y) =

x
x p
X|Y
(x | y).
2.2. Caso contnuo: Se X e Y so conjuntamente contnuas com funo densidade
conjunta f(x, y), a funo densidade condicional de X dado que Y = y denida para
todos os valores de y tais que f
Y
(y) > 0 por
f
X|Y
(x | y) =
f(x, y)
f
Y
(y)
.
A esperana condicional de X dado que Y = y , neste caso,
E(X | Y = y) =
x f
X|Y
(x | y) dx.
2.3. Para B R,
P(X B| Y = y) =
xB
P(X = x | Y = y) no caso discreto,
B
f
X|Y
(x | y) dx no caso contnuo.
2.4. A esperana condicional de X dado que Y = y simplesmente a esperana de X com
respeito distribuio condicional de X dado que Y = y. Assim, desfruta de propriedades
anlogas s da esperana comum. Por exemplo,
E(a X
1
+ b X
2
| Y = y) = a E(X
1
| Y = y) + b E(X
2
| Y = y);
E(g(X) | Y = y) =
x
g(x) P(X = x | Y = y) no caso discreto,
g(x) f
X|Y
(x | y) dx no caso contnuo.
2.5. Princpio da substituio para a esperana condicional:
E ((X, Y ) | Y = y) = E ((X, y) | Y = y) .
Corolrio: E (g(X) h(Y ) | Y = y) = h(y) E (g(X) | Y = y).
2.6. Propriedade fundamental: E (E(X | Y )) = E(X).
(a) E(X | Y ) uma varivel aleatria (uma funo de Y ) cuja esperana igual a E(X).
Funes geradoras 69
(b) E(X) =
y
E(X | Y = y) P(Y = y) se Y discreta,
E(X | Y = y) f
Y
(y) dy se Y contnua com densidade f
Y
.
(c) P(A) =
y
P(A| Y = y) P(Y = y) se Y discreta,
P(A| Y = y) f
Y
(y) dy se Y contnua com densidade f
Y
.
3. Funes geradoras
3.1. A funo geradora de momentos da varivel aleatria X denida por
M
X
(t) = E(e
tX
) =
x
e
tx
P(X = x) se X discreta,
e
tx
f(x) dx se X contnua com densidade f,
para todo t R tal que a esperana seja nita.
Observao. Suporemos que o domnio de M
X
contm um intervalo em torno de t = 0.
3.2. Propriedades:
1. M
(n)
X
(0) =
d
n
M
X
(t)
dt
n
t=0
= E(X
n
), n 1.
2. Para a, b R, M
aX+b
(t) = e
tb
M
X
(at).
3. A funo geradora de momentos determina unicamente a distribuio. Isso signica
que se X e Y so variveis aleatrias tais que M
X
(t) = M
Y
(t) para |t| < c, onde
c > 0 uma constante, ento F
X
(x) = F
Y
(x) para todo x R.
4. Se X
1
, . . . , X
k
so variveis aleatrias independentes com funes geradoras de mo-
mentos respectivas M
X
1
(t), . . . , M
X
k
(t), ento a funo geradora de momentos de
X
1
+ + X
k
dada por
M
X
1
+ +X
k
(t) = M
X
1
(t) . . . M
X
k
(t).
3.3. Sejam X
1
, . . . , X
k
variveis aleatrias independentes.
Se X
i
Binomial(n
i
, p), i = 1, . . . , k, ento

k
i=1
X
i
Binomial(
k
i=1
n
i
, p).
Se X
i
Binomial Negativa(r
i
, p), i = 1, . . . , k, ento

k
i=1
X
i
Binomial Negativa
(
k
i=1
r
i
, p).
70 Esperana
Se X
i
Poisson(
i
), i = 1, . . . , k, ento

k
i=1
X
i
Poisson(
k
i=1
i
).
Se X
i
Gama(
i
, ), i = 1, . . . , k, ento

k
i=1
X
i
Gama(
k
i=1
i
, ).
Se X
i
Normal(
i
,
2
i
), i = 1, . . . , k, ento

k
i=1
X
i
Normal(
k
i=1
i
,
k
i=1
2
i
).
Observao. Se X uma varivel aleatria inteira e no-negativa, prefervel trabalhar
com a funo geradora de probabilidade de X, que denida por
G
X
(s) = E(s
X
) =

n=0
s
n
P(X = n), s [1, 1].
Note que G
X
uma srie de potncias com raio de convergncia maior ou igual a 1, j
que G
X
(1) = P(X < ) = 1. A funo geradora de probabilidade tambm determina
unicamente a distribuio. Ademais, a funo geradora de probabilidade da soma de va-
riveis aleatrias independentes igual ao produto das funes geradoras de probabilidade
individuais.
Outras propriedades:
(i) P(X = n) =
G
(n)
X
(0)
n!
, n 0.
(ii) G
(n)
X
(1) = E [X(X 1) . . . (X n + 1)] , n 1, onde G
(n)
X
(1) = lim
s1
G
(n)
X
(s) quando
o raio de convergncia de G
X
igual a 1.
A funo caracterstica de uma varivel aleatria X a funo
X
: R C denida por
X
(t) = E(e
itX
) = E (cos (tX)) + i E (sen (tX)) , t R,
onde o smbolo i representa a unidade imaginria
1. A principal vantagem de trabalhar

com a funo caracterstica reside no fato de ser denida para todo t R.
Funes geradoras 71
p
X
(
x
)
M
X
(
t
)
2 X
U
n
i
f
o
r
m
e
D
i
s
c
r
e
t
a
(
n
)
1 n
,
x
=
1
,
.
.
.
,
n
e
t
(
e
n
t
1
)
n
(
e
t
1
)
n
+
1
2
n
2
1
1
2
B
i
n
o
m
i
a
l
(
n
,
p
)
n x
p
x
q
n
x
,
x
=
0
,
1
,
.
.
.
,
n
(
p
e
t
+
q
)
n
n
p
n
p
q
P
o
i
s
s
o
n
(
)
e
x
x
!
,
x
=
0
,
1
,
.
.
.
e
(
e
t
1
)
G
e
o
m
t
r
i
c
a
(
p
)
p
q
x
1
,
x
=
1
,
2
,
.
.
.
p
e
t
1
q
e
t
1 p
q
p
2
B
i
n
o
m
i
a
l
N
e
g
a
t
i
v
a
(
r
,
p
)
1
r
p
r
q
x
r
,
x
=
r
,
r
+
1
,
.
.
.
p
e
t
1
q
e
t
r
r p
r
q
p
2
H
i
p
e
r
g
e
o
m
t
r
i
c
a
(
n
,
R
,
N
)
R
n
R
x
N
n
n
R
N
n
R N
R N
n
N
T
a
b
e
l
a
4
.
1
:
D
i
s
t
r
i
b
u
i
e
s
d
i
s
c
r
e
t
a
s
.
C
o
m
o
d
e
c
o
s
t
u
m
e
,
q
=
1
p
.
P
a
r
a
a
d
i
s
t
r
i
b
u
i
o
u
n
i
f
o
r
m
e
d
i
s
c
r
e
t
a
,
a
f
r
m
u
l
a
i
n
d
i
c
a
d
a
p
a
r
a
M
X
(
t
)
l
i
d
a
p
a
r
a
t
=
0
.
P
a
r
a
a
s
d
i
s
t
r
i
b
u
i
e
s
g
e
o
m
t
r
i
c
a
e
b
i
n
o
m
i
a
l
n
e
g
a
t
i
v
a
,
o
d
o
m
n
i
o
d
e
M
X
l
o
g
(
1
p
)
)
.
P
a
r
a
a
d
i
s
t
r
i
b
u
i
o
h
i
p
e
r
g
e
o
m
t
r
i
c
a
,
o
s
v
a
l
o
r
e
s
p
o
s
s
v
e
i
s
s
o
m
x
(
0
,
n
N
+
R
)
n
(
n
,
R
)
e
a
f
u
n
o
g
e
r
a
d
o
r
a
d
e
m
o
m
e
n
t
o
s
f
o
i
s
u
b
s
t
i
t
u
d
a
p
o
r
u
m
a
s
t
e
r
i
s
c
o
p
o
i
s
n
t
i
l
.
72 Esperana
f
X
(
x
)
M
X
(
t
)
2 X
U
n
i
f
o
r
m
e
(
a
,
b
)
1
b
a
,
a
b
e
b
t
e
a
t
t
(
b
a
)
a
+
b
2
(
b
a
)
2
1
2
N
o
r
m
a
l
(
2
)
1
(
x
)
2
/
(
2
2
)
,
x
R
e
t
+
2
t
2
/
2
2
E
x
p
o
n
e
n
c
i
a
l
(
x
,
x
t
p
a
r
a
t
<
1
1
2
G
a
m
a
(
)
x
1
e
x
,
x
p
a
r
a
t
<
2
B
e
t
a
(
a
,
b
)
1
B
(
a
,
b
)
x
a
1
(
1
x
)
b
1
,
0
a
a
+
b
a
b
(
a
+
b
+
1
)
(
a
+
b
)
2
C
a
u
c
h
y
(
a
,
b
)
1
1
+
[
(
x
a
)
/
b
]
2
,
x
X
(
t
)
=
e
i
a
t
b
|
t
|
T
a
b
e
l
a
4
.
2
:
D
i
s
t
r
i
b
u
i
e
s
c
o
n
t
n
u
a
s
.
P
a
r
a
a
d
i
s
t
r
i
b
u
i
o
u
n
i
f
o
r
m
e
,
a
f
r
m
u
l
a
i
n
d
i
c
a
d
a
p
a
r
a
M
X
(
t
)
l
i
d
a
p
a
r
a
t
=
0
.
A
f
u
n
o
g
e
r
a
d
o
r
a
d
e
m
o
m
e
n
t
o
s
d
a
d
i
s
t
r
i
b
u
i
o
B
e
t
a
f
o
i
s
u
b
s
t
i
t
u
d
a
p
o
r
u
m
a
s
t
e
r
i
s
c
o
p
o
i
s
n
t
i
l
.
P
a
r
a
a
d
i
s
t
r
i
b
u
i
o
d
e
C
a
u
c
h
y
,
i
n
d
i
c
a
d
a
a
f
u
n
o
c
a
r
a
c
t
e
r
s
t
i
c
a
.
Desigualdades 73
4. Desigualdades
4.1. Desigualdade de Markov: Se X 0, ento, para qualquer > 0,
P(X )
E(X)
.
4.2. Desigualdade de Markov Generalizada: Seja X uma varivel aleatria qualquer.
Para todo t > 0,
P(|X| )
E|X|
t
t
, > 0.
4.3. Desigualdade de Chebyshev: Seja X uma varivel aleatria com E(X) < .
Ento, para qualquer > 0,
P(|X E(X)| )
Var(X)
2
.
4.4. Limitantes de Cherno: Para quaisquer varivel aleatria X e a R,
P(X a) e
ta
M
X
(t) para todo t > 0;
P(X a) e
ta
M
X
(t) para todo t < 0.
4.5. Desigualdade de Jensen: Seja : R R uma funo convexa. Se a varivel
aleatria X integrvel, ento
E((X)) (E(X)).
Observao. A desigualdade de Jensen vlida se convexa em um intervalo (a, b) tal
que P(a < X < b) = 1, em que se admite a possibilidade de a = ou b = +.
4.6. Desigualdade de Cauchy-Schwarz: Se as variveis aleatrias X e Y tm varin-
cias nitas, ento
|E(XY )| (E(X
2
) E(Y
2
))
1/2
.
Exerccios
1. Duas bolas so escolhidas aleatoriamente de uma urna contendo 4 bolas azuis, 3 ver-
melhas e 2 laranjas. Suponha que ganhamos 10 reais para cada bola azul selecionada,
ganhamos 1 real para cada bola laranja, porm perdemos 8 reais para cada bola vermelha.
Seja X o nosso lucro.
74 Esperana
(a) Determine a funo de probabilidade de X.
(b) Obtenha o valor esperado e a varincia de X.
2. Considere o seguinte jogo. Um indivduo aposta em um dos nmeros de 1 a 6. Trs
dados honestos so ento lanados, de maneira independente, e, se o nmero apostado
aparecer i vezes, i = 1, 2, 3, o apostador ganha i reais; caso o nmero apostado no aparea
em nenhum dos dados, o apostador perde 1 real. Seja X o ganho do apostador no jogo.
Determine a funo de probabilidade de X e, com base na esperana de X, julgue se o
jogo honesto ou no para o apostador.
3. Exatamente uma de seis chaves de aspecto semelhante abre uma determinada porta.
Testa-se uma chave aps a outra. Qual o nmero mdio de tentativas necessrias para se
conseguir abrir a porta?
4. Seja X uma varivel aleatria com distribuio de Poisson com parmetro , > 0.
Obtenha
(a) E
(1 + X)
1
.
(b) E(2
X
).
(c) E(X!).
Para quais valores de a varivel aleatria X! integrvel?
5. Seja X uma varivel aleatria com distribuio geomtrica de parmetro p. Mostre
que
E
1
X
=
p log p
1 p
.
Sugesto: Use que
(1 p)
x1
dp =
(1 p)
x
x
.
6. Seja Z uma varivel aleatria com distribuio normal padro. Para x R xado,
dena
X =
Z se Z > x,
0 caso contrrio.
Mostre que E(X) =
1
2
e
x
2
/2
.
7. Demonstre o critrio para integrabilidade enunciado em 1.9 (p. 66).
Sugesto: Considere a varivel aleatria Y = [|X|] (parte inteira de |X|) e observe que Y
assume valores inteiros e no-negativos e satisfaz 0 Y |X| Y + 1.
8. Uma urna contm trs bolas brancas e duas bolas vermelhas. Retiram-se duas bolas
da urna, uma aps a outra, sem reposio. Seja X igual a 0 ou 1, conforme a primeira
bola retirada seja vermelha ou branca, e seja Y igual a 0 ou 1, conforme a segunda bola
retirada seja vermelha ou branca. Determine:
Exerccios 75
(a) a funo de probabilidade conjunta de X e Y , bem como as marginais;
(b) se X e Y so independentes;
(c) E(2X + 8Y );
(d) a covarincia entre X e Y .
Soluo. (a) Utilizando uma rvore, podemos obter o espao amostral, probabilidades e
valores de X e Y correspondentes:
d
d
d
3
3
3
3
3
3
3
3
3/5
2/5
1/2
1/2
3/4
1/4
B
V
B
V
B
V
X = 1 Y = 1 Prob. = 3/10
X = 1 Y = 0 Prob. = 3/10
X = 0 Y = 1 Prob. = 3/10
X = 0 Y = 0 Prob. = 1/10
onde B e V denotam respectivamente bola branca e bola vermelha.
Dessa forma, a funo de probabilidade conjunta de X e Y e as marginais cam:
X \ Y 0 1 p
X
(x)
0 1/10 3/10 2/5
1 3/10 3/10 3/5
p
Y
(y) 2/5 3/5 1
(b) X e Y no so independentes:
P(X = 0, Y = 0) =
1
10
= P(X = 0) P(Y = 0) =
2
5
.
2
5
=
4
25
.
(c) Temos
E(X) = E(Y ) = 0 .
2
5
+ 1 .
3
5
=
3
5
,
portanto, pela linearidade da esperana,
E(2X + 8Y ) = 2 E(X) + 8 E(Y ) = 6.
(d) Visto que E(XY ) = 1 . 1 . 3/10 = 3/10, obtemos
Cov(X, Y ) = E(XY ) E(X) E(Y ) =
3
50
.
9. Cada lanamento de um dado no honesto resulta em cada um dos nmeros mpares 1,
3, 5 com probabilidade C e em cada um dos nmeros pares 2, 4, 6 com probabilidade 2C.
(a) Determine C.
Suponha que o dado lanado e considere as seguintes variveis aleatrias:
X =
1 se o resultado um nmero par,

0 caso contrrio;
Y =
1 se o resultado um nmero maior que 3,

0 caso contrrio.
76 Esperana
(b) Determine a funo de probabilidade conjunta de X e Y , bem como as marginais.
X e Y so independentes?
(c) Obtenha P(X = 0 | Y = 1).
(d) Calcule E(2
X
12 Y + 6).
(e) Calcule Var(X + Y ).
10. Seja X uma varivel aleatria contnua com funo densidade de probabilidade
f(x) =
1 |x| se |x| < 1,

0 caso contrrio.
(a) Prove que f uma funo densidade de probabilidade.
(b) Determine E(X) e Var(X).
(c) Calcule P(|X| k), onde k um nmero 0 < k < 1.
(d) Utilizando a desigualdade de Chebyshev, obtenha uma cota superior para a pro-
babilidade anterior.
(e) Para k = 0,2 e k = 0,8, obtenha os valores numricos da probabilidade calculada
em (c) e da cota obtida em (d). Comente.
11. Em um problema envolvendo variveis aleatrias independentes X e Y , um estudante
calcula, corretamente, que
E(Y ) = 2, E(X
2
Y ) = 6, E(XY
2
) = 8, E((XY )
2
) = 24.
Voc pode ajud-lo, determinando o valor de E(X)?
f(x, y) =
2 e
2x
/x se 0 y x < ,
0 caso contrrio.
Calcule Cov(X, Y ).
f(x, y) =
1
2
(x +y)e
(x+y)
, x 0, y 0.
(a) X e Y so independentes?
(b) Calcule a funo densidade de Z = X +Y .
(c) Obtenha E
(X +Y )
1
.
14. Sejam X, Y e Z variveis aleatrias independentes, com varincias iguais e positivas.
Determine o coeciente de correlao entre X +Y e X +Z.
Exerccios 77
15. Sejam X e Y variveis aleatrias com varincias iguais a
2
> 0 e coeciente de
correlao . Calcule a varincia da mdia aritmtica de X e Y . Conclua que a mdia
aritmtica de X e Y tem varincia menor ou igual a
2
.
16. Sejam X e Y variveis aleatrias independentes, com distribuio uniforme em [0, 1],
e considere U = mn{X, Y } e V = mx{X, Y }. Calcule Cov(U, V ).
Sugesto: No necessrio obter a densidade conjunta de U e V para determinar E(UV ).
17. Seja X
1
, X
2
, . . . uma seqncia de variveis aleatrias independentes, tal que, para
cada n 1, X
n
Exp(n), ou seja, X
n
tem densidade de probabilidade dada por
f
X
n
(x) =
ne
nx
se x > 0,
0 caso contrrio.
(a) Obtenha a distribuio de Y = mn{X
1
, X
2
, X
3
}.
(b) Determine E
100
n=1
X
n
.
18. Um vaso contm 20 cartes, dois deles marcados 1, dois marcados 2, . . ., dois marca-
dos 10. Cinco cartes so retirados ao acaso do vaso. Qual o nmero esperado de pares
que permanecem ainda no vaso?
(Este problema foi colocado e resolvido no sculo XVIII por Daniel Bernoulli, como um
modelo probabilstico para determinar o nmero de casamentos que permanecem intactos
quando ocorre um total de m mortes entre N casais; em nosso caso, m = 5 e N = 10).
Soluo. Seja X o nmero de pares que permanecem no vaso aps a retirada dos cinco
cartes. Ento,
X = X
1
+ X
2
+ +X
10
,
onde, para i = 1, 2, . . . , 10,
X
i
=
1 se o i-simo par permanece no vaso,

0 caso contrrio.
Porm, para i = 1, 2, . . . , 10,
E(X
i
) = P(X
i
= 1) =
18
5
20
5
=
21
38
.
Assim, obtemos
E(X) = E(X
1
) + E(X
2
) + +E(X
10
) = 10 .
21
38
=
105
19
5,53.
Observao. Embora mais trabalhoso, pode-se obter a distribuio de X e calcular o valor
esperado pela denio. De fato,
P(X = 5) =
10
5
2
5
20
5
=
168
323
,
78 Esperana
P(X = 6) =
10
1
9
3
2
3
20
5
=
140
323
,
P(X = 7) =
10
2
16
1
20
5
=
15
323
,
portanto
E(X) =

x
x P(X = x) =
105
19
5,53.
19. Um nibus parte com 20 pessoas e tem em seu trajeto 10 pontos diferentes, parando
em um ponto somente se uma ou mais pessoas solicitarem. Suponha que cada passageiro
escolhe com igual probabilidade o ponto em que vai parar e que as escolhas so indepen-
dentes de passageiro para passageiro. Determine o nmero esperado de paradas feitas
pelo nibus.
Soluo. Se X o nmero de de paradas feitas pelo nibus, escrevemos
X = X
1
+X
2
+ + X
10
,
onde
X
i
=
1 se pelo menos uma pessoa solicita a parada no ponto i,

0 caso contrrio.
Ento, para i = 1, . . . , 10,
E(X
i
) = P(X
i
= 1)
= P(Pelo menos uma pessoa solicita a parada no ponto i)
= 1 P(Nenhuma pessoa solicita a parada no ponto i)
= 1
9
10
20
.
Portanto, pela linearidade da esperana,
E(X) = 10 . E(X
1
) = 10 .
1 (0,9)
20
8,78.
Observao. possvel, porm mais trabalhoso, obter a distribuio de X e calcular o
valor esperado pela denio. Para x = 1, . . . , 10,
P(X = x) =
10
x
x1
j=0
(1)
j
x
j
(x j)
20
1
10
20
,
onde o termo entre colchetes o nmero de maneiras com que podemos distribuir n = 20
bolas distintas em x urnas distintas de modo que nenhuma urna que vazia (o qual pode
ser obtido pelo Princpio da Incluso-Excluso). Assim,
E(X) =
10
x=1
x P(X = x) 8,78.
Exerccios 79
20. Uma sorveteria oferece 36 sabores diferentes de sorvete. Uma pessoa encarregada
de escolher ao acaso 10 sorvetes dessa sorveteria, podendo repetir o sabor. Por ao acaso,
queremos dizer que todas as escolhas possveis tm a mesma probabilidade. Qual o nmero
esperado de sabores diferentes que sero escolhidos?
21. Seis pares diferentes de meias so colocados em uma lavadora (doze meias ao todo,
e cada meia tem um nico par), porm apenas sete meias retornam. Qual o nmero
esperado de pares de meias que retornam?
22. Um crculo de raio 1 lanado em uma folha de tamanho innito dividida em qua-
drados iguais de lado com comprimento 1. Suponha que o centro do crculo est unifor-
memente distribudo no quadrado em que cai. Calcule o nmero esperado de vrtices do
quadrado que esto dentro do crculo.
23. Escolhem-se ao acaso e sem reposio 10 nmeros do conjunto {1, 2, . . . , 30}. Calcule
o valor esperado da soma dos nmeros escolhidos.
24. Uma marca de biscoitos lana uma promoo que consiste em oferecer um adesivo em
cada pacote de biscoito. Existem n adesivos diferentes e a probabilidade de um pacote
conter qualquer um dos adesivos a mesma. Qual o nmero esperado de pacotes que
devem ser comprados para juntar os n adesivos diferentes?
25. Suponha que 8 casais sentam-se ao acaso em um banco de 16 lugares. Determine a
esperana e a varincia do nmero de mulheres que esto sentadas ao lado dos maridos.
26. Um grupo de nove amigos que se renem para jogar futebol composto por 2 goleiros,
3 zagueiros e 4 atacantes. Se os jogadores so agrupados ao acaso em trs trios (grupos
de tamanho 3), encontre a esperana e a varincia do nmeros de trios formados por um
jogador de cada tipo.
27. So realizados n lanamentos independentes de uma moeda, com probabilidade p de
cara em cada lanamento (0 < p < 1). Uma seguida uma seqncia de lanamentos de
mesmo resultado; por exemplo, a seqncia CCKCKKC contm 5 seguidas. Obtenha a
esperana e a varincia do nmero de seguidas nos n lanamentos.
28. Esperana e varincia da distribuio hipergeomtrica.
Suponha que temos uma populao de N objetos, dos quais R so do tipo 1 e N R
so do tipo 2. Escolhem-se desta populao n objetos ao acaso, sem reposio (n N).
Determine a esperana e a varincia do nmero de objetos do tipo 1 escolhidos.
29. Suponha que temos r bolas distintas que so aleatoriamente distribudas em n urnas
(r > 0, n > 0). Calcule a esperana e a varincia do nmero de urnas vazias aps a
distribuio.
30. Seja (X
1
, . . . , X
n
) com distribuio multinomial de parmetros m, p
1
, . . . , p
n
. Obtenha
a covarincia entre X
i
e X
j
para i = j.
80 Esperana
31. Em uma festa, esto presentes 8 meninos, 10 meninas e 12 adultos. Doze dessas
pessoas so sorteadas para participarem de uma brincadeira. Sejam X e Y o nmero de
meninos e meninas que participam da brincadeira, respectivamente. Calcule a covarincia
entre X e Y .
32. Considere um grafo com n vrtices numerados 1, 2, . . . , n, e suponha que cada um
dos

n
2
pares de vrtices distintos ligado por um elo, independentemente, com proba-

bilidade p. Seja D
i
o grau do vrtice i, isto , o nmero de elos que tm o vrtice i como
uma de suas extremidades.
(a) Qual a distribuio de D
i
?
(b) Determine a correlao entre D
i
e D
j
para i = j.
Sugesto: Dena I
i,j
a funo indicadora do evento de que h um elo entre os vrtices i
e j.
33. Seja (X, Y ) um ponto escolhido aleatoriamente no quadrado (0, 1) (0, 1). Calcule
E(X|XY ).
Soluo. A densidade conjunta de X e Y dada por
f
X,Y
(x, y) =
1 se 0 < x < 1 e 0 < y < 1,

0 caso contrrio.
Seja Z = XY . Usando o Mtodo do Jacobiano, obtemos a densidade conjunta de X e Z:
f
X,Z
(x, z) =
1/x se 0 < z < x < 1,

0 caso contrrio.
Ento, calculamos a densidade marginal de Z. Para 0 < z < 1,
f
Z
(z) =
1
z
1/x dx = log z.
Portanto, para 0 < z < 1,
f
X|Z
(x|z) =
1
x log z
, z < x < 1.
Assim,
E(X|Z = z) =
x f
X|Z
(x|z) dx =
1
z
1
log z
dx =
z 1
log z
.
Finalmente,
E(X|XY ) =
XY 1
log(XY )
.
Exerccios 81
f(x, y) =
8 x y se 0 < y < x < 1,

0 caso contrrio.
Calcule E(X | Y ) e E(Y | X).
f(x, y) =
2 exp{y
2
} se 0 < x < y,
0 caso contrrio.
(a) Obtenha a densidade condicional de X dado que Y = y.
(b) Calcule E(X
3
| Y = y).
36. Uma rede de supermercados encomendou um estudo sobre a relao entre a pro-
poro X de clientes que compram apenas uma vez ao ms nos seus estabelecimentos
e o lucro mensal Y em milhes de reais. Os estatsticos contratados obtiveram que a
densidade conjunta de X e Y dada por
f(x, y) =
k (x +y) e
y
se 0 < x < 1, y > 0,
0 caso contrrio,
onde k uma constante.
(a) Obtenha o valor de k.
(b) Determine a esperana condicional de X dado que Y = y.
37. O tempo em minutos que um professor gasta para corrigir uma prova uma varivel
aleatria com funo densidade de probabilidade
f(x) =
1
5
e
x/5
se x > 0,
0 caso contrrio.
Suponha que provas de alunos diferentes tm tempos de correo independentes.
(a) Obtenha a densidade do tempo utilizado pelo professor para corrigir duas provas.
(b) Dado que o professor gastou 15 minutos para corrigir duas provas, qual a proba-
bilidade de que tenha usado mais que 10 minutos na correo da primeira?
38. Uma farmcia possui uma quantidade X de centenas de unidades de um certo remdio
no incio de cada ms. Durante o ms, vendem-se Y centenas de unidades desse remdio.
Suponha que
f(x, y) =
2/9 se 0 < y < x < 3,

0 caso contrrio
a funo densidade conjunta das variveis aleatrias X e Y .
82 Esperana
(a) Mostre que de fato f uma densidade.
(b) Calcule a probabilidade de que ao nal do ms a farmcia tenha vendido pelo
menos a metade das unidades que havia inicialmente.
(c) Dado que foram vendidas cem unidades, qual a probabilidade de que havia pelo
menos duzentas unidades no comeo do ms?
39. Uma companhia telefnica deseja realizar uma anlise sobre a repercusso que as
novas tarifas tiveram no nmero de chamadas. Levando em conta que as chamadas se
classicam em locais, interurbanas e internacionais, um estudo realizado em um grupo de
famlias revelou que as propores de chamadas locais X e interurbanas Y durante um
ms tm a seguinte densidade conjunta
f(x, y) =
6 x se x 0, y 0 e x +y 1,
0 caso contrrio.
(a) Calcule a probabilidade de que a proporo de chamadas locais realizadas por uma
famlia em um ms seja superior a 70%.
(b) Obtenha a probabilidade de que em uma famlia a proporo de chamadas locais
em um ms seja inferior de interurbanas.
(c) Determine a densidade correspondente proporo total de chamadas locais e
interurbanas.
(d) Calcule a probabilidade de que a proporo de chamadas internacionais realizadas
por uma famlia em um ms seja superior a 20%.
(e) Dado que em um ms uma famlia no fez chamadas internacionais, qual a proba-
bilidade de que pelo menos 60% das chamadas tenham sido locais?
40. Sejam X e Y variveis aleatrias independentes, com distribuio de Poisson com
parmetros respectivos e , e considere Z = X+Y . Determine a distribuio condicional
de X dado que Z = z.
41. Sejam X e Y variveis aleatrias independentes, com distribuies Binomial(m, p) e
Binomial(n, p), respectivamente, e considere Z = X + Y . Obtenha a distribuio condi-
cional de X dado que Z = z.
42. Sejam X e Y variveis aleatrias independentes, com distribuio comum geomtrica
com parmetro p (0 < p < 1), e considere Z = X + Y . Determine a distribuio
condicional de X dado que Z = z.
43. Sejam X e Y variveis aleatrias independentes, com distribuio comum exponencial
de parmetro , e considere Z = X + Y . Obtenha a densidade condicional de X dado
que Z = z.
44. Duas pessoas chegam simultaneamente a um ponto de nibus. Suponha que o tempo
que a pessoa i espera pela sua conduo uma varivel aleatria T
i
Exp(), com T
1
e T
2
Exerccios 83
independentes. Sejam X = mn{T
1
, T
2
} o tempo transcorrido at o primeiro passageiro
tomar seu nibus e Y = mx{T
1
, T
2
} o tempo transcorrido at que ambas as pessoas
tenham tomado a conduo. Determine a distribuio de
(a) X | Y = y;
(b) Y | X = x;
(c) (Y X) | X = x.
45. Sejam X
1
, X
2
e X
3
variveis aleatrias i.i.d. com distribuio Exp(1) e sejam Y
1
, Y
2
e Y
3
as estatsticas de ordem associadas. Dena Z
1
= Y
1
, Z
2
= Y
2
Y
1
e Z
3
= Y
3
Y
2
.
(a) Encontre a densidade conjunta de Z
1
, Z
2
e Z
3
, bem como as marginais. So Z
1
,
Z
2
e Z
3
independentes?
(b) Determine a densidade condicional de Z
2
dado Y
1
.
(c) Calcule a densidade e a esperana condicionais de Y
3
dado Y
1
.
46. O nmero de clientes Y que chegam a um caixa eletrnico tem distribuio de Poisson
com parmetro X, sendo X a intensidade com que os clientes chegam ao caixa eletrnico.
Supondo que X tem distribuio Gama(, 1), encontre a funo de probabilidade da
varivel aleatria Y .
Soluo. Sabemos que X uma varivel aleatria com densidade
f
X
(x) =
1
()
x
1
e
x
, x 0.
Por outro lado,
P(Y = k | X = x) =
e
x
x
k
k!
, k = 0, 1, . . .
Logo, para k = 0, 1, . . . ,
P(Y = k) =
P(Y = k | X = x) f
X
(x) dx
=
1
k! ()

0
x
k+1
e
2x
dx =
(k +)
k! () 2
k+
.
Note que, em particular, se X Exp(1), ento
P(Y = k) =
1
2
k+1
, k = 0, 1, . . .
47. Usando o resultado do exerccio anterior, prove que para n 1,
k=1
k + n 1
n
1
2
k
= 2
n
.
Sugesto: Tome = n e use que

k=1
k P(Y = k) = E(Y ) = E(E(Y |X)).
84 Esperana
48. O nmero de e-mails que chegam a um servidor no intervalo de tempo [0, t] , para
cada t > 0, uma varivel aleatria N
t
com distribuio de Poisson com parmetro t.
Somente um computador conectado ao servidor para ler os e-mails recebidos. O tempo
de vida T desse computador tem distribuio exponencial de parmetro . Alm disso,
N
t
e T so independentes para todo t. Obtenha a distribuio do nmero de e-mails lidos
at o computador falhar.
Soluo. Para j = 0, 1, . . . ,
P(N
T
= j) =
P(N
T
= j | T = t) f
T
(t) dt =

0
P(N
T
= j | T = t) e
t
dt
()
=

0
P(N
t
= j | T = t) e
t
dt
()
=

0
P(N
t
= j) e
t
dt
=

0
e
t
(t)
j
j!
e
t
dt =

j
j!

0
t
j
e
(+)t
dt
=

j
j!
(j + 1)
( +)
j+1
=
j
.
A passagem () justicada pelo Princpio da substituio; () decorre da independncia
de N
t
e T para todo t.
49. Numa fbrica empacotam-se palitos de fsforo em caixas mediante uma mquina que
no pode ser totalmente controlada. Para no perder clientes, a mquina se ajusta de
forma que todas as caixas contenham pelo menos 50 palitos. O nmero de palitos em
cada caixa uma varivel aleatria X com funo de probabilidade dada por
P(X = x) = (0,8) (0,2)
x50
, x = 50, 51, . . .
Ademais, o nmero de palitos defeituosos em uma caixa que contm x fsforos tem dis-
tribuio Binomial(x, 1/10). Obtenha o nmero mdio de palitos defeituosos em uma
caixa.
Soluo. Seja D o nmero de palitos defeituosos em uma caixa. Sabemos que D dado
que X = x tem distribuio Binomial(x, 1/10), logo
E(D| X = x) = x/10.
Ento, utilizando a propriedade fundamental da esperana condicional,
E(D) = E(E(D| X)) = E(X/10) = E(X)/10.
Para obter E(X), observamos que a varivel aleatria Y = X 49 tem distribuio
geomtrica com parmetro 0,8, pois
P(Y = k) = P(X = k + 49) = (0,8) (0,2)
k1
, k = 1, 2, . . .
Assim,
E(X) = E(Y ) + 49 =
1
0,8
+ 49 = 50,25
e portanto E(D) = 5,025.
Exerccios 85
50. Um inseto pe N ovos, onde N tem distribuio de Poisson com parmetro . Cada
ovo d origem a um novo inseto com probabilidade p (0 < p < 1), independentemente dos
demais. Seja X o nmero de novos insetos produzidos.
(a) Qual a distribuio de X dado que N = n?
(b) Obtenha a distribuio de X.
(c) Qual o valor esperado de X?
51. O nmero de partidas de futebol jogadas em uma semana em uma vila uma varivel
aleatria com mdia e varincia
2
. Os nmeros de gols marcados em cada jogo so
variveis aleatrias i.i.d. com mdia e varincia
2
e independentes do total de partidas
jogadas. Seja X o nmero total de gols marcados em uma semana. Calcule E(X) e
Var(X).
Sugesto: Escreva X =

Y
j=1
X
j
, onde X
j
o nmero de gols marcados no j-simo jogo e
Y o nmero de partidas jogadas numa semana. Use condicionamento em Y para obter
E(X) e E(X
2
).
52. Seja N uma varivel aleatria com distribuio geomtrica de parmetro p (0, 1),
ou seja, N tem funo de probabilidade dada por
P(N = n) = p q
n1
, n = 1, 2, . . . ,
onde q = 1 p.
(a) Mostre que a funo geradora de momentos de N dada por
M(t) =
p e
t
1 q e
t
=
p
e
t
q
, t < log q.
(b) Usando o item (a), prove que E(N) = 1/p.
Uma urna contm N bolas numeradas de 1 a N, onde N tem a distribuio dada
anteriormente. Bolas so escolhidas ao acaso dessa urna, uma por vez, at que a bola
com o nmero 1 seja selecionada. Suponha que as retiradas so feitas com reposio, isto
, cada bola escolhida reposta na urna antes da prxima retirada. Seja X o nmero de
retiradas feitas.
(c) Obtenha P(X = x | N = n).
(d) Determine E(X).
53. O nmero X de erros que uma digitadora comete por pgina uma varivel aleatria
com distribuio de Poisson com parmetro 2. Se uma pgina tem x erros, o nmero Y
de minutos necessrios para revisar e corrigir a pgina uma varivel aleatria com
86 Esperana
distribuio condicional
P(Y = y | X = x) =
1/5 se y = x + 1,
3/5 se y = x + 2,
1/5 se y = x + 3.
(a) Encontre a probabilidade de que sejam necessrios 3 minutos para revisar e corrigir
uma pgina.
(b) Dado que foram usados 3 minutos na reviso e correo de uma pgina, qual a
probabilidade de que seja uma pgina sem erros?
(c) Usando a funo geradora de momentos, encontre a esperana de X.
(d) Determine E(Y | X = x).
(e) Obtenha E(Y ).
54. Seja Y uma varivel aleatria com distribuio de Poisson de parmetro . Supo-
nha que, dado que Y = y, X uma varivel aleatria com distribuio exponencial de
parmetro y + 1. Obtenha E(X).
55. Escolhe-se ao acaso um ponto (X, Y ) no tringulo {(x, y) R
2
: 0 < y < x < 1}.
(a) Calcule E(X|Y ).
(b) Obtenha E(Y |X) e E(Y
2
|X).
(c) Usando o item (b), determine E((X Y )
2
|X).
56. Sejam X e Y variveis aleatrias tais que E(X|Y ) = Y e E(Y |X) = X. Prove que
P(X = Y ) = 1.
Sugesto: Mostre que E((X Y )
2
) = 0.
f(x, y) =
1
y
e
(y+x/y)
, x > 0, y > 0.
(a) Determine a distribuio de Y .
(b) Obtenha a distribuio condicional de X dado que Y = y.
(c) Usando (a) e (b), calcule Cov(X, Y ).
58. Um dado honesto lanado repetidamente, de modo independente. Sejam X e Y o
nmero de lanamentos necessrios para obter um 6 e um 5, respectivamente. Obtenha
(a) E(X).
(b) E(X | Y = 1).
(c) E(X | Y = 5).
Exerccios 87
59. No labirinto mostrado na Figura 4.1, existem trs quartos, numerados 1, 2 e 3, e mais
dois quartos, um com um saboroso queijo e outro no qual est dormindo o gato Tom. O
rato Jerry est inicialmente no quarto 1. Suponha que, quando Jerry entra no quarto i, l
permanece por um tempo em minutos com distribuio Gama(4, 3i) e ento sai do quarto
escolhendo aleatoriamente uma das portas.
(a) Calcule a probabilidade de que Jerry encontre Tom antes do queijo.
(b) Obtenha o tempo esperado em minutos que Jerry demora at encontrar Tom ou o
queijo.
Sugesto: No item (a), para i = 1, 2, 3, dena p
i
a probabilidade de que Jerry encontre
Tom antes do queijo, partindo do quarto i. Condicionando na primeira escolha de Jerry,
escreva um sistema de equaes para p
1
, p
2
e p
3
. O item (b) anlogo.
Queijo
Tom 1
2
3
Figura 4.1: Exerccio 59 Tom e Jerry.
60. Passeio aleatrio simtrico: Um homem caminha em um trecho com 5 quarteires
de uma avenida (Figura 4.2). Ele comea na esquina i e, com probabilidade uniforme,
decide ir um quarteiro direita ou um quarteiro esquerda. Quando chega prxima
esquina, novamente escolhe ao acaso a sua direo ao longo da avenida. Ele prossegue at
chegar esquina 5, que sua casa, ou esquina 0, que um bar. Quando chega casa
ou ao bar, permanece l. Para i = 1, 2, 3, 4, dena p
i
a probabilidade de que o homem,
comeando na esquina i, chegue casa antes do bar, e q
i
a probabilidade de que partindo
da esquina i chegue ao bar antes da casa.
(a) Obtenha p
1
, p
2
, p
3
e p
4
.
(b) Explique por que q
i
= p
5i
para i = 1, 2, 3, 4.
(c) Conclua que no h possibilidade de um passeio interminvel, qualquer que seja a
esquina da qual o homem parta.
0
Bar
1 2 3 4 5
Casa
1/2 1/2
1 1
Figura 4.2: Exerccio 60 Passeio aleatrio simtrico.
88 Esperana
61. Uma urna contm a bolas brancas e b bolas pretas. Aps uma bola ser retirada ao
acaso, ela devolvida urna se branca, mas se preta ento substituda por uma bola
branca de outra urna. Seja M
n
o nmero esperado de bolas brancas na urna depois que
a operao anterior foi repetida n vezes.
(a) Obtenha a equao recursiva
M
n+1
=
1
1
a +b
M
n
+ 1, n 0.
(b) Use o item (a) para provar que
M
n
= a + b b
1
1
a +b
n
, n 0.
(c) Qual a probabilidade de que a (n + 1)-sima bola retirada seja branca?
62. Um dado honesto lanado repetidamente, de modo independente. Calcule o nmero
esperado de lanamentos feitos at conseguir duas faces 6 consecutivas.
Sugesto: Condicione no tempo da primeira ocorrncia de uma face diferente de 6.
63. Uma moeda com probabilidade p de cara em cada lanamento lanada repetida-
mente, de modo independente. Seja T
r
o nmero de lanamentos necessrios para obter
uma seqncia de r caras consecutivas.
(a) Determine E(T
r
| T
r1
).
(b) Escreva E(T
r
) em termos de E(T
r1
).
(c) Quanto vale E(T
1
)?
(d) Obtenha E(T
r
).
64. Uma caixa contm duas moedas: a moeda 1, com probabilidade de cara igual a 0,4,
e a moeda 2, com probabilidade de cara igual a 0,7. Uma moeda escolhida ao acaso da
caixa e lanada dez vezes. Dado que dois dos trs primeiros lanamentos resultaram em
cara, qual a esperana condicional do nmero de caras nos dez lanamentos?
Sugesto: Dena A o evento de que dois dos trs primeiros lanamentos resultam em cara
e N
j
o nmero de caras nos j lanamentos nais. Ento, E(N
10
| A) = 2+E(N
7
| A). Para
obter E(N
7
| A), condicione na moeda que foi usada.
65. Demonstre o tpico 3.3 (p. 69).
66. Obtenha a funo geradora de momentos de Y = X
2
, onde X tem distribuio
N(0, 1). Conclua que a distribuio
2
1
idntica Gama(1/2, 1/2).
67. Sejam X e Y variveis aleatrias independentes tais que P(X = 1) = P(X = 1) =
1/2 e Y U(1, 1). Determine a distribuio de Z = X +Y de duas maneiras:
Exerccios 89
(a) Obtendo a funo de distribuio de Z por condicionamento em X.
(b) Calculando a funo geradora de momentos de Z.
68. Sejam X
1
, . . . , X
n
variveis aleatrias independentes com distribuio exponencial de
parmetro 1. Considere
V
n
= mx{X
1
, . . . , X
n
} e W
n
= X
1
+
X
2
2
+
X
3
3
+ +
X
n
n
.
Prove que V
n
e W
n
tm a mesma distribuio.
69. Sejam X e Y variveis aleatrias independentes tais que X N(0, 1) e Y N(0, 2).
Denimos Z = X + Y e W = X Y . Calcule as funes geradoras de momentos de Z e
W e mostre que Z e W so identicamente distribudas mas no independentes.
70. Sejam X
1
, . . . , X
n
variveis aleatrias i.i.d. com densidade comum denida por
f(x) =
2(1 x) se 0 < x < 1,

0 caso contrrio.
Calcule a funo geradora de momentos da varivel aleatria Y =
1
n
n
j=1
log (1 X
j
)
e da conclua qual a sua distribuio.
71. Um aparelho de som formado por n componentes, sendo que o i-simo componente
tem probabilidade p
i
de falhar. Suponha que os componentes falham de maneira inde-
pendente e seja X o nmero de componentes que falham. Sabe-se que se X = 0 ento
o aparelho funciona, se X = 1 a probabilidade de funcionar 0,7 e se X 2 o aparelho
no funciona.
(a) Obtenha a funo geradora de probabilidade de X em funo das p
i
s.
(b) Sendo n = 4, p
1
= 0,1, p
2
= 0,05, p
3
= 0,15 e p
4
= 0,1, calcule a probabilidade do
aparelho funcionar.
72. (a) Seja X uma varivel aleatria com distribuio geomtrica de parmetro p (0, 1).
Prove que para n 1,
E (X (X 1) . . . (X n + 1)) =
n! (1 p)
n1
p
n
.
(b) Seja X uma varivel aleatria com distribuio de Poisson com parmetro > 0.
Mostre que para n 1,
E (X (X 1) . . . (X n + 1)) =
n
.
Sugesto: Use a propriedade (ii) da funo geradora de probabilidade. Por exemplo, para
o item (a), prove que para n 1,
d
n
G
X
(s)
ds
n
=
n! p (1 p)
n1
(1 (1 p)s)
n+1
, s < (1 p)
1
90 Esperana
e faa s = 1 para chegar ao resultado.
73. Seja X uma varivel aleatria inteira e no-negativa, tal que
P(X = k) =

k
P(X = k 1),
para todo k 1, onde > 0 uma constante. Determine a distribuio de X.
Soluo. Sejam p
k
= P(X = k), k 0 e
G
X
(s) = E(s
X
) =

k=0
p
k
s
k
, s [1, 1]
a funo geradora de probabilidade de X. Podemos diferenciar a srie de potncias em
todo ponto s (1, 1). Usando a igualdade dada no enunciado do exerccio, obtemos
d G
X
(s)
ds
=

k=1
k p
k
s
k1
=
k=1
p
k1
s
k1
= G
X
(s).
Portanto,
d
ds
(log G
X
(s)) = ,
logo podemos escrever
G
X
(s) = exp{s + K},
onde K uma constante. Visto que lim
s1
G
X
(s) =

k=0
p
k
= 1, temos que K = e
ento
G
X
(s) = exp{(s 1)}.
Como a funo geradora de probabilidade determina unicamente a distribuio, conclu-
mos que X Poisson().
74. Seja X uma varivel aleatria no-negativa. Demonstre que
E(X) (E(X
2
))
1/2
(E(X
3
))
1/3

Sugesto: Use a desigualdade de Jensen para uma varivel aleatria Y no-negativa e a
funo (y) = y
n/(n1)
e depois faa Y = X
n1
.
75. (a) Seja Y uma varivel aleatria no-negativa tal que 0 < E(Y
2
) < . Prove que
para a < E(Y ),
P(Y > a)
(E(Y ) a)
2
E(Y
2
)
.
(b) Seja X uma varivel aleatria com esperana , varincia
2
e tal que 0 < M =
E(|X |
4
) < . Mostre que para 0 < x < ,
P(|X | > x)
(
2
x
2
)
2
M
.
Respostas 91
Sugesto: (a) Utilize a desigualdade de Cauchy-Schwarz com as variveis aleatrias Y e
I
{Y >a}
.
76. Sejam X e Y variveis aleatrias denidas no mesmo espao de probabilidade. Mostre
que para todo (x, y) R
2
,
F
X,Y
(x, y)
F
X
(x) F
Y
(y).
Sugesto: Use a desigualdade de Cauchy-Schwarz.
Respostas
1. (a)
x -16 -7 2 11 20
p
X
(x) 1/12 1/6 13/36 2/9 1/6
(b) E(X) = 4, Var(X) = 108,5
2.
x -1 1 2 3
p
X
(x) 125/216 75/216 15/216 1/216
E(X) = 17/216, No
3. 7/2 (O nmero de tentativas tem distribuio uniforme discreta em {1, 2, . . . , 6}).
4. (a) (1 e
)/ (b) e
(c) e
/(1 ) se 0 < < 1, se 1

X! integrvel para 0 < < 1.
9. (a) C = 1/9
(b)
X \ Y 0 1 p
X
(x)
0 2/9 1/9 1/3
1 2/9 4/9 2/3
p
Y
(y) 4/9 5/9 1
(c) P(X = 0 | Y = 1) = 1/5
(d) E(2
X
12 Y + 6) = 1
(e) Var(X + Y ) = 50/81
10. (b) 0, 1/6 (c) (1 k)
2
(d) 1/(6 k
2
)
11. 1
12. 1/8
13. (a) No (b) f
Z
(z) = (1/2) e
z
z
2
, z 0 (c) 1/2
92 Esperana
14. 1/2
15. (1 + )
2
/2
16. 1/36
17. (a) Exp(6) (b) 1/101
20. 8
21. 21/11
22.
23. 155
24. n
1 +
1
2
+ +
1
n
25. 1, 14/15
26. 6/7, 156/245
27. 1 + 2(n 1)pq, 2pq(2n 3 2pq(3n 5)) onde q = 1 p.
28.
nR
N
, n
R
N
1
R
N
N n
N 1
29. n(1 1/n)

r
, n(1 1/n)
r
[1 (1 1/n)
r
] + n(n 1)[(1 2/n)
r
(1 1/n)
2r
]
30. mp
i
p
j
31. 96/145
32. (a) Binomial(n 1, p) (b) 1/(n 1)
34. E(X | Y ) = (2/3)(1 Y
3
)/(1 Y
2
), E(Y | X) = (2/3) X
35. (a) Para y > 0: f
X|Y
(x|y) = 1/y, 0 < x < y (b) E(X
3
|Y = y) = y
3
/4
36. (a) k =
2
3
(b) E(X|Y = y) =
2 + 3y
3(1 + 2y)
37. (a) X, Y Exp(1/5), independentes, Z = X +Y f
Z
(z) =
1
25
z e
z/5
, z > 0
(b) f
X|Z
(x|15) =
1
15
, 0 < x < 15 P(X > 10 | Z = 15) =
1
3
38. (b) P(Y X/2) = 1/2 (c) f
X|Y
(x|1) = 1/2, 1 < x < 3 P(X 2 | Y = 1) = 1/2
39. (a) P(X > 0,7) = 0,216 (b) P(X < Y ) = 0,25
Respostas 93
(c) Z = X + Y , f
Z
(z) = 3 z
2
, 0 z 1 (d) P(Z 0,8) = 0,512
(e) f
X|Z
(x|1) = 2 x, 0 x 1 P(X 0,6 | Z = 1) = 0,64
40. Binomial(z, /( +))
41. Hipergeomtrica(m+n, m, z)
42. Uniforme Discreta(z 1)
43. Uniforme(0, z)
44. f
X,Y
(x, y) = 2
2
e
(x+y)
, 0 < x < y
(a) Para y > 0, f
X|Y
(x|y) =
e
x
1 e
y
, 0 < x < y
(b) Para x > 0, f
Y |X
(y|x) = e
(yx)
, y > x
(c) (Y X) | X = x Exp()
45. (a) Z
1
Exp(3), Z
2
Exp(2) e Z
3
Exp(1), independentes
(b) Z
2
| Y
1
Exp(2) (decorre imediatamente de (a))
(c) Para y
1
> 0, f
Y
3
|Y
1
(y
3
|y
1
) = 2 e
2y
1
y
3
(e
y
1
e
y
3
), y
3
> y
1
e E(Y
3
|Y
1
) = 3/2 + Y
1
50. (a) X|N = n Binomial(n, p) (b) Poisson(p) (c) p
51. E(X) = e Var(X) =
2
+
2
2
52. (c) Para n 1: P(X = x | N = n) = (1/n)(1 1/n)
x1
, x = 1, 2, . . . (d) 1/p
53. (a) (9/5) e
2
(b) 1/9 (c) 2 (d) E(Y | X = x) = x + 2 (e) 4
54. E(X) = (1 e
)/
55. (a) E(X|Y ) =
Y + 1
2
(b) E(Y |X) =
X
2
; E(Y
2
|X) =
X
2
3
(c) E((X Y )
2
|X) =
X
2
3
57. (a) Y Exp(1) (b) X | Y = y Exp(1/y) (c) 1
58. (a) 6 (b) 7 (c) 5,8192
59. (a) p
1
= 1/2 p
2
, p
2
= 1/4 p
1
+ 2/4 p
3
+ 1/4, p
3
= 2/4 p
2
+ 1/4
p
1
= 0,3 (p
2
= 0,6 e p
3
= 0,55).
(b)
1
= 4/3 + 1/2
2
,
2
= 4/6 + 1/4
1
+ 2/4
3
,
3
= 4/9 + 2/4
2

1
= 104/45 (
2
= 88/45 e
3
= 64/45).
94 Esperana
60. (a) p
1
= 1/2 p
2
, p
2
= 1/2 p
1
+ 1/2 p
3
, p
3
= 1/2 p
2
+ 1/2 p
4
, p
4
= 1/2 p
3
+ 1/2
p
i
= i/5, i = 1, 2, 3, 4.
(c) p
i
+q
i
= 1 para todo i = 1, 2, 3, 4.
61. (c) M
n
/(a + b)
62. 42
63. (a) 1 + T
r1
+ (1 p) E(T
r
) (b) E(T
r
) = 1/p + (1/p) E(T
r1
)
(c)
1
p
(d)
r
i=1
1
p
i
=
1 p
r
p
r
(1 p)
64. 6,0705
66. M
Y
(t) =
e
tx
2
f
X
(x) dx =
1
1 2 t
, t < 1/2
67. Z U(2, 2)
68. M
V
n
(t) = M
W
n
(t) =
n! (1 t)
(n + 1 t)
=
n!
n
i=1
(i t)
, t < 1
69. M
Z
(t) = M
W
(t) = e
3t
2
/2
, t R, portanto Z e W tm distribuio N(0, 3). Se fossem
independentes, teramos que M
Z+W
(t) = M
Z
(t) M
W
(t) para todo t.
70. M
Y
(t) =
2n
2n t
n
para t < 2n, Y Gama(n, 2n)
71. (a) G
X
(s) =

n
i=1
(1 p
i
+p
i
s) , s R (b) 0,860715
Captulo 5
Modos de Convergncia e Teoremas Limites
A tabela seguinte resume os trs tipos de convergncia abordados nesse livro, as ferra-
mentas teis no estudo de cada um deles e os principais teoremas limites relacionados.
Convergncia Ferramenta Teorema limite
Em distribuio Funo geradora /
caracterstica
Teorema Central do Limite
Em probabilidade Desigualdades de
Markov / Chebyshev
Lei Fraca dos Grandes
Nmeros
Quase certa Lema de Borel-Cantelli Lei Forte dos Grandes
Nmeros
1. Lema de Borel-Cantelli
*
1.1. Lema de Borel-Cantelli (1909): Seja A
1
, A
2
, . . . uma seqncia de eventos em
um espao de probabilidade (, F, P).
(a) Se

n=1
P(A
n
) < , ento P(A
n
innitas vezes) = 0.
(b) Se

n=1
P(A
n
) = e A
1
, A
2
, . . . so independentes, ento P(A
n
innitas vezes) = 1.
Observao. Em vez da independncia, basta em (b) que A
1
, A
2
, . . . sejam independentes
aos pares. Outras generalizaes desse resultado podem ser encontradas na Seo 18 do
Captulo 2 de Gut [6].
2. Modos de Convergncia
2.1. Sejam X
1
, X
2
, . . . , X variveis aleatrias em um espao de probabilidade (, F, P).
Dizemos que
(a) X
n
converge para X quase certamente, denotado por X
n
q.c.
X, se o evento
{ : X
n
() X() quando n }
tem probabilidade 1.
96 Modos de Convergncia e Teoremas Limites
(b) X
n
converge para X em probabilidade, denotado por X
n
P
X, se para qualquer
> 0,
P(|X
n
X| > ) 0 quando n .
(c) X
n
converge para X em distribuio, denotado por X
n
D
X, se
P(X
n
x) P(X x) quando n ,
para todo ponto x em que F
X
(x) = P(X x) contnua.
Observao. Note que a convergncia em distribuio denida em termos das funes de
distribuio; a condio de que as variveis aleatrias sejam denidas no mesmo espao de
probabilidade suprua. Outra terminologia para X
n
D
X dizer que F
X
n
converge
fracamente para F
X
.
2.2. Unicidade do limite:
(i) Se X
n
q.c.
X e X
n
q.c.
Y , ento P(X = Y ) = 1.
(ii) Se X
n
P
X e X
n
P
Y , ento P(X = Y ) = 1.
(iii) Se X
n
D
X e X
n
D
Y , ento F
X
(x) = F
Y
(x) para todo x R.
2.3. Relaes entre os tipos de convergncia:
1. X
n
q.c.
X = X
n
P
X = X
n
D
X.
Nenhuma outra implicao vale em geral.
2. Se X
n
D
c, onde c uma constante, ento X
n
P
c.
2.4. Condio necessria e suciente para convergncia quase certa
*
:
Sejam X
1
, X
2
, . . . , X variveis aleatrias em um espao de probabilidade (, F, P).
Ento,
X
n
q.c.
X P(|X
n
X| > innitas vezes) = 0 para todo > 0
lim
n
P
k=n
{|X
k
X| > }
= 0 para todo > 0.

Em particular, se p
n
() = P(|X
n
X| > ) satisfaz

n=1
p
n
() < para todo > 0,
ento X
n
q.c.
X.
Modos de Convergncia 97
2.5. Teorema da continuidade
*
:
Seja {X
n
}
n1
uma seqncia de variveis aleatrias com funes geradoras de momentos
correspondentes {M
n
(t)}
n1
, que existem para |t| < b. Suponhamos que lim
n
M
n
(t) =
M(t) para |t| a < b, onde M(t) a funo geradora de momentos da varivel aleat-
ria X. Ento, X
n
D
X.
Observao. O seguinte resultado til em muitas aplicaes do Teorema da continuidade:
se c
1
, c
2
, . . . e c so nmeros reais tais que lim
n
c
n
= c, ento lim
n
1 +
c
n
n
n
= e
c
.
2.6. Outras condies para convergncia em distribuio:
(a) Sejam X
1
, X
2
, . . . e X variveis aleatrias inteiras e no-negativas. Ento,
X
n
D
X lim
n
P(X
n
= k) = P(X = k) para todo k N.
No caso geral de variveis aleatrias discretas assumindo valores em {x
0
, x
1
, . . . }, vale a
implicao = com x
k
no lugar de k.
(b) Teorema de Sche: Sejam X
1
, X
2
, . . . e X variveis aleatrias contnuas, com
densidades respectivas f
1
, f
2
, . . . e f. Se f
n
(x) f(x) quando n para quase todo x,
ento X
n
D
X.
A condio de que f
n
(x) f(x) para quase todo x signica que o conjunto {x : f
n
(x)
f(x)} tem medida de Lebesgue nula, o que ocorre, por exemplo, se esse conjunto nito
ou enumervel. A recproca do Teorema de Sche falsa.
2.7. Preservao da convergncia por uma funo contnua:
Se X
n
q.c.
X e g : R R contnua, ento g(X
n
)
q.c.
g(X).
Asseres anlogas so vlidas para
P
e
D
.
2.8. Convergncia de somas de seqncias:
(i) Se X
n
q.c.
X e Y
n
q.c.
Y , ento X
n
+ Y
n
q.c.
X +Y .
(ii) Se X
n
P
X e Y
n
P
Y , ento X
n
+ Y
n
P
X +Y .
Essa armao em geral no vlida no caso de convergncia em distribuio. Para valer,
alguma hiptese adicional requerida, por exemplo,
(iii) Suponha que X
n
D
X e Y
n
D
Y , com X
n
e Y
n
independentes para todo n e X
e Y independentes. Ento, X
n
+ Y
n
D
X + Y .
Observao. Nos itens (i) e (ii) de 2.8, a soma pode ser substituda por diferena, produto
ou quociente.
2.9. Teorema de Slutsky (1925): Se X
n
D
X e Y
n
D
c, onde c uma constante,
ento
(a) X
n
Y
n
D
X c,
(b) X
n
Y
n
D
cX,
(c) X
n
/Y
n
D
X/c se c = 0.
2.10. Mtodo Delta: Sejam Y
1
, Y
2
, . . . variveis aleatrias tais que

n(Y
n
)
D
N(0,
2
), onde e
2
> 0 so constantes. Se g uma funo derivvel no ponto , ento
n(g(Y
n
) g())
D
N(0, (g
())
2
2
),
onde, no caso de g
() = 0, interpretamos a distribuio N(0, 0) como a massa pontual

em 0.
3. Teoremas Limites
3.1. Lei Fraca dos Grandes Nmeros de Khintchine (1929):
Seja X
1
, X
2
, . . . uma seqncia de variveis aleatrias i.i.d. com mdia nita . As somas
parciais S
n
= X
1
+ X
2
+ +X
n
satisfazem
S
n
n
P
.
3.2. Lei Fraca dos Grandes Nmeros de Bernoulli (1713):
Consideremos uma seqncia de ensaios de Bernoulli independentes, tendo a mesma pro-
babilidade p de sucesso em cada ensaio. Se S
n
o nmero de sucessos nos n primeiros
ensaios, ento
S
n
n
P
p.
3.3. Lei Fraca dos Grandes Nmeros de Chebyshev (1867):
Seja X
1
, X
2
, . . . uma seqncia de variveis aleatrias e consideremos S
n
= X
1
+ X
2
+
+X
n
. Se lim
n
Var(S
n
)/n
2
= 0, ento
S
n
E(S
n
)
n
P
0. ()
Teoremas Limites 99
Em particular, () vlida se X
1
, X
2
, . . . so variveis aleatrias no-correlacionadas que
tenham varincias nitas e uniformemente limitadas.
3.4. Lei Forte dos Grandes Nmeros de Kolmogorov (1933):
Seja X
1
, X
2
, . . . uma seqncia de variveis aleatrias i.i.d. com mdia nita . As somas
parciais S
n
= X
1
+X
2
+ + X
n
satisfazem
S
n
n
q.c.
.
3.5. Lei Forte dos Grandes Nmeros de Borel (1909):
Seja X
1
, X
2
, . . . uma seqncia de variveis aleatrias i.i.d. tal que P(X
n
= 1) = p,
P(X
n
= 0) = 1 p. Ento,
S
n
n
q.c.
p,
onde S
n
= X
1
+ X
2
+ +X
n
.
3.6. Teorema Central do Limite (Liapunov (1901), Lindeberg (1922)):
Seja X
1
, X
2
, . . . uma seqncia de variveis aleatrias i.i.d. com mdia e varincia
2
nita e positiva, e seja S
n
= X
1
+X
2
+ + X
n
. Ento,
S
n
n
n
D
N(0, 1).
Isto , para qualquer a R,
lim
n
P
S
n
n
n
a
=
1
e
x
2
/2
dx.
3.7. Teorema Central do Limite de De Moivre (1733) e Laplace (1812):
Seja S
n
o nmero de sucessos em n ensaios de Bernoulli independentes, tendo a mesma
probabilidade p de sucesso em cada ensaio, onde 0 < p < 1. Ento,
S
n
np
np (1 p)
D
N(0, 1).
3.8. Limite de binomiais para Poisson:
Se X
n
Binomial(n, p
n
), n 1, e lim
n
np
n
= > 0, ento
X
n
D
Poisson().
Observao. Tendo em vista o tpico 2.6 (a), no lugar da convergncia em distribuio
podemos escrever
lim
n
P(X
n
= k) =
e
k
k!
, k N
(Teorema de Poisson (1832)).
4. Outros Teoremas Limites
*
4.1. Uma Lei Forte sem supor distribuies idnticas (Kolmogorov (1933)):
Seja X
1
, X
2
, . . . uma seqncia de variveis aleatrias independentes e integrveis, e con-
sideremos S
n
= X
1
+ X
2
+ +X
n
.
Se

n=1
Var(X
n
)/n
2
< , ento
S
n
E(S
n
)
n
q.c.
0.
4.2. Um Teorema Central do Limite sem supor distribuies idnticas:
Seja X
1
, X
2
, . . . uma seqncia de variveis aleatrias independentes, e seja S
n
=
n
i=1
X
i
.
Para cada i, sejam
i
= E(X
i
) e
2
i
= Var(X
i
), e denotemos por m
n
=
n
i=1
i
e s
2
n
=
n
i=1
2
i
a mdia e a varincia de S
n
, respectivamente.
Suponhamos que: (a) s
2
n
quando n , e (b) existe uma constante M tal que
P(|X
i
| M) = 1 para todo i.
Ento,
S
n
m
n
s
n
D
N(0, 1).
Isto , para qualquer a R,
lim
n
P
S
n
m
n
s
n
a
=
1
e
x
2
/2
dx.
Observao. Esse resultado segue de um Teorema Central do Limite mais geral que foi
provado por J. W. Lindeberg (1922). Para mais detalhes, veja-se, por exemplo, o livro de
Feller [3] (p. 254).
Convergncia de momentos 101
5. Convergncia de momentos
*
5.1. Teorema da convergncia montona: Sejam X
1
, X
2
, . . . variveis aleatrias no-
negativas. Se X
n
X quase certamente quando n , ento
E(X
n
) E(X) quando n .
Observe que o limite pode ser innito.
5.2. Lema de Fatou: Se X
1
, X
2
, . . . so variveis aleatrias no-negativas, ento
E
liminf
n
X
n
liminf
n
E(X
n
).
5.3. Teorema da convergncia dominada de Lebesgue: Suponha que |X
n
| Y
para todo n, onde Y integrvel, e que X
n
q.c.
X. Ento, X e X
n
so integrveis e
lim
n
E(X
n
) = E(X).
Observao. Em 5.3, a hiptese de que X
n
q.c.
X pode ser substituda por X
n
D
X.
No caso particular de Y ser uma constante, o resultado conhecido como Teorema da
convergncia limitada.
Exerccios
1
. Uma moeda honesta lanada repetidamente, sendo os lanamentos independentes.

Para n 1, considere os eventos
A
n
: O n-simo lanamento resulta cara.
B
n
: O n-simo e o (n + 1)-simo lanamentos ambos resultam cara.
Mostre que
(a) P(A
n
innitas vezes) = 1.
(b) P(B
n
innitas vezes) = 1.
Em palavras, o item (a) garante que com probabilidade 1 ocorrem innitas caras e o
item (b) estabelece que o evento duas caras em seguida ocorre innitas vezes, com
probabilidade 1.
Sugesto: (b) Para n 1, dena C
n
o evento de que o (2n 1)-simo e o (2n)-simo
lanamentos ambos resultam cara.
2
. Uma moeda honesta lanada repetidamente, sendo os lanamentos independentes.

Prove que qualquer seqncia nita de resultados ocorre innitas vezes, com probabili-
dade 1.
3
. Sejam X
1
, X
2
, . . . variveis aleatrias independentes e identicamente distribudas, com
distribuio Bernoulli(1/2). Para n 1, denimos Y
n
o comprimento da seqncia de 0s
comeando em X
n
, isto ,
Y
n
=
0 se X
n
= 1,
k se X
n
= = X
n+k1
= 0 e X
n+k
= 1.
(a) Mostre que P(Y
n
= k) = 1/2
k+1
para todo k 0.
(b) Prove que P(Y
n
= k innitas vezes) = 1 para todo k 0.
(c) Mostre que P(Y
n
= n innitas vezes) = 0.
4
. (Barndor-Nielsen (1961)). Sejam A

1
, A
2
, . . . eventos em um espao de probabilidade
tais que lim
n
P(A
n
) = 0 e

n=1
P(A
n
A
c
n+1
) < . Prove que P(A
n
innitas vezes) = 0.
5
. Sejam A
1
, A
2
, . . . eventos em um espao de probabilidade.
(a) Prove que P(A
n
innitas vezes) = 1 se para cada k
n>k
P(A
n
| A
c
k
A
c
n1
) = .
Deduza da o item (b) do Lema de Borel-Cantelli.
(b) Mostre por meio de um exemplo que P(A
n
innitas vezes) = 1 no segue apenas
da divergncia de

n
P(A
n
| A
c
1
A
c
n1
).
(c) Demonstre que P(A
n
innitas vezes) = 1 se e somente se

n=1
P(A A
n
) =
para todo evento A com P(A) > 0.
6
. Sejam X
1
, X
2
distribuio exponencial de parmetro . Os itens (a) e (c) deste exerccio provam que,
com probabilidade 1,
limsup
n
X
n
log n
=
1
,
o que fornece uma descrio bastante precisa dos valores grandes de X
n
quando n .
(a) Mostre que
P
limsup
n
X
n
log n

1
= 1.
(b) Prove que, para qualquer > 0,
P
limsup
n
X
n
log n

1 +
= 1.
Exerccios 103
(c) Obtenha de (b) que
P
limsup
n
X
n
log n

1
= 1.
Soluo. (a) Para n 1, seja A
n
= {X
n
(log n)/}. Como A
1
, A
2
, . . . so inde-
pendentes e

n=1
P(A
n
) =

n=1
1/n = , temos, pelo Lema de Borel-Cantelli, que
P(A
n
innitas vezes) = 1. Ento,
P
limsup
n
X
n
log n

1
= 1.
(b) Fixado > 0, seja B
n
= {X
n
> (1 + ) (log n)/}, n 1. Visto que

n=1
P(B
n
) =
n=1
1/n
1+
< , obtemos pelo Lema de Borel-Cantelli que P(B
n
innitas vezes) = 0.
Da, segue que
P
limsup
n
X
n
log n

1 +
= 1.
(c) Observamos que, quando k ,
limsup
n
X
n
log n

1 + 1/k
limsup
n
X
n
log n

1
,
portanto,
P
limsup
n
X
n
log n

1
= 1.
7
. Sejam X
1
, X
2
distribuio N(0, 1). Os itens (a) e (c) deste exerccio mostram que, com probabilidade 1,
limsup
n
X
n
2 log n
= 1,
o que descreve acuradamente os valores grandes de X
n
quando n .
(a) Prove que
P
limsup
n
X
n
2 log n
1
= 1.
(b) Mostre que, para qualquer > 0,
P
limsup
n
X
n
2 log n

1 +
= 1.
(c) Conclua de (b) que
P
limsup
n
X
n
2 log n
1
= 1.
Sugesto: Use a Razo de Mill (Exerccio 11(b) do Captulo 3).
8
. Sejam X
1
, X
2
distribuio N(0, 1), e considere S
n
=

n
i=1
X
i
. Mostre que
P
limsup
n
S
n
2nlog n
1
= 1.
Sugesto: Observe que a independncia das X
i
s no usada na obteno do item (c) do
exerccio 7.
Observao. Um resultado mais preciso conhecido como Lei do Logaritmo Iterado, a
qual estabelece que, para X
1
, X
2
, . . . variveis aleatrias independentes e identicamente
distribudas com mdia 0 e varincia 1,
P
limsup
n
S
n
2nlog log n
= 1
= 1.
Encontram-se mais detalhes na Seo 1 do Captulo 8 de Gut [6].
9
. Sejam X
1
, X
2
, . . . variveis aleatrias positivas tais que E(X
n
) C para todo n 1,
onde C uma constante. Mostre que, para qualquer > 0,
P
limsup
n
log X
n
n

= 1
e portanto
P
limsup
n
log X
n
n
0
= 1.
10. Seja {X
n
}
n1
uma seqncia de variveis aleatrias tal que cada X
n
assume valores
em {0, 1/n, . . . , (n 1)/n, 1} com P(X
n
= j/n) = 1/(n + 1) para j = 0, . . . , n. Mostre
que X
n
D
U(0, 1).
Soluo. Seja X U(0, 1), logo
F
X
(x) =
0 se x < 0,
x se 0 x < 1,
1 se x 1.
Para n 1,
F
X
n
(x) =
0 se x < 0,
k/(n + 1) se (k 1)/n x < k/n, k = 1, . . . , n,
1 se x 1.
Para x < 0 ou x 1, temos que F
X
n
(x) = F
X
(x), portanto
lim
n
F
X
n
(x) = F
X
(x). ()
Exerccios 105
Se 0 x < 1, ento F
X
n
(x) = k/(n + 1) onde k {1, . . . , n} tal que (k 1)/n x <
k/n. Como F
X
(x) = x, temos
1
n + 1

k
n + 1

k
n
F
X
n
(x) F
X
(x)
k
n + 1

k 1
n

1
n + 1
e ento tambm vale (). Assim, X
n
D
X.
11. Seja {X
n
}
n1
uma seqncia de variveis aleatrias, sendo a densidade de X
n
dada
por
f
X
n
(x) =
nx
n1
n
, 0 < x < .
Prove que X
n
D
.
12. Suponha que X
n
N(0, 1/n), n 1. Prove que X
n
D
X 0.
13. Sejam X
1
, X
2
, . . . variveis aleatrias i.i.d. com distribuio exponencial de parme-
tro 1. Para n 1, denimos Y
n
= mx{X
1
, . . . , X
n
} log n. Mostre que a seqncia
{Y
n
}
n1
converge em distribuio, determinando a distribuio limite.
14. Sejam X
1
, X
2
, . . . variveis aleatrias i.i.d. com distribuio uniforme em (0, 1), e seja
N
k
Poisson(k) independente de X
1
, X
2
, . . . Considere
Y
k
=
0 se N
k
= 0,
k mn{X
1
, . . . , X
N
k
} se N
k
1.
Prove que Y
k
converge em distribuio quando k , obtendo a distribuio limite.
15. Seja {X
n
}
n1
uma seqncia de variveis aleatrias tal que X
n
Binomial(n, 1/n
2
).
Demonstre que X
n
1/n
P
0.
Soluo. Observamos que E(X
n
) = 1/n e Var(X
n
) = (1/n) (1 1/n
2
). Para qualquer
> 0, temos, pela desigualdade de Chebyshev,
P
X
n
1
n
>

1
n
2
1
1
n
2
n
0.
Assim, X
n
1/n
P
0.
16. Seja {X
n
}
n1
uma seqncia de variveis aleatrias tais que
P(X
n
= n) = 1 P(X
n
= 1/n) = 1/n
2
.
Mostre que X
n
P
0.
17. Seja {X
n
}
n1
uma seqncia de variveis aleatrias i.i.d. com distribuio uniforme
em [0, 1]. Denimos
Y
n
= mn{X
1
, . . . , X
n
}, Z
n
= mx{X
1
, . . . , X
n
}, U
n
= nY
n
e V
n
= n(1 Z
n
), n 1.
Mostre que
(a) Y
n
P
0 e Z
n
P
1.
(b) U
n
D
W e V
n
D
W, onde W Exp(1).
18. Seja X uma varivel aleatria assumindo os valores 1 e 1 com probabilidade 1/2
e suponha que {Y
n
}
n1
uma seqncia de variveis aleatrias independentes de X tais
que
P(Y
n
= 1) = 1 P(Y
n
= 0) = 1
1
n
.
Denimos a seqncia de variveis aleatrias {X
n
}
n1
por
X
n
=
X se Y
n
= 1,
e
n
se Y
n
= 0.
Responda se as seguintes armaes so verdadeiras ou falsas, justicando sua resposta.
(a) X
n
P
X.
(b) lim
n
E(|X
n
X|) = 0.
19. Seja {X
n
}
n1
uma seqncia de variveis aleatrias com E(X
2
n
) < para todo n 1.
Prove que se lim
n
E(X
n
) = e lim
n
Var(X
n
) = 0, ento X
n
P
.
20
. Sejam X
1
, X
2
, . . . variveis aleatrias independentes, com
P(X
n
= 1) = p
n
e P(X
n
= 0) = 1 p
n
.
Prove que
(a) X
n
P
0 se e somente se lim
n
p
n
= 0.
(b) X
n
q.c.
0 se e somente se

n=1
p
n
< .
Soluo. Recordamos que, pela denio de convergncia em probabilidade,
X
n
P
0 P(|X
n
| > )
n
0 para todo > 0.
Alm disso, o critrio para convergncia quase certa dado em 2.4 estabelece que
X
n
q.c.
0 P(|X
n
| > innitas vezes) = 0 para todo > 0.
(a) Se lim
n
p
n
= 0, ento para qualquer > 0,
P(|X
n
| > ) P(X
n
= 0) = p
n
n
0,
e portanto X
n
P
0. Reciprocamente, se X
n
P
0, ento
p
n
= P(|X
n
| > 1/2)
n
0.
Exerccios 107
(b) Se

n=1
p
n
< , ento para qualquer > 0,
n=1
P(|X
n
| > )
n=1
p
n
< .
Usando o Lema de Borel-Cantelli, conclumos que P(|X
n
| > innitas vezes) = 0 para
todo > 0, logo X
n
q.c.
0.
Por outro lado, se

n=1
p
n
= , ento
n=1
P(|X
n
| > 1/2) =

n=1
p
n
= .
Como os eventos {|X
n
| > 1/2} so independentes (pois as X
n
s o so), temos, pelo Lema
de Borel-Cantelli, que P(|X
n
| > 1/2 innitas vezes) = 1. Isso mostra que X
n
no converge
para 0 quase certamente.
21
. Sejam X
2
, X
3
, . . . variveis aleatrias independentes e identicamente distribudas,
com distribuio exponencial de parmetro 1. Para n 2, considere
Y
n
=
X
n
log n
.
(a) Mostre que Y
n
P
0.
(b) Prove que P(|Y
n
| > 1/2 innitas vezes) = 1.
(c) Conclua do item (b) que Y
n
no converge para 0 quase certamente.
22
. Seja {X
n
}
n1
uma seqncia de variveis aleatrias tais que
P(X
n
= n
3
) =
1
n
2
, P(X
n
= 0) = 1
1
n
2
.
Prove que X
n
q.c.
0, porm lim
n
E(X
n
) = 0.
23
. Sejam X
1
, X
2
, . . . , X variveis aleatrias em um mesmo espao de probabilidade.
Demonstre que X
n
q.c.
X se
n=1
E(|X
n
X|
r
) < para algum r > 0.
24
. Suponha que X
n
N(
n
,
2
n
), n 1, e que
n
R e
n
> 0 quando
n . Prove que X
n
D
N(,
2
).
25
. Seja {X
n
}
n1
uma seqncia de variveis aleatrias i.i.d. com distribuio N(0,
2
).
Fixado um nmero real , denimos a seqncia {Y
n
}
n1
pela frmula
Y
1
= X
1
, Y
n
= Y
n1
+X
n
, n 2.
(a) Mostre que Y
n
=

n1
i=0

i
X
ni
, n 1.
(b) Obtenha a funo geradora de momentos de Y
n
e a sua distribuio.
(c) Calcule Cov(Y
m
, Y
n
), 1 m n.
(d) Prove que se || < 1, ento
Y
n
D
N
0,

2
1
2
.
26
. Suponha que X
n
Geomtrica(1/n), n 2, e seja Y
n
= X
n
/n 1. Prove que
Y
n
D
Y onde Y Exp(1).
27
. Sejam X
1
, X
2
com distribuio de Poisson de parmetro . Considere S
n
=

n
i=1
X
i
. Usando o Teorema
da continuidade, demonstre que
S
n
n
D
.
Sugesto: Prove e use que lim
x0
e
x
1
x
= 1.
28. Seja {X
n
}
n1
uma seqncia de variveis aleatrias tal que X
n
tem funo de distri-
buio
F
n
(x) = x
sen(2nx)
2n
, 0 x 1.
(a) Mostre que X
n
tem densidade e ento conclua que de fato F
n
uma funo de
distribuio.
(b) Prove que X
n
D
X onde X U[0, 1], mas a densidade de X
n
no converge para
a densidade de X no intervalo (0, 1).
29. (a) Prove os itens (i) e (ii) do tpico 2.8 (p. 97).
(b) Fornea um exemplo no qual X
n
D
X, Y
n
D
Y , porm a soma X
n
+ Y
n
no
converge em distribuio para X +Y .
30. Suponha que Z
n
N(0, 1) e V
n

2
n
so variveis aleatrias independentes. Mostre
que
T
n
=
Z
n
V
n
/n
D
N(0, 1).
Sugesto: Recorde-se de que a distribuio
2
n
idntica Gama(n/2, 1/2) e obtenha
E(V
n
) e Var(V
n
).
31. Uma moeda honesta lanada innitas vezes independentemente. Sejam X
1
, X
2
, . . .
as variveis aleatrias denidas por
X
i
=
1 se o i-simo e o (i + 1)-simo lanamentos resultam em cara,

0 caso contrrio.
Exerccios 109
(a) Obtenha E(X
i
) e Var(X
i
).
(b) Mostre que
Cov(X
i
, X
j
) =
1/16 se j = i + 1,
0 se j > i + 1.
(c) Seja S
n
=
n
i=1
X
i
, n 1. Determine E(S
n
) e Var(S
n
).
(d) Prove que S
n
/n
P
1/4.
32. Considere uma seqncia innita de lanamentos independentes de uma moeda, com
probabilidade p de cara em cada lanamento (0 < p < 1). Uma seguida uma seqncia
de lanamentos de mesmo resultado. Seja R
n
o nmero de seguidas nos n primeiros
lanamentos. Demonstre que
R
n
n
P
2 p (1 p).
Sugesto: Vejam-se os exerccios 27 do Captulo 4 e 19 do Captulo 5.
33. Suponha que distribumos r bolas distintas aleatoriamente em n urnas. Seja N
n
o
nmero de urnas vazias aps a distribuio. Prove que se r, n de forma que r/n c,
ento
N
n
n
P
e
c
.
Sugesto: Vejam-se os exerccios 29 do Captulo 4 e 19 do Captulo 5.
34. Sejam X
1
, X
2
com mdia comum e varincia nita. Prove que
n
2
1i<jn
X
i
X
j
P

2
.
35. Seja {X
n
}
n1
em (0, 1). Denimos a mdia geomtrica de X
1
, . . . , X
n
por
Y
n
=

n
i=1
X
i
1/n
.
Mostre que a seqncia {Y
n
}
n1
converge q.c. para uma constante e encontre o valor dessa
constante.
Soluo. Seja Z
i
= log X
i
, i 1. Ento, Z
1
, Z
2
, . . . so variveis aleatrias i.i.d. (j que
as X
i
s o so), com
E(Z
1
) =
1
0
log x dx = lim
0
+
log x dx = lim
0
+
(x log x x)
= 1.
Pela Lei Forte dos Grandes Nmeros de Kolmogorov,
log Y
n
=
Z
1
+ +Z
n
n
q.c.
1.
Portanto, como a funo x e
x
contnua,
Y
n
q.c.
e
1
.
36. Integrao numrica: Suponha que g uma funo contnua, no-negativa, de-
nida em [0, 1], tal que sup
x
g(x) 1. O seguinte procedimento visa a aproximar a integral
de g em [0, 1]. Escolhem-se n pontos uniformemente em [0, 1] [0, 1], e se dene U
n
como
o nmero de pontos que caem abaixo da curva y = g(x). Prove que
U
n
n
q.c.
1
0
g(x) dx.
37. Uma vareta de comprimento 1 quebrada de maneira aleatria, o que signica que a
parte restante tem distribuio uniforme em (0, 1). A parte restante quebrada de modo
similar, e assim por diante.
(a) Seja X
n
o comprimento da parte que sobra aps a vareta ter sido quebrada n vezes.
Descreva X
n
como um produto.
(b) Mostre que a seqncia {log(X
n
)/n}
n1
converge quase certamente, respondendo
qual o limite.
(c) Obtenha uma aproximao para a probabilidade de que X
36
e
24
.
38. Seja {X
n
}
n1
em [0, ]. Encontre constantes A e B tais que
sen
n
i=1
X
i
n
q.c.
A e
n
i=1
sen X
i
n
q.c.
B.
39. Seja {X
n
}
n1
uma seqncia de variveis aleatrias i.i.d. com distribuio N(0, 1).
Denimos a seqncia {Y
n
}
n1
por
Y
n
=
X
2
1
+ +X
2
n
(X
1
1)
2
+ + (X
n
1)
2
.
Prove que Y
n
q.c.
1/2.
40. Sejam X
1
, . . . , X
n
variveis aleatrias independentes e identicamente distribudas,
com mdia e varincia
2
, 0 <
2
< . Denimos
X
n
=
n
i=1
X
i
n
= Mdia amostral e
S
2
n
=
n
i=1
(X
i

X
n
)
2
n 1
= Varincia amostral.
Exerccios 111
(a) Determine E(

X
n
) e Var(

X
n
).
(b) Mostre que
S
2
n
=
n
i=1
X
2
i
n(

X
n
)
2
n 1
.
(c) Obtenha E(S
2
n
).
(d) Prove que S
2
n
q.c.

2
.
41
. Seja {X
n
}
n1
uma seqncia de variveis aleatrias independentes tal que
P(X
n
= n
) = P(X
n
= n
) =
1
2
para algum (0,1/2). Mostre que n
1

n
i=1
X
i
q.c.
0.
42
. Sejam X
1
, X
2
, . . . variveis aleatrias independentes e identicamente distribudas.
Mostre que as seguintes armaes so equivalentes:
(i) E|X
1
| < ;
(ii)

n=1
P(|X
n
| > n) < para todo > 0;
(iii) P(|X
n
| > n innitas vezes) = 0 para todo > 0;
(iv) X
n
/n
q.c.
0 quando n .
Sugesto: Use o critrio para integrabilidade enunciado em 1.9 do Captulo 4.
43
. Recproca para a Lei Forte de Kolmogorov: Sejam X

1
, X
2
, . . . variveis alea-
trias independentes e identicamente distribudas, e considere S
n
=

n
i=1
X
i
.
(a) Suponha que S
n
/n
q.c.
c, onde c uma constante.
(a1) Mostre que X
n
/n
q.c.
0.
(a2) Conclua que E|X
1
| < e c = E(X
1
).
(b) Suponha que E|X
1
| = .
(b1) Prove que P(|X
n
| > nk innitas vezes) = 1 para todo k = 1, 2, . . .
(b2) Mostre que
P
limsup
n
|X
n
|
n
=
= 1
e portanto
P
limsup
n
|S
n
|
n
=
= 1.
Sugesto: Veja o exerccio 42 e use respectivamente em (a) e em (b) que
X
n
n
=
S
n
n

n 1
n
S
n1
n 1
e
|X
n
|
n

|S
n
|
n
+
|S
n1
|
n 1
.
44
. Uma seqncia de variveis aleatrias que satisfaz a Lei Fraca dos Grandes
Nmeros, porm no a Lei Forte: Sejam X
1
, X
2
, . . . variveis aleatrias independen-
tes tais que P(X
1
= 0) = 1 e, para cada n 2,
P(X
n
= n) = P(X
n
= n) =
1
2nlog n
, P(X
n
= 0) = 1
1
nlog n
.
Seja S
n
=

n
i=1
X
i
.
(a) Usando a desigualdade de Chebyshev, prove que S
n
/n
P
0.
(b) Mostre que P(|X
n
| > n/2 innitas vezes) = 1.
(c) Conclua que X
n
/n no converge para 0 quase certamente e portanto S
n
/n no
converge para 0 quase certamente.
45
. Sejam X
1
, X
2
, . . . variveis aleatrias independentes tais que, para cada n 1,
P(X
n
= n) = P(X
n
= n) =
p
n
2
, P(X
n
= 0) = 1 p
n
.
Seja S
n
=

n
i=1
X
i
. Demonstre que
n=1
p
n
<
S
n
n
q.c.
0.
46. Uma marca de chocolate faz uma promoo: alguns dos pacotes incluem vales que
podem ser trocados por uma camiseta. O nmero de pacotes premiados que se vendem
ao dia em uma loja uma varivel aleatria com distribuio de Poisson de parmetro
0,3. Estime a probabilidade de que em 120 dias se vendam nessa loja mais de 30 pacotes
com prmio.
Soluo. Para 1 i 120, seja X
i
o nmero de pacotes premiados vendidos na loja no
dia i. Sabemos que X
1
, . . . , X
120
tm distribuio de Poisson(0,3), logo
= E(X
1
) = 0,3 e
2
= Var(X
1
) = 0,3.
Supomos que X
1
, . . . , X
120
so independentes, e seja S
120
=

120
i=1
X
i
o total de pacotes
premiados vendidos na loja durante os 120 dias.
Pelo Teorema Central do Limite,
P(S
120
> 30) = P
S
120
120 . 0,3
0,3 .
120
>
30 120 . 0,3
0,3 .
120
P(Z > 1) 0,8413,

onde Z N(0, 1).
Exerccios 113
47. O nmero mdio de canetas que se vendem diariamente em uma papelaria 30, sendo
a varincia 10. Estes valores so 20 e 12 para o nmero de cadernos vendidos. Sabe-se,
ademais, que a covarincia entre as vendas dirias de ambos produtos 9. Estime a
probabilidade de que o nmero total de ambos produtos vendidos durante 90 dias esteja
compreendido entre 4400 e 4600.
48. Uma mquina empacota lotes de parafusos. O dono da mquina deseja que pelo menos
90% dos lotes tenham mais de 1000 parafusos sem defeito. Sabendo que a probabilidade
de que um parafuso seja defeituoso 0,02, qual o menor nmero de parafusos que deve
colocar por lote?
49. Trs emissoras de televiso tm uma rdua competio para obter altos nveis de
audincia. O nmero mdio dirio de prmios milionrios distribudos por cada uma
dessas emissoras de 5, 3 e 4, sendo 0,5, 0,4 e 0,3 os desvios padres, respectivamente.
Estime a probabilidade de que o nmero total de prmios milionrios distribudos em dois
meses seja superior a 730.
50. O salrio em reais dos funcionrios de uma empresa tem distribuio de Pareto, com
densidade
f(x) =
5 700
5/2
2 x
7/2
, x 700.
Qual a probabilidade de que o salrio mdio de um grupo de 1000 funcionrios seja maior
que 1200 reais?
51. Um dado honesto lanado innitas vezes independentemente. Seja X
i
o resultado
do i-simo lanamento, e considere S
n
= X
1
+ + X
n
. Obtenha
(a) lim
n
P(S
n
> 3 n);
(b) lim
n
P(S
n
> 3,5 n);
(c) um valor aproximado para P(S
100
> 320).
52. Uma moeda honesta lanada independentemente, at se obterem 450 caras. Estime
a probabilidade de que no mximo 960 lanamentos sejam feitos.
Sugesto: Seja N o nmero de lanamentos necessrios para obter 450 caras. H duas
abordagens:
(i) Escrever N como a soma de 450 variveis aleatrias independentes com distribuio
geomtrica de parmetro 1/2.
(ii) Supor que a seqncia de lanamentos da moeda innita e usar que {N 960} =
{
960
i=1
X
i
450}, onde X
i
a funo indicadora de que ocorre cara no i-simo
lanamento.
53. Uma pessoa distribui jornais aos transeuntes na esquina de uma metrpole. Suponha
que cada pessoa que passa pelo entregador pega um exemplar do jornal com probabilidade
1/3, independentemente das demais. Seja N o nmero de pessoas que passam pelo entre-
gador at o tempo em que ele entrega suas primeiras 600 cpias. Estime a probabilidade
de que N seja maior que 1740.
54. Considere um experimento que consiste em lanamentos independentes e sucessivos
de um dado honesto. Se o resultado 1, 2 ou 3, anotamos em uma folha de papel o
nmero 1, se a face do dado igual a 4, anotamos o nmero 2, e se igual a 5 ou 6,
anotamos o nmero 3. Seja N o nmero de lanamentos necessrios para que o produto
dos nmeros anotados ultrapasse 100000. Estime a probabilidade de que N 25.
55. Usando o Teorema Central do Limite para variveis aleatrias com distribuio de
Poisson, mostre que
lim
n
e
n
1 +
n
1!
+
n
2
2!
+ +
n
n
n!
=
1
2
.
56. Sejam X
1
, X
2
com distribuio Bernoulli(p), p (0, 1), e consideremos

X
n
= S
n
/n =

n
i=1
X
i
/n. Prove
que

X
n
(1

X
n
) p (1 p)
D
N(0, p (1 p) (1 2p)
2
).
Soluo. Pelo Teorema Central do Limite de De Moivre e Laplace,

X
n
p
p (1 p)
=
S
n
np
np (1 p)
D
N(0, 1),
logo, pelo Teorema de Slutsky,

X
n
p
D
N(0, p (1 p)).
Tomando g(x) = x (1 x), temos que g
(x) = 1 2x, portanto usando o Mtodo Delta

conclumos que

X
n
(1

X
n
) p (1 p)
D
N(0, p (1 p) (1 2p)
2
).
Se p = 1/2, interpretamos a distribuio N(0, 0) como a massa pontual em 0.
57. Seja X
n
Gama(n, 1), n 1. Prove que
X
n
n
X
n
D
N(0, 1).
58. Sejam X
1
, X
2
com distribuio exponencial dupla de Laplace, ou seja, X
1
tem densidade
f
X
1
(x) =
1
2
e
|x|
, x R.
Exerccios 115
Mostre que
n
i=1
X
i
n
i=1
X
2
i
D
N(0, 1/2).
59. Sejam X
1
, X
2
com distribuio uniforme em (, ), > 0. Para n 1, denimos S
n
=

n
i=1
X
i
e
Y
n
= mx{X
1
, . . . , X
n
}. Demonstre que
S
n
n Y
n
D
N(0, 1/3).
60. Sejam {X
n
}
n1
uma seqncia de variveis aleatrias i.i.d. e g : R R uma funo.
Suponha que E(g(X
1
)) = e Var(g(X
1
)) =
2
, 0 <
2
< . Alm disso, suponha que T
n
uma funo T
n
= T
n
(X
1
, . . . , X
n
) (uma estatstica) que satisfaz
T
n
=
n
i=1
g(X
i
) + R
n
,
onde R
n
/
n
P
0. Prove que
T
n
n
n
D
N(0, 1).
61. Seja {X
n
}
n1
em [0, 2], onde > 0. Denimos

X
n
= n
1

n
i=1
X
i
. Demonstre que
log

X
n
log
D
N(0, 1/3).
62. Seja {X
n
}
n1
uma seqncia de variveis aleatrias i.i.d. com mdia e varincia
2
nita e positiva. Denimos

X
n
= n
1

n
i=1
X
i
.
(a) Mostre que

X
2
n

2
D
N(0, 4
2
2
).
(b) Prove que se > 0, ento
log

X
n
log
D
N(0,
2
/
2
).
63
. Seja {X
n
}
n1
uma seqncia de variveis aleatrias independentes tal que
P(X
n
= 1) = P(X
n
= 1) =
1
2 n
, P(X
n
= 0) = 1
1
n
, n 1.
Considere S
n
=

n
i=1
X
i
e demonstre que
S
n
n
q.c.
0 e
S
n
log n
D
N(0, 1).
64
. Sejam X
1
, X
2
, . . . variveis aleatrias tais que X
1
integrvel e X
n
X quase
certamente quando n . Prove que
E(X
n
) E(X) quando n .
65
. (Teorema de Beppo Levi). Suponha que X

1
, X
2
, . . . so variveis aleatrias integr-
veis tais que sup
n
E(X
n
) < . Mostre que se X
n
X quase certamente quando n ,
ento X integrvel e
E(X
n
) E(X) quando n .
66
. Sejam A
1
, A
2
, . . . eventos em um espao de probabilidade.
(a) Usando o Lema de Fatou, demonstre que
P
liminf
n
A
n
liminf
n
P(A
n
).
(b) Usando o Teorema da convergncia limitada, prove que se existe A = lim
n
A
n
,
ento P(A) = lim
n
P(A
n
).
67
. Mostre que se Y
1
, Y
2
, . . . so variveis aleatrias no-negativas, ento
E
n=1
Y
n
n=1
E(Y
n
).
68
. Suponha que Y
1
, Y
2
, . . . so variveis aleatrias tais que |
n
k=1
Y
k
| X para todo n,
onde X integrvel. Prove que se

n=1
Y
n
converge quase certamente, ento

n=1
Y
n
e
as Y
n
s so integrveis, e
E
n=1
Y
n
n=1
E(Y
n
).
69
. Suponha que Y
1
, Y
2
, . . . so variveis aleatrias tais que
n=1
E|Y
n
| < . Demonstre
que

n=1
|Y
n
| converge quase certamente e integrvel, e
E
n=1
Y
n
n=1
E(Y
n
).
70
. Equao de Wald: Sejam X

1
, X
2
, . . . variveis aleatrias, todas com a mesma
mdia . Seja N uma varivel aleatria inteira e no-negativa tal que, para todo n,
o evento {N = n} independente de X
n+1
, X
n+2
, . . . Suponha que vlida uma das
seguintes condies:
(i) X
n
0 para todo n ou
(ii) E(N) < e sup
n
E|X
n
| < .
Respostas 117
Mostre que
E
n=1
X
n
= E(N).
Sugesto: Dena I
n
= I
{Nn}
= 1
n1
i=0
I
{N=i}
e escreva

N
n=1
X
n
=

n=1
X
n
I
n
.
Respostas
13. F
Y
n
(y) =
(1 e
y
/n)
n
se y > log n,
0 caso contrrio.
Y
n
D
Y com F
Y
(y) = exp{exp{y}}, y R.
14. F
Y
k
(y) =
0 se y < 0,
1 + e
k
e
y
se 0 y < k,
1 se y k.
Y
k
D
Y com Y Exp(1).
18. (a) Verdadeira (Para qualquer > 0, {|X
n
X| > } {Y
n
= 0}).
(b) Falsa ( lim
n
E(|X
n
X|) = lim
n
e
n
/n = ).
24. Use o Teorema da continuidade.
25. (a) Prove por induo em n. (b) N
0,
2
n1
i=0

2i
(c)
2
nm
m1
i=0

2i
(d) Use o Teorema da continuidade.
26. Use o Teorema da continuidade.
30. Use o Teorema de Slutsky.
31. (a) 1/4, 3/16 (c) n/4, (5n 2)/16 (d) Use a Desigualdade de Chebyshev.
37. (b) 1 (c) 0,977
38. A = 1 e B = 2/
39. Use duas vezes a Lei Forte dos Grandes Nmeros.
40. (a) E(

X
n
) = e Var(

X
n
) =
2
/n (c) E(S
2
n
) =
2
(d) Use duas vezes a Lei Forte dos Grandes Nmeros.
41. Use a Lei Forte dos Grandes Nmeros enunciada em 4.1.
47. 0,904
48. 1027
49. 0,0339
50. 0,1562
51. (a) 1 (b) 1/2 (c) 0,96
52. 0,97
53. 0,84
54. 0,494
60. Utilize o Teorema Central do Limite para a seqncia {g(X
i
)}
i1
e o Teorema de
Slutsky.
61. Mtodo Delta.
62. Mtodo Delta.
63. Use os tpicos 4.1, 4.2, o Teorema de Slutsky e o fato de que

n
i=1
1/i log n quando
n .
Apndice
Conjuntos
Denotamos por N = {0, 1, 2, . . . } o conjunto dos nmeros naturais, Z = {. . . , 1, 0, 1, . . . }
o conjunto dos nmeros inteiros, R o conjunto dos nmeros reais e C o conjunto dos
nmeros complexos.
Um conjunto A nito se existe uma correspondncia biunvoca entre A e o conjunto
{1, . . . , n} para algum n 1. (O conjunto vazio tambm nito).
Um conjunto A innito enumervel se existe uma correspondncia biunvoca entre A
e N.
Um conjunto A innito no-enumervel se no nito nem enumervel.
A cardinalidade de um conjunto A, denotada por |A|, o nmero de elementos de A.
Seqncias
Para uma seqncia {x
n
}
n1
de nmeros reais, escrevemos x
n
x quando lim
n
x
n
= x;
x
n
x signica que x
1
x
2
e x
n
x; x
n
x signica que x
1
x
2
e x
n
x.
Seja {x
n
}
n1
uma seqncia de nmeros reais. O limite inferior e o limite superior dessa
seqncia so denidos respectivamente por
= liminf
n
x
n
= sup
n1
inf
kn
x
k
= lim
n
inf
kn
x
k
e
= limsup
n
x
n
= inf
n1
sup
kn
x
k
= lim
n
sup
kn
x
k
.
Pode-se mostrar que

so respectivamente o nmo e o supremo do conjunto dos
pontos limites da seqncia. Observamos que

= se e somente se dados M R e
n 1, existe k n tal que x
k
> M. A seqncia tem limite R {, } quando
n se e somente se =
=

.
Cumpre ainda notar que, para uma seqncia A
1
, A
2
, . . . de eventos,
I
liminf
n
A
n
= liminf
n
I
A
n
e I
limsup
n
A
n
= limsup
n
I
A
n
.
120 Apndice
Sries
Dada uma seqncia {a
n
}
n1
de nmeros reais, dizemos que a srie

n=1
a
n
converge se
a seqncia das somas parciais s
n
=

n
k=1
a
k
, n 1, tem limite nito quando n .
Caso contrrio, a srie diverge.
Se os termos so no-negativos (a
n
0 para todo n), claro que as somas parciais formam
uma seqncia no-decrescente, e ento a srie converge se e somente se a seqncia das
somas parciais limitada. Escrevemos

n=1
a
n
< ou = conforme a srie convirja
ou no.
Algumas sries importantes:
n=0
x
n
=
(1 x)
1
se 0 x < 1,
se x 1.
n=0
x
n
n!
= e
x
para todo x R.
n=1
1
n
p
< se p > 1,
= se p 1.
n=2
1
n(log n)
p
< se p > 1,
= se p 1.
Um critrio bastante til estabelece que as sries de termos positivos

n
a
n
e

n
b
n
so
convergentes ou divergentes simultaneamente se o limite lim
n
a
n
/b
n
um nmero diferente
de zero.
Dada uma seqncia {a
n
}
n0
de nmeros reais, a srie

n=0
a
n
x
n
chamada uma srie
de potncias. Denimos
R =
1
limsup
n
n
|a
n
|
,
com 1/0 e 1/ 0. Ento,

n=0
a
n
x
n
converge se |x| < R e diverge se |x| > R.
Denomina-se R o raio de convergncia da srie de potncias.
Teorema de Abel: Se a
n
0 para todo n e

n=0
a
n
x
n
converge para x (1, 1), ento
lim
x1
n=0
a
n
x
n
n=0
a
n
,
seja essa soma nita ou no.
121
Teorema: Uma srie de potncias pode ser derivada ou integrada termo a termo qualquer
nmero de vezes dentro do intervalo de convergncia.
Funes
Uma funo f : X R (onde X R) chamada crescente se, quaisquer que sejam x, y
X, x < y implica f(x) < f(y). Se x < y (com x, y X) implica apenas f(x) f(y), f
no-decrescente. De modo anlogo, dene-se funo decrescente e funo no-crescente.
Uma funo denominada estritamente montona se crescente ou decrescente.
Um conjunto A R convexo se, sempre que contm os pontos x e y, tambm contm
x + (1 ) y para 0 1. Uma funo : A R convexa se para quaisquer
x, y A e 0 1,
(x + (1 ) y) (x) + (1 ) (y).
Em palavras, convexa se cada ponto na corda entre (x, (x)) e (y, (y)) est acima
do grco de . Para uma funo : (a, b) R duas vezes diferencivel,
(x) 0 para
todo x (a, b) uma condio necessria e suciente para convexidade.
Convergncia uniforme no Teorema Central do Limite
Seja X
1
, X
2
, . . . uma seqncia de variveis aleatrias i.i.d. com mdia e varincia
2
nita e positiva. Em aplicaes do Teorema Central do Limite, usa-se freqentemente
que, para n grande, S
n
=

n
i=1
X
i
tem aproximadamente distribuio normal com mdia
n e varincia n
2
. Essa armao justicada pelo seguinte resultado: Se Z
n
D
Z e
F
Z
contnua em R, ento F
Z
n
converge para F
Z
uniformemente em R.
Distribuio Normal Padro
Funo tabelada: (z) =
1
e
x
2
/2
dx para z 0.
Segunda decimal de z
0 1 2 3 4 5 6 7 8 9
0,0 0,5 0,504 0,508 0,512 0,516 0,5199 0,5239 0,5279 0,5319 0,5359 0,0
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753 0,1
0,2 0,5793 0,5832 0,5871 0,591 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141 0,2
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,648 0,6517 0,3
0,4 0,6554 0,6591 0,6628 0,6664 0,67 0,6736 0,6772 0,6808 0,6844 0,6879 0,4
0,5 0,6915 0,695 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,719 0,7224 0,5
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549 0,6
0,7 0,758 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852 0,7
0,8 0,7881 0,791 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133 0,8
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,834 0,8365 0,8389 0,9
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621 1,0
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,877 0,879 0,881 0,883 1,1
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,898 0,8997 0,9015 1,2
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177 1,3
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319 1,4
1,5 0,9332 0,9345 0,9357 0,937 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441 1,5
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545 1,6
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633 1,7
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706 1,8
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,975 0,9756 0,9761 0,9767 1,9
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817 2,0
2,1 0,9821 0,9826 0,983 0,9834 0,9838 0,9842 0,9846 0,985 0,9854 0,9857 2,1
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,989 2,2
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916 2,3
2,4 0,9918 0,992 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936 2,4
2,5 0,9938 0,994 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952 2,5
P
a
r
t
e
i
n
t
e
i
r
a
e
p
r
i
m
e
i
r
a
d
e
c
i
m
a
l
d
e
z
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,996 0,9961 0,9962 0,9963 0,9964 2,6
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,997 0,9971 0,9972 0,9973 0,9974 2,7
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,998 0,9981 2,8
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986 2,9
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,999 0,999 3,0
3,1 0,999 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993 3,1
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995 3,2
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997 3,3
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998 3,4
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 3,5
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 3,6
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 3,7
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 3,8
3,9 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 3,9
Referncias Bibliogrcas
[1] BACHX, A. C.; POPPE, L. M. B.; TAVARES, R. N. O. Preldio anlise combi-
natria. So Paulo: Companhia Editora Nacional, 1975.
[2] DANTAS, C. A. B. Probabilidade: um curso introdutrio. 2. ed. So Paulo: Editora
da Universidade de So Paulo, 2004. (Coleo Acadmica).
[3] FELLER, W. An introduction to probability theory and its applications, Volume I.
3rd. ed. New York: John Wiley & Sons, 1968.
[4] FERNNDEZ-ABASCAL, H.; GUIJARRO, M.; ROJO, J. L.; SANZ, J. A. Ejercicios
de clculo de probabilidades. Resueltos y comentados. Barcelona: Editorial Ariel,
1995.
[5] GRIMMETT, G. R.; STIRZAKER, D. R. Probability and random processes. 3rd. ed.
New York: Oxford University Press, 2001.
[6] GUT, A. Probability: a graduate course. New York: Springer, 2005.
[7] HOEL, P. G.; PORT, S. C.; STONE, C. J. Introduction to probability theory. Boston:
Houghton Miin, 1971.
[8] JAMES, B. R. Probabilidade: um curso em nvel intermedirio. 3. ed. Rio de Janeiro:
Instituto Nacional de Matemtica Pura e Aplicada, 2004. (Projeto Euclides).
[9] LIMA, E. L. Curso de anlise, Volume 1. 12. ed. Rio de Janeiro: Instituto Nacional
de Matemtica Pura e Aplicada, 2004. (Projeto Euclides).
[10] MORGADO, A. C. O.; CARVALHO, J. B. P.; CARVALHO, P. C. P.; FERNAN-
DEZ, P. Anlise combinatria e probabilidade. 9. ed. Rio de Janeiro: Sociedade Bra-
sileira de Matemtica, 2006. (Coleo do Professor de Matemtica).
[11] ROSS, S. M. A rst course in probability. 8th. ed. Upper Saddle River, N. J.: Prentice
Hall, 2008.
[12] SANTOS, J. P. O.; MELLO, M. P.; MURARI, I. T. C. Introduo anlise combi-
natria. Rio de Janeiro: Editora Cincia Moderna, 2008.

NOTAS DE AULA um espao para publicao de material didtico-instrucional,
viabilizado pelos recursos do projeto CAPES-PROEX. Um convite aos pesquisadores do
programa de ps-graduao em Probabilidade e Estatstica do IME-USP e seus
colaboradores, para que tornem pblicas suas anotaes, sejam voltadas para as disciplinas
dos primeiros anos da Graduao, sejam dirigidas aos estudantes de Doutorado. Assume-se
implicitamente que tais anotaes esto em um estgio intermedirio, podendo no futuro
evoluir para o status de livro. Esta publicao mais uma mostra da integrao entre as
atividades de ensino e pesquisa desenvolvidas pelos pesquisadores do Departamento de
Estatstica do IME-USP.

CAPES-PROEX

Notas de Aula Probabilidade

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Notas de Aula Probabilidade

Enviado por

Direitos autorais:

Formatos disponíveis

NOTAS DE AULA

PROBABILIDADE: TEORIA E EXERCCIOS

Sem reposio (n)

= 5 escolhas para o outro presente

= 10 maneiras de dividir os 5 presentes restantes entre os

= 66 modos; em seguida, devemos escolher 2 dos 10 lugares restantes para

= 45 modos); a seguir, escolhemos 2 dos 8 lugares que restam

= 28 modos) e nalmente temos 6 lugares para 6 letras distintas

. Continuidade por baixo e por cima da probabilidade: Sejam A, A

. Uma moeda com probabilidade p de cara em cada lanamento lanada innitas

. Subaditividade nita e enumervel: Sejam A

. Continuidade da probabilidade: Sejam A

99/323 (Complementar do evento em (a) e Princpio da Incluso-Excluso).

), com bijetora. A aplicao do mtodo consiste, em

com probabilidade 1. O leitor interessado pode olhar o Teorema 2.1

120 x (y x) (1 y) se 0 < x < y < 1,

1/2 se 1 < x < 0,

por (x, y) = (|x y|, x + y). Observamos que no

2 tambm so independentes e N(0, 1).

6y se 0 < y < x < 1,

y 2/10 se 2 y < 102,

x f(x) dx se X contnua com densidade f.

= Z \ {0} com funo de probabilidade dada por

g(x) f(x) dx se X contnua com densidade f.

(x, y) f(x, y) dx dy.

1. A principal vantagem de trabalhar

1 se o resultado um nmero par,

1 se o resultado um nmero maior que 3,

1 |x| se |x| < 1,

1 se o i-simo par permanece no vaso,

1 se pelo menos uma pessoa solicita a parada no ponto i,

pares de vrtices distintos ligado por um elo, independentemente, com proba-

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

1/x se 0 < z < x < 1,

8 x y se 0 < y < x < 1,

2/9 se 0 < y < x < 3,

2(1 x) se 0 < x < 1,

/(1 ) se 0 < < 1, se 1

29. n(1 1/n)

= 0 para todo > 0.

() = 0, interpretamos a distribuio N(0, 0) como a massa pontual

. Uma moeda honesta lanada repetidamente, sendo os lanamentos independentes.

. Uma moeda honesta lanada repetidamente, sendo os lanamentos independentes.

. (Barndor-Nielsen (1961)). Sejam A

1 se o i-simo e o (i + 1)-simo lanamentos resultam em cara,

. Recproca para a Lei Forte de Kolmogorov: Sejam X

P(Z > 1) 0,8413,

(x) = 1 2x, portanto usando o Mtodo Delta

. (Teorema de Beppo Levi). Suponha que X

. Equao de Wald: Sejam X

Você também pode gostar