Você está na página 1de 62

Probabilidades e Estatstica

Probabilidades
Ano Lectivo 2013/2014
Nota introdutoria
Este documento de apoio `a disciplina de Probabilidades e Estatstica tem por base apontamentos
elaborados pela Professora Doutora Fatima Minguens. Estes foram alvo de uma revisao, com conse-
quente correccao de pequenas gralhas e algumas altera coes ao nvel da estrutura do texto, durante os
anos lectivos 2008/09 e 2009/10, sob a Regencia do Professor Doutor Rui Cardoso. A ambos o nosso
muito obrigado pelo documento que disponibilizam para o presente ano lectivo.
A leitura destes apontamentos nao dispensa a leitura atenta das obras indicadas como referencias
bibliogracas.
Conte udo
1 Teoria das Probabilidades 4
1.1 Introdu c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Espa co de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Probabilidade e axiom atica das probabilidades . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Espa co de acontecimentos e acontecimentos . . . . . . . . . . . . . . . . . . . . 6
1.3.2 Axiom atica das probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Probabilidade condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Teorema da probabilidade total; Teorema de Bayes . . . . . . . . . . . . . . . . 11
1.5 Independencia de acontecimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Variaveis Aleat orias 14
2.1 Deni c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Vari avel aleat oria discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Vari avel aleat oria contnua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Fun c ao de distribui c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.1 A fun c ao de distribui c ao de uma vari avel aleat oria discreta . . . . . . . . . . . 19
2.4.2 A fun c ao de distribui c ao de uma vari avel aleat oria contnua . . . . . . . . . . . 21
2.5 Vectores aleat orios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.1 Par aleat orio discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5.2 Par aleat orio contnuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 Momentos e Parametros 28
3.1 Valor medio ou esperan ca matem atica . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1.1 Propriedades do valor medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 Vari ancia e desvio padr ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.1 Propriedades da vari ancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Covari ancia e coeciente de correla c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.1 Propriedades da covari ancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3.2 Propriedades do coeciente de correla c ao . . . . . . . . . . . . . . . . . . . . . 35
3.4 Outros valores esperados sobre um par aleat orio . . . . . . . . . . . . . . . . . . . . . 36
3.5 Outros par ametros de localiza c ao de uma vari avel aleat oria . . . . . . . . . . . . . . . 36
3.5.1 A mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.5.2 Quantil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.5.3 A moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.6 Outros par ametros de dispers ao de uma vari avel aleat oria . . . . . . . . . . . . . . . . 37
3.6.1 O desvio medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1
4 Distribui c oes Importantes 38
4.1 Distribui c oes discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.1.1 Distribui c ao Hipergeometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.1.2 Distribui c ao Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.1.3 Distribui c ao de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.1.4 Processo de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.2 Distribui c oes contnuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.2.1 Distribui c ao Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.2.2 Distribui c ao Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.2.3 Distribui c ao Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5 Teorema Limite Central 54
5.1 Aplica c oes particulares do T.L.C. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.1.1 Distribui c ao Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.1.2 Distribui c ao de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Anexo A: Fun cao Geradora de Momentos 61
Anexo B: Fun cao Geradora de Momentos e Momentos de Distribui c oes Importantes 64
Anexo C: Algumas Demonstra c oes 66
Lista de Figuras
4.1 Fun c ao densidade da distribui c ao Uniforme . . . . . . . . . . . . . . . . . . . . . . . . 48
4.2 Exemplos de fun c oes densidade da distribui c ao Exponencial . . . . . . . . . . . . . . . 49
4.3 Exemplos de fun c oes densidade da distribui c ao Normal . . . . . . . . . . . . . . . . . . 51
4.4 Fun c ao distribui c ao Normal reduzida . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.5 Consequencia da simetria da densidade de Z para a sua fun c ao de distribui c ao . . . . 52
5.1 Ilustra c ao do Teorema Limite Central . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2 Ilustra c ao da aproxima c ao da dist. Binomial pela dist. Normal para n = 2 e n = 10 . 58
5.3 Ilustra c ao da aproxima c ao da dist. Binomial pela dist. Normal para n = 30 . . . . . . 58
5.4 Ilustra c ao da aproxima c ao da dist. Binomial pela dist. Normal para n = 50 . . . . . . 59
5.5 Ilustra c ao da aproxima c ao da dist. Poisson pela dist. Normal para = 1, 5, 10 e 20 . . 60
3
Captulo 1
Teoria das Probabilidades
1.1 Introdu cao
A teoria das probabilidades tem como objectivo a formula c ao de modelos de fen omenos em
que intervem o acaso.
Fen omenos aleat orios s ao os fen omenos sujeitos ` a inuencia do acaso e, como tal, n ao con-
trol aveis pelo homem.
Deni cao 1.1. D a-se o nome de experiencia aleat oria a todo o procedimento cujo resultado e impre-
visvel (fen omeno aleat orio), mas que
podemos repetir um grande n umero de vezes nas mesmas condi c oes (ou em condic oes muito
semelhantes);
com a longa repetic ao da experiencia os resultados patenteiam uma regularidade de observa c ao;
conhecemos o conjunto de todos os resultados possveis de ocorrerem.
Exemplo 1.1.
E1: Lan camento de um dado e observa c ao do n umero de pintas da face que ca virada para cima;
E2: N umero de pecas defeituosas fabricadas por uma m aquina durante 24 horas;
E3: Tempo de vida de uma pessoas, em anos;
E4: N umero de pecas fabricadas por uma m aquina ate se observarem 10 defeituosas;
E5: Tipo de aproveitamento (qualitativo) de um aluno da FCT/UNL.
1.2 Espa co de resultados
Deni cao 1.2. D a-se o nome de espa co de resultados ou universo de uma experiencia aleat oria (e
representa-se por ), ao conjunto de todos os possveis resultados dessa experiencia.
4
1. Teoria das Probabilidades 5
Exemplo 1.2. Na continuac ao do exemplo 1.1
E1: = {1, 2, 3, 4, 5, 6};
E2: = {0, 1, 2, . . . , N}, sendo N o total de pecas produzidas em 24 horas;
E3: = {1, 2, . . .} = N;
E4: = {10, 11, 12, . . .};
E5: = {Faltou, Desistiu, Aprovado, Reprovado}.
1.3 Probabilidade e axiomatica das probabilidades
N ao sendo possvel prever ou controlar os resultados de uma experiencia aleat oria, o nosso prop osito
e estudar o seu grau de incerteza tentanto quantic a-lo atraves do c alculo da probabilidade de serem
observados.
Conceito Classico de Probabilidade
A primeira deni c ao de probabilidade deve-se a Laplace (1982), habitualmente designada por Lei
de Laplace ou deni cao classica de probabilidade:
Deni cao 1.3 (Lei de Laplace). Se o espaco de resultados de uma experiencia aleat oria e constitudo
por um n umero N nito de resultados igualmente prov aveis e mutuamente exclusivos, e se N
A
desses
resultados tem um certo atributo A, ent ao a probabilidade de A, P (A), e dada por
P (A) =
N
A
N
=
n
o
casos favor aveis ` a observa c ao de A
n
o
casos possveis de observar na experiencia
Exemplo 1.3. Consideremos a experiencia aleat oria que consiste no lan camento de um dado de cor
azul, seguido do lan camento de outro dado de cor vermelha, e registo do n umero de pintas das faces
viradas para cima de dois dados. O universo e o conjunto de pares
= {(i, j) : i, j = 1, 2, . . . , 6}
Considerem-se os acontecimentos:
A-Sada de um n.
o
total de pintas par e B-Sada de um n.
o
total de pintas menor que 5e
C-Sada de um n.
o
total de pintas par e menor que 5.
A = {(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) , (4, 2) , (4, 4) , (4, 6) , (5, 1) ,
(5, 3) , (5, 5) , (6, 2) , (6, 4) , (6, 6)}
B = {(1, 1) , (1, 2) , (1, 3) , (2, 1) , (2, 2) , (3, 1)}
C = {(1, 1) , (1, 3) , (2, 2) , (3, 1)}
P (A) =
18
36
=
1
2
, P (B) =
6
36
=
1
6
, P (C) =
4
36
=
1
9
1. Teoria das Probabilidades 6
Conceito Frequencista de Probabilidade
E se os resultados da experiencia nao forem igualmente provaveis?...
Deni cao 1.4 (Deni c ao Frequencista). A probabilidade do acontecimento A e avaliada atraves de
informa c ao existente sobre A, sendo igual ` a propor c ao do n umero de vezes em que se observou a A,
n
A
, num n umero n sucientemente grande de realizac oes da experiencia aleat oria, isto e,
P (A) = lim
n
n
A
n
Tambem este conceito de Probabilidade n ao e sucientemente vasto. Por um lado, existem ex-
periencias aleat orias que n ao podem ser repetidas o n umero suciente de vezes que permita o c alculo
de probabilidades e por outro, a probabilidade pode servir para exprimir o grau de credibilidade que
queremos associar a certos acontecimentos e que n ao tem de ser necessariamente igual para todas as
pessoas. Neste sentido, foi muito importante a contribui c ao de Kolmogorov (1933) que apresentou um
conceito axiom atico da probabilidade, formulando-a como uma medida normada quanticadora das
possibilidades de observa c ao de um resultado aleat orio.
Conceito Axiomatico de Probabilidade
Nesta apresenta c ao mais generica da probabilidade, precisamos de saber quais os acontecimentos
a que podemos associar uma probabilidade.
1.3.1 Espa co de acontecimentos e acontecimentos
Deni cao 1.5 (Espa co de acontecimentos). O par (, S) diz-se o espaco de acontecimentos de uma
experiencia aleat oria, se:
1. e o espaco de resultados (universo) associado ` a experiencia;
2. S e uma - algebra de acontecimentos, isto e:
(a) S;
(b) Se A pertence a S, ent ao

A tambem pertence a S (

A e o conjunto complementar de A);
(c) Se A
1
, A
2
, . . . , A
n
, . . . S, ent ao

+
i=1
A
i
S.
Terminologia e Notas
1 Qualquer conjunto A S diz-se um acontecimento.
2 Diz-se que um acontecimento A ocorreu ou se realizou, se o resultado da experiencia for um elemento
de A.
3 Um acontecimento com apenas um elemento diz-se um acontecimento elementar.
4 Ao conjunto chamamos acontecimento certo.
5 O conjunto e designado por acontecimento impossvel.
6 Dados dois acontecimentos A e B, a uni ao de A com B e o acontecimento que ocorre quando se
realizam pelo menos um deles e representa-se por A B.
1. Teoria das Probabilidades 7
7 Intersecc ao de A com B, AB, e o acontecimento que se realiza se, e s o se realizam em simult aneo
os acontecimentos A e B.
8 Dado um acontecimento A, d a-se o nome de acontecimento complementar de A, ao acontecimento
que se realiza sempre que n ao ocorre A e representa-se por

A.
9 A diferenca A B = A

B, e o acontecimento que realiza sempre que, em simult aneo, ocorre A
n ao ocorre B.
10 A e sub-acontecimento de B se A B, ou seja, se a ocorrencia de A implica a ocorrencia de B.
11 Dois acontecimentos A e B dizem-se disjuntos ou mutuamente exclusivos, se n ao tem elementos
em comum, isto e, se A B = .
12 Quando e um conjunto com um n umero nito de elementos, e muito frequente S ser o conjunto
de todas as partes de , S = P ().
Exemplo 1.4.
E1: A=Sada de face com um n umero par de pintas corresponde a A = {2, 4, 6}
E3: B=Uma pessoa viver ate aos 60 anos corresponde a B = {1, 2, . . . , 60}
E5: C=Alunos sem nota corresponde a C = {Faltou, Desistiu}.
Exemplo 1.5. Considere-se a experiencia aleat oria descrita no exemplo 1.3 e os acontecimentos:
A-Sada de um n.
o
total par de pintas e B-Sada de um total de pintas menor que 5.
A = {(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) , (4, 2) , (4, 4) , (4, 6) , (5, 1) ,
(5, 3) , (5, 5) , (6, 2) , (6, 4) , (6, 6)}
B = {(1, 1) , (1, 2) , (1, 3) , (2, 1) , (2, 2) , (3, 1)}
O acontecimento C-Sada de um n.
o
total de pintas par menor que 5, corresponde a
C = A B = {(1, 1) , (1, 3) , (2, 2) , (3, 1)}.
O acontecimento D-Sada de um n.
o
total de pintas par ou menor que 5, e expresso por A B
e e constitudo pelo elementos
D = {(1, 1) , (1, 2) , (1, 3) , (1, 5) , (2, 1) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) , (4, 2) , (4, 4) ,
(4, 6) , (5, 1) , (5, 3) , (5, 5) , (6, 2) , (6, 4) , (6, 6)}
O acontecimento E-Sada de um n.
o
total de pintas menor que 5 e mpar, corresponde a
E = B A = {(1, 2) , (2, 1)}.
A ocorrencia do acontecimento E implica a ocorrencia do acontecimento B pois E B.
O acontecimento F-Sada de um n.
o
total de pintas mpar n ao e mais do que

A = A.
1. Teoria das Probabilidades 8
1.3.2 Axiomatica das probabilidades
Deni cao 1.6. Seja (, S) um espa co de acontecimentos. Chama-se probabilidade, a uma aplica c ao
P : S [0, 1] que satisfaz os seguintes axiomas:
A1 P (A) 0 A S;
A2 P () = 1;
A3 Se A
1
A
2
, . . . , A
n
, . . . S e uma sucess ao de acontecimentos disjuntos (A
i
A
j
= , i = j),
P
_
+
_
i=1
A
i
_
=
+

i=1
P (A
i
) .
Deni cao 1.7. D a-se o nome de espa co de probabilidades ao triplo (, S, P).
Consequencias imediatas da axiomatica das probabilidades
1. P
_
A
_
= 1 P (A) , A (, S, P);
2. P () = 0;
3. A B P (A) P (B) , A, B (, S, P);
4. P (A) 1, A (, S, P);
5. P (AB) = P (A) P (A B) ou P
_
A

B
_
= P (A) P (A B) , A, B (, S, P);
6. P (A B) = P (A) +P (B) P (A B) , A, B (, S, P);
7. P
_
n
_
i=1
A
i
_
=
n

i=1
P (A
i
)

i=j
P (A
i
A
j
) +

i=j=k
P (A
i
A
j
A
k
) . . . +(1)
n1
P
_
n

i=1
A
i
_
,
A
1
, A
2
, . . . , A
n
(, S, P)
Deni cao 1.8. Dois acontecimentos A, B (, S, P) dizem-se incompatveis se P (A B) = 0.
Um acontecimento A (, S, P) diz-se quase impossvel se A = e P (A) = 0.
Um acontecimento A (, S, P) diz-se quase certo se A = e P (A) = 1.
Exemplo 1.6. Consideremos a experiencia que consiste no registo do n umero total de pintas exibidas
nas faces viradas para cima de dois dados, ap os o seu lan camento em simult aneo. Admitamos que
os dados s ao equilibrados (isto e, em ambos, a probabilidade de sada de qualquer n umero de pintas e
igual).
O espa co de resultados e = {2, 3, 4, . . . , 10, 11, 12}
Os resultados deste espa co s ao mutuamente exclusivos mas n ao s ao igualmente prov aveis. Por ex-
emplo, P ({2}) = 1/21 e P ({7}) = 3/21.
Consideremos de novo os acontecimentos:
1. Teoria das Probabilidades 9
A-Sada de um n.
o
total de pintas par;
B-Sada de um n.
o
total de pintas menor que 5;
C =-Sada de um n.
o
total de pintas divisvel por 4
cujas probabilidades s ao
P (A) = 12/21, P (B) = 4/21 e P (C) = 6/21.
Sabemos tambem que:
P (A B) = 3/21, P (A C) = 6/21, P (B C) = 2/21 e P (A B C) = 2/21.
Determinemos a probabilidade dos acontecimentos:
D-Sada de um n.
o
total de pintas par ou menor que 5;
E-Sada de um n.
o
total de pintas menor que 5 e mpar;
F-Sada de um n.
o
total de pintas mpar.
G-Sada de um n.
o
total de pintas par ou menor que 5 ou divisvel por 4
Pelas consequencias da axiom atica das probabilidades,
P (D) = P (A B) = P (A) +P (B) P (A B) = 13/21
P (E) = P (B A) = P (B) P (A B) = 1/21
P (F) = P
_

A
_
= 1 P (A) = 9/21
P (G) = P (A B C) =
= P (A) +P (B) +P (C) P (A B) P (A B) P (B C) +P (A B C) = 13/21
Outros Exemplos
1. Suponha que inadvertidamente de misturaram duas l ampadas defeituosas com 4 l ampadas boas.
(a) Se retirarmos ao acaso duas l ampadas, qual a probabilidade de ambas serem boas?
(b) Se retirarmos ao acaso tres l ampadas, qual a probabilidades de todas serem boas?
(c) Retir amos uma l ampada e veric amos que e boa. Qual a probabilidade de serem boas as
duas l ampadas que a seguir viermos a extrair?
2. Na pr oxima jornada de futebol as equipas dos Craques e dos Invencveis v ao jogar jogos sepa-
rados. Os Craques tem uma probabilidade de 0.4 de vencer o seu advers ario enquanto que os
Invencveis poder ao vencer o seu oponente com 0.3 de probabilidade. Um jogador do totobola
sabe que ambas as equipas vencer ao com probabilidade 0.1.
Qual a probabilidade de, no m da jornada,
(a) Alguma destas equipas ter ganho?
(b) Nenhuma delas ter ganho?
(c) Somente os Invencveis ganharem o respectivo desao?
1. Teoria das Probabilidades 10
3. Alguns alunos de uma determinada escola praticam uma ou mais de 3 modalidades desportivas,
nomeadamente, futebol, basquetebol e andebol. S ao conhecidas as seguintes propor c oes:
30% praticam futebol;
20% praticam basquetebol;
20% praticam andebol;
5% praticam futebol e basquetebol;
10% praticam futebol e andebol;
5% praticam basquetebol e andebol;
2% praticam todas estas modalidades.
(a) se escolhermos um aluno ao acaso, qual a probabilidade de ser:
i. Um jogador de futebol ou de andebol?
ii. Apenas jogador de futebol?
iii. Um praticante de alguma destas modalidades?
(b) Se escolhermos um aluno que pratica alguma destas modalidades, qual a probabilidade de
ser:
i. Apenas jogador de futebol?
ii. Um jogador de futebol ou de andebol?
1.4 Probabilidade condicional
Num supermercado s ao vendidas embalagens de cafe de tres marcas A, B e C. Algumas embal-
agens est ao fora do prazo de validade (F). No quadro que se segue, apresentam-se as propor c oes de
embalagens de cafe, segundo a marca e o estado de validade.
A B C Total
F 0.02 0.10 0.00 0.12
F 0.38 0.40 0.10 0.88
Total 0.40 0.50 0.10 1.00
Qual a probabilidade de uma embalagem de cafe, escolhida ao acaso, estar fora do prazo de
validade?
P (F) = 0.12
De entre as embalagens de cafe da marca B, qual a probabilidade de escolher uma fora do prazo de
validade?
H a que tomar em aten c ao que queremos a propor c ao de embalagens fora do prazo de validade,
considerando apenas o conjunto (ou popula c ao) das embalagens da marca B, logo a resposta ser a
0.10
0.50
= 0.2
Pretendeu-se conhecer a probabilidade do acontecimento Embalagem de cafe fora do prazo de
validade, sabendo que o acontecimento Embalagem de cafe da marca Bocorreu. Quando vamos
1. Teoria das Probabilidades 11
calcular a probabilidade do acontecimento Embalagem de cafe fora do prazo de validade, s o inter-
essar ao as embalagens que satisfa cam a condi c ao Embalagem de cafe da marca B. Signica que o
nosso universo de Embalagens de cafedeve ser substitudo pelo novo universo Embalagem de cafe
da marca B. Esta modica c ao obriga-nos a uma representa c ao diferente do acontecimento Embal-
agem de cafe fora do prazo de validade, sabendo que o acontecimento Embalagem de cafe da marca
B ocorreu e, que ser a
F |B
A nota c ao |B serve para informar que o espa co de resultados foi alterado de - Todas as embalagens
de cafe para B - Embalagens da marca B.
Repare tambem que o quociente apresentado no c alculo da probabilidade, corresponde a
P (F B)
P (B)
Deni cao 1.9. Sejam A e B acontecimentos de (, S, P), com P (B) > 0. A probabilidade de se
realizar A sabendo que (dado que, se) B se realizou, designa-se por probabilidade condicional de A
dado B, e dene-se por
P (A|B) =
P (A B)
P (B)
.
Exerccio 1.1. Provar que se B e um acontecimento de (, S, P), tal que P (B) > 0, ent ao P ( |B)
e uma probabilidade.
Teorema 1.1 (Teorema da probabilidade composta). Seja (, S, P) um espaco de probabilidades e
A, B S tais que P (A) > 0 e P (B) > 0. Ent ao,
P (A B) = P (A|B) P (B) = P (B|A) P (A)
Exerccio 1.2. Mostrar que, se A, B e C s ao acontecimentos do espaco de probabilidades (, S, P)
tais que P (A) > 0, P (B) > 0 e P (C) > 0, ent ao
P (A B C) = P (C |A B) P (B|A) P (A) .
1.4.1 Teorema da probabilidade total; Teorema de Bayes
Teorema 1.2 (Teorema da probabilidade total). Seja (, S, P) um espaco de probabilidades e {B
1
, B
2
, . . . , B
r
}
uma parti c ao do espa co de resultados
1
, com B
i
S e P (B
i
) > 0, i = 1, 2, . . . , r. Dado um qualquer
acontecimento A S, tem-se
P (A) = P (A|B
1
) P (B
1
) +P (A|B
2
) P (B
2
) +. . . +P (A|B
r
) P (B
r
) .
Demonstra c ao: Se {B
1
, B
2
, . . . , B
r
} e uma parti c ao de , ent ao B
1
B
2
. . . B
r
= e
B
i
B
j
= , i = j. Podemos ent ao fazer a parti c ao do acontecimento A,
A = (A B
1
) (A B
2
) . . . (A B
r
)
1

r
i=1
Bi = e Bi Bj = , i = j, i, j = 1, 2, . . . , r
1. Teoria das Probabilidades 12
Como os acontecimentos (A B
1
) , (A B
2
) , . . . (A B
r
) s ao todos disjuntos, pelo axioma A3,
P (A) = P (A B
1
) +P (A B
2
) +. . . +P (A B
r
)
Mas, pelo teorema da probabilidade composta,
P (A B
i
) = P (A|B
i
) P (B
i
) , i = 1, 2, . . . , r
logo
P (A) = P (A|B
1
) P (B
1
) +P (A|B
2
) P (B
2
) +. . . +P (A|B
r
) P (B
r
)
Teorema 1.3 (Teorema de Bayes). Seja (, S, P) um espaco de probabilidades e {B
1
, B
2
, . . . , B
r
}
uma parti c ao do espa co de resultados , , com B
i
S e P (B
i
) > 0, i = 1, 2, . . . , r. Dado um qualquer
acontecimento A S, com P (A) > 0, tem-se
P (B
i
|A) =
P (A|B
i
) P (B
i
)

r
j=1
P (A|B
j
) P (B
j
)
, i = 1, 2, . . . , r
Demonstra c ao: Pelo teorema da probabilidade total e pelo teorema da probabilidade composta,
P (B
i
|A) =
P (B
i
A)
P (A)
=
P (A|B
i
) P (B
i
)

r
j=1
P (A|B
j
) P (B
j
)
, i = 1, 2, . . . , r
Exemplo 1.7. Certa empresa obtem os seus fornecimentos de tres origens B
1
, B
2
e B
3
, cujas pro-
por c oes de fornecimento e percentagens de fornecimento de lotes defeituosos se apresentam no seguinte
quadro:
Fornecimento % de defeituosos
B
1
0.45 5%
B
2
0.25 7%
B
3
0.30 10%
{B
1
, B
2
, B
3
} constitui uma parti c ao de . Seja D o acontecimento lote ser defeituoso.
Probabilidades conhecidas:
P (B
1
) = 0.45, P (B
2
) = 0.25, P (B
3
) = 0.30
P (D|B
1
) = 0.05, P (D|B
2
) = 0.07, P (D|B
3
) = 0.10.
Qual a probabilidade de se encontrar um lote defeituoso, de entre o fornecimento total?
P (D) = P (D|B
1
) P (B
1
) +P (D|B
2
) P (B
2
) +P (D|B
3
) P (B
3
) = 0.07
Um lote e defeituoso e n ao se sabe a sua proveniencia. Qual a origem a que se deve apresentar
a reclamac ao?
P (B
1
|D) =
P (D|B
1
) P (B
1
)
P (D)
= 0.32
P (B
2
|D) =
P (D|B
2
) P (B
2
)
P (D)
= 0.25
P (B
3
|D) = 1 P (B
1
|D) P (B
2
|D) = 0.43
Devemos reclamar a origem B
3
.
1. Teoria das Probabilidades 13
1.5 Independencia de acontecimentos
Deni cao 1.10. Dados dois acontecimentos A e B de um espaco de probabilidade (, S, P), com
P (B) > 0, se o conhecimento de que B ocorreu n ao altera a probabilidade de que A vir a acontecer,
isto e, se
P (A|B) = P (A)
dizemos que os acontecimentos A e B s ao independentes.
Mas,
P (A|B) = P (A)
P (A B)
P (B)
= P (A) P (A B) = P (A) P (B)
Deni cao 1.11. Dois acontecimentos A e B de um espaco de probabilidades (, S, P), dizem-se
independentes se, e s o se,
P (A B) = P (A) P (B) .
Teorema 1.4. Se A e B s ao acontecimentos independentes de um espaco de probabilidades (, S, P),
tambem o s ao A e B, A e B e ainda A e B.
Exemplo 1.8. A probabilidade de um atirador acertar no alvo em cada tiro e de 0.6, independente-
mente do tiro. Qual a probabilidade de:
a) Serem necess arios exactamente 10 tiros para acertar uma vez?
b) Em tres tiros acertar uma vez?
c) Acertar pela terceira vez ao quinto tiro?
d) Necessitar de, pelo menos 4 tiros, para acertar duas vezes?
Captulo 2
Variaveis Aleatorias
2.1 Deni cao
Numa experiencia aleat oria os elementos do espa co de resultados podem ser n umeros reais. Por
exemplo, o registo do nvel de polui c ao a uma dada hora numa zona urbana, o registo da temperatura
maxima diaria, o tempo de funcionamento ate ` a primeira avaria de um aparelho, o total de pontos
obtidos com o lan camento de dois dados, etc. J a o mesmo n ao se passa se quisermos registar em cada
dia, se o ceu est a muito, pouco ou n ao nublado, ou se uma equipa de futebol ganha, perde ou empata
um jogo, etc.
Quando n ao e constitudo por elementos de car acter quantitativo, a necessidade de aplica c ao
de procedimentos estatsticos obriga a uma atribui c ao de valores numericos a cada elemento de .
Essa atribui c ao pode ser arbitr aria ou n ao.
Exemplo 2.1. Se considerarmos a experiencia aleat oria de lan camento ao ar de uma moeda e registo
da face que ca virada para cima, o espa co de resultados e = {Cara, Coroa} a que podemos associar
os valores 0 e 1, do seguinte modo:
X ()
Cara 1
Coroa 0

E evidente que podemos denir diversas correspondencias sobre o mesmo universo .


Exemplo 2.2. Consideremos uma popula c ao de empresas, das quais se escolhe uma ao acaso. Se
existirem m empresas, ent ao o universo e = {
1
,
2
, . . . ,
m
} onde
i
representa a empresa i.
Sobre este universo de empresas podemos denir v arias correspondencias (ou vari aveis aleat orias):
X (), sendo X () o n umero de empregados da empresa ;
Y (), sendo Y () o valor anual dos impostos cobrados ` a empresa ;
Z (), sendo Z () o volume de vendas anual da empresa ;
e muitas mais.
Pensando s o numa correspondencia sobre , se associarmos a cada elemento um n umero
real X (), estamos a denir uma fun c ao X : R.
Sendo A um acontecimento do espa co de acontecimentos (, S), chamamos imagem de A por X,
ao conjunto de valores que X assume para os elementos de A, isto e,
X (A) = {X () : A}
14
2. Vari aveis Aleat orias 15
Por outro lado, a cada subconjunto E R, podemos fazer corresponder o subconjunto X
1
(E)
formado por todos os elementos tais que X () E,
X
1
(E) = { : X () E}
X
1
(E) denomina-se imagem inversa de E por X.
Exemplo 2.3. No lan camento sucessivo de dois dados, interessa-nos saber o valor da soma das pintas
das faces viradas para cima. O espa co de resultados ser a
= {(i, j) : i, j = 1, 2, 3, 4, 5, 6}
e dena-se a aplicac ao X : R, por
X (i, j) = i +j
Se A = {(1, 1) , (1, 2) , (2, 1)}, a imagem de A por X e X (A) = {2, 3}.
Para o subconjunto real E
1
= {3, 11}, a imagem inversa de E
1
por X e o acontecimento X
1
(E
1
) =
{(1, 2) , (2, 1) , (5, 6) , (6, 5)}.
Para o subconjunto real E
2
= [3, 4], a imagem inversa de E
2
por X e o acontecimento X
1
(E
2
) =
{(1, 2) , (2, 1) , (1, 3) , (3, 1) , (2, 2)}.
Para o subconjunto real E
3
= [2, +[, a imagem inversa de E
3
por X e o acontecimento X
1
(E
3
) =
.
Para o subconjunto real E
4
= ], 0.7], a imagem inversa de E
4
por X e o acontecimento
X
1
(E
4
) = .
Deni cao 2.1. Seja (, S) um espa co de resultados associado a uma experiencia aleat oria. Chama-se
vari avel aleat oria (abreviadamente, v.a.) a uma func ao X : R tal que, x R,
A
x
= { : X () x} e um acontecimento (isto e, A
x
S)
.
Exemplo 2.4. O espa co de resultados associado ao lan camento sucessivo de uma moeda por tres
vezes pode ser expresso por:
= {(FFF) , (FFC) , (FCF) , (CFF) , (FCC) , (CFC) , (CCF) , (CCC)}
representando C-sada de coroae F-sada de cara.
Considere-se a seguinte vari avel aleat oria: X = n.
o
de coroas obtidas nos tres lan camentos.
Esta v.a. tem como contradomnio o subconjunto {0, 1, 2, 3} de R e, admitindo que a probabilidade
de sair coroa em cada lan camento e de 1/3 e que estes se processam independentemente uns dos outros,
P (X = 0) = P ({(FFF)}) =
8
27
P (X = 1) = P ({(CFF) , (FCF) , (FFC)}) =
12
27
P (X = 2) = P ({(CCF) , (CFC) , (FCC)}) =
6
27
P (X = 3) = P ({(CCC)}) =
1
27
2. Vari aveis Aleat orias 16
Podemos ainda determinar a probabilidade de muitos outros acontecimentos. Por exemplo, a
probabilidade de se observarem pelo menos 2 coroas:
P (X 2) = P ({(CCF) , (CFC) , (FCC)} {(CCC)}) =
= P ({(CCF) , (CFC) , (FCC)}) +P ({(CCC)}) =
= P (X = 2) +P (X = 3) =
7
27
E a probabilidade de se observarem menos de 3 coroas:
P (X < 3) = 1 P (X = 3) =
26
27
Proposi cao 2.1. Se X
1
, X
2
, . . . , X
m
s ao m v.a.s denidas no espaco de resultados (, S), e h e uma
func ao contnua de R
m
em R, ent ao Y = h(X
1
, X
2
, . . . , X
m
) e uma v.a..
2.2 Variavel aleatoria discreta
Deni cao 2.2. Seja X uma vari avel aleat oria denida em (, S, P) e D o conjunto
D = {a R : P (X = a) > 0} .
A vari avel aleat oria X diz-se do tipo discreto quando D e um conjunto nito ou innito numer avel
e P (X D) = 1.
O conjunto D e designado o suporte da v.a. X.
Deni cao 2.3. Seja X uma v.a. discreta denida em (, S, P). Chama-se fun c ao de probabilidade
(f.p.) de X ` a func ao denida no suporte de X, D = {a
1
, a
2
, . . .}, que, a cada valor a
i
D faz
corresponder a P (X = a
i
). Uma representa c ao usual para a func ao de probabilidade da v.a. X, e:
X
_
a
1
a
2
. . . a
i
. . .
P (X = a
1
) P (X = a
2
) . . . P (X = a
i
) . . .
Propriedades da fun cao de probabilidade
1. P (X = a
i
) > 0, a
i
D;
2.
+

i=1
P (X = a
i
) = 1
Calculo de probabilidades
Dado um qualquer intervalo real, I,
P (X I) =

a
i
DI
P (X = a
i
)
Exemplo 2.5. Retomemos o exemplo 2.4. A v.a. X-n
o
de coroas observadas nos tres lan camentos,
e uma v.a. discreta e a sua func ao de probabilidade ser a:
X
_
0 1 2 3
8/27 12/27 6/27 1/27
P (X < 2) = P (X = 0) +P (X = 1) = 20/27
P (0.7 X < 2.6) = P (X = 1) +P (X = 2) = 18/27
2. Vari aveis Aleat orias 17
2.3 Variavel aleatoria contnua
Deni cao 2.4. Uma v.a. X denida em (, S, P), diz-se contnua (ou com maior rigor absoluta-
mente contnua) se o conjunto
{a R : P (X = a) > 0} =
e existe uma func ao n ao negativa f
X
, tal que, para qualquer intervalo I real,
P (X I) =
_
I
f
X
(x) dx
A func ao f
X
e designada por fun c ao densidade de probabilidade, (f.d.p.), ou simplesmente
fun c ao densidade. Ao conjunto D = {x R : f
X
(x) > 0} e dado o nome de suporte da v.a.
X.
Propriedades da fun cao densidade de probabilidade
1. f
X
(x) 0, x R;
2.
_
+

f
X
(x) dx = 1
Calculo de probabilidades
Nota 1 J a foi dito que, se X e v.a. contnua com fun c ao densidade de probabilidade f
X
, dado um
qualquer intervalo real, I,
P (X I) =
_
I
f
X
(x) dx
Como se trata do integral convergente de uma fun c ao n ao negativa, ent ao P (X I) corresponde
ao valor da area delimitada pelo intervalo I e pelos valores da fun c ao f
X
nesse intervalo.
Nota 2 Se o intervalo I for (com a < b) I = [a, b] ou I = ]a, b] ou I = [a, b[ ou ainda I = ]a, b[, o valor
da sua probabilidade e sempre igual, ou seja,
P (X I) =
_
b
a
f
X
(x) dx
Observa cao A fun c ao densidade expressa a maior ou menor tendencia para a vari avel aleat oria
tomar valores na vizinhan ca de um ponto.
Exemplo 2.6. Suponhamos que o tempo de vida (em horas) de um determinado tubo de r adio, X, e
uma v.a. com func ao densidade de probabilidade:
f
X
(x) =
_
c/x
2
x > 100
0 restantes valores de x
a) c pode ter um qualquer valor real?
1. Como f
X
(x) 0, x R c 0
2. Vari aveis Aleat orias 18
2. Como
_
+

f
X
(x) dx = 1, ent ao
_
+

f
X
(x) dx =
_
100

0 dx +c
_
+
100
1
x
2
dx = c
_

1
x
_
+
100
=
c
100
= 1 c = 100
b) Qual a probabilidade de um tubo durar mais de 500 horas?
P (X > 500) =
_
+
500
100
x
2
dx = 100
_

1
x
_
+
500
= 0.2
2.4 Fun cao de distribui cao
Outro processo de dar a conhecer a distribui c ao de uma v.a. X, isto e, os seus valores observ aveis
e a respectiva probabilidade de ocorrencia, passa pelo conhecimento ou determina c ao da fun c ao de
distribui c ao.
Deni cao 2.5. Designa-se por fun c ao de distribui c ao da vari avel aleat oria X, a func ao
F
X
: R [0, 1] denida por:
F
X
(x) = P (X x) = P (X ], x]) , x R.
Esta fun c ao acumula probabilidades pois, dados dois valores reais x e y, com x < y, o facto de
], y] = ], x] ]x, y], permite-nos estabelecer
F
X
(y) = P (X y) = P (X x) +P (x < X y) = F
X
(x) +P (x < X y) . (2.4.1)
Veremos nas sec c oes seguintes como calcular esta fun c ao. Para j a, vamos enunciar algumas das
suas propriedades:
Teorema 2.1. Qualquer vari avel aleat oria tem uma, e uma s o, func ao de distribuic ao.
Teorema 2.2. Se F
X
e a func ao de distribuic ao da vari avel aleat oria X, ent ao:
lim
x
F
X
(x) = 0 e lim
x+
F
X
(x) = 1;
F
X
e uma func ao contnua ` a direita em R;
lim
tx
+
F
X
(t) = F
X
(x) , x R
F
X
e uma func ao n ao decrescente em R.
F
X
(x) F
X
(y) , x, y R, x < y
Se conhecermos a fun c ao de distribui c ao de uma vari avel aleat oria X, podemos determinar a
probabilidade de qualquer intervalo real.
2. Vari aveis Aleat orias 19
Vejamos alguns exemplos, mas n ao sem antes introduzirmos uma nota c ao c omoda para repre-
sentarmos o limite `a esquerda da fun c ao distribui c ao F
X
num valor real a, necess ario ao c alculo da
P (X < a), e que ser a,
P (X < a) = lim
xa

F
X
(x) F
X
_
a

_
.
J a com esta nota c ao aceite,
P (X > a) = 1 P (X a) = 1 F
X
(a) , a R
P (X a) = 1 P (X < a) = 1 F
X
_
a

_
, a R
P (a < X b) = P (X b) P (X a) = F
X
(b) F
X
(a) , a, b R, a < b
P (a X b) = P (X b) P (X < a) = F
X
(b) F
X
_
a

_
, a, b R, a < b
P (a X < b) = P (X < b) P (X < a) = F
X
_
b

_
F
X
_
a

_
, a, b R, a < b
P (a < X < b) = P (X < b) P (X a) = F
X
_
b

_
F
X
(a) , a, b R, a < b
P (X = a) = P (X a) P (X < a) = F
X
(a) F
X
_
a

_
, a R
2.4.1 A funcao de distribuicao de uma variavel aleatoria discreta
Se X e uma vari avel a aleat oria discreta com fun c ao de probabilidade
X
_
a
1
a
2
. . . a
i
. . .
P (X = a
1
) P (X = a
2
) . . . P (X = a
i
) . . .
a sua fun c ao de distribui c ao e determinada por
F
X
(x) = P (X x) =

a
i
x
P (X = a
i
) , x R.
Exemplo 2.7. Retomemos o exemplo 2.4 onde a v.a. X-n.
o
de obtidas nos tres lan camentos da
moeda, tem func ao de probabilidade
X
_
0 1 2 3
8
27
12
27
6
27
1
27
e passemos ao c alculo da respectiva func ao de distribui c ao.
Para x < 0, F
X
(x) = P (X x) = 0;
Para x = 0, F
X
(0) = P (X 0) = P (X = 0) = 8/27;
Para 0 < x < 1, F
X
(x) = P (X x) = P (X 0) +P (0 < X x) = F
X
(0) + 0 = 8/27;
Para x = 1, F
X
(1) = P (X 1) = P (X = 0) +P (X = 1) = 20/27;
Para 1 < x < 2, F
X
(x) = P (X x) = P (X 1) +P (1 < X x) = F
X
(1) + 0 = 20/27;
Para x = 2, F
X
(2) = P (X 2) = P (X < 2) +P (X = 2) = lim
x2

F
X
(x) +
6
27
=
=
20
27
+
6
27
= 26/27;
2. Vari aveis Aleat orias 20
Para 2 < x < 3, F
X
(x) = P (X x) = P (X 2) +P (2 < X x) = F
X
(2) + 0 = 26/27;
Para x = 3, F
X
(3) = P (X 3) = P (X < 3) +P (X = 3) = lim
x3

F
X
(x) +
1
27
=
26
27
+
1
27
= 1;
Para x > 3, F
X
(x) = P (X x) = P (X 3) +P (3 < X x) = F
X
(3) + 0 = 1.
Assim,
F
X
(x) =
_

_
0, x < 0
8/27, 0 x < 1
20/27, 1 x < 2
26/27, 2 x < 3
1, x 3
Constate que esta fun c ao goza das propriedades atr as enunciadas, nomeadamente:
lim
x
F
X
(x) = 0; lim
x+
F
X
(x) = 1; e uma fun c ao contnua ` a direita em R; e uma fun c ao n ao
decrescente em R.
Contudo, por ser a fun c ao de distribui c ao de uma vari avel discreta, possui outras propriedades que
importa real car:
Trata-se de uma fun c ao em escada;
Os valores reais onde ocorrem as descontinuidades (saltos), s ao os valores observ aveis da
vari avel aleat oria e por isso o conjunto de todos valores onde se registam descontinuidades e o
suporte D da v.a..
A amplitude do saltonum ponto de descontinuidade a, corresponde ` a probabilidade P (X = a),
porque
P (X = a) = P (X a) P (X < a) = F
X
(a) lim
xa

F
X
(x) = F
X
(a) F
X
_
a

_
.
As tres ultimas propriedades, permitem-nos determinar a fun c ao de probabilidade de uma vari avel
aleat oria discreta, a partir do conhecimento da respectiva fun c ao de distribui c ao. O exemplo que se
segue ilustra-o.
Exemplo 2.8. Seja X uma vari avel aleat oria com func ao de distribuic ao,
F
X
(x) =
_

_
0, x < 0.6
0.2, 0.6 x < 2
0.8, 2 x < 5.7
1, x 5.7
Reconhecendo que esta func ao e uma func ao em escada, camos a saber que a vari avel aleat oria
associada e do tipo discreto;
Os saltosocorrem nos valores reais -0.6, 2 e 5.7. Assim s ao estes os valores observ aveis da
vari avel aleat oria X e por isso o suporte de X e D = {0.6, 2, 5.7};
A amplitude dos saltos, corresponder ao ` a probabilidade de observa c ao daqueles valores. Assim,
P (X = 0.6) = F
X
(0.6) F
X
(0.6

) = 0.2 0 = 0.2
P (X = 2) = F
X
(2) F
X
(2

) = 0.8 0.2 = 0.6


P (X = 5.7) = F
X
(5.7) F
X
(5.7

) = 1 0.8 = 0.2
2. Vari aveis Aleat orias 21
e a func ao de probabilidade de X e,
X
_
0.6 2 5.7
0.2 0.6 0.2
Exemplo 2.9. Continuando o exemplo 2.7, determinemos algumas probabilidades, usando exclusiva-
mente a func ao de distribuic ao.
P (X 0.5) = F
X
(0.5) = 8/27;
P (X 1) = 1 P (X < 1) = 1 F
X
_
1

_
= 1 8/27 = 19/27;
P (1 < X 2.7) = P (X 2.7) P (X 1) = F
X
(2.7) F
X
(1) = 26/27 20/27 = 6/27
P (1 < X < 3) = P (X < 3) P (X 1) = F
X
_
3

_
F
X
(1) = 26/27 20/27 = 6/26;
P (0 X < 2) = P (X < 2) P (X < 0) = F
X
_
2

_
F
X
_
0

_
= 20/27 0 = 20/27.
2.4.2 A funcao de distribuicao de uma variavel aleatoria contnua
Se X e uma vari avel aleat oria contnua com fun c ao densidade de probabilidade f
X
, a sua fun c ao
de distribui c ao e
F
X
(x) = P (X x) =
_
x

f
X
(t) dt, x R.
Exemplo 2.10. Retomemos o exemplo 2.6 onde a v.a. X-tempo de vida (em horas) de tubo de r adio,
tem func ao densidade de probabilidade
f
X
(x) =
_
0, x 100
100/x
2
, x > 100
e passemos ao c alculo da respectiva func ao de distribui c ao.
Para x 100, F
X
(x) = P (X x) =
_
x

f
X
(t) dt =
_
x

0 dt = 0;
Para x > 100, F
X
(x) = P (X x) =
_
x

f
X
(t) dt =
_
100

0dt+
_
x
100
100
t
2
dt =
_

100
t

x
100
= 1
100
x
;
Assim,
F
X
(x) =
_
0, x < 100
1 100/x, x 100
Constate que esta fun c ao goza das propriedades atr as enunciadas, nomeadamente:
lim
x
F
X
(x) = 0; lim
x+
F
X
(x) = 1; e uma fun c ao contnua ` a direita em R; e uma fun c ao n ao
decrescente em R.
Contudo, por ser a fun c ao de distribui c ao de uma vari avel contnua, possui outras propriedades
que importa destacar:
Trata-se de uma fun c ao contnua em R. A continuidade ` a direita e assegurada pelas suas pro-
priedades genericas. A continuidade ` a esquerda em R, implica que se tenha
F
X
(a

) = F
X
(a) , a R. Ora
F
X
_
a

_
= P (X < a) = P (X a)
. .
=F
X
(a)
P (X = a)
. .
=0
= F
X
(a) , a R
porque X e v.a. contnua e portanto P (X = a) = 0, a R.
2. Vari aveis Aleat orias 22
Como F
X
(x) =
_
x

f
X
(t) dt, a menos de um acontecimento quase impossvel, a fun c ao densi-
dade f
X
, e a derivada da fun c ao distribui c ao:
f
X
(x) =
d
dx
F
X
(x) .
Se F
X
for deriv avel em x R,
f
X
(x) =
d
dx
F
X
(x) = lim
dx0
F
X
(x +dx) F
X
(x)
dx
= lim
dx0
P (x < X x +dx)
dx
e portanto, para dx 0 positivo,
f
X
(x) dx P (x < X x +dx) ,
ou seja, a probabilidade de X assumir valores num intervalo innitesimal ]x, x +dx] e aproximada
pela area de um rect angulo de largura dx e altura f
X
(x).
Exemplo 2.11. Continuando o exemplo 2.10, determinemos algumas probabilidades, usando exclusi-
vamente a func ao de distribuic ao.
P (X 110) = F
X
(110) = 1 100/110 = 1/11;
P (X 110) = 1 P (X < 110) = 1 F
X
(110) = 10/11;
P (90 < X 120) = P (X 120) P (X 90) = F
X
(120) F
X
(90) = 1 100/120 0 = 1/6
P (110 < X < 120) = P (X < 120) P (X 110) = F
X
(120) F
X
(110) =
= 1 100/120 (1 100/110) = 5/66.
2.5 Vectores aleatorios
Exemplo 2.12. Consideremos uma popula c ao de empresas, das quais se escolhe uma ao acaso. Se
existirem m empresas, ent ao o universo e = {
1
,
2
, . . . ,
m
} onde
i
representa a empresa i.
Sobre este universo de empresas podemos denir v arias correspondencias (ou vari aveis aleat orias):
X (), sendo X () o n umero de empregados da empresa ;
W (), sendo W () o encargo total anual em sal arios da empresa ;
Y (), sendo Y () o valor anual dos impostos cobrados ` a empresa ;
Z (), sendo Z () o volume de vendas anual da empresa ;
e muitas mais.
Quando se pretende estudar diversas caractersticas num mesmo elemento do espa co de resultados
, faz-se corresponder a cada um desses elementos um ponto (x
1
, x
2
, . . . , x
p
) de R
p
, isto e, considera-se
a aplica c ao
w (X
1
() , X
2
() , . . . , X
p
())
que substitui o espa co de resultados por R
p
.
Deni cao 2.6. Se para qualquer ponto (x
1
, x
2
, . . . , x
p
) R
p
, o conjunto de ,
{w : X
1
(w) x
1
, X
2
(w) x
2
, . . . , X
p
(w) x
p
}
2. Vari aveis Aleat orias 23
e um acontecimento, diz-se que
X () = (X
1
() , X
2
() , . . . , X
p
())
ou numa notac ao mais abreviada
X = (X
1
, X
2
, . . . , X
p
)
e um vector aleat orio de dimens ao p.
Quando se pretende estudar em simult aneo duas vari aveis aleat orias, necessitaremos de um vector
aleat orio de dimensao 2 dito tambem par aleat orio.
Representemos por (X, Y ) esse par aleat orio.
Classica cao de um par aleat orio
(X, Y ) e um par aleat orio discreto se as v.a.s X e Y s ao do tipo discreto.
(X, Y ) e um par aleat orio contnuo se as v.a.s X e Y s ao do tipo contnuo.
(X, Y ) e um par aleat orio misto se uma das v.a.s X e Y e do tipo discreto e a outra do tipo
contnuo.
2.5.1 Par aleatorio discreto
Deni cao 2.7. Seja (X, Y ) um par aleat orio discreto. Chama-se fun c ao de probabilidade con-
junta(f.p.c) de (X, Y ) ` a func ao denida no conjunto D = {(x
1
, y
1
) , (x
2
, y
2
) , . . .} dos valores de (X, Y )
que s ao observados com probabilidade n ao nula, e pelas respectivas probabilidades,
p
ij
= P (X = x
i
; Y = y
j
) , i, j = 1, 2, . . .
vericando as seguintes condic oes:
1. 0 p
ij
1, (x
i
, y
j
) D
2.
+

i=1
+

j=1
p
ij
= 1
O conjunto D e designado por suporte do par aleat orio.

E usual a representa c ao da fun c ao de probabilidade conjunta do par aleat orio (X, Y ) na seguinte
forma:
X \ Y y
1
y
2
. . . y
j
. . .
x
1
p
11
p
12
. . . p
1j
. . . p
1
x
2
p
21
p
22
. . . p
2j
. . . p
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
i
p
i1
p
i2
. . . p
ij
. . . p
i
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
p
1
p
2
. . . p
j
.
.
. 1
2. Vari aveis Aleat orias 24
Deni cao 2.8. Dado um par aleat orio discreto (X, Y ) dene-se fun c ao de probabilidade marginal
de X e fun c ao de probabilidade marginal de Y por:
p
i
= P (X = x
i
) =
+

j=1
P (X = x
i
; Y = y
j
) =
+

j=1
p
ij
, i = 1, 2, . . .
p
j
= P (Y = y
j
) =
+

i=1
P (X = x
i
; Y = y
j
) =
+

i=1
p
ij
, j = 1, 2, . . .
Estas duas fun c oes s ao fun c oes de probabilidade de vari aveis aleat orias unidimensionais e por isso
satisfazem as condi c oes:
X Y
p
i
> 0, i = 1, 2, . . . p
j
> 0, j = 1, 2, . . .

+
i=1
p
i
= 1

+
j=1
p
j
= 1
Exemplo 2.13. Seja (X, Y ) um par aleat orio discreto, representando
X-o n.
o
de carros que chegam a um parque de estacionamento, num dado momento
Y-o n.
o
de lugares vagos neste parque, no mesmo momento
FUNC

AO DE PROBABILIDADE CONJUNTA DE (X, Y )
X \ Y 1 2 3
1 0.05 0.03 0.02 0.1 P (X = 1)
2 0.1 0.06 0.04 0.2 P (X = 2)
3 0.15 0.09 0.06 0.3 P (X = 3)
4 0.2 0.12 0.08 0.4 P (X = 4)
0.5 0.3 0.2 1
P (Y = 1) P (Y = 2) P (Y = 3)
probabilidade de, num dado momento, chegarem ao parque dois carros e s o haver
lugar para um
P (X = 2; Y = 1) = 0.1
probabilidade de, num dado momento, os lugares vagos serem insuficientes para os
autom oveis que chegam
P (X > Y ) = P (X = 2; Y = 1) +P (X = 3; Y = 1) +
+ P (X = 3; Y = 2) +P (X = 4; Y = 1) +
+ P (X = 4; Y = 2) +P (X = 4; Y = 3) =
= 0.1 + 0.15 + 0.09 + 0.2 + 0.12 + 0.08 = 0.74
probabilidade de, num certo momento, chegarem tr es autom oveis
P (X = 3) = P (X = 3; Y = 1) +P (X = 3; Y = 2) +
+ P (X = 3; Y = 3) = 0.15 + 0.09 + 0.06 = 0.3
2. Vari aveis Aleat orias 25
probabilidade de, num certo momento, haver apenas um lugar vago
P (Y = 1) = P (X = 1; Y = 1) +P (X = 2; Y = 1) +
+ P (X = 3; Y = 1) +P (X = 4; Y = 1) =
= 0.05 + 0.1 + 0.15 + 0.2 = 0.5
FUNC

AO DE PROBABILIDADE MARGINAL DE X
X
_
1 2 3 4
0.1 0.2 0.3 0.4
FUNC

AO DE PROBABILIDADE MARGINAL DE Y
Y
_
1 2 3
0.5 0.3 0.2
Independencia entre as variaveis de um par aleat orio discreto
Consideremos os acontecimentos (X = x
i
) e (Y = y
j
). Pelo que sabemos sobre a independencia de
acontecimentos, poderemos armar que aqueles dois acontecimentos s ao independentes se, e s o se,
P ((X = x
i
) (Y = y
j
)) = P (X = x
i
) P (Y = y
j
)
P (X = x
i
; Y = y
j
) = P (X = x
i
) P (Y = y
j
)
p
ij
= p
i
p
j
Teorema 2.3. Seja (X, Y ) um par aleat orio discreto. As v.a.s X e Y dizem-se independentes (ou
diz-se que o par aleat orio e independente) se, e s o se,
P (X = x
i
; Y = y
j
) = P (X = x
i
) P (Y = y
j
) , (x
i
, y
j
) D
ou numa notac ao simplicada, se, e s o se,
p
ij
= p
i
p
j
, i, j = 1, 2 . . .
Exemplo 2.14. Na continuac ao do exemplo 2.13,
P (X = 1; Y = 1) = 0.05 e P (X = 1) P (Y = 1) = 0.1 0.5 = 0.05
logo P (X = 1; Y = 1) = P (X = 1) P (Y = 1)
P (X = 1; Y = 2) = 0.03 e P (X = 1) P (Y = 2) = 0.1 0.3 = 0.03
logo P (X = 1; Y = 2) = P (X = 1) P (Y = 2)
O mesmo se passa para todos os outros valores do suporte do par aleat orio (X, Y ).
Portanto as v.a.s X e Y s ao independentes, ou seja o n
o
de carros que chegam ao parque de
estacionamento, num dado momento, n ao tem qualquer relac ao com o n
o
de lugares vagos, no mesmo
momento.
2. Vari aveis Aleat orias 26
2.5.2 Par aleatorio contnuo
Deni cao 2.9. Um par aleat orio (X, Y ) diz-se contnuo (ou absolutamente contnuo) se o con-
junto
{(x, y) : P (X = x; Y = y) > 0} =
e existe uma func ao n ao negativa f
(X,Y )
, tal que, para qualquer intervalo I de R
2
,
P ((X, Y ) I) =
_ _
I
f
(X,Y )
(x, y) dxdy
A func ao f
(X,Y )
e designada por fun c ao densidade de probabilidade conjunta, (f.d.p.c), ou
simplesmente fun c ao densidade conjunta e deve satisfazer as seguintes condic oes:
1. f
(X,Y )
(x, y) 0, (x, y) R
2
;
2.
_
+

_
+

f
(X,Y )
(x, y) dxdy = 1
Interpreta cao da probabilidade
Como, para um qualquer intervalo I de R
2
,
P ((X, Y ) I) =
_ _
I
f
(X,Y )
(x, y) dxdy
e f
(X,Y )
e uma fun c ao n ao negativa, ent ao a P ((X, Y ) I) corresponde ao valor do volume do espa co
delimitado pela fun c ao densidade conjunta e pelo intervalo I.
Deni cao 2.10. Dado um par aleat orio contnuo (X, Y ) e possvel denir a fun c ao densidade de
probabilidade marginal de X e a fun c ao densidade de probabilidade marginal de Y , do
seguinte modo:
f
X
(x) =
_
+

f
(X,Y )
(x, y) dy, x R
f
Y
(y) =
_
+

f
(X,Y )
(x, y) dx, y R
Estas duas func oes s ao func oes densidade de probabilidade de vari aveis aleat orias unidimensionais.
Independencia entre as variaveis de um par aleat orio contnuo
Deni cao 2.11. Seja (X, Y ) um par aleat orio contnuo. As v.a.s X e Y dizem-se independentes
(ou diz-se que o par aleat orio e independente) se, e s o se,
f
(X,Y )
(x, y) = f
X
(x) f
Y
(y) , (x, y) R
2
Exemplo 2.15. Os tempos de vida, em centenas de horas, das duas componentes principais de um
sistema de controlo s ao v.a.s (X, Y ) com func ao densidade conjunta
f
(X,Y )
(x, y) =
_
cx
2
y 0 < x < 3, 0 < y < 2
0 outros valores de (x, y) R
2
, c R
2. Vari aveis Aleat orias 27
a) Qual o valor de c?
f
(X,Y )
(x, y) 0, (x, y) R
2
c 0
_
+

_
+

f
(X,Y )
(x, y) dxdy = 1
_
3
0
_
2
0
cx
2
y dxdy = 1
c = 1/18
b) Qual a probabilidade de cada uma das componentes durar mais de 100 horas?
P (X > 1; Y > 1) =
_
3
1
_
2
1
1
18
x
2
y dxdy =
13
18
c) Qual a probabilidade da 1
a
componente durar mais de 100 horas?
P (X > 1) =
_
+
1
_
+

f
(X,Y )
(x, y) dxdy =
_
3
1
_
2
0
11
18
x
2
y dxdy =
26
27
ou de outro modo
P (X > 1) =
_
3
1
f
X
(x) dx =?
f
X
(x) =
_
+

f
(X,Y )
(x, y) dy =
_
2
0
1
18
x
2
y dy =
x
2
9
, 0 < x < 3
P (X > 1) =
_
3
1
x
2
9
dx =
26
27
d) Os tempos de vida das componentes s ao independentes?
f
Y
(y) =
_
+

f
(X,Y )
(x, y) dx =
_
3
0
1
18
x
2
y dx =
y
2
, 0 < y < 2
f
Y
(y) =
_
y/2 0 < y < 2
0 o. v. de y
f
X
(x) =
_
x
2
/9 0 < x < 3
0 o. v. de x
f
(X,Y )
(x, y) =
_
1
18
x
2
y 0 < x < 3, 0 < y < 2
0 o. v. (x, y)
= f
X
(x) f
Y
(y)
e) Com a informa c ao da alnea anterior, a alnea b) poder-se-ia resolver de outro modo:
P (X > 1; Y > 1) = P (X > 1) P (Y > 1) =
26
27

3
4
=
13
18
P (Y > 1) =
_
2
1
f
Y
(y) dy =
_
2
1
y
2
dy =
3
4
Captulo 3
Momentos e Parametros
3.1 Valor medio ou esperan ca matematica
Exemplo 3.1. Uma empresa de aluguer de avi oes sabe que a procura di aria X tem car acter aleat orio
e estima a sua func ao de probabilidade por
X
_
0 1 2 3
0.25 0.35 0.30 0.10
Qual o n umero medio de avi oes procurados diariamente?
A resposta ser a
0 0.25 + 1 0.35 + 2 0.30 + 3 0.10 = 1.25 avi oes,
a que d a o nome de valor medio ou esperan ca matem atica de X e que se representa por E (X).
Segundo a segunda designac ao, a quantidade que acab amos de calcular tambem pode ser enunciada
por:
O n umero esperado de avi oes procurados diariamente e de 1.25.
Admitamos que outra empresa de aluguer de avi oes apresenta a seguinte func ao de probabilidade
para a procura di aria Y ,
Y
_
1 2 3 4 5
0.10 0.35 0.30 0.15 0.10
O n umero medio de avi oes procurados por dia e de
E (Y ) = 1 0.10 + 2 0.35 + 3 0.30 + 4 0.15 + 5 0.10 = 2.8 avi oes.
0 1 2 3 ?
E (X)
1 2 3 4 5 ?
E (Y )
28
3. Momentos e Par ametros 29
O valor medio e uma medida de localiza cao (ou um parametro de localiza cao) da v.a. a que
se aplica.
Deni cao 3.1. Se X e uma v.a., dene-se o valor medio ou esperan ca matem atica de X, por
a) E (X) =

i=1
x
i
P (X = x
i
), caso X seja uma v.a. discreta com valores em D = {x
1
, x
2
, . . .};
b) E (X) =
_
+

xf
X
(x) dx, caso X seja uma v.a. contnua com func ao densidade de probabilidade
f
X
.
Exemplo 3.2. Suponha que o seu medico lhe aconselha que fa ca uma dieta para emagrecimento,
durante 2 semanas. Considerando a sua estrutura fsica, pressup oe que o peso (em kg) que vai perder
se situa, com igual probabilidade, entre 2 e 4 kg. Quantos quilos espera perder nas duas semanas?
f
X
(x) =
_
1/2 2 x 4
0 o.v. de x
E (X) =
_
+

xf
X
(x) dx =
_
4
2
x
1
2
dx = 3 kg
Suponha que o medico lhe prop oe outro tipo de dieta, informando-o de que a distribuic ao do peso
e diferente e bem descrito pela func ao densidade de probabilidade
f
Y
(y) =
_
3
8
(y 4)
2
2 y 4
0 o.v. de y
E (Y ) =
_
+

yf
Y
(y) dy =
_
4
2
y
3
8
(y 4)
2
dy = 2.5 kg
-
6
2 4 ?
E (X)
X
1/2
f
X
(x)
- &
2 4 Y
6
?
E (Y )
3/2
f
Y
(y)
Nota: O valor medio s o existe desde que a soma (caso discreto) ou o integral (caso contnuo)
sejam absolutamente convergentes.
Por exemplo, se considerarmos o tempo de vida do tubo de r adio referido no exemplo 2.6,
E (|X|) =
_
+
100
x
100
x
2
dx = 100
_
+
100
1
x
dx = 100 [lnx]
+
100
= +
e por isso, a v.a. X n ao tem valor medio
3. Momentos e Par ametros 30
Deni cao 3.2. Seja X uma v.a. e uma func ao real de vari avel real. Dene-se o valor medio ou
esperan ca matem atica de (X), por
a) E [(X)] =

i=1
(x
i
) P (X = x
i
), caso X seja uma v.a. discreta com valores em D = {x
1
, x
2
, . . .};
b) E [(X)] =
_
+

(x) f
X
(x) dx, caso X seja uma v.a. contnua com func ao densidade de
probabilidade f
X
,
(desde que existam)
Exemplo 3.3. Consideremos o exemplo 3.1, e admitamos que o ganho obtido, quando s ao procurados
X avi oes por dia, e (X) = 500

X euros. O ganho medio di ario ser a de


E
_
500

X
_
= 500

0 0.25 + 500

1 0.35 + 500

2 0.30 +
+ 500

3 0.10 = 473.7345747 euros.


Consideremos o exemplo 3.2 e determinemos o valor medio de (X) = X
2
.
E
_
X
2
_
=
_
+

x
2
f
X
(x) dx =
_
4
2
x
2
1
2
dx =
28
3
kg
2
3.1.1 Propriedades do valor medio
Proposi cao 3.1. Sejam X e Y v.a.s, a e b constantes reais e e func oes reais de vari avel real.
E (b) = b;
E (aX +b) = aE (X) +b;
E (X Y ) = E (X) E (Y );
E [(X) (Y )] = E [(X)] E [(Y )];
Se X e Y s ao v.a.s independentes, E (XY ) = E (X) E (Y ).
Exemplo 3.4. Relativamente ` as v.a.s descritas no exemplo 3.2 e aos valores medios determinados
no exemplo 3.3,
E
_
2X +Y 3X
2
+ 10
_
= 2E (X) +E (Y ) 3E
_
X
2
_
+ 10 = 9.7
Relativamente ` a primeira parte do exemplo 3.3,
E
_

X
_
= E
_
1
500
500

X
_
=
1
500
E
_
500

X
_
= 0.947469149
3. Momentos e Par ametros 31
3.2 Variancia e desvio padrao
Exemplo 3.5. Retomemos o exemplo 3.1, e consideremos outra empresa de aluguer de avi oes, para
a qual a func ao de probabilidade da procura di aria W e,
W
_
0 1 2 3 4 5
0.27 0.35 0.3 0.04 0.02 0.02
Se quisermos utilizar o valor medio para analisar a procura di aria de avi oes nesta e na primeira
empresa, isto e, as v.a.s X e W, constatamos que E (X) = 1.25 avi oes e E (W) = 1.25 avi oes.
O valor medio e insuciente para descrever as caractersticas de X e de W. As duas vari aveis tem
o mesmo ponto de equilbrio. Contudo, a v.a. W aparenta ter uma maior dispers ao.
0 1 2 3 ?
E (X)
X E (X)
0 1 2 3 4 5 ?
E (W)
W E (W)
Deni cao 3.3. Se X e uma v.a., dene-se a vari ancia de X por
V (X) = E
_
(X E (X))
2
_
(desde que exista).
Exemplo 3.6.
V (X) = E
_
(X 1.25)
2
_
= (0 1.25)
2
0.25 + (1 1.25)
2
0.35 +
+ (2 1.25)
2
0.30 + (3 1.25)
2
0.10 = 0.8875 n
o2
de avi oes
V (W) = E
_
(W 1.25)
2
_
= (0 1.25)
2
0.27 +. . . + (5 1.25)
2
0.02 =
= 1.1675 n
o2
de avi oes
Proposi cao 3.2. Se X e uma v.a., para a qual existe vari ancia, ent ao
V (X) = E
_
X
2
_
E
2
(X)
Exemplo 3.7.
E
_
X
2
_
= 0
2
0.25 +. . . + 3
2
0.10 = 2.45 n
o2
de avi oes
V (X) = 2.45 1.25
2
= 0.8875 n
o2
de avi oes
E
_
W
2
_
= 0
2
0.27 +. . . + 5
2
0.02 = 2.73 n
o2
de avi oes
V (W) = 2.73 1.25
2
= 1.1675 n
o2
de avi oes
3. Momentos e Par ametros 32
A vari ancia e o desvio padr ao s ao medidas de dispersao (ou parametros de dispersao) da
v.a. a que se aplicam.
Reparou na escala de medi cao da variancia?
Deni cao 3.4. Se X e uma v.a., para a qual existe vari ancia, dene-se o desvio padr ao de X por
(X) =
_
V (X)
Exemplo 3.8.
(X) =

0.8875 0.9421 avi oes


(W) =

1.1675 1.0805 avi oes


Teorema 3.1. (Desigualdade de Chebychev)
Se X e uma v.a. para a qual existe vari ancia e c > 0 e uma constante real, ent ao
P (|X E (X)| c (X))
1
c
2
Nota:
Para c = 2, podemos dizer que a probabilidade da v.a. X assumir valores no intervalo
(E (X) 2 (X) , E (X) + 2 (X)) e superior a 1 1/4 = 0.75.
Para c = 3, podemos dizer que a probabilidade da v.a. X assumir valores no intervalo
(E (X) 3 (X) , E (X) + 3 (X)) e superior a 1 1/9 = 0.89.
Exemplo 3.9. Para a v.a. W, podemos dizer que em mais de 75% dos dias a procura de avi oes se
situa no intervalo
_
1.25 2

1.1675, 1.25 + 2

1.1675
_
= (0.9110, 3.4110) avi oes
3.2.1 Propriedades da variancia
Proposi cao 3.3. Sejam X e Y v.a.s, a e b constantes reais.
V (b) = 0;
V (aX +b) = a
2
V (X);
V (X Y ) = V (X) +V (Y ) 2 cov (X, Y );
Se X e Y s ao v.a.s independentes, V (X Y ) = V (X) +V (Y ).
3. Momentos e Par ametros 33
3.3 Covariancia e coeciente de correlacao
Exemplo 3.10. Retomemos o exemplo 2.13 relativo ao par aleat orio discreto (X, Y ) com
X-o n.
o
de carros que chegam a um parque de estacionamento, num dado momento
Y-o n.
o
de lugares vagos neste parque, no mesmo momento
e admitamos agora que este par aleat orio tem um comportamento probabilstico diferente, isto e, tem
uma func ao de probabilidade conjunta
FUNC

AO DE PROBABILIDADE CONJUNTA DE (X, Y )
X \ Y 1 2 3
1 0.05 0.13 0.12 0.3
2 0.1 0.06 0.14 0.3
3 0.15 0.05 0.05 0.25
4 0.1 0.02 0.03 0.15
0.4 0.26 0.34 1
Como se pode constatar, as v.a.s X e Y n ao s ao independentes porque, por exemplo,
P (X = 1; Y = 1) = 0.05 e P (X = 1) P (Y = 1) = 0.12
Existindo uma relac ao entre X e Y , podemos tentar quanticar essa relac ao com uma nova medida a
que se d a o nome de covari ancia.
Consideremos o valor esperado de X e o valor esperado de Y ,
E(X) = 1 0.3 + 2 0.3 + 3 0.25 + 4 0.15 = 2.25
E(Y ) = 1 0.4 + 2 0.26 + 3 0.34 = 1.94
Se marcarmos estes valores no quadro representativo da fun c ao de probabilidade conjunta de (X, Y ),
este surge dividido em 4 zonas:
X \ Y 1 2 3
1
A B
2
3
C D
4
que se podem interpretar do seguinte modo: se pensarmos que os valores de X menores que o seu
valor esperado E (X), s ao os valores mais pequenos de X e que os valores de X maiores que o seu
valor esperado E (X), s ao os valores maiores de X, e interpretarmos do mesmo modo os valores de
Y , ent ao:
A zona A corresponde aos valores menores de X que s ao acompanhados pelos valores menores
de Y ;
A zona B corresponde aos valores menores de X que s ao acompanhados pelos valores maiores
de Y;
3. Momentos e Par ametros 34
A zona C corresponde aos valores maiores de X que s ao acompanhados pelos valores menores
de Y ;
A zona D corresponde aos valores maiores de X que s ao acompanhados pelos valores maiores de
Y .
Ent ao as zonas A e D s ao as zonas em que as v.a.s X e Y tem identico sentido de crescimento, no
sentido em que, quando uma cresce, a outra tambem cresce. As zonas B e C s ao as zonas em que as
v.a.s X e Y tem sentidos de crescimento opostos, no sentido em que, quando uma cresce, a outra
decresce.
Tambem se constata que:
Na zona A, XE (X) tem sinal negativo e Y E (Y ) tem sinal negativo, logo (X E (X)) (Y E (Y ))
tem sinal positivo;
Na zona B, XE (X) tem sinal negativo e Y E (Y ) tem sinal positivo, logo (X E (X)) (Y E (Y ))
tem sinal negativo;
Na zona C, XE (X) tem sinal positivo e Y E (Y ) tem sinal negativo, logo (X E (X)) (Y E (Y ))
tem sinal negativo;
Na zona D, XE (X) tem sinal positivo e Y E (Y ) tem sinal positivo, logo (X E (X)) (Y E (Y ))
tem sinal positivo.
Em resumo, nas zonas A e D, (X E (X)) (Y E (Y )) tem sinal positivo e se compararmos com o
que anteriormente foi dito sobre estas duas zonas, esse sinal corresponde ao caso em que as v.a.s X
e Y tem identico sentido de crescimento.
Nas zonas B e C, (X E (X)) (Y E (Y )) tem sinal negativo, correspondendo ao caso em que as
v.a.s X e Y tem sentidos de crescimento opostos.
Assim, se ponderarmos os valores de (X E (X)) (Y E (Y )) pelas respectivas probabilidades
de ocorrencia e somarmos para todos os valores do par aleat orio, caremos a saber, em media, qual
o sinal preponderante, ou seja, caremos a saber, qual o sentido de crescimento preponderante entre
as v.a.s.
Como tal, dene-se a covari ancia de um par aleat orio (X, Y ) por
Deni cao 3.5. Se (X, Y ) e um par aleat orio, dene-se covari ancia de (X, Y ) por
cov (X, Y ) = E [(X E (X)) (Y E (Y ))]
(desde que exista).
Neste exemplo,
cov (X, Y ) = (1 2.25) (1 1.94) P (X = 1; Y = 1) +
+ (2 2.25) (1 1.94) P (X = 2; Y = 1) +. . . +
+ (4 2.25) (3 1.94) P (X = 4; Y = 3) = 0.295
Mas a covari ancia admite ainda outra express ao,
Proposi cao 3.4. Seja (X, Y ) e um par aleat orio
cov (X, Y ) = E (XY ) E (X) E (Y )
(desde que exista).
3. Momentos e Par ametros 35
que e muito utilizada para efeitos de c alculo.
Exemplo 3.11. No nosso exemplo, a sua aplicac ao resulta em
E (XY ) = 1 1 P (X = 1; Y = 1) + 2 1 P (X = 2; Y = 1)
+ 3 1 P (X = 3; Y = 1) + 4 1 P (X = 4; Y = 1) +. . . +
+ 4 3 P (X = 4; Y = 3) = 4.07
cov (X, Y ) = E (XY ) E (X) E (Y ) = 4.07 2.25 1.94 = 0.295
A an alise do valor obtido para a covari ancia permite-nos dizer que, sendo esta negativa, e existindo
uma tendencia de rela c ao linear entre as v.a.s, nesta rela c ao as vari aveis tem sentidos de crescimento
opostos, isto e, quando o valor de X aumenta, com grande probabilidade, o valor de Y diminui.
3.3.1 Propriedades da covariancia
Proposi cao 3.5. Sejam X, Y , W e Z v.a.s, a,b, c e d constantes reais.
Se X e Y s ao v.a.s independentes, ent ao cov (X, Y ) = 0;
cov (a +bX, c +dY ) = bd cov (X, Y );
cov (aX +bY, cZ +dW) = ac cov (X, Z) +ad cov (X, W) +bc cov (Y, Z) +bd cov (Y, W).
Contudo, para quanticar a for cada associa c ao linear entre duas vari aveis, n ao convem usar
unicamente a covari ancia, ja que esta medida n ao e limitada e, como tal, n ao permite que se fa cam
arma c oes do tipo a covari ancia e grandeou a covari ancia e pequena. Assim precisamos de uma
medida da associa c ao linear entre as vari aveis X e Y , que seja normada (limitada).
Deni cao 3.6. Se (X, Y ) e um par aleat orio, dene-se coeciente de correla c ao de (X, Y ) por
(X, Y ) =
cov (X, Y )
_
V (X) V (Y )
(desde que exista).
3.3.2 Propriedades do coeciente de correlacao
Proposi cao 3.6. Seja (X, Y ) um par aleat orio,
1 (X, Y ) 1;
| (X, Y )| = 1 se, e s o se, P (Y = a +bX) = 1, sendo a e b constantes reais;
Se X e Y s ao v.a.s independentes, (X, Y ) = 0.
Nota: Como regra emprica, estabelece-se que o coeciente de correla c ao espelha uma rela c ao
linear forte entre as v.a.s X e Y , se | (X, Y )| 0.70.
Exemplo 3.12. Voltando ao nosso exemplo,
V (X) = 1.0875 V (Y ) = 0.7364 (X, Y ) = 0.3296480365
e assim conclumos que n ao e possvel que exista uma relac ao linear entre X e Y .
3. Momentos e Par ametros 36
3.4 Outros valores esperados sobre um par aleatorio
Deni cao 3.7. Seja (X, Y ) um par aleat orio e (x, y) uma func ao real de vari aveis reais. Dene-se
valor medio ou valor esperado de (X, Y ) por
E [ (X, Y )] =

i=1

j=1
(x
i
, y
j
) P (X = x
i
; Y = y
j
), caso o par seja discreto com valores em
D = {(x
1
, y
1
) , (x
2
, y
2
) , . . .};
E [ (X, Y )] =
_
+

_
+

(x, y) f
(X,Y )
(x, y) dx dy, caso o par seja contnuo com func ao den-
sidade de probabilidade conjunta f
(X,Y )
.
(desde que existam).
3.5 Outros parametros de localizacao de uma variavel aleatoria
3.5.1 A mediana
Deni cao 3.8. Seja X uma v.a. contnua. Designa-se por mediana de X, o valor m
e
de X que
verica,
P (X m
e
) = 1/2
Exemplo 3.13. Para a v.a. contnua apresentada no exemplo 2.6, a mediana de X ter a o valor
m
e
= 200, porque
P (X m
e
) = 1/2
_
me

f
X
(x) dx = 1/2
_
me
100
100
x
2
dx = 1/2
1
100
m
e
= 1/2 m
e
= 200
Caso X seja uma v.a. discreta, pode n ao existir um valor m
e
tal que P (X m
e
) seja exactamente
igual a 1/2. Da uma deni c ao diferente de mediana para este tipo de v.a.s.
Deni cao 3.9. Seja X uma v.a. discreta. A mediana de X, que representamos por m
e
, e o menor
valor x que verica,
P (X x) 1/2
Exemplo 3.14. Para a v.a. discreta Y , apresentada no exemplo 3.1, a mediana tem o valor m
e
= 3.
3.5.2 Quantil
Deni cao 3.10. Seja X uma v.a. contnua. Designa-se por quantil de probabilidade p, ao valor x
p
de X que verica,
P (X x
p
) = p
3. Momentos e Par ametros 37
Exemplo 3.15. Para a v.a. contnua apresentada no exemplo 2.10, o quantil de probabilidade 0.9
ter a o valor x
0.9
= 1000, porque
P (X x
0.9
) = 0.9 F
X
(x
0.9
) = 0.9 1
100
x
0.9
= 0.9 x
0.9
= 1000
Caso X seja uma v.a. discreta, pode n ao existir um valor x
p
tal que P (X x
p
) seja exactamente
igual a p. Da uma deni c ao diferente de quantil para este tipo de v.a.s.
Deni cao 3.11. Seja X uma v.a. discreta. O quantil de probabilidade p, que representamos por x
p
,
e o menor valor x que verica,
P (X x) p
Exemplo 3.16. Para a v.a. discreta Y , apresentada no exemplo 3.1, o quantil de probabilidade 0.2
tem o valor y
0.2
= 2.
3.5.3 A moda
Tal como a designa c ao sugere, a moda e o valor mais frequentede uma v.a., ou seja o valor que
ocorre com maior probabilidade.
Deni cao 3.12. A moda da v.a. X, e o valor m
o
tal que
a) max
x
i
D
P (X = x
i
) = P (X = m
o
), caso X seja uma v.a. discreta com valores em D = {x
1
, x
2
, . . .};
b) max
xR
f
X
(x) = f
X
(m
o
), caso X seja uma v.a. contnua com func ao densidade de probabilidade
f
X
.
desde que seja unico.
Exemplo 3.17. Para a v.a. discreta Y do exemplo 3.1, a moda tem o valor m
o
= 2.
Para a v.a. contnua descrita no exemplo 2.6 a moda tem o valor m
o
= 100.
3.6 Outros parametros de dispersao de uma variavel aleatoria
3.6.1 O desvio medio
Deni cao 3.13. Seja X uma v.a.. Dene-se o desvio medio de X por,
E (|X E (X)|)
(desde que exista).
Captulo 4
Distribui coes Importantes
4.1 Distribuicoes discretas
4.1.1 Distribuicao Hipergeometrica
Num aqu ario existem 9 peixes, dos quais 5 est ao saud aveis (S) e os restantes 4 est ao doentes (D).
Considere-se a seguinte experiencia aleat oria: extrac c ao ao acaso e sem reposi cao de 3 peixes do
aqu ario e registo do seu estado de sa ude.
Associada a esta experiencia aleat oria, considere-se a seguinte vari avel aleat oria: X - n.
o
de peixes
saudaveis na amostra de 3 peixes.
Nota: Repare na natureza dicot omica das caractersticas em observa c ao nos peixes: saud avel ou
n ao saudavel.
Pretendemos deduzir a fun c ao de probabilidade desta v.a..
Comecemos por relacionar os resultados da experiencia com os correspondentes valores de X.
Resultados da experiencia Valores de X
(S, S, S) 3
(S, S, D) 2
(S, D, S) 2
(D, S, S) 2
(S, D, D) 1
(D, S, D) 1
(D, D, S) 1
(D, D, D) 0
Para ja podemos completar a fun c ao de probabilidade de X com os valores observ aveis desta v.a.
X
_
0 1 2 3
Passemos ao c alculo das probabilidades. Por exemplo, se considerarmos o acontecimento X = 2, veri-
camos que e equivalente a ter sido extrada uma das amostras do conjunto, {(S, S, D) , (S, D, S) , (D, S, S)}
(de elementos mutuamente exclusivos), pelo que
P (X = 2) = P (S, S, D) +P (S, D, S) +P (D, S, S)
38
4. Distribui c oes Importantes 39
Ora
P (S, S, D) =
5
9

4
8

4
7
P (S, D, S) =
5
9

4
8

4
7
P (D, S, S) =
4
9

5
8

4
7
_
_
_
P (X = 2) = 3
5
9

4
8

4
7
=
_
3
2
_
5
9

4
8

4
7
O facto de 3 corresponder a
_
3
2
_
, compreender-se- a se pensarmos que 3 e o n umero de amostras em
que se observam 2 peixes saudaveis. Este mesmo n umero poder a ser determinado pensando que o
n umero de amostras com 2 peixes saud aveis resulta do total de escolhas de 2 posi c oes onde colocar os
peixes saudaveis, de entre as 3 disponveis, isto a 1
a
, a 2
a
ou a 3
a
no terno que representa a amostra
extrada. Assim o total de amostras com dois peixes saud aveis e o total de conjuntos de 2 posi c oes
seleccion aveis de entre 3, ou seja
_
3
2
_
.
Se repetirmos este processo de c alculo das probabilidades para os restantes valores de X, obter-se- a
a fun c ao de probabilidade
X
_
0 1 2 3
_
3
0
_
4
9
3
8
2
7
_
3
1
_
5
9
4
8
3
7
_
3
2
_
5
9
4
8
4
7
_
3
3
_
5
9
4
8
3
7
Contudo, podemos adoptar outro raciocnio de c alculo das probabilidades. Na verdade, se pensarmos
bem, a ordem porque saem os peixes n ao tem qualquer interesse j a que s o estamos a contar o n.
o
de
peixes saudaveis de entre 3 extrados. Assim podemos considerar que o resultado da experiencia s ao
conjuntos de 3 peixes. Com esta abordagem os diferentes conjuntos que vamos observar s ao:
Resultados da experiencia Valores de X
{S, S, S} 3
{S, S, D} 2
{S, D, D} 1
{D, D, D} 0
As probabilidades podem agora ser calculadas usando a lei de Laplace. O n umero de casos possveis
e o total de conjuntos de 3 peixes que e possvel escolher a partir dos 9 que existem no aqu ario, ou
seja
_
9
3
_
. Para o acontecimento {X = 2}, o n umero de casos favor aveis e o total de conjuntos do tipo
{S, S, D} que podemos formar a partir de 5 peixes saud aveis de um total de 9 peixes, isto e,
_
5
2
__
9 5
3 2
_
Ent ao
P (X = 2) =
_
5
2
__
95
32
_
_
9
3
_
Concluindo, a fun c ao de probabilidade da v.a. X tambem pode ser escrita
X
_
_
_
0 1 2 3
(
5
0
)(
95
30
)
(
9
3
)
(
5
1
)(
95
31
)
(
9
3
)
(
5
2
)(
95
32
)
(
9
3
)
(
5
3
)(
95
33
)
(
9
3
)
Esta vari avel X diz-se ter distribui c ao Hipergeometrica de parametros (9, 5, 3) ou, em escrita
abreviada, X H(9, 5, 3).
4. Distribui c oes Importantes 40
Caractersticas gerais da distribui cao Hipergeometrica
Numa popula c ao nita constituda por N elementos, sabemos que M gozam de uma caracterstica
A e que os restantes N M n ao gozam desta caracterstica A. Considere-se a experiencia aleat oria
que consiste em seleccionar ao acaso e sem reposi cao uma amostra de n elementos da popula c ao.
Associada a esta experiencia aleat oria, dena-se a v.a. X-n.
o
de elementos com a caracterstica
A, na amostra seleccionada sem reposi c ao. Esta v.a. X tem uma fun c ao de probabilidade, que
resumidamente, se pode escrever
P (X = k) =
_
M
k
__
NM
nk
_
_
N
n
_ , max (0, n +M N) k min (n, M)
e diz-se ter distribui c ao Hipergeometrica de par ametros (N, M, n) (obviamente M N e n N).
Dizemos que a distribui c ao tem par ametros (N, M, n), porque s ao as quantidades que e funda-
mental conhecermos para podermos calcular qualquer probabilidade relativa ` a v.a. X. A frase
X tem distribui c ao Hipergeometrica de par ametros (N, M, n), pode ser escrita abreviadamente
X H (N, M, n).
Coecientes importantes
E (X) = n
M
N
V (X) = n
M
N
_
1
M
N
_
N n
N 1
Observa c oes
S o podemos seleccionar um n umero nito de elementos da popula c ao, isto e, 1 n N.
O resultado das sucessivas extrac c oes de elementos da popula c ao para a amostra n ao s ao in-
dependentes. Melhor dizendo, a probabilidade de numa extrac c ao sair um elemento com a
caracterstica A depende do n umero de elementos com a caracterstica A que saram anterior-
mente.
Natureza dicot omica do que vamos observar nos elementos extrados da popula c ao, isto e, se
tem caracterstica A ou se n ao tem caracterstica A. Nestes casos, se estamos interessados em
observar a presen ca da caracterstica A, dizemos que, quando e observada, se d a um sucesso e
que, quando n ao e observada, se d a um insucesso.
4.1.2 Distribuicao Binomial
Retomemos o exemplo apresentado para a distribui c ao Hipergeometrica.
Num aqu ario existem 9 peixes, dos quais 5 est ao saud aveis (S) e os restantes 4 est ao doentes (D).
Experiencia aleat oria: extrac c ao ao acaso e com reposi cao de 3 peixes do aqu ario e registo do
seu estado de sa ude.
Consideremos a vari avel aleat oria: X - n.
o
de peixes saud aveis na amostra extrada de 3 peixes.
Pretendemos deduzir a fun c ao de probabilidade desta v.a. X.
4. Distribui c oes Importantes 41
Comecemos por relacionar os resultados da experiencia com os correspondentes valores de X.
Resultados da experiencia Valores de X
(S, S, S) 3
(S, S, D) 2
(S, D, S) 2
(D, S, S) 2
(S, D, D) 1
(D, S, D) 1
(D, D, S) 1
(D, D, D) 0
Para ja podemos completar a fun c ao de probabilidade de X com os valores observ aveis desta v.a.
X
_
0 1 2 3
Passemos ao c alculo das probabilidades. Por exemplo, se considerarmos o acontecimento X = 2, veri-
camos que e equivalente a ter sido extrada uma das amostras do conjunto, {(S, S, D) , (S, D, S) , (D, S, S)}
(de elementos mutuamente exclusivos), pelo que
P (X = 2) = P (S, S, D) +P (S, D, S) +P (D, S, S)
Ora
P (S, S, D) =
5
9

5
9

4
9
P (S, D, S) =
5
9

4
9

5
9
P (D, S, S) =
4
9

5
9

5
9
_
_
_
P (X = 2) = 3
5
9

5
9

4
9
=
_
3
2
__
5
9
_
2
_
4
9
_
32
Se repetirmos este processo de c alculo das probabilidades para os restantes valores de X, obtem-se
a fun c ao de probabilidade
X
_
0 1 2 3
_
3
0
_
4
9
4
9
4
9
_
3
1
_
5
9
4
9
4
9
_
3
2
_
5
9
5
9
4
9
_
3
3
_
5
9
5
9
5
9
ou ainda
X
_
0 1 2 3
_
3
0
_ _
5
9
_
0
_
4
9
_
30
_
3
1
_ _
5
9
_
1
_
4
9
_
31
_
3
2
_ _
5
9
_
2
_
4
9
_
32
_
3
3
_ _
5
9
_
3
_
4
9
_
33
Esta vari avel X diz-se ter distribui c ao Binomial de parametros
_
3,
5
9
_
ou, abreviadamente,
X B
_
3,
5
9
_
.
O valor do primeiro par ametro corresponde ao tamanho da amostra extrada, isto e n = 3 peixes
extrados e o segundo par ametro corresponde ` a probabilidade de, em cada extrac c ao, sair um peixe
saudavel, isto e p =
5
9
.
Evidentemente que consideramos a probabilidade p =
5
9
de sair um peixe saud avel em cada ex-
trac c ao, porque a nossa v.a. X faz a contagem de peixes saud aveis na amostra de 3 peixes.
Observa c oes:
4. Distribui c oes Importantes 42
Repare que, mesmo sendo nito o n.
o
de peixes no aqu ario, como a extrac c ao da amostra e feita
com reposi c ao, os peixes disponveis nunca se esgotam. Podemos ent ao dizer que, para efeitos
de extrac c ao, temos um n.
o
innito de peixes.
Tambem devido ao metodo de extrac c ao com reposi c ao, mantem-se constante a probabilidade
de sair um peixe saudavel, para qualquer extrac c ao.
Tambem devido ao metodo de extrac c ao com reposi c ao, os resultados das sucessivas extrac c oes
s ao independentes.
Caractersticas gerais da distribui cao Binomial
Ao realizarmos uma experiencia aleat oria, estamos apenas interessados em vericar se um deter-
minado acontecimento A se realiza ou n ao (realiza c ao de A ou de A).

E habitual dizer-se que, quando se observa A, se deu um sucessoe quando n ao se realiza A, se


deu um insucesso.
Admitamos que e conhecida a probabilidade de realiza c ao de A, ou seja e conhecida a probabilidade
de se dar um sucesso, que aqui representamos por p,
p = P (A) = P (sucesso)
Consideremos agora, n repeti c oes da experiencia, nas seguintes condi c oes:
Mantem-se constante o valor de p = P (A) = P (sucesso) em todas as experiencias;
Os resultados das experiencias s ao independentes.
Associemos aos resultados das n experiencias a v.a.
X = n
o
de sucessos observados nas n experiencias
ou
X = n
o
de vezes que se observa A nas n experiencias
Esta v.a. X tem uma fun c ao de probabilidade,
P (X = k) =
_
n
k
_
p
k
(1 p)
nk
, k = 0, 1, 2, . . . , n
e diz-se ter distribui c ao Binomial de parametros (n, p).
A frase X tem distribui c ao Binomial de par ametros (n, p), pode ser escrita de modo abreviado,
X B(n, p).
Coecientes importantes
E (X) = np V (X) = np (1 p)
Observa c oes
Podemos seleccionar um n umero innito de elementos da popula c ao e assim podemos dizer que
a popula c ao e innita (nunca se esgota);
4. Distribui c oes Importantes 43
O resultado das sucessivas extrac c oes de elementos da popula c ao s ao independentes. Melhor
dizendo, a probabilidade de numa extrac c ao sair um elemento com a caracterstica A n ao depende
do n umero de elementos com a caracterstica A que saram anteriormente;
Natureza dicot omica do que vamos observar nos elementos extrados da popula c ao, isto e, se
tem caracterstica A (sucesso) ou se n ao tem caracterstica A (insucesso).
Uma experiencia que consiste na observa c ao da ocorrencia de um sucessoou um de insucesso,
e designada prova de Bernoulli.
Uma sucessao de n provas de Bernoulli e uma experiencia aleat oria com as seguintes carac-
tersticas:
Consiste em n repeti c oes de uma prova de Bernoulli;
A probabilidade sucessop e sempre a mesma em cada prova de Bernoulli.
Os resultados n provas de Bernoulli s ao independentes.
Teorema 4.1. Se X
1
, X
2
, . . . , X
k
s ao v.a. independentes tais que X
i
B(n
i
, p) , i = 1, . . . , k, ent ao
X
1
+X
2
+. . . +X
k
B(n
1
+n
2
+. . . +n
k
, p)
Diferen cas fundamentais entre as distribui c oes Hipergeometrica e Binomial
Hipergeometrica Binomial
Popula c ao nita constituda por N elementos Popula c ao innita
Extrac c ao sem reposi c ao Extrac c ao com reposi c ao
Sucessivas extrac c oes s ao n ao independentes Sucessivas extrac c oes s ao independentes
Aproxima cao da distribui cao Hipergeometrica pela distribui cao Binomial
Pensemos agora num lago com N = 1000 peixes dos quais M = 50 est ao saud aveis (S) e os
restantes N M = 950 est ao doentes (D).
Experiencia aleat oria: extrac c ao ao acaso e sem reposi cao de n = 30 peixes do aqu ario e registo
do seu estado de sa ude.
Considere-se a v.a.
X = n
o
de peixes saudaveis na amostra extrada de 30 peixes
Evidentemente que a v.a. X tem distribui c ao Hipergeometrica de par ametros (1000, 50, 30), X
H (1000, 50, 30).
Se quisermos calcular a probabilidade de 10 dos peixes seleccionados serem saud aveis, temos
P (X = 10) =
_
50
10
__
950
20
_
_
1000
30
_ =
=
_
30
10
_
50
1000
49
999
48
998
47
997
46
996
45
995
44
994
43
993
42
992
41
991
. .
10factores
(4.1.1)

950
990
949
989
948
988
947
987
. . .
932
972
931
971
. .
20factores
4. Distribui c oes Importantes 44
O efectivo c alculo desta probabilidade pode constituir um problema porque est ao envolvidos n umeros
de elevada grandeza. Estamos perante uma situa c ao em que sabemos como calcular a probabilidade
mas n ao a podemos calcular com exactid ao. Ent ao o melhor ser a calcularmos um valor aproximado,
usando um metodo que permita controlar a qualidade dessa aproxima c ao. Vejamos como o fazer.
Repare que na express ao 4.1.1,
49
999

50
1000
,
48
998

50
1000
, . . . ,
41
991

50
1000
Tambem
950
990

950
1000
,
949
989

950
1000
, . . . ,
931
971

950
1000
Assim
P (X = 10)
_
30
10
__
50
1000
_
10
_
950
1000
_
20
=
=
_
30
10
__
50
1000
_
10
_
1
50
1000
_
3010
Constatamos que a aproxima c ao do valor da probabilidade do acontecimento X = 10 corresponde
`a probabilidade do mesmo acontecimento determinada com a distribui c ao Binomial de par ametros
n = 30 e p = P (peixe saudavel) =
50
1000
Conclusao: Podemos aproximar o valor das probabilidades referentes a uma distribui c ao Hiper-
geometrica pelo valor das probabilidades referentes a uma distribui c ao Binomial (evidentemente, para
um mesmo acontecimento X = k).
P (X = k) =
_
M
k
__
NM
nk
_
_
N
n
_
_
n
k
_
p
k
(1 p)
nk
,
para
p =
M
N
e max (0, n +M N) k min (n, N)
A qualidade da aproxima c ao e razo avelse o tamanho n da amostra que seleccionamos da nossa
popula c ao de N elementos, n ao for muito grande. Como regra, podemos dizer que isto acontece se
n/N 0.1.
Observa c oes
Repare que a aproxima c ao resulta de aproximarmos o c alculo da probabilidade de um acontec-
imento resultante de uma amostragem sem reposi c ao pelo calculo da probabilidade do mesmo
acontecimento como se ele resultasse de uma amostragem com reposi c ao;
A popula c ao que, no caso da distribui c ao Hipergeometrica, e nita, passa, na aproxima c ao ` a
distribui c ao Binomial, a considerar-se innita;
Os resultados das sucessivas extrac c oes que, no caso da distribui c ao Hipergeometrica, s ao acon-
tecimentos n ao independentes, passam, na aproxima c ao ` a distribui c ao Binomial, a considerar-se
independentes.
4. Distribui c oes Importantes 45
4.1.3 Distribuicao de Poisson
Exemplo 4.1. Sabe-se que, dos indivduos que tem seguro para um determinado tipo de acidente A,
num ano, 0.0005 morrem deste acidente.
Qual a probabilidade de num ano, a companhia de seguros pagar a indemniza c ao por ocorrencia
do acidente A, a 12 dos 10000 segurados com ap olices que cobrem este tipo de acidente.
Dena-se a v.a. X = n.
o
de segurados que morrem num ano, de entre os 10000.
X e uma v.a. com distribuic ao B(10000, 0.0005) e
P (X = 12) =
_
10000
12
_
(0.0005)
12
(1 0.0005)
1000012
=??
Problema: Sabemos como calcular a probabilidade mas podemos ter diculdades devido ao
elevado valor de
_
10000
12
_
e tambem devido ao tipo de potencias envolvidas.
Como resolver o problema?
Seja {X
n
} uma sequencia de v.a.s tais que X
n
B(n, p
n
).
Suponhamos que, `a medida que n aumenta, o valor de p
n
diminui de modo a que o produto np
n
se mantenha est avel, isto e constante, com um valor . Dito de outro modo, suponhamos que
lim
n+
p
n
= 0 mas lim
n+
np
n
= > 0
Que efeito e que esta condi c ao produzir a se quisermos calcular probabilidades para uma v.a. X
n
, com
n grande?
Se considerarmos p
n
= /n,
P (X
n
= k) =
_
n
k
_
(p
n
)
k
(1 p
n
)
nk
=
=
_
n
k
__

n
_
k
_
1

n
_
nk
=
=
n!
k! (n k)!
_
1

n
_
n
_
1

n
_
k
_

n
_
k
=
=
n(n 1) . . . (n k + 1)
n
k
_
1

n
_
n
_
1

n
_
k

k
k!
=
=
1
_
1
1
n
_
. . .
_
1
k+1
n
_
_
1

n
_
k
_
1

n
_
n

k
k!
Ora
lim
n
_
1

n
_
n
= e

,
lim
n
1
_
1
1
n
_
. . .
_
1
k+1
n
_
_
1

n
_
k
= 1
e portanto
lim
n
P (X
n
= k) = e

k
k!
, k = 0, 1, 2, . . .
Este resultado permite duas conclus oes importantes:
4. Distribui c oes Importantes 46
1. Se considerarmos uma v.a. Y que registe o n
o
de sucessos numa sucess ao innita de experiencias
e a sua fun c ao de probabilidade for
P (Y = k) = e

k
k!
, k = 0, 1, 2, . . .
dizemos que Y tem distribui c ao de Poisson com parametro e, escrevemos de modo abreviado
Y P().
Exerccio 4.1. Vericar que se trata de facto de uma func ao de probabilidade.
Coecientes importantes
E (Y ) = V (Y ) =
2. Se X e uma v.a. com distribui c ao B(n, p), em que n e muito grande e p e muito pequeno,
P (X = k) =
_
n
k
_
p
k
(1 p)
nk
e

k
k!
, k = 0, 1, . . . , n
sendo = np.
Isto signica que a distribui c ao binomial pode ser aproximada pela distribui c ao de Poisson.
Na pr atica, se n 30 e min (np, n(1 p)) 5, considera-se razo avelesta aproxima c ao.
Para nalizar o exemplo 4.1, com = 10000 0.0005 = 5,
P (X = 12) e
5
5
12
12!
= 0.00343
Teorema 4.2. Se Y
1
, Y
2
, . . . , Y
k
s ao v.a. independentes tais que Y
i
P (
i
) , i = 1, . . . , k, ent ao
Y
1
+Y
2
+. . . +Y
k
P (
1
+
2
+. . . +
k
)
Observa c oes
Pelo facto da distribui c ao de Poisson aproximar a distribui c ao Binomial quando p = P (sucesso)
e muito pequena, ou seja quando o sucessoe um acontecimento raro, a distribui c ao de Poisson
e tambem designada por distribui c ao dos acontecimentos raros.
O par ametro pode ser interpretado como uma taxa de realiza c ao de sucessos por unidade. A
distribui c ao do n umero de sucessos registados em v arias unidades ou em frac c oes da unidade,
continua a ser Poisson e a correspondente taxa ser a determinada como a taxa de sucessos nessas
varias unidades ou na frac c ao da unidade.
Po exemplo, se durante a hora de almo co (das 12 ` as 14 horas) a chegada de autom oveis a
um parque se processa a uma taxa de 180 autom oveis por hora e tem distribui c ao de Poisson,
ent ao a distribui c ao do n.
o
de autom oveis que chegam em 15 minutos e Poisson com par ametro
= 180/4 = 45 autom oveis. Por sua vez a distribui c ao do n.
o
de autom oveis que chegam durante
a hora do almo co e Poisson de par ametro = 2 180 = 360 autom oveis.
4. Distribui c oes Importantes 47
4.1.4 Processo de Poisson
Consideremos uma vari avel t (com t R
+
0
) n ao aleat oria destinada a registar um determinado
n umero de unidades em observa c ao, por exemplo, um perodo de tempo, uma area, um comprimento,
etc.
Seja N (t) uma v.a. que regista o n umero de sucessos observados em t unidades de observa c ao.
Se, para cada valor xo t,
P (N (t) = k) = e
t
(t)
k
k!
, k {0, 1, 2, . . . , } , R
+
,
isto e, se para cada valor xo t, N (t) tiver distribui c ao de Poisson de par ametro t, dizemos que
{N (t)}
t0
e um processo de Poisson de parametro .
O par ametro pode ser interpretado como a taxa media de ocorrencia de sucessos por cada unidade
de observa c ao.
Exemplo 4.2. Num processo de fabricac ao de placas de vidro produzem-se pequenas bolhas que se
distribuem aleatoriamente pelas placas, com uma densidade media de 0.4 bolhas/m
2
. Admitamos que
N (t) regista o n umero de bolhas observadas em placas com t m
2
e que {N (t)}
t0
e um processo de
Poisson de par ametro = 0.4 bolhas/m
2
.
A probabilidade de, numa placa com 1.5 3.0 m
2
= 4.5 m
2
, haver pelo menos uma bolha, e
P (N (4.5) 0) = 1 P (N (4.5) = 0) = 1 e
0.44.5
(0.4 4.5)
0
0!
= 0.834701
Em media, observar-se- ao 10.8 bolhas em placas com 6m
2
, porque
E (N (6)) = 6 = 0.4 6 = 10.8.
4.2 Distribuicoes contnuas
4.2.1 Distribuicao Uniforme
Esta distribui c ao utiliza-se quando os valores de certa vari avel aleat oria contnua X, ocorrem num
intervalo limitado fechado (aberto ou semi-aberto) [a, b] (]a, b[, ]a, b], [a, b[), e quaisquer dois sub-
intervalos com a mesma amplitude tem a mesma probabilidade.
Diz-se ent ao que X tem distribui c ao Uniforme no intervalo [a, b] (abreviadamente, escreve-se
X U(a, b)) e a sua fun c ao densidade de probabilidade e
f
X
(x) =
_
1
ba
x [a, b]
0 x / [a, b]
Coecientes importantes
E (X) =
a +b
2
V (X) =
(b a)
2
12
4. Distribui c oes Importantes 48
Figura 4.1: Fun c ao densidade da distribui c ao Uniforme
-
6
a b ?
E (X)
X
1/ (b a)
f (x)
No exemplo 3.2 utiliz amos esta distribui c ao para descrever o peso perdido com o primeiro tipo de
dieta. X tinha distribui c ao Uniforme no intervalo [2, 4].
4.2.2 Distribuicao Exponencial
O modelo exponencial aplica-se frequentemente quando se pretende estudar tempos ate ` a ocorrencia
de falhas, por exemplo, em componentes electr onicas, em que se admite que o tempo que a compo-
nente vai durar e independente do tempo que esta j a durou. Portanto, e especialmente adequado a
componentes que n ao envelhecem nem rejuvenescem. Isto signica que um componente cujo tempo
de vida X e medido a partir de zero e segue um modelo exponencial, tem a mesma qualidade ao longo
do tempo, ou seja X verica a propriedade
P (X s +t |X s) = P (X t) , s, t 0
Deni cao 4.1. Uma v.a. X tem distribuic ao Exponencial com par ametros (, ), se a sua func ao
densidade de probabilidade for
f
X
(x) =
_
0, x <
1

e
(x)/
x
e escreve-se de modo abreviado, X E(, ). e dever ao ser valores reais e > 0.
O par ametro e particularmente importante porque permite modelar a fun c ao densidade de modo
a expressar a longevidade da componente.
Coecientes importantes
E (X) = + V (X) =
2
Fun cao de distribui cao
F
X
(x) P (X x) =
_
0, x <
1 e
(x)/
, x
4. Distribui c oes Importantes 49
Figura 4.2: Exemplos de fun c oes densidade da distribui c ao Exponencial
0 2 4 6 8 10
0
.
0
0
.
5
1
.
0
1
.
5
2
.
0
Densidade exponencial
x
f
Exemplo 4.3. Considere a v.a. X que representa o tempo de espera, em minutos, para ser atendido ao
almo co na cantina da FCT/UNL. Admitamos que X tem distribuic ao Exponencial e que o tempo medio
de espera e de 15 minutos dos quais 1 minuto de espera e sempre garantido. Qual a probabilidade
de, em dois de cinco dias uteis da semana, conseguir ter um tempo de espera superior a 29 minutos?
Como = 1 minuto e E (X) = + = 15 minutos, ent ao = 14 minutos. Repare que o desvio
padr ao e de 14 minutos.
Calculemos a probabilidade de, num qualquer dia, esperar mais de 29 minutos.
p = P (X > 29) =
_
+
29
1
14
e
(x1)/14
dx = 1 e
2
= 0.865
Consideremos agora a v.a. Y =n.
o
de dias com tempo de espera superior a 29 m, de entre 5. Sabemos
que Y tem distribuic ao Binomial de par ametros (5, 0.865). Ent ao a probabilidade pedida tem o valor,
P (Y = 2) =
_
5
2
_
(0.865)
2
(1 0.865)
52
= 0.01840914
Rela cao entre a distribui cao exponencial e o processo de Poisson
Admitamos que {N (t)}
t0
e um processo de Poisson de parametro e que, para valor xo
t, N (t) e a v.a. que regista o n umero de sucessos em t unidades de observa c ao.
Por simplicidade de exposi c ao, suponhamos que t representa t perodos de tempo.
Associado a este processo de Poisson, consideremos a v.a. T que mede o tempo decorrido entre
sucessos consecutivos. Evidentemente que T e uma v.a. contnua e os seus valores observ aveis s ao os
reais maiores ou iguais a 0.
Calculemos agora a probabilidade de T assumir valores no intervalo ]t, +] , t > 0.
P (T > t) = P (T ]t, +]) = P (n ao ocorrerem sucessos em t perodos de tempo) =
= P (N (t) = 0) = e
t
(t)
0
0!
= e
t
4. Distribui c oes Importantes 50
Podemos agora dizer que a fun c ao de distribui c ao de T e
P (T t) P (T t) =
_
0, t < 0
1 e
t
, t 0
que corresponde `a fun c ao de distribui c ao de uma distribui c ao Exponencial de par ametros
_
0,
1

_
, isto
e, conclumos que T E
_
0,
1

_
.
Em resumo
Se {N (t)}
t0
e um processo de Poisson de parametro que regista o n umero de sucessos em t
perodos de observa c ao, ent ao a v.a. T que mede os perodos decorridos entre sucessos consecutivos
tem distribui c ao Exponencial de parametros (0, 1/).
4.2.3 Distribuicao Normal
A distribui c ao Normal tem grande import ancia na teoria das probabilidades e em estatstica e isto
acontece por diversas razoes de entre as quais destacamos as seguintes:
Na natureza s ao in umeros os fen omenos que s ao bem descritos por esta distribui c ao. Por ex-
emplo, medi c oes de pesos, volumes, areas, alturas, etc, de elementos de uma grande popula c ao.
Tambem os erros que se cometem ao fazer medi c oes tem frequentemente esta distribui c ao.
A distribui c ao da soma de v.a.s em grande n umero e independentes tem uma distribui c ao
aproximadamente Normal. Este resultado de grande import ancia na estatstica, ser a apresentado
mais tarde com a designa c ao de Teorema Limite Central.
As propriedades matem aticas da fun c ao densidade de probabilidade desta distribui c ao, s ao de
tal modo importantes que, muito metodos estatsticos s o podem utilizados caso se apliquem a
fen omenos que tem distribui c ao Normal.
Esta distribui c ao tambem e conhecida por distribui c ao de Gauss, em homenagem ao matem atico
e fsico alem ao Carl Gauss (1777-1855) que a apresentou.
Deni cao 4.2. Diz-se que a v.a. X tem distribui c ao Normal de par ametros
_
,
2
_
e escreve-se
de modo abreviado, X N
_
,
2
_
, se a sua func ao densidade de probabilidade for,
f
X
(x) =
1

2
e

1
2
(
x

)
2
, x R
Os par ametros e dever ao satisfazer , R e > 0.
O par ametro e ponto de simetria da densidade e o par ametro expressa a dispers ao da densidade.
Na gura que se segue, o grupo das tres densidades ` a esquerda tem em comum o mesmo valor
= 0 e o grupo das tres densidades `a direita tem em comum o mesmo valor = 2. As curvas da
menos achatada` a mais achatada, correspondem a = 0.5, = 1 e a = 2, respectivamente.
Quando = 0 e = 1 a distribui c ao diz-se distribui c ao Normal reduzida e normalmente a v.a.
associada a esta distribui c ao e representada por Z, isto e, Z N(0, 1). Como veremos adiante, esta
distribui c ao tem um papel muito importante no c alculo de probabilidades de qualquer distribui c ao
Normal.
4. Distribui c oes Importantes 51
Figura 4.3: Exemplos de fun c oes densidade da distribui c ao Normal
10 5 0 5 10
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
Densidade distribuio normal
x
f
Coecientes importantes
E (X) = V (X) =
2
Calculo de probabilidades
Admitamos que X N
_
,
2
_
e queremos calcular a P (X b).
P (X b) =
_
b

2
e

1
2
(
x

)
2
dx
Contudo,n ao sendo conhecida uma express ao analtica de manejo c omodo para a primitiva da fun c ao
densidade, n ao e possvel calcular o integral pelos metodos usuais. Ter ao de ser utilizadas tecnicas
numericas de c alculo, que apresentam a desvantagem de serem pesadas e morosas.
Usando estas tecnicas numericas de c alculo, podemos ter acesso ao valor de probabilidades da
distribui c ao Normal reduzida, isto e, para a v.a. Z N (0, 1). Alguns desses valores encontram-se
tabelados numa tabela dita tabela da fun c ao de distribui c ao Normal reduzida.
Nesta tabela encontramos os valores da fun c ao
(z) = P (Z z) =
_
z

2
e

t
2
2
dt, z R
designada por fun cao de distribui cao Normal reduzida.
Exemplo 4.4.
P (Z 1.27) = (1.27) = 0.8980
P (Z 0.88) = 1 P (Z 0.88) = 1 (0.88) = 1 0.8106 = 0.1894
4. Distribui c oes Importantes 52
Figura 4.4: Fun c ao distribui c ao Normal reduzida
e
P (Z 1.27) =?
Seja Z N (0, 1) e z R. Devido ` a simetria em torno de 0 da func ao densidade, podemos deduzir
P (Z z) = P (X z) P (Z z) = 1 P (Z z)
(z) = 1 (z)
Figura 4.5: Consequencia da simetria da densidade de Z para a sua fun c ao de distribui c ao
P (Z 1.27) = 1 (1.27) = 1 0.8980 = 0.1020
Como calcular probabilidades para uma v.a. Normal nao reduzida
Teorema 4.3. Se X N
_
,
2
_
, a v.a.
X

N (0, 1).
Exemplo 4.5. Admitamos que X N (1, 4).
P (X 2.98) = P
_
X 1
2

2.98 1
2
_
= P (Z 0.99) = (0.99) = 0.8389
P (0.40 X < 2.98) = P
_
0.40 1
2

X 1
2

2.98 1
2
_
= P (0.30 Z < 0.99) =
= P (Z 0.99) P (Z 0.30) = (0.99) (0.30) =
= (0.99) (1 (0.30)) = 0.8389 1 + 0.6179 = 0.4568
4. Distribui c oes Importantes 53
Outras propriedades da distribui cao Normal
O pr oximo teorema generaliza o anterior.
Teorema 4.4. Se X N
_
,
2
_
e a, b s ao constantes reais, com a = 0, ent ao a v.a. Y = aX + b
tem distribuic ao N
_
a +b, a
2

2
_
.
Repare que
E (Y ) = E (aX +b) = aE (X) +b = a +b
V (Y ) = V (aX +b) = a
2
V (X) = a
2

2
Teorema 4.5. Sejam X
1
, X
2
, . . . , X
k
v.a.s independentes com distribuic ao X
i
N
_

i
,
2
i
_
, i =
1, 2, . . . , k. Considerem-se a
1
, a
2
, . . . , a
k
, b constantes reais, com algum a
i
= 0. A v.a.
Y = a
1
X
1
+. . . +a
k
X
k
+b N
_
a
1

1
+. . . +a
k

k
+b, a
2
1

2
1
+. . . +a
2
k

2
k
_
Repare que
E (Y ) = E
_
k

i=1
a
i
X
i
+b
_
=
k

i=1
a
i
E (X
i
) +b =
k

i=1
a
i

i
+b
V (Y ) = V
_
k

i=1
a
i
X
i
+b
_
=
k

i=1
a
2
i
V (X
i
) =
k

i=1
a
2
i

2
i
Exemplo 4.6. Um molde de planica c ao

A
-
- - B C
D
-
e constitudo por tres partes cujas larguras A, B e C (em mm) tem as seguintes caractersticas:
A N (10, 0.1) B N (2, 0.05) C N (2, 0.05)
e s ao independentes.
Qual a probabilidade da largura interior do molde, D, ser inferior a 5.9 mm?
Ora D = AB C ter a distribuic ao N (E (D) , V (D)). Como
E (D) = E (AB C) = E (A) E (B) E (C) = 10 2 2 = 6
V (D) = V (AB C) = V (A) +V (B) +V (C) = 0.1 + 0.05 + 0.05 = 0.2
ent ao D N (6, 0.2).
P (D < 5.9) = P
_
Z
5.9 6

0.2
_
= (0.22) = 1 (0.22) = 1 0.5871 = 0.4129
Captulo 5
Teorema Limite Central
O Teorema Limite Central tem uma enorme import ancia na Teoria da Probabilidades e em Es-
tatstica porque permite, em condi c oes muito gerais, determinar de modo aproximado, probabilidades
relativas a soma ou a medias de vari aveis aleat orias. Isto e possvel, mesmo que se desconhe ca a
distribui c ao exacta dessas vari aveis aleat orias.
Teorema 5.1 (Teorema Limite Central).
Seja X
1
, X
2
, . . . , X
i
, . . . uma sucess ao de v.a.s independentes e identicamente distribudas (i.i.d.),
com valor medio e vari ancia
2
= 0.
Considere-se a sucess ao das somas parciais, S
n
=
n

i=1
X
i
, n = 1, 2, . . ..
Ent ao
lim
n+
P
_
S
n
n

n
x
_
= P (Z x) = (x)
ou seja a v.a.
S
n
n

n
tem uma distribui c ao que converge para a distribuic ao Normal reduzida, quando
n +. Dito de modo abreviado,
S
n
n

n
tem uma distribuic ao assint otica N (0, 1):
S
n
n

n
a
N (0, 1)
Nota muito importante: Quando se diz que
S
n
n

n
a
N (0, 1), entenda-se que a fun c ao de
distribui c ao de
S
n
n

n
e aproximada pela fun c ao de distribui c ao de Z N (0, 1). Isto signica que
as aproxima c oes devem ser aplicadas sobre as fun c oes de distribui c ao. Nomeadamente,
P
_
S
n
n

n
x
_
P (Z x) = (x) .
Notas:
1 E (S
n
) = E (

n
1=1
X
i
) =

n
i=1
E (X
i
) =

n
i=1
= n
2 V (S
n
) = V (

n
1=1
X
i
) =

n
i=1
V (X
i
) =

n
i=1

2
= n
2
54
5. Teorema Limite Central 55
3 O quociente
S
n
n

n
n ao e mais do que a padroniza c ao de v.a. S
n
, de modo a que passemos a
ter uma v.a. com valor medio nulo e vari ancia igual a 1.
Observa c oes:
Na pr atica, usa-se o teorema para valores n 30.
Este teorema tem muito import ancia em estudos estatsticos e para tal e mais conveniente que
possa ser enunciado para uma media aritmetica de vari aveis aleat orias.
Figura 5.1: Ilustra c ao do Teorema Limite Central
3 2 1 0 1 2 3
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
x
u
n

(
x
)
A bordeaux, castanho, azul e verde, est ao esbo cadas as fun c oes densidade da soma (padronizada)
de 1, 2, 3 e 4 v.a.s com distribui c ao Uniforme em [0, 1], respectivamente. A vermelho est a esbo cada
a densidade da distribui c ao N (0, 1).
Teorema 5.2 (Teorema Limite Central).
Seja X
1
, X
2
, . . . , X
i
, . . . uma sucess ao de v.a.s independentes e identicamente distribudas (i.i.d.),
com valor medio e vari ancia
2
= 0.
Considere-se a sucess ao das medias parciais X
n
=
1
n
n

i=1
X
i
, n = 1, 2, . . ..
Ent ao
lim
n+
P
_
X
n

n
x
_
= P (Z x) = (x)
5. Teorema Limite Central 56
ou seja a v.a.
X
n

n
tem uma distribui c ao que converge para a distribuic ao Normal reduzida, quando
n +. Dito de modo abreviado,
X
n

n
tem uma distribuic ao assint otica N (0, 1):
X
n

n
a
N (0, 1)
Neste caso, podemos enunciar o teorema dizendo que a v.a.
X
n

n
tem distribui c ao assint otica
Normal reduzida.
Nota muito importante: Quando se diz que
X
n

n
a
N (0, 1), entenda-se que a fun c ao de
distribui c ao de
X
n

n
e aproximada pela fun c ao de distribui c ao de Z N (0, 1). Isto signica que
as aproxima c oes devem ser aplicadas sobre as fun c oes de distribui c ao. Nomeadamente,
P
_
X
n

n
x
_
P (Z x) = (x) .
Notas:
1 E
_
X
n
_
= E
_
1
n

n
1=1
X
i
_
=
1
n
E (S
n
) =
n
n
=
2 V
_
X
n
_
= V
_
1
n

n
1=1
X
i
_
=
1
n
2
V (S
n
) =
n
2
n
2
=

2
n
3 O quociente
X
n
n

n
n ao e mais do que a padroniza c ao de v.a. X
n
, de modo a que passemos
a ter uma v.a. com valor medio nulo e vari ancia igual a 1.
Exemplo 5.1. Num estudo sobre vendas num hipermercado, concluiu-se que a procura di aria de arroz
(em kg) e uma v.a. com valor medio de 40kg e desvio-padr ao de 5kg.
Tendo sido encomendados 14 500kg de arroz para venda no pr oximo ano, qual a probabilidade deste
stock cobrir a procura de arroz nesse perodo? (Considere-se um ano com 364 dias).
Sejam X
i
=procura de arroz no dia i, i=1,2,. . . ,364 e admitamos que estas v.a.s s ao independentes
e identicamente distribudas.
Sabemos que:
E (X
i
) = 40kg, i = 1, 2, . . . , 364
V (X
i
) = 25kg
2
, i = 1, 2, . . . , 364
A procura de arroz durante um ano ser a S
364
=
364

i=1
X
i
e queremos calcular a P (S
364
364).
Ignoramos qual a distribuic ao de S
364
, mas como se trata de uma soma de v.a.s em grande n umero
(364 > 30), e sendo satisfeitas as condic oes do T.L.C., ent ao
S
364
364 40

364 5
=
S
364
14560

364 5
5. Teorema Limite Central 57
tem uma distribuic ao bem aproximada pela distribuic ao Normal reduzida. Assim,
P (S
364
14500) = P
_
S
364
14560

364 5

14500 14560

364 5
_

P (Z 0.63) = (0.63) =
= 1 (0.63) = 1 0.7357 = 0.2643
Conclus ao:

E recomend avel comprar mais arroz!


5.1 Aplicacoes particulares do T.L.C.
5.1.1 Distribuicao Binomial
Teorema 5.3. Seja X uma v.a. com distribuic ao Binomial de par ametros (n, p). Se n 30 e p tal
que min (np, n(1 p)) > 5, ent ao
X E (X)
_
V (X)
=
X np
_
np (1 p)
a
N (0, 1)
Observa cao: Com aproximamos a distribui c ao de uma v.a. discreta pela distribui c ao de uma v.a.
contnua, e particularmente importante que a aproxima c ao seja feita entre fun c oes de distribui c ao. Por
isso, devemos aplicar a aproxima c ao sobre probabilidades de acontecimentos do tipo X k, sendo k
um n umero inteiro n ao negativo, nomeadamente,
P (X k) = P
_
X np
_
np (1 p)

k np
_
np (1 p)
_
P
_
Z
k np
_
np (1 p)
_
, k = 0, 1, . . .
Exemplo 5.2. Suponhamos que X B
_
100,
1
4
_
e que queremos calcular a P (16 X 30) e a
P (X = 27). Como min (np, n(1 p)) = min
_
100
4
, 100
3
4
_
= min (25, 75) = 25 > 5
P (16 X 30) = P (X 30) P (X < 16) =
= P (X 30) P (X 15) =
= P
_
X 25

18.75

30 25

18.75
_
P
_
X 25

18.75

15 25

18.75
_

P (Z 1.15) P (Z 2.31) =
= (1.15) 1 + (2.31) = 0.8749 1 + 0.9896 = 0.8645
P (X = 27) = P (X 27) P (X < 27) =
= P (X 27) P (X 26) =
= P
_
X 25

18.75

27 25

18.75
_
P
_
X 25

18.75

26 25

18.75
_

P (Z 0.46) P (Z 0.23) =
= (0.46) (0.23) = 0.6772 0.5910 = 0.0862
5. Teorema Limite Central 58
Figura 5.2: Ilustra c ao da aproxima c ao da dist. Binomial pela dist. Normal para n = 2 e n = 10
Figura 5.3: Ilustra c ao da aproxima c ao da dist. Binomial pela dist. Normal para n = 30
5. Teorema Limite Central 59
Figura 5.4: Ilustra c ao da aproxima c ao da dist. Binomial pela dist. Normal para n = 50
5.1.2 Distribuicao de Poisson
Teorema 5.4. Seja X uma v.a. com distribuic ao de Poisson de par ametro . Se > 5,
X E (X)
_
V (X)
=
X

a
N (0, 1)
Observa cao: A aproxima c ao deve ser aplicada ` a fun c ao de distribui c ao de X, isto e a P (X k),
sendo k um n umero inteiro n ao negativo.
P (X k) = P
_
X

_
P
_
Z
k

_
, k = 0, 1, . . .
Exemplo 5.3. Suponha que X P (230) e que queremos calcular P (X = 241).
Estando satisfeitas as condic oes do teorema 5.4, (X 230) /

230
a
N (0, 1). Assim,
P (X = 241) = P (X 241) P (X < 241) =
= P (X 241) P (X 240) =
= P
_
X 230

230

241 230

230
_
P
_
X 230

230

240 230

230
_

P (Z 0.73) P (Z 0.66) =
= (0.73) (0.66) = 0.7673 0.7454 = 0.0219
5. Teorema Limite Central 60
Figura 5.5: Ilustra c ao da aproxima c ao da dist. Poisson pela dist. Normal para = 1, 5, 10 e 20