CAPTULO 1 - TEORIA DA PROBABILIDADE

1 Espaos Amostrais
A teoria da probabilidade tem suas razes em situaes da vida real
quando se realiza uma experincia cujo resultado no pode ser
previsto com certeza Experincia Aleatria.
Exemplos: Jogos de azar, campanha de marketing, lanamento de um
foguete, etc.
qualquer experimento aleatrio tem-se associado um conjunto de
todos os resultados possveis. Este conjunto denominado de Espao
Amostral do experimento aleatrio e denotado por S.

1.1 Combinaes de Conjuntos

Na maioria da aplicaes conhece-se o espao amostral S, mas o
interesse de uma anlise consiste de apenas alguns elementos de S,
que gozam de certa propriedade comum que os distinguem dos demais
elementos de S que no a possuem.
Igualdade : Dois conjuntos A e B so denominados conjuntos iguais,
A = B, se contm os mesmos pontos amostrais.
Exemplo: Se A={1,2}, B={2,1}, C={1,2,1,2,1} e D={1,2,3,1,2,1,2},
ento A = B = C D.
Subconjuntos : Um conjunto A dito um subconjunto de B, AB, se
todo ponto amostral, ou elemento, de A tambm elemento de B.
Exemplo: No exemplo anterior, A B e B A A = B e A D.

Captulo 1 Teoria da Probabilidade

Unies : Sejam A e B dois conjuntos. A unio de A e B, AB, o

conjunto de elementos pertencentes ou a A ou a B (ou ambos).
Exemplo: Uma moeda arremessada duas vezes. Se os conjuntos A e
B so definidos por: A=O resultado do primeiro arremesso cara
= {cara-cara, cara-coroa}; B=O resultado dos dois arremessos so
iguais={cara-cara, coroa-coroa}.
Ento, AB={cara-cara, cara-coroa, coroa-coroa}.
Intersees : Sejam dois conjuntos A e B. A interseo de A e B,
AB, o conjunto cujos elementos pertencem a ambos A e B.
Exemplo: No exemplo anterior, AB={cara-cara}.
Complementos : Seja um subconjunto de S. O complemento de A, ,
o conjunto cujos elementos pertencem a S mas no a A.
Exemplo: no arremesso da moeda, =o primeiro resultado no
cara={coroa-cara, coroa-coroa}.

1.2 Diagramas de Venn

Estes diagramas so uma maneira conveniente para se analisar
algumas relaes entre conjuntos.

S
A

Ou
S
A

Captulo 1 Teoria da Probabilidade

1.3 Eventos
Qualquer subconjunto do espao amostral que seja de interesse numa
anlise denominado de Evento, sendo geralmente denotado por letras
maiusclas com A, B, etc.
Exemplo: Seja o experimento do lanamento de um dado. O espao
amostral dado por S={1, 2, 3, 4, 5, 6}. O evento A=o resultado
um nmero par={2, 4, 6}.

2 - Probabilidade Combinatria
Probabilidade de um Evento Pr[A] : valor associado a um evento,
que mede o grau de possibilidade de ocorrncia deste evento:
Pr[ A ] = lim n

fn

onde: fn /n a proporo de sucessos numa amostra de tamanho n.

2.1 - Axiomas da Probabilidade

(a) 0 fn /n 1, para qualquer n 0 Pr[A] 1, para qualquer A
(b) Se A evento certo fn /n = 1 Pr[A] = 1
(c) Se A e B so eventos mutuamente exclusivos, ento:
Pr[AB] = Pr[A] + Pr[B]

Captulo 1 Teoria da Probabilidade

2.2 - Propriedades da Probabilidade

(a) Para qualquer evento A Pr[] = 1 - Pr[A]
(b) Se evento impossvel Pr[] = 0
(c) Se A1 e A2 so dois eventos quaisquer, ento:
Pr[A1 A2] = Pr[A1] + Pr[A2] - Pr[A1 A2]

2.3 Contagem: Permutaes e Combinaes

Um grande nmero de problemas envolve a questo de contagem, a
qual se baseia no princpio: quando dois atos distintos devem ser
realizados sucessivamente, se o primeiro pode ser realizado de m
maneiras diferentes, e se, o segundo ato pode ser realizado de n
maneiras diferentes, h ento, um total de mn maneiras diferentes
pelas quais os dois atos podem ser realizados.
a) Permutao: uma permutao consiste de um conjunto de objetos
dispostos em alguma ordem. Ou seja, para que duas permutaes
sejam iguais, elas devem, no somente conter os mesmos objetos,
como tambm t-los disposto na mesma ordem.
Dado um total de n objetos, deseja-se frequentemente conhecer o
nmero total de permutaes possveis de k desses n objetos, kn, no
se permitindo nenhuma repetio em qualquer das permutaes dadas.
Este nmero dado por:
P(n,k) = nmero de permutaes de n objetos distintos, tomados k a k.
onde:

P(n,k)=n.(n-1).(n-2)...(n-k+1)

Captulo 1 Teoria da Probabilidade

Exemplo: Dados os objetos A, B e C, o nmero de permutaes de

dois destes objetos pode ser encontrado por enumerao direta: (AB),
(BA), (AC), (CA), (BC) e (CB). Assim, P(3,2)=3(3-1)=32=6 .
Observaes:
1) quando n=k, o nmero total de permutaes possveis de k objetos
distintos dado por:
P(n,k)=k!
2) quando repeties de um mesmo objeto so permitidas numa dada
permutao tem-se que o nmero de permutaes ser dado por:
n.n.n...n=nk
b) Combinao: por uma combinao entende-se qualquer conjunto
de objetos, no se levando em conta o fator ordem. Assim a
combinao {A,B,C} idntica combinao {B,C,A}.
O nmero de combinaes possveis de k objetos que podem ser
selecionados de um dado conjunto de n objetos, com kn, dado por:
C(n,k) = nmero de combinaes de n objetos diferentes, tomados k a
k.
onde:

C(n,k)=P(n,k) / k!

Exemplo: Dados os objetos A, B e C, o nmero de combinaes de

dois destes objetos pode ser encontrado por enumerao direta: (AB),
(AC), (BC). Assim, C(3,2)=3 (3-1)/2!=32 / 21=3.

Captulo 1 Teoria da Probabilidade

2.4 - Conceitos de Probabilidade

(a) Probabilidade Condicional: se A e B so eventos, ento a
quantidade denominada probabilidade condicional do evento A dado
que o evento B ocorre, Pr[A/B] definida pela relao:

Pr[ A / B ] =

Pr[ A B ]
Pr[ B ]

Pr[ A B ] = Pr[ A / B ]. Pr[ B ]

(1)

Generalizando para n eventos Ai, i=1,2,...,n, tem-se:

Pr[ An / A1 , A2 , A3 ,..., An 1 ] =

Pr[ A1 A2 A3 ... An 1 An ]
Pr[ A1 A2 A3 ... An 1 ]

Exemplo: Seja o experimento do lanamento de um dado. Se o evento

A for definido como um nmero maior ou igual a 4 ocorre e B
como um nmero par ocorre, ento tem-se que a probabilidade de
A ocorrer dado que B se verifica, P[A/B], dada por:
Pr[ A / B ] =

Pr[ A B ] 2 / 6 2
=
=
Pr[ B ]
3/6 3

Captulo 1 Teoria da Probabilidade

S
B

(a) Probabilidade Total : seja {B1 , B2 , B3 , ..., Bn } uma seqncia

de eventos mutuamente exclusivos e exaustivos. Seja A um evento
qualquer.
B1

B3

B5
A

B2

...

B4

Bn

Ento:

A = [ A B1 ] [ A B 2 ] [ A B 3 ] ... [ A B n ]

Pr[ A ] = Pr[ A / B i ]. Pr[ B i ]

(2)

i =1

Usando (1) e (2) encontra-se:

Pr[ B j / A ] =

Pr[ B j A ]
Pr[ A ]

Pr[ A / B j ]. Pr[ B j ]
=
n
Pr[ A / B i ]. Pr[ B i ]
i =1

Captulo 1 Teoria da Probabilidade

Exemplo: Uma companhia que produz televisores tem 3 fbricas de

montagem produzindo 15%, 35% e 50%, respectivamente, de sua
produo. Suponha que as probabilidades de que um televisor
produzido por essas fbricas esteja com defeito sejam 0.01, 0.05 e
0.02, respectivamente. Se um televisor da produo da companhia for
escolhido aleatoriamente, qual a probabilidade de que esteja
defeituoso?
Seja: A
B1
B2
B3

- Evento: televisor defeituoso

- Evento: televisor fabricado na fbrica 1
- Evento: televisor fabricado na fbrica 2
- Evento: televisor fabricado na fbrica 3

Ento:
n

Pr[ A ] = Pr[ A / Bi ]. Pr[ Bi ]

i =1

Pr[A] = 0,01 . 0,15 + 0,05 . 0,35 + 0,02 . 0,50 = 0,029

Suponha que o televisor selecionado seja defeituoso. Qual a
probabilidade de que ele seja proveniente da fbrica 2?
Pr[B2 /A] =Pr[A/ B2 ]. Pr[B2] / Pr[A]
Pr[B2 /A] =0,05 . 0,35 / 0,029 = 0,603
Assim, o conhecimento de que o televisor defeituoso aumenta a
probabilidade de ser proveniente da fbrica 2, de 35% para mais de
60%.

Captulo 1 Teoria da Probabilidade

Exemplo: A incerteza do ambiente X indica a perspectiva econmica

do pas para os prximos 3 anos. Considera-se trs estados: (x1)
depresso, (x2) estagnao, (x3) expanso. Y indica o resultado das
prximas eleies presidenciais. Para esta grandeza so
estabelecidos apenas dois eventos possveis: (y1) vitria liberal e (y2)
vitria socialista. Para o comportamento da economia nos prximos
anos estimam-se as seguintes probabilidades:
p(x1)=0.2, p(x2)=0.65, p(x3)=0.15
As probabilidades de vitria das duas correntes polticas dependem
da evoluo da economia. Supe-se que as chances dos socialistas
sero maiores se a perspectiva econmica futura for desfavorvel. A
partir disto, estimam-se a probabilidades condicionais:
p(y1 / x1)=0.4

p(y2 / x1)=0.6

p(y1 / x2)=0.5

p(y2 / x2)=0.5

p(y1 / x3)=0.6

p(y2 / x3)=0.4

Qual a probabilidade dos liberais vencerem as prximas eleies?

Determinando-se as probabilidades conjuntas tem-se:
Y - Perspectivas Polticas
y1 (liberal)
y2 (social)
X - Perspectivas Econmicas
--------------------------------------------------------------------x1 (depresso)
0.20
0.080
0.120
x2 (estagnao)
0.65
0.325
0.325
x3 (expanso)
0.15
0.090
0.060
--------------------------------------------------------------------Soma
1
0.495
0.505
==================================
Assim, a probabilidade do partido liberal vencer as eleies seria de
0.495

Captulo 1 Teoria da Probabilidade

2.5 - Eventos Independentes

Existem casos importantes onde o conhecimento da ocorrncia de um
evento no muda a probabilidade de um outro evento. Por exemplo:

1) Se uma moeda lanada duas vezes, pode-se supor com razo que
a probabilidade do evento cara no segundo arremesso no seria
influenciada se se soubesse que o evento cara no primeiro
arremesso tivesse ocorrido.
2) razovel supor que o tempo de vida de uma lmpada no
depende, de maneira alguma, do tempo de vida de qualquer outra
lmpada.
Estes exemplos sugerem que se defina dois eventos A e B, como sendo
independentes (ou estatisticamente independentes) se:

Pr[ A / B ] = Pr[ A ]
Usando (1), tem-se que a expresso anterior equivalente :

Pr[ A B ] = Pr[ A ]. Pr[ B ]

Exemplo: Um circuito eletrnico consiste de um transistor e de um

condensador. O transistor selecionado entre 100, 10 dos quais so
defeituosos, e o condensador selecionado a partir de um lote de 300,
15 dos quais so defeituosos. Seja A o evento o transistor
defeituoso (Pr[A]= 10/100=0,10) e B o evento o condensador
defeituoso (Pr[B]=15/300=0,05). Uma vez que as escolhas partem
de lotes diferentes, parece razovel esperar que A e B sejam
independentes. H um total de 100.300=30000 circuitos possveis,
dos quais 10.15=150 tm ambas as partes defeituosas. Assim
Pr[AB]=150/30000=0,005, que igual a Pr[A].Pr[B]=0,10.0,05 =
0,005.

Captulo 1 Teoria da Probabilidade

10

Exemplo: Um agricultor estima a probabilidade de que sua plantao

seja atacada por uma praga, P[A], em 0.2 e a probabilidade de
ocorrer um perodo de seca, P[B], em 0.15. Qual a probabilidade de
que a colheita seja destruda supondo que isto acontea se qualquer
uma das ocorrncias, a praga e a seca venha a se verificar? Precisase determinar a probabilidade comum entre praga e seca. Para tanto
existem trs possibilidades:
i) Caso os eventos (praga e seca) sejam independentes entre si, ento
a probabilidade comum resulta do produto 0.2*0.15=0.03. A
probabilidade do agricultor perder a colheita ento 0.2+0.150.03=0.32.
ii) Caso os eventos sejam dependentes entre s, ou seja, a ocorrncia
de um evento tem influncia na chance de ocorrer o outro devemos
conhecer adicionalmente a probabilidade condicional de ocorrncia
de um evento em relao ao outro. Supondo que havendo seca, a
ocorrncia de uma praga seja mais provvel do que se chover
suficientemente, e que o agricultor estima a probabilidade de ocorrer
a praga em 1/3 caso haja seca. Ento, o termo comum, P[AB],
0.15*1/3=0.05 e o perigo de perder a colheita de 0.2+0.150.05=0.3.
iii) Caso os eventos sejam mutuamente exclusivos, isto , ambos no
podem ocorrer simultaneamente. Nesta situao, o termo comum,
P[AB], igual a zero. Ento, se houver seca, e em virtude disso, a
praga no sobreviver, a probabilidade da colheita ser perdida
0.2+0.15=0.35.

Captulo 1 Teoria da Probabilidade

11

3 Variveis Aleatrias
Sejam os experimentos aleatrios:
Experimento
Aleatrio
Arremesso de
uma moeda
Arremesso de
um dado
Lanamento
de um foguete
Controle de
Qualidade

Espao Amostral

Evento (Exemplo)

Probabilidade

S={Cara,Coroa}

A-cara ou coroa

Pr[A]=1

S={1,2,3,4,5,6}

A-nmero par

Pr[A]=1/2

S={sucesso,insucesso)

A-sucesso

Pr[A]=0,80

S={bom,defeituoso}

A=defeituoso

Pr[A]=0,05

Alguns experimentos apresentam espaos amostrais cujos elementos

so nmeros e em outros no os apresentam. Para fins matemticos
conveniente que se tenham nmeros associados aos resultados.
Variveis aleatrias so construes matemticas que permitem fazer
esta associao.

3.1 Definio
Uma varivel aleatria , na verdade, uma funo que associa cada
ponto do espao amostral, a um nmero, geralmente um valor real. Se
X uma varivel aleatria e x um nmero real fixado, o espao
amostral S denominado o domnio da varivel aleatria e o conjunto
de todos os valores de X denominado de contradomnio da varivel
aleatria.

X(s)
s

x
Captulo 1 Teoria da Probabilidade

12

Exemplo: Seja X a funo altura ou varivel aleatria, ento a

afirmao Joo tem 1,78 m de altura pode ser escrita como:
X(Joo)=1,78m
Dois ou mais elementos amostrais podem implicar no mesmo valor
para X (duas pessoas podem ter a mesma altura), mas dois nmeros
diferentes no contradomnio no podem ser atribudos ao mesmo
espao amostral (uma pessoa no pode ter duas alturas diferentes).
Na prtica, a escolha de uma varivel aleatria para um uso especfico
no est fixada dentro da estrutura de probabilidade. A escolha
apenas uma questo de convenincia sendo ditada pelos
questionamentos relativos ao experimento que se procura responder.

Exemplo: Seja o experimento de lanar uma moeda. Seja X a

associao do resultado Cara ao nmero real 0 e Coroa ao nmero 1.
Ento, esquematicamente ter-se-ia a seguinte representao para a
varivel aleatria X:

X(Cara)=0
Cara

X(Coroa)=1
Coroa
0

Captulo 1 Teoria da Probabilidade

13

3.2 Definio de Eventos usando Variveis

Aleatrias
A probabilidade uma funo de conjunto, definida como a
associao de nmeros a certos subconjuntos (eventos) do espao
amostral S.
Uma varivel aleatria, por sua vez, uma funo que associa
nmeros a todos os elementos do espao amostral S, e no de um
subconjunto de S.
Se X uma varivel aleatria e x um nmero real fixado, pode-se
definir o evento Ax como o subconjunto de S consistindo de todos os
pontos amostrais s para os quais a varivel X associa o nmero x:

Ax = { s : X(s) = x}
Como um evento, Ax tem probabilidade p = Pr [Ax]

S
Ax={s:X(s)=x}

s1
Ax s2

X(S1)
X(S2)
x
X(s)=x para s Ax

Pr[Ax] = p = Pr[{x:X(s)=x}]

De um modo geral, pode-se interpretar p como a probabilidade da

varivel aleatria X assumir o valor x. Por simplicidade, usa-se a
notao [X=x] para representar o subconjunto Ax. Assim,
[X=x] = {s:X(s)=x} Pr[X=x] = Pr{s:X(s)=x}
Pr[X=x] a probabilidade da varivel aleatria X ser igual a x.
Captulo 1 Teoria da Probabilidade

14

Exemplo: Seja S={s1, s2, s3, s4, s5} com as probabilidades:

p1=Pr[{s1}], p2=Pr[{s2}], p3=Pr[{s3}], p4=Pr[{s4}], p5=Pr[{s5}],
com pi=1.
Seja ainda a varivel aleatria X definida por X(s1)= X(s3)=0, X(s2)=
X(s4)=1, X(s5)=2.
Assim, A0={s:X(s)=0}={s1, s3} e p=Pr[A0]=Pr[{s1, s3}]= p1+ p3 , e
assim por diante.

X(S2 )

s5

s1
A0 s3

s2
s4

X(S1 )

X(S4 )

X(S5 )

X(S3 )
0

p=p1+p3

Pr[A0] = p = Pr[{s1, s3}]

A notao [X=x] para representar o subconjunto Ax pode ser estendida

para definir outros tipos de eventos em termos de uma varivel
aleatria, como por exemplo:

[X x] = {s:X(s) x}
[X > x] = {s:X(s) > x}
[a < X < b] = {s: a < X(s) < b}
Estes eventos tm, respectivamente, probabilidade:

Pr[X x] = a probabilidade de que X assuma um valor x

Pr[X > x] = a probabilidade de que X assuma um valor > x
= 1- Pr[X x]

Pr[a < X < b] = a probabilidade de que X assuma um valor maior

que a e menor que b
Captulo 1 Teoria da Probabilidade

15

Exemplo: Uma moeda honesta arremessada trs vezes. Considere o

espao amostral consistindo dos oito pontos amostrais, igualmente
provveis: S={(KKK),...,(CCC)}, onde K=Cara e C=Coroa. Seja X a
varivel aleatria que determina o nmero de caras em cada ponto
amostral. Assim, X tem contradomnio 0,1,2,3 com probabilidades
dadas na tabela abaixo.
s
KKK
KKC
KCK
CKK
KCC
CKC
CCK
CCC

X(s)
3
2
2
2
1
1
1
0

[X=s]
[X=3]={ KKK }
[X=2]={ KKC,
KCK,
CKK }
[X=1]={ KCC,
CKC,
CCK }
[X=0]={ CCC }

Pr[X=x]
Pr[X=3]=1/8
Pr[X=2]=3/8
Pr[X=1]=3/8
Pr[X=0]=1/8

Note-se que:
[X1] = {CCC,KCC,CKC,CCK} = [X=0] [X=1]
Pr[X1] =Pr [X=0] + Pr[X=1] = 1/8 + 3/8 = 1/2
[X1] [X>1] = S Pr[X1] + Pr[X>1] = Pr[S] = 1 ou
Pr[X>1] = 1 - Pr[X1] = 1 1/2 = 1/2
[0<X<3] = [1X2] = [X=0] [X=3]
1 Pr([X=0] [X=3]) = 1 (1/8 + 1/8) = 3/4
Tabulando-se [X x] e Pr[X x] para x= -1, 0, 1, 2, 3 e 4 tem-se que
cada evento est includo no seguinte. Por isso as probabilidades
aumentam (ou, pelo menos, no diminuem) quando x aumenta de
valor:
x
-1
0
1
2
3
4

[X x]

{ CCC }
{ CCC, KCC, CKC, CCK }
{ CCC, KCC, CKC, CCK, KKC, KCK, CKK }
{ CCC, KCC, CKC, CCK, KKC, KCK, CKK, KKK } =S
S

Captulo 1 Teoria da Probabilidade

Pr [X x]
0
1/8
4/8
7/8
1
1
16

3.3 Funes de Distribuio

Se X uma varivel aleatria e x um nmero, tem-se definido o
evento [ X x ] = { s: X(s) x } com probabilidade Pr[ X x ] .
A probabilidade Pr[ X x ] depende de x, ou seja uma funo de x,
sendo definida como funo de distribuio da varivel aleatria X.
representada simplesmente por F(x), ou seja:

F(x) = Pr[ X x ]

para - < x <

O domnio da Funo de Distribuio o conjunto de todos os

nmeros reais e seu contradomnio um conjunto de nmeros
compreendidos entre 0 e 1.

Exemplo: Seja o exemplo anterior de lanamento de uma moeda

honesta com Pr[X x]. Colocando os valores de F(x)=Pr[X x] num
grfico tem-se:
F(x)
1

3/4

1/2
1/4

-1

Captulo 1 Teoria da Probabilidade

17

Propriedades de F(x):
(a) 0 F(x) 1

para

- < x <

(pois F(x) um valor de probabilidade)

(b) Se x1 x2 ento F(x1) F(x2)
(pois qualquer ponto amostral s[xx1] tambm deve estar
contido em [xx2] )
(c ) lim x+ F(x) = F() = 1,

lim x- F(x) = F(-) = 0

(para x- , F(x)=Pr[Xx] Pr[X - ]=Pr[]=0

para x+, F(x)=Pr[Xx] Pr[X+]=Pr[S]=1)
(d) lim xxo+ F(x) = F(x0)
(ou seja, F(x) continua direita e nem sempre esquerda)
Qualquer funo F(x) que atenda (a), (b), (c) e (d) uma funo de
distribuio de probabilidade de uma varivel aleatria.

Exemplos: As funes abaixo representam funes de distribuio de

probabilidade:

a)

0 , se x < 0

F ( x ) = x + 1 2 , se 0 x 1 2
1, se x > 1
2

b)

0 , se x 0
F( x ) =
ax
1

e
, se 0 < x

Captulo 1 Teoria da Probabilidade

18

3.4 Determinao de Probabilidades

Conhecida a funo de distribuio de probabilidade, pode-se
determinar outras probabilidades de interesse, como por exemplo:
(a) Desde que: [Xa] [X>a]=1

tem-se que

Pr[Xa]+Pr[X>a]=Pr[S]=1
Assim,

Pr[X>a]=1-Pr[Xa]=1 - F(a)

(b) Desde que: [Xa] [a<Xb]=[Xb]

tem-se que

Pr[Xa]+Pr[a<Xb]=Pr[Xb]
Assim,

Pr[a<Xb]= Pr[Xb]- Pr[Xa]=F(b)-F(a)

Exemplo: Seja a funo de distribuio de probabilidade dada por:

0 , se x < 0

F ( x ) = x + 1 2 , se 0 x 1 2
1, se x > 1
2

Ento, a determinao de probabilidades para eventos relacionados a

X pode ser determinada diretamente atravs de F(x), como mostrado
abaixo para alguns eventos especficos:
Pr[X1/4] = F(1/4) =3/4
Pr[0<X1/4]=F(1/4) - F(0)=1/4
Pr[X>1/4]=1 - F(1/4)=1/4
Pr[X1/8] = 5/8
Pr[X>1/8] =1 - F(1/8) =3/8

Captulo 1 Teoria da Probabilidade

19

3.5 Variveis Aleatrias Discretas

Variveis aleatrias discretas tm funo de distribuio que se
desenvolve aos saltos. As nicas contribuies no nulas para F(x)
ocorrem em um conjunto discreto de pontos x0, x1, x2, ...
A funo que assume os valores no nulos em xi definida como a
funo de densidade de probabilidade, p(x), para a varivel aleatria
discreta X. Assim,

p(x)=Pr[X = x]
A funo p(x) tem as seguintes propriedades:
(a)

p(x) = 0 com exceo para x igual a x0, x1, x2,.. ;

(b)

0 p(xi) 1, para qualquer xi do domnio;

(c)

p( xi ) = Pr[ X = xi ] = 1
i

As funes F(x) e p(x) so relacionadas entre x por:

F ( x ) = Pr[ X x ] = Pr[ X = xi , para todo xi x ] = Pr[ X = xi ]

xi x

Esta relao est ilustrada na figura abaixo.

f(x)

F(x)
1
f(x3)
f(x2)
F(x)=x x p(xi)

f(x1)

f(x0)
x0

f(x0)
x1

x2

Captulo 1 Teoria da Probabilidade

x3

x0

f(x1)
x1

x2

f(x3)

f(x2)

x3

20

Exemplo: Seja o experimento de arremessar trs vezes uma moeda

honesta e X representa o nmero de caras. A correspondente funo
densidade de probabilidade expressa por:
p0=p(0)=Pr[X=0]=1/8
p1=p(1)=Pr[X=1]=3/8
p2=p(2)=Pr[X=2]=3/8
p3=p(3)=Pr[X=3]=1/8
e p(x)=0 para x 0, 1, 2, 3

Captulo 1 Teoria da Probabilidade

21

3.6 Variveis Aleatrias Contnuas

Uma varivel aleatria X definida ser contnua se sua distribuio
F(x):
(a)

for contnua;

(b)

tiver derivada f(x)=(d/dx)F(x) para todo x, salvo possivelmente,

em um conjunto finito de pontos;

(c)

sua derivada for seccionalemente contnua.

Observaes:
1) o domnio de X consistir de um ou mais intervalos, finitos ou
infinitos;
2) as probabilidades Pr[X=x] so todas nulas; assim a equao
p(x)=Pr[X=x] no constitui uma definio apropriada para a
funo densidade de probabilidade no caso contnuo;
3) a generalizao natural da equao F ( x ) = p( xi ) uma
xi x

integral. Assim, a funo de densidade de probabilidade, f(x), no

caso contnuo dada pela derivada:

f(x)=

d
F( x )
dx

Ou seja,

x d
x
F ( x ) = F ( x ) F ( ) =
F ( t )dt = f ( t )dt
dt

4) Como Pr[X=b]=0 tem-se que:

b

Pr[ a < X b ] = Pr[ a X b ] = Pr[ a < X < b ] = F ( b ) F ( a ) = f ( t )dt

a

Captulo 1 Teoria da Probabilidade

22

A funo densidade de probabilidade f(x) tem as seguintes

propriedades:
1) f(x)=0 se x no pertence ao domnio X (fora deste intervalo, F(x)
constante e sua derivada nula);
2) f(x) 0 para todo x (pois F(x) uma funo no-decrescente);
+

3)

f ( x )dx = 1

(todo o domnio de X ou espao amostral);

4) f(x) seccionalmente contnua.

A relao entre f(x) e F(x) ilustrada na figura abaixo. Probabilidades
so representadas por reas sob a curva de f(x). A rea total sob a
curva tem valor unitrio.

F(x)

f(t)

Pr[a<Xb]

Pr[a<Xb]

F(x)
F(x)
x

Captulo 1 Teoria da Probabilidade

23

Exemplo: Seja a funo

2 x , se 0 x 1
f(x)=
0 , para qualquer outro valor de x
Esta funo corresponde a uma funo de densidade de probabilidade
pois:
a) f(x) 0 para qualquer x;

b)

f ( x )dx =

0 dx + 2 xdx + 0 dx = 1

c) f(x) seccionalmente contnua com descontinuidade em x=1;

A funo de distribuio de probabilidade correspondente dada
por:
0 , se x < 0
x

F ( x ) = f ( x )dx = x 2 , se 0 x 1

1, se x > 1

A partir desta funo pode-se calcular probabilidades tais como:

1/ 2

Pr[ X 1 / 2 ] = F ( 1 / 2 ) = 2 xdx = 1 / 4
0
3/ 4

Pr[ 1 / 4 < X 3 / 4 ] = F ( 3 / 4 ) F ( 1 / 4 ) = 2 xdx = 1 / 2

1/ 4

Captulo 1 Teoria da Probabilidade

24

Exemplo: Seja a funo de distribuio exponencial negativa

1 e ax , se 0 x
F( x ) =
se x < 0
0 ,
A correspondente funo de densidade de probabilidade dada por:

ae ax , se 0 x
f ( x ) = F' ( x ) =
se x < 0
0 ,
Neste caso,

Pr[ X > x ] = f ( t )dt = ae at dt = e at

Captulo 1 Teoria da Probabilidade

= e ax para x0.

25